The use of deterioration modelling to simulate sewer asset management strategies

Les infrastructures de collecte et de traitement des eaux usées représentent un investissement considérable pour les municipalités. La plupart des collectivités sont aujourd’hui confrontées au problème de la gestion durable de leur patrimoine vieillissant avec des besoins urgents de réhabilitation des infrastructures. Elles se doivent donc d’élaborer des stratégies de gestion patrimoniale efficace pour maintenir le niveau de service rendu et limiter l’augmentation des redevances. L’inspection télévisée (ITV) est la méthode standard utilisée depuis des décennies pour l'évaluation de la condition structurelle des réseaux d’assainissement. Dû à l’absence de réglementation et aux coûts élevés d’inspection, la plupart des collectivités n’ont qu’une connaissance partielle de la condition de leur réseau et manquent d’information pour planifier efficacement les actions de maintenance et renouvellement. Pour pallier à cette situation, des modèles numériques de détérioration ont été développés pour simuler la condition des conduites non-inspectées et prévoir l´évolution future de la condition des réseaux. Un des obstacles majeurs à l’appropriation de ces outils par les collectivités est le manque de preuves à grande échelle de leur bonne performance. D’autre part, l'influence de la quantité de données disponibles pour étalonner les modèles sur la fiabilité des prédictions est mal connue. Les taux d’inspection étant relativement faibles, les collectivités sont rarement assurées d’avoir les données nécessaires pour développer des modèles fiables. Enfin, de nombreuses collectivités reconnaissent les incertitudes liées aux données d’inspection mais aucune étude n’a pu mettre en évidence l’influence de ces incertitudes sur les résultats de modélisation. Ce travail de thèse vise à évaluer la performance des modèles de détérioration ainsi qu’à évaluer l’influence de la quantité de données disponibles sur la qualité de prédiction. Enfin, cette thèse a pour objectif de quantifier la fiabilité des données d’inspection et d’analyser l’influence de leur incertitude sur la performance des modèles de détérioration.Insufficient public and municipal investment represent a major challenge for the long term management of urban drainage systems. Utilities are challenged to develop efficient rehabilitation strategies in order to maintain the level of service. Closed-circuit television (CCTV) inspection is used since the 1980’s as industry standard for sewer investigation system and structural performance evaluation. Due to budget restrictions, inspection rates are generally low and municipalities tend to inspect only a small part of their network (e.g. in France, less than 5% according to Ahmadi et al., 2014). Since the definition of rehabilitation strategies is limited by the lack of information about sewer condition and remaining life, deterioration models have been developed to forecast the evolution of the system according to its current and past condition. One of the main factors hampering the uptake of deterioration modelling by utilities is the lack of real scale evidence of the tangible benefits provided. In particular, most utilities are concerned by the minimum amount of CCTV data required and the relevance of using such models on their networks with limited data availability. Finally, most utilities acknowledge the uncertainties in the procedure of sewer condition assessment, mainly due to the subjectivity of the coding operator. There is a strong need to quantify precisely the uncertainty of the sewer condition assessment procedure and its influence on the outcomes of deterioration modelling. The thesis aims at addressing these gaps by assessing the performance of sewer deterioration modelling using a case study with high CCTV data availability and by identifying the influence of CCTV data quality and availability on modelling performance. The study has been performed with a statistical (GompitZ) and a machine learning (Random Forest) deterioration models using the extensive CCTV database of the cities of Braunschweig and Berlin in Germany. Our results show, that at network level, both machine learning and statistical models can simulate with sufficient accuracy the condition distribution of the network, even in case of low data availability. At the pipe level, the machine learning model outperforms the statistical model. Regarding CCTV data uncertainty, our results highlight that the probability to inspect correctly a pipe in poor condition is close to 80-85% and thus the probability to overestimate the (good) condition of the pipe is close to 15-20% (False Negative). The impact of the uncertainties on the prediction of a deterioration model is not negligible. The analysis shows that the required replacement rate to maintain a constant proportion of segments in poor condition is underestimated if the uncertainties are not included in the analysis