Uncertainty in CCTV sewer inspection data - a case study from Trondheim, Norway

Abstract

Avløpssystemet er en kritisk infrastruktur som benytter kamerainspeksjoner (CCTV) til å samle data som brukes til å foreta beslutninger om rehabiliterings- og utskiftningsstrategier som utgjør betydelige kostnader. Dataene består av skadeklasser hvor et heltall fra 1 til 5 beskriver tilstanden til et rør der 1 i det norske kodesystemet er den beste tilstanden og 5 er den dårligste. Disse dataene er ofte benyttet uten å ta stilling til kvaliteten eller usikkerheten som finnes i dem. I Norge er det enda ikke gjennomført en studie som direkte adresserer kvaliteten i disse dataene. Denne masteroppgaven evaluerer derfor kvaliteten til disse visuelle inspeksjonsdataene for å bidra til økt kunnskap på dette feltet. Studien forsøker å gjøre dette ved å kvantifisere usikkerheten som finnes i inspeksjonsdataene og undersøke hvordan denne usikkerheten kan påvirke beslutninger for rehabiliterings- og utskiftningsstrategier for avløpssystemer. Til slutt vil tiltak som kan redusere usikkerheten i inspeksjonsdataene bli definert. Usikkerheten måles i denne studien gjennom i hvor stor grad inspeksjonsdataene lar seg reprodusere. Avløpssystemet i Trondheim er benyttet som kasus og et utvalg av rør er tatt ut for å bli klassifisert til en skadeklasse av forfatteren av denne masteroppgaven. Forskjellen mellom denne kasusstudiens skadeklasse og den skadeklassen rørene fikk av de profesjonelle rørinspektørene utgjør den kvantifiserte usikkerheten i dataene. Påvirkningen av denne usikkerheten er undersøkt gjennom resultatene fra en nedbrytningsmodell hvor en Monte Carlo metode er benyttet. Tiltak for å redusere usikkerheten i inspeksjonsdataene er basert på erfaringene fra denne kasusstudien. Resultatene viser at det er en sannsynlighet på 37,5 % for å klassifisere skadeklassen høyere når denne studien forsøker å klassifisere rørene, og at det er en sannsynlighet på 10 % for å klassifisere dem i en lavere skadeklasse. Det er da en sannsynlighet på 52,5 % for å klassifisere rørene i dem samme skadeklassen for denne kasusstudien. Monte Carlo undersøkelsene viser at usikkerheten er større for eldre rør enn yngre rør, noe som mest sannsynlig skyldes datasettet som er benyttet til å kalibrere nedbrytningsmodellen hvor det var færre inspiserte eldre rør. Videre viser analysen at den kvantifiserte usikkerheten i denne kasusstudien gjør at nedbrytningsmodellen predikerer flere rør i den dårligste skadeklassen når usikkerheten er tatt med i beregningen. Forskjellene i skadeklasser mellom denne kasusstudien og de profesjonelle rørinspektørene kom hovedsakelig fra defekten korrosjon. Et tiltak som kunne øke reproduserbarheten til inspeksjonsdataene kan derfor være å endre hvordan denne defekten blir brukt til å lage skadeklassene, for eksempel ved å ha 3 alvorlighetsgrader i stedet for 4, eller å endre på vektene slik at de ikke dominerer valget av skadeklasse i for stor grad. Resultatene fra denne studien viser at usikkerheten i inspeksjonsdataene kan påvirke analysene til nedbrytningsmodellen og dermed påvirke beslutningsgrunnlaget for fornyelse av avløpsnett. Ettersom forfatteren har en begrenset erfaring med tilstandsklassifisering av avløpsrør og at utvalget av rørledninger som er brukt til å kvantifisere usikkerheten er liten, er usikkerheten og dens innflytelse påvirket av en egen usikkerhet fra studiens forskningsdesign.

The sewer system is a critical infrastructure that uses Closed-Circuit Television (CCTV) inspections to gather data which is used to make decisions for rehabilitation and replacement strategies that amounts to significant costs. The data in this context refers to a condition class in the form of an integer, ranging from 1 to 5 in the Norwegian coding protocol, that describes the sewer pipe’s condition where 1 is the best condition and 5 is the worst. These data are often used without questioning their quality and the uncertainties they entail. There does not exist any studies that directly addresses the quality of these visual inspection data in Norway. This master thesis therefore evaluates the quality of these visual inspection data in order to contribute to knowledge in this area. In order to do so this study seeks to quantify the uncertainty that exist within the CCTV sewer inspection data and to assess how this uncertainty can influence decisions for rehabilitation and replacement strategies for the sewer system. Lastly, measures to reduce this uncertainty will be defined. This study measures the uncertainty through the possibility to reproduce the CCTV sewer inspection data. The sewer network in Trondheim is used as a case for this study, and a sample of pipes are gathered to be classified into a condition class by the author of this master thesis. The deviation between the author’s condition class and the professional pipe inspector’s condition class make up the quantified uncertainty in the data. The impact of this uncertainty is evaluated through the results of a deterioration model using a Monte Carlo approach. The definition of measures to reduce the uncertainty in the data are based be the experiences drawn from this case study. Results show that there is a probability of 37,5 % to classify the condition classes in a higher condition class when this case study attempt to classify the pipes, while there is a 10 % probability to classify it in a lower condition class. It is thus a 52,5 % probability to reproduce the CCTV sewer inspection data of the pipes in the sample for this case study. The Monte Carlo assessments show that the uncertainty is larger for the older pipes than for the younger pipes, which is probably because the dataset used to calibrate the deterioration model had fewer inspected old pipes. Furthermore, the analysis suggests that, for the quantified uncertainty in this study, the model predicts more pipes in the worst condition class when one considers the uncertainty. The differences between the condition classes given by this study and the professional pipe inspectors was mainly attributed to the defect corrosion. A measure that could increase the reproducibility of the data for this case study would therefore be to alter the way this particular defect is used to create the CCTV sewer inspection data, such as having three possible severity grades rather than four, or changing the weights so that they do not dominate the choice of condition class too much. The results from this study shows that the uncertainty in the CCTV inspection data can influence the reliability of the output from the deterioration model and thereby affect the decision-making process regarding the renewal of sewer networks. However, as the sample size of pipes used quantify the uncertainty is small and that the authors experience in performing condition classification of pipes is limited, the size of the uncertainty and its influence are subject to their own uncertainties due to the design of this study.