Studi ini menyelidiki kedatangan luapan saluran pembuangan Selokan Sanitasi yang dikumpulkan dari kotamadya. Kumpulan data terdiri dari luapan yang tercatat dari 2011 hingga 2014 selama cuaca kering. Analisis reliabilitas dilakukan pada setiap kumpulan Selokan Sanitasi data. Distribusi Weibull diadopsi untuk mengevaluasi kumpulan data. Hasil penelitian menunjukkan bahwa kedatangan SSO cuaca kering tidak dapat dimodelkan begitu saja dengan proses Poisson yang ditampilkan dengan laju kedatangan yang konstan. Untuk kumpulan data tahunan, Weibull 2-parameter umumnya memiliki kesesuaian yang dapat diterima (kecuali data 2014). Parameter bentuk mendekati 1 atau sedikit lebih besar dari 1, menunjukkan tingkat kedatangan yang relatif konstan atau tingkat yang sedikit meningkat. Untuk seluruh kumpulan data, distribusi Weibull 3 parameter mampu menyesuaikan data dengan baik. Parameter bentuk juga lebih besar dari 1. Oleh karena itu, peningkatan laju kedatangan SSO diperhatikan untuk kumpulan data ini. Ada kebutuhan untuk melakukan lebih banyak upaya dalam memelihara sistem saluran pembuangan.
Sanitary Sewer Overflow (SSO) adalah suatu kondisi di mana limbah yang tidak diolah dibuang dari saluran pembuangan sanitasi ke lingkungan Selokan Sanitasi sebelum sampai ke fasilitas pengolahan. Penyebab SSO dapat dari berbagai sumber, seperti penyumbatan pipa saluran pembuangan, infiltrasi air hujan ke saluran selama hujan, kegagalan stasiun pompa, dan saluran pipa yang rusak atau runtuh. Oleh karena itu, dalam pengelolaan perpipaan sewer, sanitary sewer overflow (SSO) merupakan indikator penting kinerja sistem. SSO semacam itu adalah masalah umum di semua kotamadya. Hal ini berarti untuk mempelajari peristiwa tersebut untuk membantu pengambil keputusan dalam manajemen fasilitas.
Kedatangan peristiwa-peristiwa itu dapat diasumsikan acak. Asumsi peristiwa berurutan independen seperti itu mengarah ke proses Poisson. Dalam proses Poisson, waktu Selokan Sanitasi antar kedatangan menampilkan distribusi eksponensial [1] . Properti tanpa memori seperti itu memberikan keuntungan dalam memodelkan peristiwa secara berurutan. Dalam teknik sipil, pendekatan ini telah diterapkan dalam pemodelan curah hujan [2] , dan analisis frekuensi kecelakaan [3] .
Dalam kehidupan nyata, asumsi homogen tanpa memori mungkin tidak dapat dibenarkan. Prediksinya mungkin juga konservatif [4]. Proses tersebut dapat lebih akurat dimodelkan dengan model non-homogen. Model keandalan yang ada termasuk model Crow [5] dan mode Cox-lewis [6] , keduanya menggunakan distribusi Weibull agar sesuai dengan data “waktu untuk kegagalan”. Dalam studi ini, untuk mengeksplorasi kedatangan luapan saat cuaca kering, distribusi Weibull digunakan untuk memverifikasi pola kedatangan SSO. Hasilnya akan membantu pemangku kepentingan dan pengambil keputusan dalam pengelolaan fasilitas saluran pembuangan [7] .
Dalam pengelolaan sistem saluran pembuangan, penelitian telah dilakukan di beberapa arah. Selokan Sanitasi Secara umum, dapat dikategorikan menjadi tiga konsentrasi utama. Konsentrasi pertama adalah analisis keandalan sistem. Metode ini berfokus pada data kegagalan dan mengeksplorasi keandalan melalui analisis data. Contoh atipikal adalah penelitian yang dilakukan oleh Jin dan Mukherjee [7] [8] . Dalam penelitian ini, penulis memfokuskan pada penyumbatan, dengan menggunakan kumpulan data yang dikumpulkan pada sistem saluran pembuangan. Mereka mengusulkan metode untuk mengeksplorasi pola kedatangan secara mendalam. Mereka juga mengusulkan tren waktu hidup berdasarkan analisis keandalan. Aplikasi juga dieksplorasi dengan contoh spesifik yang ditunjukkan. Penelitian serupa juga telah dilakukan dalam hal evaluasi hidrolik sistem [9] – [12] ; dan simulasi situasional untuk mendukung pengambilan keputusan dalam sistem infrastruktur yang saling bergantungan [13].
Kategori kedua adalah prediksi kondisi. Model rantai Markov telah diterapkan secara luas dalam konsentrasi penelitian ini. Misalnya, Wirahadikusumah dkk. membahas beberapa masalah yang menantang dalam prediksi kondisi pipa saluran pembuangan [13]. Mereka mempresentasikan model rantai Markov, yang merupakan teknik paling populer dalam mensimulasikan penurunan kondisi. Namun, estimasi probabilitas transisi kondisi merupakan tantangan besar. Jin dan Mukherjee lebih lanjut mengusulkan metode khusus untuk memperkirakan probabilitas [14] [15] . Mereka lebih lanjut menyelidiki sensitivitas model rantai Markov, yang merupakan langkah besar dalam kategori penelitian ini. Studi terkait lainnya dapat ditemukan di [16] – [19] .