Both the well-established condition assessment and the newly developed assessment of a sewers structural substance are based on visual (CCTV)-inspection and defect coding, and thus a prone to errors and incomplete inspection data. In this study, we aim at understanding the sensitivity of structural substance assessment of sewers to several sources of uncertainties in the inspection procedure. We identified main uncertainty sources in the assessment procedure and propagated this uncertainty in the structural substance assessment of 80,000 sewer pipes. By comparing original inspection data with manipulated one, the effect of specific error types became quantifiable. It was observed that the use numerical assumptions for defect severity instead of performing a single case defect evaluation had a smaller impact on the substance assessment than on the condition assessment. However, the structural substance is more sensitive towards errors related to the extension of defects. While some errors can change the substance value / substance class of single reaches significantly, the mean impact is much lower. The substance assessment of a whole sewer network is thus quite robust against the here considered errors of inspection data.

Die bauliche Substanz eines Kanalnetzes ist eine wichtige Kenngröße zur mittelfristigen Planungsunterstützung und zur Entwicklung von Sanierungsstrategien. Verschiedene Ansätze zur Substanzklassifizierung wurden bereits in der Vergangenheit entwickelt. Es existiert bisher aber noch kein allgemeingültiger Standard. In diesem Artikel werden die Ergebnisse des vom Bundeswirtschaftsministerium geförderten Verbundvorhabens „Entwicklung eines Standards zur Bewertung und Klassifizierung der baulichen Substanz von Kanalisationen“ (SubKanS) vorgestellt.

Ausgehend von den Anforderungen und Erwartungen der Netzbetreiber an eine solche Klassifizierung wird die Abnutzung einer Haltung auf Basis von Einzelzuständen nach Schadensart und -ausprägung mit unterschiedlicher Gewichtung ermittelt und eine Substanzklasse zugeordnet. Die Kalibrierung der Modellparameter und Zuordnungsregeln erfolgte auf Basis von Experteneinschätzungen und statistischen Auswertungen von ca. 100 000 Haltungen.