Simulation‐based optimization of dual‐phase vacuum extraction to remove nonaqueous phase liquids in subsurface
Notice bibliographique
Résumé
An integrated simulation‐optimization system was developed for supporting decisions of the dual phase vacuum extraction (DPVE) processes. The system coupled a DPVE process simulator, a multivariate regression tool and a nonlinear optimization model into a general framework. A stepwise‐cluster‐analysis technique was provided for establishing a DPVE process forecasting system for describing the relationships between remediation actions and system responses (i.e., total extracted volume of oil/water, elevation distribution of water table, and specific volume of oil). The forecasting system was then embedded into a multiobjective optimization framework, where the objectives were to minimize the operation cost and maximize the remediation efficiency. The constraints include environmental, hydraulic and technical restrictions to the DPVE processes. A case study was conducted for a petroleum‐contaminated site in western Canada. The results from the stepwise cluster analysis indicated that the generated cluster trees could be used for predicting system responses of the DPVE process, given inputs of the operating conditions. The prediction accuracies of the generated cluster trees were verified using randomly generated data sets. The optimum operating conditions could vary significantly under different cost‐efficiency targets. When a stricter environmental target (i.e., the amount of pollutants in subsurface) was concerned, a higher system cost had to be paid; when the cost became a critical factor, the performance of contaminant removal would have to be compromised. The developed system could be used to analyze tradeoffs between system cost and process efficiency in the DPVE operations; it could also support the formulation of an on‐site process‐control system with vacuum levels and extraction rates being the main control variables.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».