Predicting total trihalomethane formation in finished water using artificial neural networks
Notice bibliographique
Résumé
This paper reports on the application of artificial neural network (ANN) techniques for predicting the concentration of trihalomethanes (THMs) in finished water at the E.L. Smith Water Treatment Plant (WTP) in Edmonton, Alberta, Canada. The formation of THMs in finished water involves many complex chemical reactions and interactions that are difficult to model using conventional methods. The formation of THMs has been found to be correlated to raw and treated water quality characteristics such as colour, pH, and temperature and chemical addition such as chlorine, alum, and powder activated carbon (PAC). Three models were derived using raw water, post clarification water, and a combination of raw and post clarification water parameter inputs. The model that most successfully predicted the concentration of THMs in finished water is the model that uses clarifier effluent parameter inputs. This model can be used at the E.L. Smith WTP for early detection of potentially high THM concentrations in finished water and gives plant operators enough advanced warning to reduce THM precursors. With an adequate understanding of water treatment plant processes and THM formation potential it will be fairly easy for any water treatment facility, which has a few years of historical plant data, to develop its own ANN model for predicting the formation of THM in finished water. Key words: artificial neural networks, water treatment process, water treatment modeling, trihalomethane formation.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».