The benefits of computerized real-time river basin management in the Malahayu reservoir system
Notice bibliographique
Résumé
This paper describes the developments of operating rules for the Malahayu reservoir system in Indonesia. The analysis in this study is based on the use of a simulation model with a nested network flow optimization subprogram, which required hydrologic time series of reservoir inflows as input data. Since estimates of historic naturalized flows were of insufficient length, they were used as a basis for developing a 100-year stochastic series which offered a more challenging input while preserving the relevant statistics of the original historic series. This study shows by how much the reservoir yield could have been increased in the past, assuming that short-term inflow and demand forecasts are available and that the proposed reservoir operating rule is obeyed. The increase is estimated by comparing the long- term average of the simulated diversions at the three weirs with the actual historic diversions which are on the record. A more efficient reservoir operating policy would increase the reservoir yield by 38% in the March-June period and by 33% in the July-October period. If additional local runoff into the weirs is utilized in the same period, the increased supply would range up to 66% in the March-June period and 43% in the July-October period. The results from this study provide a strong argument in favour of investing in modern technology as opposed to massive additional infrastructure development. Key words: linear programming, reservoir rule curve, simulation, optimization, stochastic inflow series.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».