Application of back-propagation neural network modeling for free residual chlorine, total trihalomethanes and trihalomethanes speciation
Notice bibliographique
Résumé
The application of back-propagation neural networks (BPNNs) was assessed for modeling residual chlorine decay, total THM concentrations (TTHMs), and three individual THM species (CHCl3, CHBrCl2, and CHBr2Cl) in water that was chlorinated under laboratory-scale conditions. Data for modeling chlorine decay and TTHM were generated in chlorination experiments carried out with water collected in water utilities of the Quebec City region, whereas data for THM species were provided by the US Geological Survey for the Mississippi River and its tributaries. The BPNN models were compared with conventional models developed with exactly the same data. Results showed that the ability of BPNN to model residual chlorine decay is, in general terms, comparable to the ability of kinetic first- and second-order models. For TTHMs and THM speciation, however, the ability of BPNN was clearly higher in comparison with multivariate regression models, in particular when brominated disinfection by-products (DBPs) (CHBrCl2 and CHBr2Cl) were modeled. The successful application of BPNN presented in this study opens the door to other potential applications of BPNN for field-scale data concerning THMs as well as for other relevant disinfection by-products. Key words: back-propagation neural networks, drinking water, chlorination, residual chlorine decay, trihalomethanes, prediction.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».