An efficient approach to automate the manual trial and error calibration of activated sludge models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
An efficient approach is introduced to help automate the rather tedious manual trial and error way of model calibration currently used in activated sludge modeling practice. To this end, we have evaluated a Monte Carlo based calibration approach consisting of four steps: (i) parameter subset selection, (ii) defining parameter space, (iii) parameter sampling for Monte Carlo simulations and (iv) selecting the best Monte Carlo simulation thereby providing the calibrated parameter values. The approach was evaluated on a formerly calibrated full-scale ASM2d model for a domestic plant (located in The Netherlands), using in total 3 months of dynamic oxygen, ammonia and nitrate sensor data. The Monte Carlo calibrated model was validated successfully using ammonia, oxygen and nitrate data collected at high measurement frequency. Statistical analysis of the residuals using mean absolute error (MAE), root mean square error (RMSE) and Janus coefficient showed that the calibrated model was able to provide statistically accurate and valid predictions for ammonium, oxygen and nitrate. This shows that this pragmatic approach can perform the task of model calibration and therefore be used in practice to save the valuable time of modelers spent on this step of activated sludge modeling. The high computational demand is a downside of this approach but this can be overcome by using distributed computing. Overall we expect that the use of such systems analysis tools in the application of activated sludge models will improve the quality of model predictions and their use in decision making.
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.
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 découle