Estimation of Bench-Scale Chlorine Decay in Drinking Water Using nth-Order Kinetic and Back Propagation Neural Network 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
Abstract This paper presents the development of two models for simulating residual chlorine decay in raw and treated waters collected from six different utilities of the Quebec City area. The data for modelling was generated by means of several bench-scale chlorination assays undertaken with chlorine doses that varied according to the content of natural organic matter in the water. The first model is a classical kinetic model in which chlorine decay is represented by a first or a second order function, according to the contact time of chlorine. A decay coefficient is estimated based on water quality and operational parameters, using linear regression. The second is a non-linear back propagation neural network model in which all the parameters responsible for chlorine decay are processed within a single model. The performances of both models were evaluated and compared using the database for model development and an independent database for validation. Both models demonstrated acceptable abilities for simulating residual chlorine decay. However, the back propagation neural network model gave significantly better results for conditions involving high chlorine dosage, high organic matter content and long reaction times during chlorination experiments. In the other cases, the performance of the kinetic model was slightly superior. Back propagation neural networks are also advantageous because they do not require assumptions about model order or the estimation of a chlorine decay coefficient. Also included in the paper is a discussion of possible strategies for use in future research work in order to generalize the results obtained.
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 | 0,005 | 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 | 0,001 |
| 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 découle