Evaluation of various relationships of reaeration rate coefficient for modeling dissolved oxygen in a river with extreme flow variations in Pakistan
Notice bibliographique
Résumé
Abstract Mathematical relationships have been developed for reaeration rate coefficient ( K a ) by various researchers. These relationships have a number of variables such as depth, velocity, width, slope, Froud number, molecular diffusion coefficient, kinematic viscosity and the gas‐transfer Reynolds number. From these variables, 29 relations have been developed and divided into four groups. To evaluate their predictive capability for highly variable flow rivers receiving high pollution loads form large cities, these relationships have been used to model dissolved oxygen (DO) in the River Ravi. Such rivers are either saturated with DO during high flows or anaerobic during critical low‐flow conditions. The evaluation is based on the agreement between model DO values calculated using K a obtained from the available equations and the measured DO concentrations in the river samples in terms of sum of square of residuals (SSR) and coefficient of determination ( R 2 ). It has been found that in general, the group of equations containing depth and velocity as the only two variables affecting K a performed better than the equations in other groups as reflected by lower SSR and higher R 2 values. The study results also reveal that the turbulence‐based reaeration rate coefficient equation containing additional variables also resulted in close agreement between DO model results and the measured values. The study results identify the most important parameters affecting the reaeration rate coefficient and the suitability of various K a relationships as well for rivers with highly variable flows. Copyright © 2012 John Wiley & Sons, Ltd.
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 | 0,002 | 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 ».