Selecting Water Disinfection Processes using Fuzzy Synthetic Evaluation Technique
Notice bibliographique
Résumé
Abstract Drinking water treatment strategies generally involve treatment processes such as screening, coagulation/flocculation, sedimentation, and filtration/adsorption followed by disinfection. Disinfection approaches include chlorine/chlorine (chloramine), granular activated carbon with post chlorine (chloramine), ozone/chlorine (chloramine), chlorine dioxide/ chlorine (chloramine), chloramine/chloramine, and ultraviolet radiation/chlorine (chloramine). However, comparative evaluation of these disinfection methodologies and their application to a particular source of water is rare. In this study, a framework for multicriteria decision making has been developed. Human health risk, cost, technical feasibility, and disinfection performance have been incorporated as the criteria for evaluation of the disinfection approach. A fuzzy synthetic evaluation technique has been incorporated where fuzzy triangular membership functions were developed to capture the uncertainties of the basic attributes. This paper compares three disinfection approaches: chlorination, granular activated carbon with post chlorination, and chloramination through a multistage hierarchy risk management model in which the analytical hierarchy process has been used to determine the relative importance of various attributes at different hierarchy levels. The evaluation process was found to be sensitive to the assignment of relative importance of the attributes. Chlorination was evaluated as the best disinfection approach in most of the cases.
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 | 0,008 | 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 | 0,002 | 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) | 0,002 | 0,001 |
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 ».