Predicting trihalomethane formation in chlorinated waters using multivariate regression and neural networks
Notice bibliographique
Résumé
Research Article| May 01 2003 Predicting trihalomethane formation in chlorinated waters using multivariate regression and neural networks Manuel J. Rodriguez; Manuel J. Rodriguez 1Département d'Aménagement, 1624 F. A. Savard, Université Laval, Québec, QC, Canada, G1K 7P4 Tel: (418) 656-2131 ext. 8933 Fax: (418) 656-2018; E-mail: manuel.rodriguez@ame.ulaval.ca Search for other works by this author on: This Site PubMed Google Scholar Julie Milot; Julie Milot 2Centre de Recherche en Aménagement et Développement (CRAD), 1636 F. A. Savard, Université Laval, Québec, QC, Canada, G1K 7P4 Search for other works by this author on: This Site PubMed Google Scholar Jean-B. Sérodes Jean-B. Sérodes 3Département de Génie Civil, 1916 Pouliot, Université Laval, Québec, QC, Canada, G1K 7P4 Search for other works by this author on: This Site PubMed Google Scholar Journal of Water Supply: Research and Technology-Aqua (2003) 52 (3): 199–215. https://doi.org/10.2166/aqua.2003.0020 Views Icon Views Article contents Figures & tables Video Audio Supplementary Data Share Icon Share Twitter LinkedIn Tools Icon Tools Cite Icon Cite Permissions Search Site Search Dropdown Menu toolbar search search input Search input auto suggest filter your search All ContentAll JournalsThis Journal Search Advanced Search Citation Manuel J. Rodriguez, Julie Milot, Jean-B. Sérodes; Predicting trihalomethane formation in chlorinated waters using multivariate regression and neural networks. Journal of Water Supply: Research and Technology-Aqua 1 May 2003; 52 (3): 199–215. doi: https://doi.org/10.2166/aqua.2003.0020 Download citation file: Ris (Zotero) Reference Manager EasyBib Bookends Mendeley Papers EndNote RefWorks BibTex Recently, there has been increased interest in modelling disinfection by-products (DBP) in order to better understand and manage the presence of these compounds in drinking water. In this paper, the use of artificial neural networks (ANN) to predict trihalomethane (THM) formation resulting from chlorination bench-scale experiments is investigated and compared with the use of classical multivariate linear regression (MLR). ANN and MLR were developed from three databases which were generated through bench-scale chlorination essays carried out in the US and Canada. A detailed analysis of modelling results shows that for all three databases, ANNs have in general a greater ability than MLRs to predict THM formation for most water quality and chlorination conditions, with the exception of instantaneous THMs (formation immediately following chlorine addition). chlorination, modelling, multivariate regression, neural networks, trihalomethanes This content is only available as a PDF. © IWA Publishing 2003 You do not currently have access to this content.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».