How Much Is "Your Un-Calibrated Model" Costing Your Utility? Ten Lessons Learned from Calibrating the CRD Water Model
Notice bibliographique
Résumé
Measured field data are required to calibrate a hydraulic model. Field data is typically collected through a hydrant testing program — the process of opening a hydrant and measuring the flow from it, while recording residual pressures at other hydrants in the area. This is followed by a desk exercise during which adjustments are made to the parameter values used in modeling the water system until a satisfactory match is obtained between modeled and observed values. The selection of hydrant test locations in a water distribution system is to ensure that effective data for model calibration is collected. For a given number of hydrant tests the objective is to maximize the calibration accuracy, i.e. the model's ability to reproduce the observed data. A total of 35 hydrant tests were completed in August 2009 by CRD staff. 306 hydrant data measurements were analyzed and used to calibrate the water model. Calibration agreements were within 2.5%. The hydraulic modeling predictions agreed with the values observed in the field within the AWWA guidelines on model calibration tolerances. The new calibrated model is being used by CRD as a practical tool for infrastructure planning, operational review, and fire flow and water quality analyses. Ten lessons learned from this project were developed and will be discussed in this paper. These lessons are meant to improve the model development and calibration process by reducing the amount of effort required to develop and calibrate the model, while increasing the accuracy and confidence in the model.
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 | 0,000 | 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 | 0,001 |
| 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 ».