MétaCan
Menu
Retour à la cohorte
Enregistrement W2322877879 · doi:10.1061/41187(420)65

Handling Transmission Mains in Water Loss Control Programs

2011· article· en· W2322877879 sur OpenAlexaff
Kevin Laven, Jeff Kler

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueWater Systems and Optimization
Établissements canadiensPure NorthResearch Canada
Organismes subventionnairesnon disponible
Mots-clésMains electricityLeakage (economics)Transmission (telecommunications)Transmission lossElectric power transmissionElectricityComputer scienceLeakEngineeringTelecommunicationsEnvironmental engineeringElectrical engineering

Résumé

récupéré en direct d'OpenAlex

There is growing awareness in the water industry of the magnitude of transmission main water loss. Additionally, there is a tremendous opportunity to improve water efficiency by managing this water loss effectively. The IWA standard Water Audit framework represents decades of effort in establishing best practices for water loss management, and has now been adopted by the AWWA as well, making this a globally recognized standard. This framework, however, has largely ignored transmission mains, on the assumption that they rarely leak. This paper presents aggregate data representing all in-line leak location surveys on large diameter water mains conducted to-date, by all providers worldwide. This data spans over 2,000 miles of inspections conducted by tethered acoustic devices, and tells a very different story of transmission mains, demonstrating that actual transmission main leakage is close to 100 times the levels previously assumed. Breakdowns of the data are provided by various predictive factors, such as pipe age and material. Case studies of water loss management programs are presented from cities around the world. A cost / benefits model for transmission main leakage control is presented, and applied to these projects. The results of this analysis show that transmission main leakage offers an economical opportunity for water efficiency gains, making it a key component of water loss control programs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,756
Score d'incertitude au seuil0,161

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,160
Écart entre enseignants0,148 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetWater Systems and OptimizationTravaux en français237 207