Use of Bayesian Statistics to Study Chlorine Decay within a Water Distribution System
Notice bibliographique
Résumé
Decay of chlorine residuals within a water distribution system is a result of a number of interacting processes operating at multiple spatial and temporal scales. These processes are not easily combined into a single and simple predictive model. In the past, first-order decay models have been widely adopted to describe chlorine decay. However, as these models only entail two variables (initial chlorine level and time), these models are not representative of many of the important phenomena influencing chlorine residual decay. Numerous other factors have been identified, including pipe wall material, TOC, temperature and pH. As an alternative, multi-component chlorine decay models represent the aggregation of underlying processes contributing to overall chlorine consumption more appropriately. Clark first proposed a two-component second-order chlorine bulk decay model based on the concept of competing reacting substances. The research in this paper extends the two-component second-order model to incorporate recent findings of the involvement of NOM in the chlorine decay process. This model is further applied in the estimation of wall decay coefficients as used in EPANET. A novel procedure, a two-step parameter assignment method which employs a Bayesian statistical method and Monte Carlo Markov Chain (MCMC), is described to evaluate the parameters of both bulk decay and the wall decay components. A study conducted in Goderich, Ontario, Canada is used to demonstrate the application of the two-component second-order chlorine model. The effects of pipe diameter, pipe wall roughness, flow velocity. TOC, initial chlorine concentration on chlorine decay are investigated. This paper was presented at the 8th Annual Water Distribution Systems Analysis Symposium which was held with the generous support of Awwa Research Foundation (AwwaRF).
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 | 0,000 |
| 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 ».