Simulation–Optimization-Based Virus Source Identification Model for 3D Unconfined Aquifer Considering Source Locations and Number as Variable
Notice bibliographique
Résumé
Identification of virus sources is one of the most important activities to control the spread of epidemics. Virus sources can be identified using an inverse optimization model. The inverse optimization model minimizes the error between simulated and observed concentrations at observation locations of the aquifer. The observed concentration can be obtained from field observation of contaminants. The simulated concentration can be obtained through the flow and virus transport simulation models. As such, the flow and transport simulation models need to be incorporated into the optimization model. As a result, the complexity of the problem is related to the dimension of the simulation models. For reducing the computational burden, generally, one- or two-dimensional simulation model is considered in finding the virus sources. However, to mimic the real world situation, one has to use the three-dimensional (3D) virus transport processes. Furthermore, in earlier studies, the number and the source locations are considered to be known. Thus, this study deals with the identification of a virus source in an unconfined 3D groundwater aquifer considering source location and number as variables. The methodology proposed allows running the models in an external environment to generate the simulated concentrations with arbitrary sources. The optimization model is solved using the pattern search algorithm. Two hypothetical problems have been considered to show the potential of the algorithm. The promising results show that virus sources in an aquifer can be identified even when the location and number of sources are not known.
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 ».