MétaCan
Menu
Retour à la cohorte
Enregistrement W2621621247 · doi:10.3329/jme.v46i1.32520

Non-Revenue Water (NRW) is a challenge for Global Water Supply System Management: A case study of Dhaka Water Supply System Management

2017· article· en· W2621621247 sur OpenAlexaff
G. M. G Farok

Notice bibliographique

RevueJournal of Mechanical Engineering · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueWater Systems and Optimization
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésSewerageNon-revenue waterWater supplyBusinessRevenueWater industryGovernment (linguistics)Water resource managementSanitationPotable waterEnvironmental planningFinanceNatural resource economicsEnvironmental engineeringWater resourcesWater conservationEngineeringEnvironmental scienceEconomics

Résumé

récupéré en direct d'OpenAlex

Non-revenue Water (NRW) is an important component of commercial water system management. NRW is the result of pipelines leakage, improper, illegal service connections and theft water. NRW contributes system loss that is a buzzword. Actually, NRW is uncounted water that has been produced but it is confirmed to be “lost” before it consumes the customer. This matter agitates for all concern and specially it affects the whole economy. Dhaka Water Supply and Sewerage Authority (DWASA) is one of the main utilities in Dhaka City and it is the mostimportant sector of the Government of Bangladesh. The potable water distribution network has been installed at the whole area of the city and it covers periphery of the city and its extension is going from N. Gonj to Tongi as well as surrounding area of this city. Non-revenue water surveys were conducted on specific fields and areas that were selected randomly. It would be gradually becoming a serious issue affecting the interest of all concerned andwould be one of the major crises to be solved with techno-managerial concept.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,036
Score d'incertitude au seuil0,072

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0030,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,011
Tête enseignante GPT0,216
Écart entre enseignants0,205 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations15
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Mechanical EngineeringMême sujetWater Systems and OptimizationTravaux en français237 207