MétaCan
Menu
Retour à la cohorte
Enregistrement W2896549436 · doi:10.1590/2318-0331.231820180002

Decision support system for optimization of permits for wastewater discharge

2018· article· en· W2896549436 sur OpenAlexaff
Joaquin Ignácio Bonnecarrère Garcia, André Schardong, Rubem La Laina Porto

Notice bibliographique

RevueRevista Brasileira de Recursos Hídricos · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensWestern University
Organismes subventionnairesFundação de Amparo à Pesquisa do Estado de São Paulo
Mots-clésWastewaterDecision support systemFlexibility (engineering)Water qualityAgency (philosophy)LegislationProcess (computing)Computer scienceSet (abstract data type)Risk analysis (engineering)Quality (philosophy)Function (biology)Environmental economicsOperations researchEnvironmental scienceBusinessEngineeringEnvironmental engineeringData mining

Résumé

récupéré en direct d'OpenAlex

ABSTRACT This paper presents a Decision Support System (DSS) to assist in the issuing of wastewater discharge and water abstraction rights, including the evaluation of alternative pollution control strategies used to facilitate the analysis and implementation of the instrument. The DSS substantiates its analysis with the use of evolutionary algorithms for the optimization of water demand and wastewater discharge allocation. It intends to maximize the uses and minimize the costs of wastewater treatment measures, according to the limits imposed by the water quality standards. Among the strategies considered for the issuing of permits were the compliance with environmental legislation for wastewater discharge, the equality between water users, the water quality standards set by the water bodies’ classification, and the restrictions imposed by the responsible controlling water agency. The DSS’s results were satisfactory to the strategies analyzed, as they complied with the restrictions and penalties imposed to the objective function. The main objective of the proposed strategies is to evaluate the performance of the DSS in getting the results, as well as to analyze the flexibility of the algorithms when new restrictions and penalties are introduced in the decision making process.

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 enseignants0,831
Score d'incertitude au seuil0,768

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 Opus0,015
Tête enseignante GPT0,241
Écart entre enseignants0,227 · 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

Citations4
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRevista Brasileira de Recursos HídricosMême sujetWater resources management and optimizationTravaux en français237 207