Analysis of water distribution network under pressure-deficient conditions through emitter setting
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract. Pressure-driven analysis (PDA) of water distribution networks necessitates an assessment of the supplying capacity of a network within the minimum and required pressure ranges. Pressure-deficient conditions happen due to the uncertainty of nodal demands, failure of electromechanical components, diversion of water, aging of pipes, permanent increase in the demand at certain supply nodes, fire demand, etc. As the demand-driven analysis (DDA) solves the governing equations without any bound on pressure head, it fails to replicate the real scenario, particularly when the network experiences pressure-deficient situations. Numerous researchers formulated different head–discharge relations and used them iteratively with demand-driven software, while some other approaches solve them by incorporating this relation within the analysis algorithms. Several attempts have been made by adding fictitious network elements like reservoirs, check valves (CVs), flow control valves (FCVs), emitters, dummy nodes and pipes of negligible length (i.e., negligible pressure loss) to assess the supplying capability of a network under pressure-deficient conditions using demand-driven simulation software. This paper illustrates a simple way of assessing the supplying capacity of demand nodes (DNs) under pressure-deficient conditions by assigning the respective emitter coefficient only for those nodes facing a pressure-deficit condition. The proposed method is tested with three benchmark networks, and it is able to simulate the network without addition of any fictitious network elements or changing the source code of the software like EPANET. Though the proposed approach is an iterative one, the computational burden of adding artificial elements in the other methods is avoided and is hence useful for analyzing large networks.
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.
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 découle