The future of WRRF modelling – outlook and challenges
Notice bibliographique
Résumé
The wastewater industry is currently facing dramatic changes, shifting away from energy-intensive wastewater treatment towards low-energy, sustainable technologies capable of achieving energy positive operation and resource recovery. The latter will shift the focus of the wastewater industry to how one could manage and extract resources from the wastewater, as opposed to the conventional paradigm of treatment. Debatable questions arise: can the more complex models be calibrated, or will additional unknowns be introduced? After almost 30 years using well-known International Water Association (IWA) models, should the community move to other components, processes, or model structures like 'black box' models, computational fluid dynamics techniques, etc.? Can new data sources - e.g. on-line sensor data, chemical and molecular analyses, new analytical techniques, off-gas analysis - keep up with the increasing process complexity? Are different methods for data management, data reconciliation, and fault detection mature enough for coping with such a large amount of information? Are the available calibration techniques able to cope with such complex models? This paper describes the thoughts and opinions collected during the closing session of the 6th IWA/WEF Water Resource Recovery Modelling Seminar 2018. It presents a concerted and collective effort by individuals from many different sectors of the wastewater industry to offer past and present insights, as well as an outlook into the future of wastewater modelling.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,015 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».