Impacts of the Integration of Water Demand Prediction in Real Time Control of Water Distribution Systems
Notice bibliographique
Résumé
This study evaluates the interest of integrating short-term prediction modules in pressure control algorithms in terms of reduction of: i) leakage rates and ii) occurrence of transient events. A hydraulic model for a real water distribution network was provided by a city in the province of Quebec, Canada. Four control modes (CM) were developed and applied to the network: 1) fixed control (FC); 2) time-based control (TBC); 3) reactive control (RC), and 4) predictive control (PC). The pressure fluctuation intensity (PFI) and the leakage rate (LR) were the performance indices computed for each CM. The impact of the consumption pattern (original vs. contrasted), of the variation of elevation in the system (real elevations vs. flattened profile) and of the age of the network (actual situation vs. aged pipes) were also assessed. It was shown that in all cases, the real time control models (PC and RC) are more effective than the passive ones (TBC and FC). The former models showed better stabilization of the pressure fluctuations and reduction of the leakage rate in the case of contrasted consumption pattern, when the system was flattened and with increasing age (roughness) of the network. The PC was closely followed by the RC in terms of performance. Hence the question is: can optimization of pressure control really benefit from water demand prediction?
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 ».