MétaCan
Menu
Retour à la cohorte
Enregistrement W2999099692 · doi:10.3390/su12020631

Sustainability Ranking of Desalination Plants Using Mamdani Fuzzy Logic Inference Systems

2020· article· en· W2999099692 sur OpenAlexaff
Rabee Rustum, Anu Mary John Kurichiyanil, Shaun A. Forrest, Corrado Sommariva, Adebayo J. Adeloye, Mohammad Zounemat‐Kermani, Miklas Scholz

Notice bibliographique

RevueSustainability · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnvironmental and Social Impact Assessments
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésDesalinationSustainabilityWater desalinationRanking (information retrieval)AdaptabilityFlexibility (engineering)Fuzzy logicFuzzy inference systemEngineeringAdaptive neuro fuzzy inference systemEnvironmental economicsComputer scienceFuzzy control systemMathematicsArtificial intelligenceEcologyEconomics

Résumé

récupéré en direct d'OpenAlex

As water desalination continues to expand globally, desalination plants are continually under pressure to meet the requirements of sustainable development. However, the majority of desalination sustainability research has focused on new desalination projects, with limited research on sustainability performance of existing desalination plants. This is particularly important while considering countries with limited resources for freshwater such as the United Arab Emirates (UAE) as it is heavily reliant on existing desalination infrastructure. In this regard, the current research deals with the sustainability analysis of desalination processes using a generic sustainability ranking framework based on Mamdani Fuzzy Logic Inference Systems. The fuzzy-based models were validated using data from two typical desalination plants in the UAE. The promising results obtained from the fuzzy ranking framework suggest this more in-depth sustainability analysis should be beneficial due to its flexibility and adaptability in meeting the requirements of desalination sustainability.

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)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,015
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,030
Tête enseignante GPT0,318
Écart entre enseignants0,288 · 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'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

Citations47
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainabilityMême sujetEnvironmental and Social Impact AssessmentsTravaux en français237 207