Placing sensors in sewer networks: A system to pinpoint new cases of coronavirus
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
We consider a proposed system that would place sensors in a number of wastewater manholes in a community in order to detect genetic remnants of SARS-Cov-2 found in the excreted stool of infected persons. These sensors would continually monitor the manhole's wastewater, and whenever virus remnants are detected, transmit an alert signal. In a recent paper, we described two new algorithms, each sequentially opening and testing successive manholes for genetic remnants, each algorithm homing in on a neighborhood where the infected person or persons are located. This paper extends that work in six important ways: (1) we introduce the concept of in-manhole sensors, as these sensors will reduce the number of manholes requiring on-site testing; (2) we present a realistic tree network depicting the topology of the sewer pipeline network; (3) for simulations, we present a method to create random tree networks exhibiting key attributes of a given community; (4) using the simulations, we empirically demonstrate that the mean and median number of manholes to be opened in a search follows a well-known logarithmic function; (5) we develop procedures for determining the number of sensors to deploy; (6) we formulate the sensor location problem as an integer nonlinear optimization and develop heuristics to solve it. Our sensor-manhole system, to be implemented, would require at least three additional steps in R&D: (a) an accurate, inexpensive and fast SARS-Cov-2 genetic-remnants test that can be done at the manhole; (b) design, test and manufacture of the sensors; (c) in-the-field testing and fine tuning of an implemented system.
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 | 0,001 |
| 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