MétaCan
Menu
Retour à la cohorte
Enregistrement W3127741862 · doi:10.3390/w13030383

Optimization of the Groundwater Remediation Process Using a Coupled Genetic Algorithm-Finite Difference Method

2021· article· en· W3127741862 sur OpenAlexfundno aff
Seyed Morteza Seyedpour, Iman Valizadeh, Panagiotis Kirmizakis, Rory Doherty, Tim Ricken

Notice bibliographique

RevueWater · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueGroundwater flow and contamination studies
Établissements canadiensnon disponible
Organismes subventionnairesHorizon 2020 Framework ProgrammeQueen's UniversityDeutsche ForschungsgemeinschaftQueen's University BelfastEuropean Commission
Mots-clésEnvironmental remediationGroundwaterGroundwater remediationFinite differenceProcess (computing)Genetic algorithmGroundwater flowSandbox (software development)Design of experimentsPermanganateComputer scienceEnvironmental scienceProcess engineeringMathematical optimizationEngineeringMathematicsGeotechnical engineeringContaminationChemistryStatisticsAquifer

Résumé

récupéré en direct d'OpenAlex

In situ chemical oxidation using permanganate as an oxidant is a remediation technique often used to treat contaminated groundwater. In this paper, groundwater flow with a full hydraulic conductivity tensor and remediation process through in situ chemical oxidation are simulated. The numerical approach was verified with a physical sandbox experiment and analytical solution for 2D advection-diffusion with a first-order decay rate constant. The numerical results were in good agreement with the results of physical sandbox model and the analytical solution. The developed model was applied to two different studies, using multi-objective genetic algorithm to optimise remediation design. In order to reach the optimised design, three objectives considering three constraints were defined. The time to reach the desired concentration and remediation cost regarding the number of required oxidant sources in the optimised design was less than any arbitrary design.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,514
Score d'incertitude au seuil0,546

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,016
Tête enseignante GPT0,246
Écart entre enseignants0,230 · 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 tête enseignante, 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

Citations16
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWaterMême sujetGroundwater flow and contamination studiesTravaux en français237 207