Optimization of Real‐Time Control With Green and Gray Infrastructure Design for a Cost‐Effective Mitigation of Combined Sewer Overflows
Notice bibliographique
Résumé
Abstract An innovative optimization‐simulation framework is applied to a case study of the Province of Quebec, Canada, to optimize the spatial distribution of green infrastructure (GI), the capacity and location of gray infrastructure, and the parameters specific to real‐time control (RTC) operating rules of a sewer system for reducing combined sewer overflows (CSOs) frequency and volume. GI, gray infrastructure, and RTC are applied either individually or in integration through eight optimization scenarios which are simulated over a nine‐year period of historical rainfall data. Among all scenarios, spatial optimization of GI with RTC leads to maximal CSO volume reduction (98%) and is the most cost‐effective option analyzed (70$/m 3 of seasonal average CSO reduction compared to 140$/m 3 for the scenario involving gray infrastructure alone). However, it requires a high GI implementation level and the CSO frequency under this scenario is sensitive to varying GI design parameters. The findings suggest that the best alternative for CSO control is the integration of the optimization of green and gray infrastructures with RTC as it still provides high CSO volume reduction (95%) and remains a cost‐effective solution (90$/m 3 of CSO reduction), while providing robustness under cost and design uncertainties.
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 | 0,001 | 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 ».