Comparing corrosion control treatments using a robust Bayesian generalized additive model
Notice bibliographique
Résumé
Pipe loop studies are used routinely to evaluate corrosion control treatment, and updated regulatory guidance will ensure that they remain an important tool for water quality management. But they are inherently complex and the data they generate are difficult to analyze: non-linear time-trends, non-detects, extreme values, and autocorrelation are common features, the latter due to repeatedly measuring the effluent from test pipes. Popular statistical tests, such as the Student t or rank-sum tests, are often inadequate descriptions of the data. Here, we propose an approach to statistical analysis of pipe loop data that accommodates many of these difficult-to-model characteristics: a robust Bayesian generalized additive model with continuous-time autoregressive errors. Our model facilitates corrosion control treatment comparisons without the need for imputing non-detects or special handling of outliers. It is well-suited to describing nonlinear trends without overfitting, and it accounts for reduced information content due to autocorrelation. We demonstrate the model using an example pipe loop study comprising four years of data, multiple pipe configurations, and multiple orthophosphate dosing protocols. We compare the experimental treatments, finding that an initially high dose of orthophosphate (2 mg P L-1) that is subsequently lowered (0.75 mg P L-1) can yield lower lead release than an intermediate dose (1 mg P L-1) in the long term. We also find that—consistent with previous work—galvanic corrosion yields relatively high particulate lead release, especially at higher orthophosphate doses. An advantage of the Bayesian approach we adopt here is that it yields the full posterior distribution of all parameters and all quantities derived from those parameters, including the model predictions. This means that analysts can construct any comparison that is relevant to the study goals, without the need to rely on a particular statistical test.
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) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».