Pumping Optimization Under Uncertainty in an Island Freshwater Lens Using a Sharp‐Interface Seawater Intrusion Model
Notice bibliographique
Résumé
Abstract Pumping optimization under uncertainty is a powerful approach for the management of groundwater resources, and its implementation would be valuable in island aquifers where freshwater lenses are affected by seawater intrusion. Sharp‐interface numerical models are especially well suited for the task as they offer fast simulation times, but to date they have not been used because of a lack of guidelines and due to the specific challenges associated with this approach. This study presents a methodology for pumping optimization under uncertainty for island freshwater lenses using a sharp‐interface model (MODFLOW‐SWI2) and demonstrates it for a real case (Magdalen Islands, Quebec, Canada). The total pumping in a well field was maximized while avoiding well salinization due to upconing. To do so, the sharp interface simulated below the pumping wells was corrected successively for cell‐to‐well upconing and for dispersion. Pumping optimization under uncertainty was then conducted using PESTPP‐OPT, considering parameter and observation uncertainty, and was repeated for 23 reliability levels to illustrate a large range of risk‐averse, tolerant and neutral stances. The maximum pumping was obtained as a function of risk of well salinization. This approach enabled quantification of the tradeoffs between pumping and risk, allocation of pumping amongst wells, and an examination of the ability of the well field to meet the water demand while maintaining an acceptable level of risk. Ultimately, this framework allows groundwater managers to select the final pumping scenario themselves, depending on their attitude toward risk.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».