MétaCan
Menu
Retour à la cohorte
Enregistrement W4285248784 · doi:10.1051/e3sconf/202234604007

Integrated System for Multi-Usage Reservoir Management in Sri Lanka

2022· article· en· W4285248784 sur OpenAlexaff
F. Welt, Semiu Lawal, Nimanthi Manjula, Sandun Galappathi

Notice bibliographique

RevueE3S Web of Conferences · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensHatch (Canada)
Organismes subventionnairesnon disponible
Mots-clésFlexibility (engineering)IrrigationWater resource managementSri lankaWater resourcesEnvironmental scienceWater supplyAgricultureWater balanceEnvironmental resource managementEnvironmental planningBusinessEnvironmental engineeringEngineeringGeographyTanzania

Résumé

récupéré en direct d'OpenAlex

The Mahaweli Authority of Sri Lanka (MASL) is responsible for planning the water allocation across five major River systems in Sri Lanka. This includes providing water to the 15 major hydro plants and over 32 irrigation areas. MASL has been using computer models since the1980’s to meet the various water demands over the entire system and establish the right balance between the multiple stakeholders as part of the calculation of a seasonal plan (SOP). This includes an evaluation of the risk associated with water shortages for irrigation. As part of an on-going modernization effort, a fully integrated system for multi-use reservoir management (Vista DSSTM) has been developed and implemented to help produce the seasonal plan on an operational basis. It includes a multi objective long and shortterm optimization model, extensive data acquisition capability as well as inflow and irrigation water demand forecasting. The system has been designed to dynamically address changes in conveyance maximum capacities due to outages or other unplanned maintenance activities, along with changes in water supply due to expected near-term rain events. The new implementation has been in operation over the last 12 months and is expected to provide greater flexibility in conducting the various analyses, promote higher data integration, and further optimize the use of the country’s water resources.

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: Empirique
Score de désaccord entre enseignants0,160
Score d'incertitude au seuil0,350

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 Opus0,034
Tête enseignante GPT0,233
Écart entre enseignants0,199 · 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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueE3S Web of ConferencesMême sujetWater resources management and optimizationTravaux en français237 207