Resilience Quantification of Low-Impact Development Systems Using SWMM and a Probabilistic Approach
Notice bibliographique
Résumé
Over the last few decades, there has been an increased demand for resilient low-impact development (LID) systems for stormwater management. During extreme uncertain events, a resilient LID system is expected not only to handle immediate stressors but also to rapidly adapt through changing and regulating itself to ensure continuous functionality. This study presents a new resilience quantification approach applicable to different LID systems. To demonstrate its utility, the developed approach was applied on a bioretention system. A set of equations for the LID system’s functionality was developed, integrating an analytical probabilistic approach (APA) and the stormwater management model (SWMM) continuous simulation output. These equations were subsequently used to evaluate resilience indices such as robustness, rapidity, serviceability, and the LID system’s reliability for different LID area ratios and surface depression storage depths. Both APA and SWMM exhibited similar resilience index values of 0.66–1.0 and 0.73–1.0, respectively. The overall reliability index values ranged from 60.50% to 100% when using SWMM and 56.67% to 100% when using APA, reflecting their consistency in predicting excellent system performance throughout the simulation period. However, the average rapidity index value prediction with APA was lower compared to SWMM. This slight variation was due to event-by-event hydrological simulation in APA, unlike the time step-by-time step continuous simulations in SWMM. The developed approach and findings of this study provide policy-makers with a consistent methodology to design resilient LID systems and empower decision-makers to strategize investment focused on optimized LID resilience-based designs.
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 | 0,003 | 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 | 0,001 | 0,001 |
| 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 ».