MétaCan
Menu
Retour à la cohorte
Enregistrement W4310201959 · doi:10.3390/w14233859

Wastewater Reuse to Mitigate the Risk of Water Shortages: An Integrated Investment Appraisal

2022· article· en· W4310201959 sur OpenAlexaff
Foroogh Nazari Chamaki, Hatice Jenkins, Majid Hashemipour, Glenn P. Jenkins

Notice bibliographique

RevueWater · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésReuseInvestment (military)WastewaterExternalityWater scarcityCost of electricity by sourceEnvironmental economicsNatural resource economicsBusinessEnvironmental scienceWater resourcesEnvironmental engineeringWaste managementEconomicsElectricity generationEngineeringMicroeconomicsPower (physics)

Résumé

récupéré en direct d'OpenAlex

This paper evaluates the financial and economic costs of reusing wastewater with reverse osmosis (R.O.) purification systems to mitigate the risks of near potable quality water shortages in an urban water system. A distributional analysis is also undertaken to identify those who bear the externalities of the system. A rich data set is available to conduct an ex-post analysis of such a system operating in Cyprus for several years. The levelized financial cost of the R.O. system if it operates at a 75% utilization rate is USD 1.18/m3, while the levelized economic cost that includes all the externality impacts is USD 1.20/m3. However, the closeness of these two values hides a large set of externalities that affect different groups in society in disparate ways. The analysis shows that reusing wastewater in conjunction with a system of R.O. is a very effective way to mitigate the risks of water shortages in a more extensive water system. It also highlights the importance of the nature of the electricity system that generates the electricity to power the R.O. plant in determining the ultimate economic cost of reusing wastewater.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,006
Score d'incertitude au seuil0,045

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,006
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0050,003
Études des sciences et des technologies0,0010,001
Communication savante0,0040,003
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,008
Tête enseignante GPT0,199
Écart entre enseignants0,190 · 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 source (Gemma direct ou Codex distillé), 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

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWaterMême sujetWater resources management and optimizationTravaux en français237 207