Predictive MPC-Based Operation of Urban Drainage Systems Using Input Data-Clustered Artificial Neural Networks Rainfall Forecasting Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The model predictive control (MPC) approach can be implemented in either a reactive (RE-) or predictive (PR-) manner to control the operation of urban drainage systems (UDSs). Previous research focused mostly on the RE-MPC, as the PR-MPC, despite its potential to improve the performance of the UDS operations, requires additional computational resources and is more complex. This research evaluates the conditions under which the PR-MPC approach may be preferable. A PR-MPC model is developed, consisting of an adaptive input data-clustered ANN-based rainfall forecasting method coupled to an MPC framework. Observed and forecasted rainfall events are inputs to the internal MPC model, including the rainfall-runoff SWMM simulation model of the system and the MPC optimizer, which is a harmony search-based model determining optimal control policies. The proposed model was used as part of the UDS of Tehran, Iran, under different scenarios of input (rainfall), forecast accuracy (IFAC), and time horizon (IFTH). Results indicate that the PR-MPC performs better for longer-duration rainfall events, while the RE-MPC could be used to control very short storm occurrences. The proposed PR-MPC model can achieve between 85 and 92% of the performance of an ideal model functioning under the premise of perfect, error-free rainfall forecasts for two investigated rainfall events. Additionally, the IFAC can be improved by including rainfall fluctuations over finer temporal resolutions than the forecast horizon as additional predictors.
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.
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 | 0,001 |
| 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 découle