Application of machine learning at wastewater treatment facilities: a review of the science, challenges and barriers by level of implementation
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
Wastewater treatment facilities are complex environments with many unit treatment processes in series, in parallel, and connected by feedback loops. As such, addressing prediction, control, and optimisation problems within wastewater treatment facilities is challenging. Machine learning techniques provide powerful tools that can be applied to these challenges. Uncertainties of the treatment process can be quantified and navigated via probabilistic techniques inherent in machine learning. Despite the plethora of literature on the applications of ML techniques to many individual problems within wastewater treatment facilities, a paucity of information remains regarding how those applications can be organised. Hence, the objective of this paper is to provide a systematic review and novel break down of the organisation of ML applications into type and scope. Types of ML applications are classified as prediction, control, and optimisation, and each of these applications is further classified by scope of implementation, ranging from no ML (Level 0) to full facility (Level 4). Based on this analysis, the status of different types and scopes of ML applications is presented, and challenges and key knowledge gaps in ML applications for wastewater treatment facilities are identified. Results show that ML applications to date tend to be focused on prediction rather than control or optimisation, and that full facility applications are limited to prediction applications. However, this study also identified several control and optimisation applications that have demonstrated the ability of ML applications in these areas to balance optimisation of energy and chemical use with effluent quality.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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