Effluent Quality-Aware Event-Triggered Model Predictive Control for Wastewater Treatment Plants
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 plants (WWTPs) are large-scale and nonlinear processes with tightly integrated operating units. The application of online optimization-based control strategies, such as model predictive control (MPC), to WWTPs generally faces high computational complexity. This paper proposes an event-triggered approach to address this issue. The model predictive controller updates information and solves the optimization problem only when the corresponding triggered logic is satisfied. The triggered logic sets the maximum allowable deviation for the tracking variables. Moreover, to ensure system performance, the design of the event-triggered logic incorporates the effluent quality. By obtaining the optimal sequence for the effluent quality within the receding horizon of the MPC, the cumulative deviation between the predicted and desired effluent quality is analyzed to evaluate the performance within that horizon. Based on these two conditions, the need for adjusting control actions is determined. Even if the maximum allowable range for the tracking variables in the triggered logic design is set unreasonably, the consideration of effluent quality factors in the triggered conditions ensures good performance. Simulation results demonstrate an average reduction in computational effort of 25.49% under different weather conditions while simultaneously ensuring minimal impact on the effluent quality and total cost index and compliance with effluent discharge regulations. Furthermore, this method can be combined with other approaches to guarantee effluent quality while further reducing computation time and complexity.
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 | 0,000 | 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 | 0,000 | 0,000 |
| 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