MétaCan
Menu
Retour à la cohorte
Enregistrement W4387130449 · doi:10.2166/ws.2023.251

Identifying key pipe attributes and locations to best determine chlorine decay coefficients within a water distribution system

2023· article· en· W4387130449 sur OpenAlexafffund
Mahnoush Maleki, Geneviève Pelletier, Manuel J. Rodríguez

Notice bibliographique

RevueWater Science & Technology Water Supply · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWater Treatment and Disinfection
Établissements canadiensUniversité Laval
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésResidualWater qualityEnvironmental scienceChlorineKinetic energyDegradation (telecommunications)Environmental engineeringMaterials scienceComputer sciencePhysicsAlgorithmMetallurgy

Résumé

récupéré en direct d'OpenAlex

Abstract Water distribution system (WDS) characteristics can impact drinking water quality. Kinetic reaction coefficients of residual disinfectant associated with bulk water (kb) and pipe wall (kw) during water distribution can lead to water quality degradation. Determining these coefficients can be expensive and time-consuming. The main objective of this study is to determine the most relevant pipe characteristics and locations to best determine chlorine decay coefficients in a WDS. This article aims to evaluate various scenarios of kb and kw values and compare them to measured data in a full-scale WDS. The most accurate scenario is also compared with the lowest-cost scenario to identify the most effective information needed to determine these coefficients, in terms of location within the WDS and pipe characteristics (age, diameter, and material). Results showed that the scenario with the highest kw and kb values corresponds best to the field-measured data. Moreover, determining specific kinetic coefficients was shown to be more accurate for gray cast iron pipes, pipes installed in a period before 1960, and vulnerable zones for residual chlorine decay.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,161
Score d'incertitude au seuil0,994

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,006

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 Opus0,014
Tête enseignante GPT0,234
Écart entre enseignants0,221 · 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 tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
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

Citations3
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWater Science & Technology Water SupplyMême sujetWater Treatment and DisinfectionTravaux en français237 207