Developing a decision-making framework for optimal marine oil spill waste management and treatment
Notice bibliographique
Résumé
This research explores estimating off-shore oily waste, considering waste-waste compatibility due to the heterogeneous nature of oily waste. Firstly, hyperparameters for Artificial Neural Networks (ANN), Support Vector Regression (SVR), and Improved Random Forest (IRF) models are optimized to develop a comprehensive oily waste estimation model incorporating liquid, solid, and total waste types. The results show that IRF is the most accurate model, with the lowest error indices and a higher correlation coefficient compared to ANN and SVR. This study then takes a step further to propose a waste allocation framework, which is tested using information on the Bella Bella oil spill incident in British Columbia. Incorporating treatment and receiving facilities' details, such as their location and capacity, the framework distinguishes all possible waste pathways for handling the waste from source to landfill. Genetic Algorithm (GA) is introduced to optimize waste transfer processes and successfully minimize transportation costs. The results show that the model can find the most optimized path to reduce transportation costs. The model's high customization, adaptability, and capacity to consider multiple nodes make it suitable for complex waste transfer networks, demonstrating its practicality in emergency situations. Efficiently allocating resources and ensuring cost-effective waste transportation while considering facility capacities and waste compatibility, the study holds practical implications for waste management practitioners, environmental authorities, and response teams.,
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 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».