Towards good modelling practice for parallel hybrid models for wastewater treatment processes
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
ABSTRACT This study explores various approaches to formulating a parallel hybrid model (HM) for Water and Resource Recovery Facilities (WRRFs) merging a mechanistic and a data-driven model. In the study, the HM is constructed by training a neural network (NN) on the residual of the mechanistic model for effluent nitrate. In an initial experiment using the Benchmark Simulation Model no. 1, a parallel HM effectively addressed limitations in the mechanistic model's representation of autotrophic bacteria growth and the data-driven model's incapability to extrapolate. Next, different versions of a parallel HM of a large pilot-scale WRRF are constructed, using different calibration/training datasets and different versions of the mechanistic model to investigate the balance between the calibration effort for the mechanistic model and the compensation by the NN component. The HM can improve predictions compared to the mechanistic model. Training the NN on an independent validation dataset produced better results than on the calibration dataset. Interestingly, the best performance is achieved for the HM based on a mechanistic model using default (uncalibrated) parameters. Both long short-term memory (LSTM) and convolutional neural network (CNN) are tested as data-driven components, with a CNN HM (root-mean-squared error (RMSE) = 1.58 mg NO3-N/L) outperforming an LSTM HM (RMSE = 4.17 mg NO3-N/L).
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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