MétaCan
Menu
Retour à la cohorte
Enregistrement W4402676301 · doi:10.2166/aqua.2024.172

Optimization of the effective volume of urban sewage pumping station based on the fuzzy optimization method

2024· article· en· W4402676301 sur OpenAlexaff
Jiawei Chen, Jiachun Liu, Biao Huang, David Z. Zhu, Cheng Jin, Haibo Zhang

Notice bibliographique

RevueAQUA - Water Infrastructure Ecosystems and Society · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueRegional Development and Environment
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésVolume (thermodynamics)Fuzzy logicEnvironmental scienceComputer scienceSewageMathematical optimizationEnvironmental engineeringMathematicsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

ABSTRACT To improve the operational economy of sewage pumping stations, this paper combines the total volume of the drainage network and sewage pumping station to optimize the effective volume of the pumping station reservoir to reduce operating costs without overflow. Taking a residential area in Ningbo city as the study area, the drainage system was simulated based on Infoworks ICM to obtain the changes of sewage under different volumes of pumping station reservoirs. By combining the daily electricity costs of the pump station, pump start-stop times, and flood depth, the fuzzy optimization method was applied to optimize the effective volume of sewage pumping station reservoirs, selecting the optimal solution to reduce operating costs. A sensitivity analysis of the three factors, pump flow rate, the total population, and drainage network volume, was conducted, and the results showed that under the optimal scenario, the optimal effective volume of the pumping station reservoir increases with the increase in pump flow rate, drainage network volume, and total population. This study can provide theoretical support for the optimization of drainage pumping station reservoir volume as well as economical operation.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,226
Écart entre enseignants0,220 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAQUA - Water Infrastructure Ecosystems and SocietyMême sujetRegional Development and EnvironmentTravaux en français237 207