Enhancing long-term water quality modeling by addressing base demand, demand patterns, and temperature uncertainty using unsupervised machine learning techniques
Notice bibliographique
Résumé
Water quality modelling in Water Distribution systems (WDS) is frequently affected by uncertainties in input variables such as base demand and decay constants. When utilizing simulation tools like EPANET, which necessitate exact numerical inputs, these uncertainties can result in inaccurate simulations. This study proposes a novel framework that leverages unsupervised machine learning, specifically a Gaussian Mixture Model (GMMs), to represent and integrate these uncertainties in the simulation. By classifying historical water demand into fuzzy clusters, the framework allows for certain linguistic inputs (e.g., "high" or "low" demand) to be used in water quality simulations. The framework also incorporates representative hourly demand patterns and temperature-dependent chlorine decay constants based on historical data correlations. Validations were conducted on the Anytown network using WNTR-EPANET, comparing simulated chlorine residuals with Validation data from 181 steady-state simulations. The simulation through the framework achieved a Jensen-Shannon Divergence (JSD) of <0.008 across all demand clusters, indicating high similarity between predicted and actual probability distributions . In comparison to other simulation scenarios tested, which exhibited increased variability (JSD > 0.18), the proposed framework demonstrated improved accuracy in representing chlorine residual distributions. The methodology is adaptable to other systems, if similar historical datasets containing key variables, such as flow rates and temperature, are provided. While the framework offers a more flexible and accurate approach to handling uncertainties in WDS, its effectiveness is contingent upon the availability of robust historical demand and temperature data for decay constant calibration.
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 | 0,003 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».