SWMM Simulation of the Stormwater Volume Control Performance of Rainwater Harvesting Systems
Notice bibliographique
Résumé
EPA’s stormwater management model (SWMM) has been widely used in the planning and design of stormwater management facilities. SWMM is capable of simulating the hydrologic performance of low-impact development (LID) practices. However, on account of the default parameter setting of the constant water use rate throughout the entire simulation period in the SWMM’s LID module for rain barrels (denoted as SWMM-LID), there is a limitation of using it for some design cases where water use occurs only during dry periods. This study aims to investigate the accuracy of the SWMM-LID for modeling the rainwater harvesting system when water is consumed only in dry periods. Rain barrels were also modeled with two alternative methods and their long-term average runoff capture efficiency was evaluated based on simulated data. The first alternative method (SWMM-SC) represents a rain barrel as an equivalent subcatchment in SWMM, while the second (Self-Coded Simulation) uses a self-coded continuous simulation algorithm based on water balance equations. Comparing the Self-Coded Simulation results with the results obtained from SWMM-SC and SWMM-LID for a number of design cases at Atlanta and Billings, US, the SWMM-SC is shown to provide more accurate results than the SWMM-LID. It is therefore concluded that SWMM’s LID module for rain barrels may need to be improved to properly model cases where water use occurs only during dry periods, or the proposed way of representing rain barrels as subcatchments may be used for assessing the stormwater volume control performance of rain barrels.
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 | 0,001 | 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) | 0,000 | 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 ».