Canadian A.I. Removal Rate Estimator (CAIRRE): an artificial intelligence model to predict the removal of chemicals in secondary wastewater treatment plants
Notice bibliographique
Résumé
Understanding the removal of a chemical in a wastewater treatment plant (WWTP) is important when performing chemical risk assessments. Chemicals undergoing assessment often have limited experimental measurements of physicochemical properties, biodegradation rates, and WWTP removal efficiencies. Models available to risk assessors to predict WWTP removal efficiencies are best used with high-quality input data and knowledge of plant conditions, information often unavailable when performing chemical risk assessments. In this work, we outline the development of the Canadian A.I. Removal Rate Estimator (CAIRRE), an artificial intelligence (A.I.) model suite designed to estimate removal efficiencies from secondary WWTPs. CAIRRE was trained on median experimental removal efficiencies for 161 chemicals across 59 secondary WWTPs in Canada, the USA (California), and various other locations curated from literature. The CAIRRE regression model has a validation Pearson R2 of 0.81 based on leave-one-out-validation (LOOV) results. When used to predict effluent concentrations for a test set containing 53 chemicals not seen during model training, CAIRRE was able to reproduce experimental observations with a Pearson R2 of 0.91. The CAIRRE model outperformed existing mechanistic and fugacity WWTP models which rely on physical-chemistry and biodegradation data provided by the user. This work demonstrates that the A.I. modeling approach taken in the development of CAIRRE is a promising strategy for predicting removal efficiencies of chemicals from secondary WWTPs.
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 ».