Enhancing combined sewer flow prediction in data-limited urban areas using a semi-supervised learning framework
Notice bibliographique
Résumé
Study region Combined sewer network outfalls spanning 16 ungauged urban areas in Algiers, the capital and the most populated city in Algeria. Study focus Precise real-time combined sewer flow (CSF) prediction is essential, particularly during extreme rainfall events and varying wastewater flow patterns. This study proposes a novel semi-supervised learning framework that enables knowledge refinement and transfer to enrich the database relevant for targeted data-driven modeling. The approach leverages self-organizing maps (SOM) for clustering flow patterns across different networks and under diverse operational conditions, with cluster-specific artificial neural networks (ANN) to provide the required predictive modeling for the given network node and operation instance. New hydrological insights We benchmark our proposed approach against standalone supervised models using real-world data from Algiers’ combined sewer network. At long-record sites, the framework delivered modest improvement (median KGE from 0.70 to 0.81 and R² from 0.74 to 0.76). However, at the short-record sites, where traditional ANN models often fail to deliver reliable forecasts, the framework demonstrated clear advantages, reducing RMSE by up to 30 % (median RMSE from 47 L/s to 34 L/s and KGE rose from 0.59 to 0.86). Our findings confirm the framework’s ability to deliver reliable predictions while offering interpretable hydrological insights, supporting scalable wastewater management, flood mitigation, and improved operational efficiency of wastewater treatment plants in developing cities with sparse monitoring infrastructure.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».