Framework for optimizing chlorine dose in small- to medium-sized water distribution systems: A case of a residential neighbourhood in Lahore, Pakistan
Notice bibliographique
Résumé
To maintain desirable residual chlorine for a groundwater source, optimizing the chlorine dose in small- to medium-sized water distribution systems (SM-WDS) is a daunting task in developing countries. Mostly, operators add a random chlorine dose without recognizing the smaller size of their distribution network. In this research, a modelling framework for optimizing chlorine dose in SM-WDS is developed. In order to evaluate its practicality, the proposed framework has been applied in a case study of a residential neighbourhood in Lahore (Pakistan) with a small network spanning over 0.35 km2. Three datasets for residual chlorine were monitored at 6 locations spread over the study area. EPANET 2.0 software was used for hydraulic and residual chorine modelling. The bulk decay coefficient (Kb) was determined in the laboratory, whereas the wall decay coefficient (Kw) was estimated by calibrating the simulation results with the residual chlorine determined in the field. Based on the calibrated EPANET simulations, a fuzzy rule-based model was developed for pragmatic application of the proposed framework. Scenario analyses for different situations have also been carried out for achieving residual chlorine required at the consumer end. This exercise revealed that much lower chlorine doses than the existing practice can generate detectable chlorine residuals. Moreover, the model can be used to deal with emergency situations, which may arise in developing countries due to viral outbreaks and cross-contamination events in SM-WDS.Keywords: small- to- medium-sized water distribution systems, residual chlorine modelling, water quality, chlorine decay coefficients, fuzzy rule-based modelling, EPANET
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 | 0,001 |
| 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 ».