MétaCan
Menu
Retour à la cohorte
Enregistrement W7008019422

Analyse de la valeur des composantes de la chaîne de prévision hydrologique en contexte de gestion de réservoirs hydroélectriques

2022· other· fr· W7008019422 sur OpenAlexaboutno aff

Notice bibliographique

RevueEspace École de technologie supérieure (École de technologie supérieure) · 2022
Typeother
Languefr
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)CalibrationLimitingTerm (time)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Les prévisions hydrologiques sont des outils devenus indispensables au domaine de la gestion de la ressource en eau, entre autres en contexte de gestion de réservoirs hydroélectriques. Au fil du temps, les prévisions hydrologiques sont passées de prévisions déterministes (la meilleure prévision que possible), à probabilistes (estimation d’une gamme de débits possibles) afin de tenir compte de l’incertitude présente au sein des divers éléments composant la chaîne de prévision. Cependant, malgré l’importance économique et sociale de la gestion de la ressource en eau, et les efforts déployés afin d’en améliorer la performance, la valeur des différents éléments de la chaîne hydrologique les uns par rapport aux autres n’est pas bien définie. Ce manque de connaissances quant à la valeur relative de ces éléments ne permet pas aux chercheurs et gestionnaires de systèmes hydriques de bien axer leurs efforts et ressources afin d’améliorer de façon efficace la valeur globale de la chaîne de prévision hydrologique. \n \nLa présente étude vise à établir la valeur relative de cinq éléments de la chaîne de prévision hydrologique en contexte de gestion de réservoirs hydroélectriques, soit le modèle hydrologique, le jeu de données hydrométéorologiques, la fonction-objectif pour la calibration du modèle, le score de calibration ainsi que le biais et la dispersion présent dans les membres de l’ensemble. Afin d’y parvenir, un plan factoriel complet a été développé, dans lequel des ensembles de prévisions hydrologiques sont générés en modifiant un à un ces éléments de la chaîne. Ces ensembles sont par la suite transmis à un banc d’essai ayant été fourni par le partenaire industriel, Rio Tinto, qui simule une version simplifiée du réservoir du Lac-Saint-Jean et de la centrale hydroélectrique de l’Isle-Maligne, au Québec, Canada. Le banc d’essai est muni d’un algorithme d’optimisation prenant des décisions quant à la gestion du réservoir hydroélectrique basée sur des règles de gestion réalistes. \n \nAfin de déterminer la valeur relative des différents éléments étudiés, les profits générés moyens sont regroupés selon l’élément analysé (ou la combinaison d’éléments), et la variance attribuable aux différents éléments est comparée. Afin de déterminer si les résultats obtenus peuvent être généralisés à d’autres systèmes l’exercice est répété en modifiant certains paramètres du banc d’essai tels que le coût d’achat de l’énergie, le volume du réservoir, et la présence ou non d’une charge d’exploitation minimale. Les résultats ont démontré que pour le système analysé, les éléments pris individuellement ont sensiblement la même valeur et que l’interaction entre ceux-ci est responsable de la plupart de la variance dans les résultats. Afin d’améliorer la performance globale du système, plusieurs des éléments étudiés devront être améliorés. En effet, les interactions entre trois et quatre éléments représentent 71.2% de la variance, tandis que les effets principaux (sans interactions) ont un impact marginal. Par ailleurs, les résultats de la présente étude montrent que le biais et la dispersion ont un impact presque nul sur la variance des profits générés moyens. Cependant, trois éléments permettent d’expliquer près du tiers de la variance, soit le score de calibration, le jeu de données hydrométéorologiques et la fonction-objectif. \n \nAu-delà des résultats obtenus, la présente étude propose une structure de projet de recherche qui permettra de déterminer de manière exhaustive la valeur des différents éléments de la chaîne de prévisions hydrologiques, et même de la chaîne de gestion de réservoir hydroélectrique, et ce pour des systèmes hydriques dont les propriétés et la complexité varient.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,037

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,272
Écart entre enseignants0,264 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEspace École de technologie supérieure (École de technologie supérieure)Travaux en français237 207