Development of Hybrid Inexact Optimization Models for Water Quality Management under Uncertainty
Notice bibliographique
Résumé
Water quality management (WQM) significantly affects water use and ecosystem health, which is helpful for achieving sustainability in environmental and economic aspects. However, the implementation of water quality management is still challenging in practice due to the uncertainty and nonlinearity existing in water systems, as well as the difficulty of the integration of simulation and optimization analyses. Therefore, effective optimization frameworks for handling nonlinearity, various uncertainties, and integrated complex water quality simulation models are highly desired. This dissertation tries to address such challenges by proposing new efficient hybrid inexact optimization models for water quality management under uncertainty through: i) developing an interval quadratic programming (IQP) model for handling both nonlinearity and uncertainty expressed as intervals for water quality management, and solving the developed model by three algorithms to compare and investigate the most effective and straightforward solution algorithm for IQP-WQM problems; ii) developing a simulation-based interval chance-constrained quadratic programming model, which is able to deal with nonlinearity and uncertainties with multiple formats, and implementing a real-world case study of phosphorus control in the central Grand River, Ontario, Canada; iii) proposing a data-driven interval credibility constrained quadratic programming model for water quality management by utilizing a data-driven surrogate model (i.e., inexact linear regression) to incorporate a complex water quality simulation model with the optimization framework to overcome challenges from the integrated simulation-optimization. The performance of the proposed frameworks/models was tested by different case studies and various mathematical techniques (e.g., sensitivity analysis). The results indicate the proposed models are capable of dealing with nonlinearity and various uncertainties, and significantly reducing the computational burden from simulation-optimization analysis. Coupling such efforts in developing efficient hybrid inexact optimization models for water quality management under uncertainty can provide useful tools to solve large-scale complex water quality management problems in a robust manner, and further provide reliable and effective decision supports for water quality planning and management.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».