Partitioning methods of water supply network: a case study in Pederneiras/SP
Notice bibliographique
Résumé
Com o crescimento urbanístico e, consequentemente, das redes de abastecimento de água, o gerenciamento dessas redes torna-se cada vez mais necessário. Existem muitas formas de se realizar esse gerenciamento, sendo a mais eficaz a realização da partição da rede, dividindo-a em partes menores, chamadas de distritos, e consequentemente mais simples de serem compreendidas. Este trabalho tem por objetivo sistematizar os passos necessários para a realização de partição de uma rede de abastecimento de água, o que consistiu na construção do modelo hidráulico; na realização de um plano de amostragem; na realização da campanha de medição; na calibração do modelo; na partição da rede através de dois diferentes métodos advindo da partição de grafos: um baseado em índice de modularidade (ModulMax) e outro em partição multinível (METIS) na comparação e seleção da melhor partição através de um método proposto, que leva em consideração métricas amplamente utilizadas na literatura; e na análise dos resultados. Essa sistematização foi aplicada na rede de abastecimento de água da cidade de Pederneiras/SP, comparando os resultados das duas metodologias de partição de redes através de cinco métricas: número de tubulações que interligam diferentes distritos; número de conexões do distrito mais conectado; índice de balanço do comprimento; índice de balanço da demanda; e índice de modularidade. Os resultados apontam que para esse estudo de caso a divisão da rede em 30 partes, através do método ModulMax, é a mais adequada, gerando uma economia estimada de 8,2% de água para abastecimento. A sistematização apresentada neste estudo foi bem-sucedida para a rede de Pederneiras e pode ser considerada para a aplicação em outras redes a fim de melhorar o gerenciamento.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».