Automated Calibration using Optimization Techniques with SWMM RUNOFF
Notice bibliographique
Résumé
The usefulness of a hydrologic model is directly related to its application and how well it is calibrated.Calibration is a subjective exercise where model parameters are adjusted to reduce discrepancies between measured data and modeled predictions.Automated calibration can be used to accelerate the model calibration process, minimize modeler bias, and increase the goodness of fit between measured and modeled hydro graphs.During calibration of a complex hydrologic model, it may be difficult to simultaneously adjust predicted output hydrographs to correspondingly match multiple objectives (peak flows, total volume and shape of the hydrograph).Custom programming was used to link SWMM Runoff version 4.4h with Palisade's Evolver software to improve model goodness of fit.A small sanitary sewer basin was simulated as part of a collection system rehabilitation pilot program to judge the effectiveness of infiltration and inflow (III) removal.A one-month time series of hourly flow measurements were used and calibration was perfonned with an automated calibration method that applied a genetic algorithm solution technique.Several goodness-of-fit metrics revealed an improved calibration for both pre-and post-rehabilitation flow hydrograph, as well as for projected hydrographs to a design event.This study demonstrates an accurate and cost-effective automated method for model calibration that is not only valuable for repeated model analyses perfonned throughout a collection system rehabilitation program, but can also be applied to other watershed models.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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) | 0,003 | 0,001 |
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.
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 ».