Automated Calibration using Optimization Techniques with SWMM RUNOFF
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 | 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 découle