La prévision en temps réel des charges de polluants dans un réseau d'assainissement urbain
Bibliographic record
Abstract
L'objectif principal du présent travail est la prévision en temps réel des charges de polluants dans un réseau d'assainissement urbain. La méthodologie préconisée dans cette étude se base sur deux outils. En premier lieu, le modèle de la courbe de tarage a été utilisé afin d'exprimer la corrélation entre les charges de polluants et les débits de ruissellement. Ce modèle a été sélectionné en raison de sa simplicité et de la disponibilité des paramètres nécessaires pour sa mise en œuvre. L'hypothèse de synchronisme systématique entre les pointes de l'hydrogramme et du pollutogramme dans ce modèle constitue une des faiblesses que nous proposons de surmonter dans le cadre du présent travail. Ainsi, le modèle de la courbe de tarage a été modifié par l'introduction d'un terme de déphasage qu'on identifie en temps réel. D'autre part, la constance des paramètres mis en jeu dans le modèle classique de la courbe de tarage constitue un autre obstacle pour la reproductibilité des phénomènes au cours du même événement et d'un événement à l'autre. Afin de surmonter cette deuxième faiblesse, le filtre de Kalman a été utilisé pour identifier les paramètres d'un modèle dynamique en fonction des erreurs de prévision constatées à chaque pas de temps. La méthodologie a été testée avec succès sur le secteur I de la ville de Verdun du Québec. Le modèle établi a été validé à l'aide de trois critères de performance, à savoir, le coefficient de Nash, le rapport des pointes mesurées/prévues et leur déphasage. Selon ces critères, les résultats trouvés par le modèle dynamique concordent bien avec les mesures.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".