Obtention d’avantages grâce au traitement et à la réutilisation des eaux grises dans les bâtiments et les collectivités du Nord
Bibliographic record
Abstract
Les eaux grises sont des eaux usées provenant d’activités comme la douche, le bain ou la lessive. Elles sont moins contaminées que les eaux noires, c’est-à-dire les eaux usées des toilettes, des urinoirs, des éviers de cuisine et des lave-vaisselle. Dans de nombreuses régions du monde où l’eau n’est pas abondante, les gens réutilisent l’eau grise pour la chasse d’eau, l’irrigation et le nettoyage, par exemple. Les normes des divers codes de la plomberie et du bâtiment assurent la sécurité des personnes qui utilisent de l’eau grise traitée à des fins variées. Il n’y a pas de pénurie d’eau au Nunavut, mais elle coûte très cher. La livraison d’eau par camion aux maisons et aux entreprises est dispendieuse. Par conséquent, le Nunavut utilise moins d’eau par personne que les autres régions du Canada. Dans le cadre de ce projet, on a étudié la possibilité de traiter et de réutiliser les eaux grises dans les collectivités du Nord. Une démonstration d’un nouveau système de traitement des eaux grises conçu pour le Nord a commencé en mai 2018 dans un triplex résidentiel de la Station canadienne de recherche dans l’Extrême-Arctique à Cambridge Bay. Les étudiants du Collège de l’Arctique du Nunavut consulteront les résidents et les propriétaires d’entreprise de la collectivité pour connaître leurs points de vue sur le traitement et la réutilisation des eaux grises. Pour préparer cette démonstration, un collège de Montréal a mis à l’essai le système de traitement pendant six mois. Il servait à traiter l’eau de douche et de lessive du complexe sportif. Le système a fonctionné de façon fiable et a pu répondre à toutes les exigences d’une norme largement adoptée pour les eaux grises.
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 | 0.005 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 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".