Probabilistic zoning of hydraulic performance of water distribution network by applying key parameter uncertainty
Bibliographic record
Abstract
در این مقاله، ابتدا مقادیر قطعی پارامترها در سالهای مختلف در طول دوره طرح برآورد شده و سپس با استفاده از توزیع نرمال برای ضرایب هیزنویلیامز لولهها و مصارف گرهها و توزیع ریسک برای قطر لولهها، مقادیر غیرقطعی آنها محاسبه گردیده است. با اعمال مقادیر غیرقطعی به مدل شبیهساز شبکه سطوح کارایی شبکه به صورت احتمالاتی تعیین شده است. مدلسازی در محیط MATLAB و با لینک با شبیهساز شبکه (EPANET) انجام شده است. مدلسازی عدمقطعیت پارامترها با روش مونتکارلو در دو حالت ضریب تغییرات 10 و 20 درصد و کارایی هیدرولیکی شبکه با ارزیابی شاخص قابلیت اطمینان فشار گرهی شبکه (NPRI) انجام شده است. روش پیشنهادی بر روی شبکه توزیع آب کلیبر پیادهسازی شده است. نتایج نشان میدهد که در هر دو حالت، بالاترین سطوح عملکرد شبکه با احتمال وقوع زیاد در سالهای اولیه دوره طرح در ساعتهای حداکثر مصرف و در سالهای انتهای دوره طرح در ساعتهای متوسط مصرف اتفاق میافتد. همچنین بررسی روند تغییرات سالانه سطوح عملکرد شبکه نشان میدهد که در حالت ضریب تغییرات 10 درصد، بهترین سرویسدهی شبکه در سال 23 با احتمال 55 درصد عملکرد قابلقبول و در حالت ضریب تغییرات 20 درصد، بهترین سرویسدهی شبکه در سال20 با احتمال 46 درصد عملکرد قابل قبول اتفاق میافتد. در مجموع پهنهبندی احتمالاتی کارایی هیدرولیکی شبکه بازخورد دقیقی از سرویسدهی شبکه بدست میآورد که میتواند در تصمیمگیری در جهت اعمال برنامهریزی مدیریت بهرهبرداری یا بازسازی و نوسازی شبکه موثر باشد.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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".