Modèle pour le contrôle en temps réel des réseaux d'égout sous surcharge.
Bibliographic record
Abstract
En période de pluie, les déversements de réseaux d'égout unitaires (DRU) détériorent la qualité \ndes cours d'eau urbains. Le contrôle en temps réel (CTR) de ces réseaux permet de réduire la \nfréquence et le volume des DRU par l'utilisation optimale de la capacité de stockage et de \ntraitement des réseaux. À cette fin, une stratégie de CTR détermine comment doivent être opérés \nles ouvrages de régulation (tels les pompes, vannes, seuils, etc.) de façon à rencontrer certains \nobjectifs de contrôle, tel par exemple la minimisation des volumes déversés. Le contrôle prédictif \nintégré (CPI) est une stratégie de CTR où les décisions de contrôle sont prises en fonction de l'état \nprésent et futur de l'ensemble du réseau d'égout, estimé à l'aide de modèles de simulation à partir \nde prédictions des entrées au système. \nPuisque la stratégie optimale de contrôle d'un CPI est déterminée à plusieurs reprises pendant le \ndéroulement d'une pluie, la vitesse de résolution des modèles de simulation et des algorithmes \nd'optimisation utilisés est primordiale. Afin de respecter cette contrainte sur le temps de calcul, \nles stratégies de CPI existantes ont souvent recours à des modèles linéaires. Toutefois, de tels \nmodèles ne peuvent reproduire le phénomène de refoulement, lequel peut survenir par exemple \nlors de la mise en charge de certaines conduites. Or ce dernier type d'écoulement peut être utilisé \navantageusement par une stratégie de CTR en augmentant la capacité de stockage et de transport \ndu réseau. C'est pourquoi la thèse propose un nouveau modèle permettant la simulation de tous \nles types d'écoulement en conduite, incluant les écoulements en charge, et dont la rapidité de \nrésolution permet son utilisation en temps réel. Ce modèle a été validé sur un réseau d'égout réel \nainsi que sur plusieurs réseaux hypothétiques. Une stratégie de CPI intégrant le modèle de \nsimulation développé et l'algorithme d'optimisation du gradient réduit généralisé (GRG) a par la \nsuite été élaborée. L'application de cette stratégie de contrôle sur le réseau d'égout de la ville de \nLaval (Canada) a démontré que la mise en charge des conduites permet de réduire de façon \nappréciable les volumes déversés en temps de pluie. Il a également été montré que la gestion \nd'intercepteurs en charge pouvait être réalisée sur de courts horizons de contrôle sans en entraver \nla performance ni la fiabilité. Les résultats obtenus ont aussi conduit à la mise au point d'une \nstratégie de contrôle simplifiée pour les zones en charge, au sein desquelles les taux de \npropagation des débits sont généralement très élevés. \n
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
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 teacher head, 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".