Desarrollo de una herramienta de apoyo para la toma de decisiones en la selección de sistemas sostenibles de drenaje urbano: aplicación en la ciudad de Laval (Canadá)
Bibliographic record
Abstract
[ES] El uso de Best Management Practices (BMPs), o Sistemas de Drenaje Sostenible (SUDS) en español, ha aumentado significativamente en las últimas décadas como una alternativa eficaz a los sistemas de drenaje tradicionales. Sin embargo, la enorme variedad de tipos de BMPs, la insuficiente experiencia en este campo de algunos gestores de aguas pluviales y la poca normativa y guías técnicas existentes, a menudo hacen que la selección de una BMP para su instalación en un lugar determinado se convierta en un problema complejo de la toma de decisiones. El objetivo principal de este estudio fue desarrollar una herramienta de toma de decisiones para ayudar a los gestores de aguas pluviales en los problemas de selección de BMPs. La metodología propuesta consiste en clasificar 14 BMPs diferentes en función de 4 criterios principales y de las condiciones específicas del lugar de instalación. Se utilizaron herramientas innovadoras para evaluar los indicadores de algunos criterios. El programa de clasificación de BMPs se desarrolló basándose en dos métodos multicriterio de ayuda a la decisión ampliamente conocidos: AHP y ELECTRE III. Además, se estudiaron diferentes escenarios simulados: se consideraron 3 tormentas de diseño distintas y las preferencias en cuanto a objetivos de gestión se establecieron en función de los puntos de vista de 3 actores diferentes. La metodología desarrollada se aplicó en una cuenca residencial urbana en Canadá. Los resultados obtenidos con ambos métodos fueron comparados. A pesar de algunas diferencias evidentes, las mejores y peores posiciones en la clasificación fueron ocupadas en general por las mismas BMPs en ambos rankings. También se observó que las diferentes lluvias consideradas no afectan a los resultados de la clasificación. Además, el método AHP resultó ser más sensible a las variaciones en los pesos de los criterios que ELECTRE III. Por último, se realizaron análisis de sensibilidad para evaluar la solidez de la metodología. Los resultados no parecieron sensibles a algunos de los parámetros y datos de entrada evaluados por lo que la metodología podría considerarse robusta. A pesar de los prometedores y satisfactorios resultados se hicieron algunas recomendaciones para los futuros investigadores al final del estudio.
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 | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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 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".