Modélisation des écoulements en charge.
Bibliographic record
Abstract
La modélisation des écoulements dans les réseaux d'égouts a pour rôle principal la \nsimulation du comportement hydraulique de ces systèmes. Dans notre cas, la \nmodélisation sert à mieux gérer les déversements en temps de pluie afin de \nminimiser le volume d'eau rejeté dans les milieux naturels. Dans cette optique, un \nmodèle de gestion des déversements en temps de pluie a été conçu, le modèle \nSWIFT. Celui-ci a été développé pour contrôler les ouvrages de régulation des \ndéversements des eaux usées de la Communauté Urbaine de Québec (C.U.Q). \nParmi les modules hydrauliques qui le composent, on trouve entre autres, le modèle \nMuskingum et le modèle piston. Le premier est un modèle qui simule l'écoulement à \nsurface libre. Quant au deuxième, il n'est utilisé que pour les conduites en charge. \nPar conséquent, le modèle ne tient pas compte des transitions entre les régimes \nd'écoulement à surface libre et en charge. \nL'objectif de ce mémoire est, premièrement, de présenter et d'expliquer les principes \nhydrauliques ainsi que les algorithmes mathématiques utilisés pour construire un \nmodèle simple de simulation des écoulements en charge puis, deuxièmement, \nd'essayer de le valider à travers un ensemble de tests, où les résultats obtenus sont \ncomparés à ceux du modèle SWMM. Ce modèle devrait être en mesure de simuler \nles écoulements à surface libre, les écoulements en charge et la transition entre ces \ndeux régimes d'écoulement. Enfin, ce modèle devrait être capable d'effectuer la \nsimulation des écoulements dans un contexte de contrôle en temps réel. \nLes résultats de ces tests montrent tout d'abord, que les cas de validation se divisent \nen deux catégories. La première est constituée de cas de pentes fortes et la deuxième \nde cas de pentes moyennes et faibles. Pour la première catégorie, les résultats des \ndeux modèles sont similaires. Donc, l'hypothèse de l'écoulement uniforme dans une \nconduite semble valide dans ces cas. Pour la deuxième catégorie, on constate qu'il y \na une différence entre les résultats obtenus par le modèle développé et SWMM. \nCette différence vient du fait que le modèle considère l'écoulement uniforme et \nnéglige par la suite l'effet des pertes de charge. Par ailleurs, la condition limite est \nconsidérée en amont de la conduite en aval du réseau et l'effet du refoulement n'est \npris en considération que lorsque la conduite est en charge. Pour pallier ce problème, \nle nombre de Froude est utilisé pour décrire et classifier le type d'écoulement à \nsurface libre. Celui-ci exprime le rapport entre les forces d'inertie et celles de \ngravité. Ce travaille montre donc qu'il est nécessaire pour les cas de pente faible de \ntenir compte de la condition limite à l'aval du réseau. \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 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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.020 | 0.006 |
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".