Développement et application d'un modèle de capteur logiciel de régression forestière aléatoire pour le traitement des eaux usées domestiques dans un réacteur discontinu à séquençage

Rapports scientifiques volume 13, Numéro d'article : 9149 (2023) Citer cet article

499 Accès

Détails des métriques

Les équipements de traitement de l'eau distribués à petite échelle tels que le réacteur discontinu de séquençage (SBR) sont largement utilisés dans le domaine du traitement des eaux usées domestiques rurales en raison de leurs avantages d'installation et de construction rapides, de faibles coûts d'exploitation et d'une forte adaptabilité. Cependant, en raison des caractéristiques de non-linéarité et d’hystérésis du procédé SBR, il est difficile de construire un modèle de simulation du traitement des eaux usées. Dans cette étude, une méthodologie a été développée utilisant l'intelligence artificielle et un système de contrôle automatique qui permet d'économiser de l'énergie correspondant à la réduction des émissions de carbone. La méthodologie exploite un modèle de forêt aléatoire pour déterminer un capteur logiciel approprié pour la prédiction des tendances de la DCO. Cette étude utilise des capteurs de pH et de température comme locaux pour les capteurs de DCO. Dans la méthode proposée, les données ont été prétraitées en 12 variables d'entrée et les 7 principales variables ont été sélectionnées comme variables du modèle optimisé. Cycle terminé par l’intelligence artificielle et le système de contrôle automatique au lieu d’un contrôle à temps fixe qui était un scénario incontrôlé. Dans 12 cas de test, le pourcentage d'élimination de la DCO est d'environ 91,075 %, tandis que 24,25 % de temps ou d'énergie ont été économisés d'un point de vue moyen. Cette méthodologie proposée de sélection de capteurs souples peut être appliquée dans le domaine du traitement des eaux usées domestiques rurales avec des avantages en termes d'économie de temps et d'énergie. Le gain de temps se traduit par une augmentation de la capacité de traitement et les économies d’énergie représentent une technologie à faible émission de carbone. La méthodologie proposée fournit un cadre pour étudier les moyens de réduire les coûts associés à la collecte de données en remplaçant les capteurs coûteux et peu fiables par des alternatives abordables et fiables. En adoptant cette approche, les économies d’énergie peuvent être maintenues tout en respectant les normes d’émission.

Les eaux usées domestiques rurales se caractérisent par une qualité et une quantité d’eau instables, des rejets dispersés et une faible concentration de polluants1. Pour relever ces défis, les équipements de traitement de l'eau distribués à petite échelle sont devenus largement utilisés dans le domaine du traitement des eaux usées domestiques rurales en raison de leur installation et de leur construction rapides, de leur faible coût d'exploitation et de leur forte adaptabilité2. Ces dernières années, le procédé de réacteur discontinu séquentiel (SBR) est apparu comme une option prometteuse pour le traitement des eaux usées domestiques rurales. Comparé à d'autres procédés, le SBR peut résister efficacement aux impacts de la charge organique, dispose de modes de fonctionnement flexibles, produit de bons effets d'effluent et obtient de meilleurs effets d'élimination de l'azote et du phosphore3,4,5,6.

Cependant, la construction de modèles de simulation précis pour le traitement des eaux usées domestiques en milieu rural peut s'avérer difficile en raison des caractéristiques de non-linéarité et d'hystérésis présentées par le processus SBR7,8. Les problèmes non linéaires liés au traitement des eaux usées font référence aux relations complexes, diverses et non linéaires qui découlent des interactions de diverses réactions chimiques, réactions biologiques et effets physiques au cours du traitement des eaux usées.

L'intelligence artificielle, y compris l'apprentissage automatique, a été appliquée aux processus de traitement des eaux usées pour résoudre efficacement des problèmes non linéaires. L'apprentissage automatique englobe une gamme de méthodes, telles que les réseaux neuronaux et la régression vectorielle de support, qui peuvent être utilisées pour analyser et modéliser les données complexes générées lors du traitement des eaux usées. Cela a effectivement amélioré l’efficacité et la qualité du traitement des eaux usées tout en réduisant les coûts de traitement.

Le réseau de neurones artificiels (ANN) est un modèle mathématique qui simule le comportement des réseaux de neurones animaux et effectue un traitement d'informations distribué et parallèle. L'ANN est devenu largement utilisé pour prédire les rejets d'eaux usées, car il peut ajuster les interconnexions entre un grand nombre de nœuds internes pour traiter des informations complexes au sein du système9,10,11,12,13.

En plus d'utiliser les méthodes de réseaux neuronaux artificiels (ANN), d'autres techniques telles que la régression linéaire (LR), la régression vectorielle de support (SVR) et les méthodes de réseaux neuro-flou ont également été utilisées dans la technologie d'élimination des polluants pour prédire les changements dans les concentrations de polluants ou autres paramètres de processus14,15,16,17,18,19. Ces méthodes (comme le montre le tableau 1) se sont révélées efficaces pour modéliser les relations complexes entre divers facteurs et prédire les concentrations de polluants, ce qui contribue à optimiser les performances du processus de traitement.