Prévision du taux d'échec avec les réseaux neurones artificiels dans une station de traitement des eaux résiduaires

Djeddou, Messoud (2014) Prévision du taux d'échec avec les réseaux neurones artificiels dans une station de traitement des eaux résiduaires. ["eprint_fieldopt_thesis_type_phd" not defined] thesis, Université Mohamed Khider Biskra.

Preview

Text Hydrau_d1_2014.pdf Download (2MB) | Preview

Abstract

La performance et la fiabilité d'une usine de traitement des eaux usées est une considération critique, particulièrement si ces eaux usées traitées seront récupérées pour une réutilisation ultérieure. Les marges de sécurité pour la santé publique et la protection de l'environnement doivent être assurée et respecter. Les performances des processus de traitement sont généralement influencées par de nombreux facteurs tels que les changements qualitatifs et quantitatifs dans les eaux usées et la variabilité inhérente du procédé de traitement. La législation algérienne a établi des critères de qualité de l'eau traitée et rejetée, donc il devrait être possible d'évaluer la performance du processus et la fiabilité des installations pour assurer leurs conformités. La performance de la station de traitement des eaux usées municipales de la ville de Khenchela a été évaluée en fonction de la fiabilité. Les données étudiées et analysées statistiquement inclus les débits des eaux usées et les paramètres importants de qualité de l'eau telles que la demande chimique en oxygène (DCO), la demande biochimique en oxygène après cinq jours (DBO5), et les matières en suspension (MES) . Les résultats des tests d'adéquation (Kolmogorov-Smirnov, test d'Anderson-Darling, le test de Cramer-von Mises) ont indiqué que, parmi plusieurs modèles de distribution étudiés, les relevés quotidiens des paramètres de qualité de l'eau traitée, la distribution log-normale étaient appropriés pour les données d’auto-surveillances, et la plus adéquat pour décrire les données recueillies. L’utilisation de la fonction log-normal à permit le développement d'un modèle de fiabilité probabiliste pour l’évaluation des performances du procédé de traitement. Une caractéristique importante de ce modèle est que les paramètres du modèle sont basés sur les propriétés des données d'auto-surveillance de la station d’épuration (moyenne arythmique et écart type). Le développement de ce modèle de fiabilité est la première contribution de cette étude, un modèle qui peut fournir une représentation quantitative des performances de la station d'épuration des eaux usées étudié, et peut également être utilisé pour estimer les valeurs moyennes de qualité des eaux usées traitées. Afin d'élaborer une stratégie de contrôle du processus de boues activées dans une station de traitement des eaux usées, la compréhension des variations des niveaux de fiabilité à la station d’épuration est nécessaire. Les systèmes biologiques sont parmi les plus difficiles à contrôler et à prévoir. En raison des mécanismes de réaction biologique complexes, hautement variables dans le temps et les aspects multi variables de la station de traitement des eaux usées (STEU), le diagnostic de la station d'épuration sont encore difficiles dans la pratique. L'application des techniques intelligentes, qui peut analyser les données de processus non-linéaire multidimensionnelle en utilisant une technique de visualisation, peut être utile pour l'analyse et le diagnostic du procédé à boues activées dans une station d'épuration. Cette capacité complexe de la représentation de la non-linéarité combiné avec le fait qu'il n'existe pas de modèle déterministe de la fiabilité pour les stations d'épurations. Les réseaux de neurones artificiels sont un choix idéal comme solution. La prévision du comportement des systèmes complexes a été un vaste domaine d'application pour les réseaux de neurones artificiels. Des applications telles que la prévision économique, la charge d'électricité / prévision de la demande, et la prévision des phénomènes naturels et physiques ont été largement étudiés, d'où les nombreux articles présentés lors des conférences annuelles dans ce domaine d'intervention. La capacité cognitive des réseaux de neurones artificiels pour la cartographie des entrées-sortie complexes et les relations non linéaires, ce qui permettrait une meilleure prévision du processus et de contrôle, les rendent particulièrement attrayant. La deuxième contribution de ce travail de recherche est le développement de modèles de réseaux de neurones artificiels pour la prédiction des taux de fiabilité et taux de défaillance basée sur les données d’auto-surveillance de la station d’épuration, et un modèle probabiliste spécialement développé pour cette étude . Six différents réseaux de neurones artificiels répartis en deux types ; un modèle simple RNA et un modèle complet RNA, basé sur un Perceptron Multicouche (PMC) sont développés pour la prédiction du niveau de la fiabilité, et les taux de défaillance du processus basée sur les paramètres de qualité des eaux usées traitées suivants : la demande chimique en oxygène (DCO), la demande biochimique en oxygène après cinq jours(DBO5), et les matières en suspension (MES). Le domaine d'application de ces modèles proposés est la prédiction du niveau de fiabilité d'une station de traitement des eaux usées. Le résultat de la prédiction est utilisé pour la détermination les performances du processus, de manière à optimiser le rendement de la station. Les résultats devrait permettre de fournir des informations utiles sur la portée et les possibilités d'application des réseaux de neurones artificiels dans le domaine du traitement des eaux usées et de servir comme un outil de diagnostic des défaillances du processus et en particulier d’'aider les exploitant dans la gestion quotidienne de la station d’épuration. Développer des modèles de réseaux de neurones artificiels en fonction d'un modèle probabiliste pour la prédiction de la fiabilité et les taux de défaillance d’un procédé de traitement basée sur les boues activées est la première tentative dans la littérature scientifique et de la recherche à ce jour.

Actions (login required)

View Item