La coagulation est l’une des étapes les plus importantes dans le traitement des eaux. La difficulté principale est de déterminer la dose optimale de coagulant à injecter en fonction des caractéristiques de l’eau brute. Un mauvais contrôle de ce procédé peut entraîner une augmentation importante des coûts de fonctionnement et le non-respect des objectifs de qualité en sortie de la station de traitement. Le sulfate d’aluminium (Al2SO4.18H2O) est le réactif coagulant le plus généralement utilisé. La détermination de la dose de coagulant se fait au moyen de l’essai dit de « Jar Test » conduit en laboratoire. Ce type d’approche a le désavantage d’avoir un temps de retard relativement long et ne permet donc pas un contrôle automatique du procédé de coagulation. Le présent article décrit un modèle neuro flou de type Takagi Sugeno (TK), développé pour la prédiction de la dose de coagulant utilisée lors de la phase de clarification dans la station de traitement des eaux de Boudouaou qui alimente la ville d’Alger en eau potable. Le modèle ANFIS (système d’inférence flou à base de réseaux de neurones adaptatifs), qui combine les techniques floues et neuronales en formant un réseau à apprentissage supervisé, a été appliqué durant la phase de calage et testé en période de validation. Les résultats obtenus par le modèle ANFIS ont été comparés avec ceux obtenus avec un réseau de neurones de type perceptron multicouche (MLP) et un troisième modèle à base de regression linéaire multiple (MLR). Un coefficient de détermination (R2) de l’ordre de 0,92 en période de validation a été obtenu avec le modèle ANFIS, alors que pour le MLP, il est de l’ordre de 0,75, et que pour le modèle MLR, il ne dépasse pas 0,35. Les résultats obtenus sont d’une grande importance pour la gestion de l’installation.
This paper aims to: (1) develop models based on adaptive neuro-fuzzy inference system (ANFIS) able to predict five-day biochemical oxygen demand (BOD5) in Ouizert reservoir; (2) demonstrate the capability of the ANFIS in the practical issues of water quality management; (3) choose the optimal combination of input variables to improve the model performance; (4) compare two ANFIS partition methods, namely subtractive clustering called ANFIS-SC and grid partitioning, called ANFIS-GP. The models were developed using experimental data which were gathered during a ten-year period, at a mean monthly time step (scale). The input data used are total inorganic nitrogen, chemical oxygen demand (COD), total dissolved solid, dissolved oxygen and phosphate; the output is five-day biochemical oxygen demand (BOD5). Results reveal that ANFIS-SC models gave a higher correlation coefficient, a lower root mean square errors (RMSE) and mean absolute errors than the corresponding ANFIS-GP models. We can conclude that ANFIS-SC has supremacy over ANFIS-GP in terms of performance criteria and prediction accuracy for BOD5 estimation. The results showed that COD is the more effective variable for BOD5 estimating than other parameters, hence COD is the major driving factor for BOD5 modelling through ANFIS.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.