Optimisation de l’élimination des micropolluants organiques

Abstract

Optimiser l'élimination des micropolluants organiques L'objectif de cette étude est d'optimiser l'élimination des micropolluants organiques. Notre première contribution a porté sur la prédilection de la dose de coagulant pour l'élimination de la turbidité (matière organique) pour éviter de perdre du temps et aussi les produits chimiques. Pour cela, Quatre modèles mathématiques différents ont été considérés dans cette étude, ce sont: la méthodologie de surface de réponse (RSM), les réseaux neuronaux artificiels (RNA), la machine à vecteur de support (SVM) et le système adaptatif d'inférence neuro-floue (ANFIS). Les résultats ont montré que tous les modèles ajustaient avec précision les données expérimentales, même si le modèle RNA était légèrement au-dessus des autres modèles. Cependant, le modèle SVM a conduit à des résultats presque similaires à ceux du modèle RNA; la seule différence résidait dans la phase de validation, car le coefficient de corrélation était très élevé et les indicateurs statistiques très petits pour le modèle RNA par rapport au modèle SVM. Cependant, d'un point de vue économique, le modèle SVM était plus approprié que le modèle RNA, puisque son nombre de paramètres était de 22, soit près de la moitié du nombre de paramètres du modèle RNA (43 paramètres), alors que les résultats étaient presque similaires dans toute la phase de données. Pour réduire encore les coûts économiques, le modèle RSM peut également être utilisé qui est resté très utile en raison de ses coefficients élevés s'il est lié au nombre de paramètres, seulement 13. De plus, les indicateurs statistiques du modèle RSM sont restés acceptables. Notre deuxième contribution a porté de trouver une source d'eau brute très pollué afin de valider le modèle mathématique et testé l'efficacité de traitement sur l'élimination de les matières organique et les autres paramètres physicochimique de l'eau afin de rendre l'eau propre a le consommation à les humines. Les résultats première a été montré que oued cheffa a été très pollué (période de choléra). Les résultats des analyses physicochimiques de l'eau traitée ont montrés une efficacité très élevées de traitement à l'élimination des matières organiques et rendre l'eau potable, ce que signifié l'efficacité de notre modèle. Notre troisième contribution a porté de trouver un modèle mathématique pour sulfate et bicarbonate en fonction les paramètres physicochimique. Pour le sulfate, un ensemble de 84 points de données a été utilisé. Pour le RNA, 18 neurones ont été utilisés dans la couche d'entrée, 8 neurones dans la couche cachée et 1 dans la couche de sortie. L'algorithme d'apprentissage de Levenberg Marquardt (LM) avec fonction de transfert sigmoïde tangente hyperbolique logarithmique a été utilisé au niveau des couches cachées et de sortie. La comparaison des résultats obtenus en termes d'erreur quadratique moyenne (RMSE) et de coefficient de corrélation (R) à l'aide des modèles RNA et MLR a révélé la supériorité du modèle (RNA) dans la prédiction de la teneur en sulfate soluble dans l'eau potable. Pour bicarbonate, l'ensemble de données obtenu a été divisé en deux parties pour former le réseau de neurones artificiels, où 70% de l'ensemble de données a été utilisé pour la formation et les 30% restants ont également été divisés en deux parties égales: une pour les tests et l'autre pour validation du modèle. Le modèle intelligent obtenu a été évalué en fonction du coefficient de corrélation le plus proche de 1 et de l'erreur quadratique moyenne (RMSE) la plus faible. Un ensemble de 84 points de données a été utilisé dans cette étude. Pour cela, 18 paramètres dans la couche d'entrée, cinq neurones dans la couche cachée et un paramètre utilisé dans la couche de sortie sont utilisés pour la modélisation RNA. L'algorithme d'apprentissage de Levenberg Marquardt (LM), le sigmoïde logarithmique et la fonction de transfert linéaire ont été utilisés, respectivement pour la couche cachée et de sortie. Les résultats obtenus au cours de la présente étude ont montré un coefficient de corrélation de R = 0,99276 avec l'erreur quadratique moyenne RMSE = 11,52613 mg/L.