Analysis of Sewage Treatment Plant’s Data to evaluate Quality of Effluent using Experimental Results and Prediction based on Artificial Intelligence Models (Case Study: Tehran Wastewater Treatment Plant)
Cette étude évalue la performance des modèles de réseaux de neurones artificiels (ANN), de logique floue (FL) et de système d'inférence neuro-flou adaptatif (ANFIS), améliorés par l'analyse en composantes principales (PCA), pour prédire la qualité de l'effluent de la station de traitement des eaux usées de Téhéran, démontrant finalement que le modèle ANFIS offre la plus grande précision pour prévoir l'efficacité de l'élimination des polluants.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
L'eau est le sang vital des villes modernes, mais à mesure que les populations augmentent et que les sources propres s'amenuisent, l'eau que nous évacuons devient une ressource que nous ne pouvons plus nous permettre d'ignorer. Les stations de traitement des eaux usées municipales agissent comme les grands filtres de notre civilisation, prenant l'eau sale provenant des foyers et des industries et la nettoyant jusqu'à ce qu'elle soit assez propre pour être retournée dans l'environnement ou même réutilisée pour l'agriculture. Cependant, ces usines sont des machines complexes où les processus chimiques et biologiques interagissent de manières souvent désordonnées et imprévisibles. Les mathématiques traditionnelles peinent à capturer ce chaos car les relations entre la température de l'eau, son acidité et la quantité de déchets qu'elle transporte ne sont que rarement linéaires. Pour gérer ces usines efficacement, les ingénieurs doivent savoir exactement quelle sera la qualité de l'eau sortante, mais attendre des jours pour obtenir les résultats de laboratoire peut être trop lent pour prendre des décisions rapides. C'est ici que la promesse de l'intelligence artificielle entre en scène, offrant un moyen d'apprendre des données passées pour prédire l'avenir avec rapidité et précision.
Dans une étude récente portant sur une installation de traitement majeure à Téhéran, en Iran, des chercheurs ont cherché à tester si des modèles informatiques pouvaient prévoir avec précision la qualité de l'eau sortant de l'usine. Ils ont recueilli une année de données réelles, suivant tout, de la quantité de matière organique et de matières en suspension entrant dans le système jusqu'à la température et l'acidité de l'eau. L'équipe a ensuite construit trois types différents de « cerveaux » numériques pour analyser ces informations. Le premier était un réseau de neurones artificiels, un système conçu pour imiter la façon dont les neurones humains se connectent et apprennent. Le second était un modèle de logique floue, qui gère l'incertitude en utilisant des règles qui permettent des nuances de gris plutôt que des réponses strictes par oui ou par non. Le troisième était un système hybride appelé système d'inférence neuro-flou adaptatif, qui combine la vitesse d'apprentissage du réseau de neurones avec le raisonnement fondé sur des règles de la logique floue. Pour voir si la simplification des données aidait, ils ont également fait fonctionner ces modèles deux fois : une fois en utilisant toutes les mesures brutes et une fois après avoir utilisé une méthode statistique pour éliminer les informations redondantes et ne conserver que les facteurs les plus critiques.
Les chercheurs ont découvert que les trois systèmes informatiques étaient capables d'apprendre les schémas de la station de traitement, mais que l'un d'entre eux se distinguait par sa fiabilité nettement supérieure. Le système hybride, qui mélange les réseaux de neurones et la logique floue, s'est avéré être le prédicteur le plus précis de la qualité finale de l'eau. Lorsque l'équipe a comparé les suppositions de l'ordinateur aux résultats réels des laboratoires, ce modèle hybride a commis moins d'erreurs que les autres, réduisant l'erreur moyenne de près de 14 % par rapport au modèle de logique floue et de plus de 8 % par rapport au réseau de neurones seul. Curieusement, l'étude a révélé que nourrir l'ordinateur avec moins de variables, mieux sélectionnées, n'améliorait pas toujours les résultats ; en fait, pour certains modèles, l'utilisation de l'ensemble complet des données donnait de meilleures prédictions. Cela suggère que si la simplification des données peut être utile, les relations complexes dans le traitement des eaux usées sont assez riches pour que le rejet d'informations puisse parfois masquer des indices importants.
Au-delà de la simple prédiction de chiffres, l'étude a confirmé que la station de traitement elle-même fonctionne de manière exceptionnelle. En calculant la quantité de pollution éliminée, les chercheurs ont constaté que l'installation élimine environ 96,68 % des matières en suspension totales, qui sont les minuscules particules solides flottant dans l'eau. Les taux d'élimination pour d'autres polluants, tels que la matière organique qui consomme l'oxygène dans les rivières, étaient presque aussi élevés. Les modèles informatiques ont été capables de reproduire cette haute efficacité avec une proximité remarquable, prouvant qu'ils peuvent servir d'outil fiable pour les opérateurs. Au lieu d'attendre les tests de laboratoire lents, les gestionnaires de l'usine pourraient potentiellement utiliser ces modèles pour obtenir une estimation immédiate et précise de la propreté de l'eau, leur permettant d'ajuster le processus de traitement en temps réel. Ce travail démontre que l'intelligence artificielle n'est pas seulement un concept théorique, mais une méthode pratique, efficace et fiable pour garantir que l'eau que nous réutilisons est sûre pour la terre et pour les populations qui en dépendent.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.