⚡ electrical engineering

A Visual Guided Physics Informed Neural Networks Framework for Real Time Coagulant Dose Optimization in Water Treatment Plants

Cette étude propose un cadre de réseaux de neurones informés par la physique guidés par la perception visuelle et la détection en temps réel (RTS-VG PINNs) qui intègre la perception visuelle profonde aux lois physiques directrices afin de surmonter les délais inhérents aux indicateurs traditionnels et d'atteindre une optimisation robuste et en temps réel du dosage des coagulants dans les usines de traitement de l'eau.

Auteurs originaux : Galang Adira Prayoga, Emir Husni, Reza Darmakusuma, Herto Dwi Ariesyady

Publié 2026-07-03

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Galang Adira Prayoga, Emir Husni, Reza Darmakusuma, Herto Dwi Ariesyady

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

Le Problème : Attendre que l'eau s'éclaircisse

Imaginez que vous essayez de rendre une eau boueuse limpide en ajoutant une poudre spéciale (un coagulant) qui agglomère la saleté pour qu'elle coule au fond. Dans une station de traitement des eaux, les opérateurs doivent généralement attendre que la saleté se soit déposée au fond et que l'eau en surface paraisse claire avant de savoir s'ils ont ajouté la bonne quantité de poudre.

Le document appelle cela un « décalage temporel ». C'est comme essayer de diriger un navire géant en regardant le sillage derrière lui plutôt que l'eau devant lui. Le temps que vous voyiez que l'eau est encore boueuse, vous avez déjà gaspillé du temps et des produits chimiques. Les capteurs traditionnels (comme les turbidimètres) ne disent que ce qui s'est passé après que la saleté s'est déposée, et non ce qui se passe en ce moment même à l'intérieur du bassin de mélange.

La Solution : Donner des « Yeux » et du « Bon Sens » à l'ordinateur

Les chercheurs ont créé un nouveau système appelé RTS-VG PINNs. Considérez ce système comme un assistant intelligent doté de deux super-pouvoirs :

Super Vision (Les « Yeux ») : Au lieu de simplement attendre que l'eau s'éclaircisse, le système utilise une caméra haute vitesse pour observer la formation des amas de boue (flocs) en temps réel. Il utilise une IA avancée (spécifiquement ReséNet-50 et YOLOv8, qui sont comme des détectives au regard très aiguisé) pour repérer les changements infimes dans la façon dont les amas de boue se regroupent avant qu'ils ne coulent. Il peut faire la différence entre « début d'agglomération », « agglomération serrée » et « décantation » par la simple observation d'une vidéo.
Bon Sens Physique (Le « Cerveau ») : Le système ne se contente pas de deviner à partir d'images ; il connaît aussi les lois de la physique. Il est programmé avec les règles mathématiques qui régissent la décantation de la boue (l'équation de sédimentation de Kynch) et la façon dont les particules collent entre elles (la cinétique de Langmuir–Smoluchowski).

Comment ça marche : L'approche « Hybride »

Les chercheurs ont combiné ces deux pouvoirs en un seul cadre de travail :

Le Guide Visuel : La caméra observe la boue. Si l'IA voit que les amas de boue deviennent plus gros et plus denses, elle dit au système : « Hé, la vitesse de décantation augmente ! ». Cela donne au système une « longueur d'avance » avant que l'eau ne s'éclaircisse réellement.
La Vérification Physique : Le système prend cet indice visuel et le passe à travers les « lois de la physique » pour s'assurer que la prédiction est cohérente. C'est comme un chef cuisinier qui goûte une soupe (donnée) mais qui connaît aussi la recette (physique) pour ne pas ajouter trop de sel juste parce que la soupe semble salée.
Le Résultat : Le système calcule la quantité parfaite de poudre à ajouter maintenant pour obtenir le meilleur résultat, plutôt que de réagir à ce qui s'est passé cinq minutes auparavant.

L'Expérience : Entraîner l'IA

Pour enseigner à ce système, les chercheurs ont mis en place une expérience en laboratoire :

Ils ont utilisé différents types d'eau (certains naturels, d'autres composés d'argile).
Ils ont ajouté différentes quantités de poudre (d'une petite dose à une grande dose).
Ils ont filmé tout le processus avec une caméra haute vitesse et mesuré la qualité de l'eau avec des capteurs.
Ils ont appris à l'IA à reconnaître quatre étapes : Dispersion (la boue est éparpillée), Agrégation (la boue commence à coller), Densification (la boue devient lourde) et Décantation (la boue coule).

Les Résultats : Pourquoi est-ce meilleur ?

Les chercheurs ont testé leur nouveau système contre des modèles informatiques standards (comme Random Forest ou Support Vector Machines) qui ne regardent que des chiffres sans « voir » le processus ni connaître la physique.

Précision : Le nouveau système était plus précis pour prédire la quantité idéale de poudre. Il a obtenu un score plus élevé (R² = 0,498) par rapport aux autres modèles.
Gestion du bruit : Les données réelles sont désordonnées (comme une caméra qui tremble ou un capteur sale). Le nouveau système était meilleur pour ignorer le « bruit » et trouver le véritable signal, car les lois de la physique servaient de filet de sécurité.
Voir l'invisible : Le système pouvait « voir » à l'intérieur du réservoir et cartographier les zones où la boue était dense et celles où elle était mince, même si aucun capteur n'était réellement à l'intérieur du réservoir. Il a reconstruit le mouvement 3D invisible de la boue en utilisant uniquement la caméra et les mathématiques.

L'Essentiel

Cet article affirme qu'en donnant à un ordinateur des yeux pour regarder la boue s'agglomérer et du bon sens (la physique) pour comprendre comment elle se déplace, nous pouvons optimiser le traitement de l'eau en temps réel. Cela empêche le système de réagir au passé et lui permet de prédire l'avenir, économisant ainsi du temps et des produits chimiques tout en rendant l'eau plus propre plus rapidement.

Note sur les limites : Le document admet que cela a été testé dans un petit cadre de laboratoire. L'analogie du « navire » fonctionne bien dans un petit seau, mais les chercheurs notent que passer à l'échelle supérieure pour un immense réservoir industriel avec des problèmes réels comme les changements de lumière ou de météo est un défi pour l'avenir. Ils suggèrent également que, bien que leur variable de « vitesse de décantation » fonctionne bien, d'autres facteurs cachés dans la boue pourraient nécessiter des études ultérieures.

Résumé Technique : Un cadre de réseaux de neurones informés par la physique guidé par la vision pour l'optimisation en temps réel du dosage des coagulants dans les usines de traitement de l'eau

1. Énoncé du problème

La coagulation est un processus unitaire critique dans le traitement de l'eau pour réduire la turbidité et la couleur, pourtant l'optimisation du dosage des coagulants reste complexe en raison des interactions physico-chimiques non linéaires impliquées. Les stratégies de contrôle conventionnelles reposent sur des mesures de turbidité en temps réel ou sur le degré de floculation (DF) comme indicateurs de processus. Cependant, les auteurs identifient une limitation fondamentale : ces métriques représentent des résultats macroscopiques de l'agrégation et de la sédimentation des particules qui présentent des délais physiques intrinsèques. Parce que les changements initiés au fond d'un épaississeur nécessitent du temps pour se propager vers le haut jusqu'à la couche de surnageant, les mesures de turbidité et de DF fournissent un retour réactif et retardé plutôt qu'une compréhension en temps réel de l'évolution de la dynamique des flocs. Ce décalage temporel restreint les stratégies de contrôle traditionnelles, entraînant une utilisation inefficace des produits chimiques et une réduction de l'efficacité opérationnelle. De plus, les modèles d'apprentissage automatique purement axés sur les données souffrent souvent d'un manque d'interprétabilité physique et d'une faible capacité de généralisation face à des données éparses, bruitées ou hors distribution.

2. Méthodologie

L'étude propose un cadre de Réseaux de Neurones Informés par la Physique Guidés par l'Information Visuelle et la Détection en Temps Réel (RTS-VG PINNs). Cette architecture hybride intègre des données de capteurs en temps réel, une perception visuelle profonde et des lois physiques régissantes dans un système d'apprentissage unifié. La méthodologie se déroule en trois étapes principales :

A. Acquisition de données expérimentales

Des expériences ont été menées en utilisant des échantillons d'eau naturels (PDAM) et artificiels (à base de kaolin) avec des conditions initiales variables (pH, température, conductivité, potentiel zêta). Les dosages de coagulant (Polyaluminum Chloride - PAC) ont été systématiquement variés de 12 à 120 mg/L.

Capteurs : La turbidité, le pH et la conductivité électrique ont été surveillés en temps réel.
Système visuel : Une caméra haute résolution (Canon 250D, 60 fps) a capturé l'évolution temporelle des structures de flocs pendant les phases de mélange rapide, de mélange lent et de décantation.
Jeu de données : Les séquences d'images ont été classées en quatre étapes d'évolution des flocs (dispersion, agrégation initiale, croissance/densification, et décantation) pour entraîner les modèles d'apprentissage profond.

B. Extraction de caractéristiques visuelles (Le « Guide Visuel »)

Deux architectures de réseaux de neurones convolutifs (CNN) complémentaires ont été employées pour extraire les caractéristiques des séquences d'images :

ResNet-50 : Un détecteur à deux étapes utilisé pour l'extraction de caractéristiques à haute sensibilité afin de capturer les variations subtiles de la morphologie et de la densité des flocs.
YOLOv8 : Un détecteur à une étape utilisé pour la détection et le suivi en temps réel de l'évolution des flocs.
Ces modèles classent la densité des flocs et cartographient les caractéristiques visuelles vers une vitesse de sédimentation effective variable dans le temps, $v_0(t)$ . Cette vitesse sert de paramètre dynamique qui fait le pont entre les observations visuelles brutes et le modèle physique.

C. Architecture du Réseau de Neurones Informé par la Physique (PINN)

Le cœur du cadre consiste en deux problèmes couplés :

Problème Direct (Modélisation directe) :
- Le modèle résout l'équation aux dérivées partielles (EDP) de sédimentation de Kynch pour reconstruire la distribution spatio-temporelle de la densité des flocs, $\phi(t, z)$ .
- La vitesse variable dans le temps $v_0(t)$ , inférée des caractéristiques visuelles du CNN, module l'EDP.
- La fonction de perte ( $\mathcal{L}_{Total}$ ) combine la fidélité des données (correspondance avec les observations expérimentales), les contraintes physiques (minimisation des résidus de l'EDP), les conditions initiales et les conditions aux limites (flux nul à la surface).
Problème Inverse (Optimisation du dosage) :
- Le modèle estime le dosage optimal de coagulant ( $D$ ) en apprenant la relation inverse entre les variables opérationnelles (pH, température, turbidité initiale, etc.) et les résultats du processus.
- Les contraintes physiques sont intégrées via la cinétique d'adsorption de Langmuir (modélisant l'évolution du potentiel zêta) et la cinétique de coagulation de Smoluchowski (modélisant l'évolution de la turbidité via les taux d'agrégation et de rupture).
- Le cadre résout le dosage qui équilibre les mécanismes d'agrégation et de rupture.

3. Contributions Clés

Intégration de la perception visuelle avec la physique : L'article introduit un mécanisme novateur où les caractéristiques visuelles extraites par l'apprentissage profond (densité/structure des flocs) informent dynamiquement les paramètres d'un modèle de sédimentation physique ( $v_0(t)$ ), utilisant ainsi la vision comme un indicateur avancé pour surmonter le retard des capteurs.
Architecture d'apprentissage hybride : Le cadre RTS-VG PINNs réussit à unifier les données visuelles de haute dimension avec les lois physiques de premier principe (sédimentation de Kynch, cinétique de Langmuir-Smoluchowski), créant une architecture d'apprentissage physiquement cohérente.
Prédiction inverse sous incertitude : L'étude démontre la capacité de l'inverse PINN à estimer le dosage optimal de coagulant non seulement de manière déterministe, mais aussi avec une quantification de l'incertitude via le dropout de Monte Carlo, renforçant la robustesse face aux données industrielles bruitées ou éparses.
Reconstruction d'états latents : Le cadre permet la reconstruction des états internes du système (distribution de la densité des flocs $\phi(t, z)$ ) qui sont inaccessibles par mesure directe, offrant une compréhension plus profonde de la dynamique du processus.

4. Résultats Expérimentaux

Classification Visuelle : ResNet-50 et YOLOv8 ont tous deux démontré une grande précision dans la classification des étapes d'évolution des flocs. Les modèles visuels ont réussi à identifier le temps d'arrivée de l'interface ( $t_s$ ) et les transitions de densité des flocs plus tôt que les capteurs de turbidité ne pouvaient détecter la clarification.
Performance de la solution directe : Le PINN a réussi à reconstruire le champ de densité des flocs spatio-temporel avec de faibles résidus d'EDP (de l'ordre de $10^{-3}$ ), confirmant que le modèle respecte la conservation de la masse et la dynamique de sédimentation. Les champs de concentration interne prédits ont montré des motifs de stratification physiquement cohérents.
Performance de la solution inverse : Dans l'estimation du dosage optimal de coagulant, le cadre RTS-VG PINNs a surpassé les modèles d'apprentissage automatique conventionnels (Forêt Aléatoire, Gradient Boosting, SVM et MLP).
- Le PINN a atteint un coefficient de détermination ( $R^2$ ) de 0,498, dépassant la Forêt Aléatoire (0,484), le Gradient Boosting (0,434), le SVM (0,285) et le MLP (0,063).
- Le modèle a efficacement capturé les tendances non linéaires, telles que la diminution initiale de la turbidité suivie d'une augmentation due au surdosage (inversion de charge), que les modèles axés sur les données ont souvent échoué à représenter avec précision.
Robustesse : L'inclusion du dropout de Monte Carlo a permis au modèle de fournir des prédictions tenant compte de l'incertitude, maintenant la cohérence physique même lorsqu'il était entraîné sur des données limitées ou bruitées.

5. Signification et Revendications

Les auteurs affirment que le cadre RTS-VG PINNs représente une avancée significative dans le contrôle intelligent du traitement de l'eau en abordant le problème critique du retard de mesure. En exploitant l'information visuelle comme un substitut de la dynamique précoce des flocs, le cadre permet des stratégies de contrôle proactives plutôt que réactives.

L'étude souligne que l'intégration des lois physiques (équations régissantes) dans le processus d'apprentissage améliore considérablement l'interprétabilité et la généralisation du modèle, particulièrement dans les scénarios où les données sont éparses ou bruitées. Le cadre est présenté comme un outil robuste pour l'optimisation en temps réel du dosage des coagulants, capable d'inférer les états internes du processus et de fournir des prédictions physiquement significatives que les approches purement axées sur les données ne peuvent atteindre.

Les auteurs maintiennent une position modeste concernant la portée actuelle, reconnaissant que l'étude est limitée à des conditions de laboratoire et à une EDP de Kynch unidimensionnelle simplifiée. Ils notent que des travaux futurs seront nécessaires pour étendre le cadre aux épaississeurs industriels à l'échelle pilote et pour intégrer des modèles physiques plus complexes (par exemple, la CFD) afin de capturer l'hydrodynamique multidimensionnelle.