⚡ engenharia elétrica

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)

Este estudo avalia o desempenho dos modelos de Redes Neurais Artificiais (RNA), Lógica Fuzzy (LF) e Sistema de Inferência Neuro-Fuzzy Adaptativo (SINFA), aprimorados pela Análise de Componentes Principais (ACP), para prever a qualidade do efluente na estação de tratamento de águas residuais de Teerã, demonstrando, em última análise, que o modelo SINFA oferece a maior precisão para a previsão da eficiência de remoção de poluentes.

Autores originais: Haniyeh Malek, Majid Ehteshami

Publicado 2026-09-29

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Haniyeh Malek, Majid Ehteshami

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A água é o sangue vital das cidades modernas, mas à medida que as populações crescem e as fontes limpas diminuem, a água que descartamos está se tornando um recurso que não podemos mais nos dar ao luxo de ignorar. As estações municipais de tratamento de águas residuais atuam como os grandes filtros da nossa civilização, pegando a água suja de residências e indústrias e limpando-a até que seja segura o suficiente para retornar ao meio ambiente ou até mesmo para ser reutilizada na agricultura. No entanto, essas plantas são máquinas complexas onde processos químicos e biológicos interagem de formas que são frequentemente desordenadas e imprevisíveis. A matemática tradicional tem dificuldade em capturar esse caos porque as relações entre a temperatura da água, sua acidez e a quantidade de resíduos que ela carrega raramente são linhas retas. Para gerenciar essas plantas de forma eficaz, os engenheiros precisam saber exatamente quão limpa será a água que sai, mas esperar dias por resultados laboratoriais pode ser lento demais para a tomada de decisões rápidas. É aqui que a promessa da inteligência artificial entra em cena, oferecendo uma maneira de aprender com dados passados para prever o futuro com velocidade e precisão.

Em um estudo recente focado em uma grande instalação de tratamento em Teerã, Irã, pesquisadores buscaram testar se modelos computacionais poderiam prever com precisão a qualidade da água que sai da planta. Eles coletaram um ano de dados do mundo real, monitorando tudo, desde a quantidade de matéria orgânica e sólidos suspensos que entram no sistema até a temperatura e a acidez da água. A equipe então construiu três tipos diferentes de "cérebros" digitais para analisar essas informações. O primeiro foi uma rede neural artificial, um sistema projetado para imitar a maneira como os neurônios humanos se conectam e aprendem. O segundo foi um modelo de lógica fuzzy, que lida com a incerteza usando regras que permitem tons de cinza em vez de respostas estritas de sim ou não. O terceiro foi um sistema híbrido chamado sistema de inferência neuro-fuzzy adaptativo, que combina a velocidade de aprendizado da rede neural com o raciocínio baseado em regras da lógica fuzzy. Para ver se a simplificação dos dados ajudava, eles também executaram esses modelos duas vezes: uma vez usando todas as medições brutas e outra após usar um método estatístico para remover informações redundantes e manter apenas os fatores mais críticos.

Os pesquisadores descobriram que todos os três sistemas computacionais eram capazes de aprender os padrões da estação de tratamento, mas um se destacou como significativamente mais confiável. O sistema híbrido, que mistura redes neurais com lógica fuzzy, provou ser o preditor mais preciso da qualidade final da água. Quando a equipe comparou os palpites do computador com os resultados laboratoriais reais, este modelo híbrido cometeu menos erros do que os outros, reduzindo o erro médio em quase 14 por cento em comparação ao modelo de lógica fuzzy e em mais de 8 por cento em comparação à rede neural sozinha. Curiosamente, o estudo descobriu que alimentar o computador com menos variáveis cuidadosamente selecionadas nem sempre melhorava os resultados; de fato, para alguns modelos, o uso do conjunto completo de dados gerou previsões melhores. Isso sugere que, embora a simplificação de dados possa ser útil, as relações complexas no tratamento de águas residuais são ricas o suficiente para que o descarte de informações possa, às vezes, esconder pistas importantes.

Além de apenas prever números, o estudo confirmou que a própria estação de tratamento está operando excepcionalmente bem. Ao calcular quanta poluição foi removida, os pesquisadores descobriram que a instalação elimina cerca de 96,68 por cento dos sólidos suspensos totais, que são as minúsculas partículas sólidas flutuando na água. As taxas de remoção para outros poluentes, como a matéria orgânica que consome oxigênio nos rios, foram quase tão altas. Os modelos computacionais foram capazes de replicar esse alto nível de eficiência com uma proximidade notável, provando que podem servir como uma ferramenta confiável para os operadores. Em vez de esperar por testes laboratoriais lentos, os gestores da planta poderiam potencialmente usar esses modelos para obter uma estimativa imediata e precisa de quão limpa a água está, permitindo que ajustem o processo de tratamento em tempo real. O trabalho demonstra que a inteligência artificial não é apenas um conceito teórico, mas um método prático, eficiente e confiável para garantir que a água que reutilizamos seja segura para a terra e para as pessoas que dela dependem.

Resumo Técnico: Análise de Dados de uma Estação de Tratamento de Esgoto para Avaliar a Qualidade do Efluente utilizando Resultados Experimentais e Predição baseada em Modelos de Inteligência Artificial

Definição do Problema
A crescente demanda global por água, impulsionada pelo crescimento populacional e recursos limitados, torna necessária a reutilização confiável de águas residuais tratadas para irrigação agrícola. No entanto, a modelagem de processos de tratamento de águas residuais é inerentemente desafiadora devido à natureza não linear das operações de tratamento e à variabilidade das características do influente (ex: taxas de fluxo, tipos de compostos orgânicos/inorgânicos). Modelos matemáticos lineares tradicionais frequentemente dependem de hipóteses e probabilidades, fornecendo apenas estimativas em vez de previsões precisas. Consequentemente, há uma necessidade de técnicas de modelagem não lineares avançadas que possam prever com precisão a qualidade do efluente para facilitar o planejamento principiado e o controle operacional sem os altos custos associados a medições experimentais extensas de longo prazo.

Metodologia
Este estudo utilizou dados da estação de tratamento de águas residuais de Varamin, em Teerã, Irã, que emprega um processo de Lodos Ativados com Aeração Estendida (EAAS) com remoção de nitrogênio. A pesquisa concentrou-se na predição da qualidade do efluente com base em parâmetros de entrada específicos.

Coleta e Pré-processamento de Dados:
- Entradas: Foi analisado um ano de dados, incluindo parâmetros do influente (Temperatura, pH, DBO, DQO, SST) e parâmetros do tanque de aeração (MLSS, MLVSS, SVI).
- Saídas: Concentrações de DBO, DQO e SST no efluente.
- Processamento de Dados: Outliers e dados insignificantes foram removidos. A Análise de Componentes Principais (PCA) foi empregada para reduzir a dimensionalidade das variáveis de entrada, visando identificar componentes chave e melhorar a precisão do modelo, reduzindo a complexidade computacional.
Desenvolvimento do Modelo:
Três modelos de Inteligência Artificial (IA) foram desenvolvidos e comparados:
- Rede Neural Artificial (RNA): Uma Rede Neural de Alimentação Direta (FFNN) usando uma estrutura de Perceptron Multicamadas (MLP) com uma função de transferência sigmoide e o algoritmo de treinamento Levenberg-Marquardt.
- Lógica Fuzzy (LF): Um sistema de inferência fuzzy do tipo Mamdani usando funções de pertinência triangulares e trapezoidais.
- Sistema de Inferência Neuro-Fuzzy Adaptativo (ANFIS): Um sistema híbrido que combina redes neurais e lógica fuzzy (tipo Sugeno) para aprender adaptativamente a partir dos dados de treinamento.
Desenho Experimental:
Três cenários distintos foram modelados para cada parâmetro de saída (DBO, DQO, SST). Cada cenário foi testado em duas configurações:
- Sem PCA: Utilizando todas as 11 variáveis de entrada originais.
- Com PCA: Utilizando 4 variáveis de entrada reduzidas derivadas do método PCA.
  Os dados foram divididos em conjuntos de treinamento (70%), teste (15%) e validação (15%).
Avaliação de Desempenho:
A precisão do modelo foi avaliada utilizando indicadores estatísticos: Coeficiente de Correlação ( $R$ ), Erro Quadrático Médio (RMSE) e Erro Percentual Absoluto Médio (MAPE). Adicionalmente, um "Índice de Produtividade" (Eficiência de Remoção) foi calculado para comparar a capacidade dos modelos de simular a redução de contaminantes contra o desempenho real da planta.

Principais Resultados

Desempenho do Modelo: O modelo ANFIS demonstrou desempenho superior em comparação aos modelos ANN e FL em todos os cenários.
- Precisão: O ANFIS alcançou os coeficientes de correlação mais altos e as menores taxas de erro. Especificamente, o modelo ANFIS apresentou uma redução média de erro de 13,92% em relação ao modelo FL e de 8,22% em relação ao modelo ANN.
- Impacto do PCA: A aplicação do PCA yielded resultados mistos. Embora tenha melhorado a precisão do modelo ANN no primeiro e terceiro cenários (especificamente para DBO e SST), afetou negativamente o desempenho de outros modelos e parâmetros, como o aumento do RMSE para DQO no modelo ANN. Os autores observam nas conclusões que o uso de PCA "afetou negativamente o desempenho de predição de alguns modelos com um erro médio de 3,615%", indicando que, embora a capacidade preditiva tenha permanecido alta, a redução de dimensionalidade não aumentou universalmente a precisão em todas as métricas.
Eficiência de Remoção: O estudo calculou a eficiência de remoção dos poluentes. A planta real alcançou uma eficiência máxima de remoção de 96,68% para Sólidos Suspensos Totais (SST). Os modelos de IA espelharam de perto esses resultados, com o ANFIS estimando uma eficiência de remoção de SST de 96,75% (sem PCA) e 96,61% (com PCA).
Análise Comparativa: Embora todos os três modelos (ANN, FL, ANFIS) tenham sido considerados capazes de prever a qualidade do efluente, o ANFIS ofereceu consistentemente o melhor equilíbrio entre velocidade de treinamento e precisão de predição. Os modelos FL foram notados como demorados no treinamento e, embora o ANFIS ofereça velocidade, ele pode se tornar complexo se o número de entradas for muito alto devido ao aumento exponencial das regras fuzzy.

Significância e Alegações
O artigo conclui que os modelos de Redes de Inteligência Artificial (AIN) são uma abordagem simples, precisa, eficiente e confiável para prever a qualidade dos efluentes de estações de tratamento de águas residuais municipais.

Utilidade Operacional: O estudo afirma que estes modelos podem servir como ferramentas eficazes para operadores compreenderem e simularem o comportamento não linear de estações de tratamento, auxiliando na tomada de decisões para o reuso de água e proteção ambiental.
Valor Metodológico: A pesquisa destaca que, embora métodos estatísticos multivariados como o PCA possam reduzir as variáveis de entrada, seu impacto na precisão de predição final é variável e pode, por vezes, degradar o desempenho (como visto com o aumento do erro médio). No entanto, o achado central é que os modelos de IA, particularmente o ANFIS, mantêm alta validade preditiva mesmo com conjuntos de entrada reduzidos.
Confiabilidade: O alinhamento próximo entre as eficiências de remoção previstas pelos modelos e o desempenho real da planta (ex: ~96% para SST) valida o uso destas ferramentas de IA como substitutos ou complementos ao monitoramento tradicional, potencialmente economizando tempo e recursos associados a testes manuais (como a medição de DBO5 de 5 dias).

Os autores enfatizam que a seleção de um modelo específico (ANN, FL ou ANFIS) deve depender dos objetivos específicos do estudo, mas para a predição de alta precisão da qualidade do efluente neste contexto, o ANFIS é a escolha mais apropriada.

Mais como este