Resumo Técnico: Uma Estrutura de Redes Neurais Informadas pela Física com Guia Visual para a Otimização em Tempo Real da Dosagem de Coagulantes em Estações de Tratamento de Água

1. Definição do Problema

A coagulação é um processo unitário crítico no tratamento de água para a redução de turbidez e cor, porém a otimização da dosagem de coagulante permanece desafiadora devido às complexas interações físico-químicas não lineares envolvidas. As estratégias de controle convencionais baseiam-se em medições de turbidez em tempo real ou no grau de floculação (DF) como indicadores de processo. No entanto, os autores identificam uma limitação fundamental: essas métricas representam resultados macroscópicos da agregação e sedimentação de partículas que exibem atrasos físicos inerentes. Como as mudanças iniciadas no fundo de um decantador exigem tempo para se propagar para cima até a camada de sobrenadante, as medições de turbidez e DF fornecem um feedback reativo e defasado, em vez de uma visão em tempo real da evolução da dinâmica dos flocos. Esse descompasso temporal restringe as estratégias de controle tradicionais, levando ao uso ineficiente de produtos químicos e à redução da eficiência operacional. Além disso, modelos de aprendizado de máquina puramente orientados a dados frequentemente sofrem com a falta de interpretabilidade física e baixa capacidade de generalização quando confrontados com dados esparsos, ruidosos ou fora da distribuição original.

2. Metodologia

O estudo propõe uma estrutura de Redes Neurais Informadas pela Física com Sensoriamento em Tempo Real e Guia de Informação Visual (RTS-VG PINNs). Esta arquitetura híbrida integra dados de sensores em tempo real, percepção visual profunda e leis físicas governantes em um sistema de aprendizado unificado. A metodologia procede através de três estáções principais:

A. Aquisição de Dados Experimentais

Experimentos foram conduzidos utilizando amostras de água natural (PDAM) e artificial (baseada em caulim) com variadas condições iniciais (pH, temperatura, condutividade, potencial zeta). As dosagens de coagulante (Policloreto de Alumínio - PAC) foram sistematicamente variadas de 12 a 120 mg/L.

• Sensores: Turbidez, pH e condutividade elétrica em tempo real foram monitorados.
• Sistema Visual: Uma câmera de alta resolução (Canon 250D, 60 fps) capturou a evolução temporal das estruturas dos flocos durante as fases de mistura rápida, mistura lenta e sedimentação.
• Conjunto de Dados: Sequências de imagens foram categorizadas em quatro estágios de evolução de flocos (dispersão, agregação inicial, crescimento/densificação e sedimentação) para treinar modelos de aprendizado profundo.

B. Extração de Características Visuais (O "Guia Visual")

Duas arquiteturas complementares de Redes Neurais Convolucionais (CNN) foram empregadas para extrair características das sequências de imagens:

1. ResNet-50: Um detector de dois estágios usado para extração de características de alta sensibilidade para capturar variações sutis na morfologia e densidade dos flocos.
2. YOLOv8: Um detector de estágio único utilizado para detecção e rastreamento em tempo real da evolução dos flocos.
   Estes modelos classificam a densidade dos flocos e mapeiam as características visuais para uma velocidade de sedimentação efetiva variante no tempo, $v_0(t)$. Esta velocidade serve como um parâmetro dinâmico que faz a ponte entre as observações visuais brutas e o modelo físico.

C. Arquitetura de Redes Neurais Informadas pela Física (PINN)

O núcleo da estrutura consiste em dois problemas acoplados:

1. Problema Direto (Modelagem Direta):

   • O modelo resolve a equação diferencial parcial (PDE) de sedimentação de Kynch para reconstruir a distribuição espaço-temporal da densidade de flocos, $\phi(t, z)$.
   • A velocidade variante no tempo $v_0(t)$, inferida das características visuais da CNN, modula a PDE.
   • A função de perda ($\mathcal{L}_{Total}$) combina fidelidade de dados (correspondência com observações experimentais), restrições físicas (minimização dos resíduos da PDE), condições iniciais e condições de contorno (fluxo nulo na superfície).

2. Problema Inverso (Otimização de Dosagem):

   • O modelo estima a dosagem ideal de coagulante ($D$) aprendendo a relação inversa entre variáveis operacionais (pH, temperatura, turbidez inicial, etc.) e resultados do processo.
   • Restrições físicas são incorporadas via cinética de adsorção de Langmuir (modelando a evolução do potencial zeta) e cinética de coagulação de Smoluchowski (modelando a evolução da turbidez via taxas de agregação e quebra).
   • A estrutura resolve para a dosagem que equilibra os mecanismos de agregação e quebra.

3. Principais Contribuições

• Integração da Percepção Visual com a Física: O artigo introduz um mecanismo inovador onde as características visuais extraídas por aprendizado profundo (densidade/estrutura dos flocos) informam dinamicamente os parâmetros de um modelo de sedimentação físico ($v_0(t)$), utilizando a visão efetivamente como um indicador antecedente para superar o atraso dos sensores.
• Arquitetura de Aprendizado Híbrido: A estrutura RTS-VG PINNs consegue unificar dados visuais de alta dimensão com leis físicas de primeira ordem (sedimentação de Kynch, cinética de Langmuir-Smoluchowski), criando uma arquitetura de aprendizado fisicamente consistente.
• Predição Inversa sob Incerteza: O estudo demonstra a capacidade da PINN inversa de estimar a dosagem ideal de coagulante não apenas deterministicamente, mas também com quantificação de incerteza usando Monte Carlo dropout, aumentando a robustez contra dados industriais ruidosos.
• Reconstrução de Estados Latentes: A estrutura permite a reconstrução de estados internos do sistema (distribuição de densidade de flocos $\phi(t, z)$) que são inacessíveis à medição direta, proporcionando uma compreensão mais profunda da dinâmica do processo.

4. Resultados Experimentais

• Classificação Visual: Tanto a ResNet-50 quanto a YOLOv8 demonstraram alta precisão na classificação dos estágios de evolução dos flocos. Os modelos visuais identificaram com sucesso o tempo de chegada da interface ($t_s$) e as transições de densidade de flocos antes que os sensores de turbidez pudessem detectar a clarificação.
• Desempenho da Solução Direta: A PINN reconstruiu com sucesso o campo de densidade de flocos espaço-temporal com baixos resíduos de PDE (na ordem de $10^{-3}$), confirmando que o modelo adere à conservação de massa e à dinâmica de sedimentação. Os campos de concentração interna previstos mostraram padrões de estratificação fisicamente consistentes.
• Desempenho da Solução Inversa: Na estimativa da dosagem ideal de coagulante, a estrutura RTS-VG PINNs superou modelos de aprendizado de máquina convencionais (Random Forest, Gradient Boosting, SVM e MLP).
  • A PINN alcançou um coeficiente de determinação ($R^2$) de 0,498, superando o Random Forest (0,484), Gradient Boosting (0,434), SVM (0,285) e MLP (0,063).
  • O modelo capturou efetivamente tendências não lineares, como a diminuição inicial da turbidez seguida por um aumento devido à superdosagem (inversão de carga), que os modelos orientados a dados muitas vezes falharam em representar com precisão.
• Robustez: A inclusão de Monte Carlo dropout permitiu que o modelo fornecesse previsões conscientes da incerteza, mantendo a consistência física mesmo quando treinado com dados limitados ou ruidosos.

5. Significância e Alegações

Os autores afirmam que a estrutura RTS-VG PINNs representa um avanço significativo no controle inteligente do tratamento de água ao abordar a questão crítica do atraso de medição. Ao alavancar a informação visual como um substituto para a dinâmica precoce dos flocos, a estrutura permite estratégias de controle proativas em vez de reativas.

O estudo enfatiza que a incorporação de leis físicas (equações governantes) no processo de aprendizado melhora significativamente a interpretabilidade e a generalização do modelo, particularmente em cenários onde os dados são esparsos ou ruidosos. A estrutura é apresentada como uma ferramenta robusta para a otimização em tempo real da dosagem de coagulante, capaz de inferir estados internos do processo e fornecer previsões fisicamente significativas que abordagens puramente orientadas a dados não conseguem alcançar.

Os autores mantêm uma postura modesta em relação ao escopo atual, reconhecendo que o estudo é limitado a condições de escala laboratorial e a uma PDE de Kynch unidimensional simplificada. Eles observam que trabalhos futuros serão necessários para estender a estrutura para decantadores industriais de escala piloto e para integrar modelos físicos mais complexos (ex: CFD) para capturar hidrodinâmica multidimensional.