Sistema de inferência fuzzy orientado a dados para dosagem de coagulante em estações de tratamento de água: aprendizado de máquina para predição precisa em tempo real
Carregando...
Data
Autores
Orientador
Bressane, Adriano 
Coorientador
Pós-graduação
Curso de graduação
São José dos Campos - ICT - Engenharia Ambiental
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso restrito
Resumo
Resumo (inglês)
Coagulation is the most sensitive step in drinking water treatment. Underdosing may not yield the required water quality, whereas overdosing may result in higher costs and excess sludge. Traditionally, the coagulant dosage is set based on bath experiments performed manually, known as jar tests. Therefore, this test does not allow real-time dosing control, and its accuracy is subject to operator experience. Alternatively, solutions based on machine learning (ML) have been evaluated as computer-aided alternatives. Despite these advances, there is open debate on the most suitable ML method applied to the coagulation process, capable of the most highly accurate prediction. This study addresses this gap, where a comparative analysis between ML methods was performed. As a research hypothesis, a data-driven (D2 ) fuzzy inference system (FIS) should provide the best performance due to its ability to deal with uncertainties inherent to complex processes. Although ML methods have been widely investigated, only a few studies report hybrid neuro-fuzzy systems applied to coagulation. Thus, to the best of our knowledge, this is the first study thus far to address the accuracy of this non-hybrid data-driven FIS (D2FIS) for such an application. The D2FIS provided the smallest error (0.69 mg/L), overcoming the adaptive neuro-fuzzy inference system (1.09), cascade-correlation network (1.18), gene expression programming (1.15), polynomial neural network (1.20), probabilistic network (1.17), random forest (1.26), radial basis function network (1.28), stochastic gradient tree boost (1.25), and support vector machine (1.17). This finding points to the D2FIS as a promising alternative tool for accurate real-time coagulant dosage in drinking water treatment. In conclusion, the D2FIS can help WTPs to reduce operating costs, prevent errors associated with manual processes and operator experience, and standardize the efficacy with real-time and highly accurate predictions, and enhance safety for the water industry. Moreover, the evidence from this study can assist in filling the gap with the most suitable ML method and identifying a promising alternative for computeraided coagulant dosing. For further advances, future studies should address the potential of the D2FIS for the control and optimization of other unit operations in drinking water treatment.
Resumo (português)
A coagulação é a etapa mais sensível no tratamento de água potável. A dosagem insuficiente pode não alcançar a qualidade necessária, enquanto a dosagem excessiva pode resultar em custos mais altos e excesso de lodo. Tradicionalmente, a dosagem do coagulante é definida com base em experimentos de bancada realizados manualmente, conhecidos como testes de jarro. Portanto, esse teste não permite o controle de dosagem em tempo real, e sua precisão depende da experiência do operador. Como alternativa, soluções baseadas em aprendizado de máquina (ML) têm sido avaliadas como alternativas auxiliadas por computador. Apesar desses avanços, ainda há debate aberto sobre o método de ML mais adequado para aplicação no processo de coagulação, capaz de fornecer a previsão mais precisa. Este estudo aborda essa lacuna, onde uma análise comparativa entre métodos de ML foi realizada. Como hipótese de pesquisa, um sistema de inferência fuzzy orientado por dados (D2) deve fornecer o melhor desempenho devido à sua capacidade de lidar com incertezas inerentes a processos complexos. Embora os métodos de ML tenham sido amplamente invinvestigados, apenas alguns estudos relatam sistemas neuro-fuzzy híbridos aplicados à coagulação. Assim, abordar a precisão do FIS orientado a dados não-híbrido (D2FIS) para tal aplicação se faz necessário. O D2FIS apresentou o menor erro (0,69 mg/L), superando o sistema de inferência neuro-fuzzy adaptativo (1,09), rede de correlação em cascata (1,18), programação por expressão genética (1,15), rede neural polinomial (1,20), rede probabilística (1,17), floresta aleatória (1,26), rede de função de base radial (1,28), reforço de árvore por gradiente estocástico (1,25) e máquina de vetores de suporte (1,17). Esse achado aponta o D2FIS como uma ferramenta alternativa promissora para dosagem precisa de coagulante em tempo real no tratamento de água potável. Em conclusão, o D2FIS pode ajudar as ETAs a reduzir custos operacionais, prevenir erros associados a processos manuais e à experiência do operador, padronizar a eficácia com previsões em tempo real e altamente precisas, e aumentar a segurança para a indústria da água. Além disso, as evidências deste estudo podem ajudar a preencher a lacuna com o método de ML mais adequado e a identificar uma alternativa promissora para o dosagem assistida por computador de coagulantes. Para avanços futuros, estudos futuros devem abordar o potencial do D2FIS para o controle e otimização de outras operações unitárias no tratamento de água potável.
Descrição
Palavras-chave
Fuzzy systems, Sistemas difusos, machine learning, Águas residuais purificação, Sewage purification, Aprendizado do computador
Idioma
Português
