Sciences agrnomiques

Permanent URI for this collection

http://dspace.univ-skikda.dz:4000/handle/123456789/262

Browse

Browsing Sciences agrnomiques by Author "Ali Nara, Rayane"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Modélisation des Variables Physico-Chimique au Niveau des Stations de Traitement des Eaux Par le Biais de l’Intelligence Artificielle: Une étude de cas
    ( Faculté des Sciences , 2023) Benzeghaia, Sara; Bouchoukh, Khaoula; Bouyeddou, Ghada; Ali Nara, Rayane; Heddam, Salim
    L’objectif de cette étude est de développer un modèle mathématique utilisant la technique des réseaux de neurones artificiels (ANN), pour calculer la dose de coagulant utilisée dans les stations de traitement des eaux potables. L’étude a été menée au niveau de la station de traitement des eaux de la ville de Boudouaou, dans la wilaya de Boumerdes. La station utilise le sulfate d’aluminium (AL2(So4)3.18H2O) comme coagulant. Nous avons appliqué le modèle dite perceptron multicouche (MLPNN) en le comparant avec le modèle de régression linéaire multiple (MLR). L’étude s’est appuyée sur l’exploitation d’une base de données de mesures quotidiennes s’étendant du 24 décembre 2008 au 16 juin 2012, comprenant 827 données quotidiennes. Les données comprennent les mesures de la qualité de l’eau brute au niveau de l’entrée de la station, qui sont les suivantes : (1) Température de l’eau brute (Tw), (2) Acidité (pH), (3) Conductivité électrique de l’eau (SC), (4) Turbidité de l’eau (TU), (5) Couleur apparente (CA), (6) Couleur vraie (CV), (7) Ultraviolet (UV). Quant à la dose de coagulant, elle a été mesurée en utilisant la technique de « Jar-Test ». Le modèle mathématique utilise les sept variables de la qualité de l’eau brute (Tw, pH, SC, TU, CA, CV, UV) en tant qu’entrées (Input), et le coagulant en tant que sortie (Output). Nous avons divisé la base de données en deux parties : 70% pour le développement et l’entrainement du modèle (Training) et les 30% restants pour évaluer l’efficacité du modèle mathématique (Validation). L’évaluation du modèle s’est basée sur le calcul de quatre indices de performances : le coefficient de corrélation linéaire (R), le coefficient de Nash-Sutcliffe (NSE), l’erreur absolue moyenne (MAE) et la racine carrée de l’erreur quadratique moyenne (RMSE) .Les résultats obtenus ont démontré l’efficacité du modèle MLPNN, avec des résultats très encourageantes : R=0.825, NSE=0.679, RMSE=7.846, MAE=5.868, comparés aux valeurs obtenues par le modèle MLR, qui étaient : R=0.609, NSE=0.363, RMSE=11.058, MAE=9.372