Browsing by Author "Djelamani, Sarra"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Modélisation des Variables Bio-Physico-Chimique des Eaux Usées Par les Réseaux de Neurones Artificielle : Une étude de cas STEP BATNA
    (Faculté des Sciences , 2023) Djareddi, Rayane; Djelamani, Sarra; Zouaia, Chaima; Gueries, Rayane; Mouats, Rayene; Heddam, Salim
    La présente étude entre dans le cadre de la préparation de mémoire de fin d’étude (master II) en aménagement hydro-agricole. L’objectif était le développement d’un modèle mathématique à base de réseau de neurones artificiels (ANN) pour la modélisation de la demande biochimique en oxygène pendant 5 jours (DBO5) au niveaux de la station d’épuration (STEP) des eaux usées de la ville de BATNA . Nous avons utilisés un perceptron multicouche (MLPNN) avec une comparaison avec le modèle à base de régression linéaire multiple (MLR). Nous avons utilisées une base de données journalières contenant les mesures de plusieurs variables à l’entrée et à la sortie de la STEP, à savoir : La température de l’eau (Tw), le potentiel d’hydrogène (PH), la conductivité électrique (SC), le volume des eaux usées (Q), les matière en suspension (MES) ,la demande chimique en oxygène (DCO) et la demande biochimique en oxygène pendant 5 jours (DBO5) . La base de données correspond à la période allant de 01 /03/2006 à 07/04/2009 avec au total 1134 données. Pour le développement des modèles nous avons divisé la base de données en deux parties : 70% pour l’apprentissage et 30% pour la validation des modèles. La structure des modèles était la modélisation de la DBO5 comme variable à modéliser (OUTPUT) en utilisant TW, PH, SC, Q, MES, DCO comme (INPUT). Au total nous avons tester 12 combinaisons des input (MLPNN1 à MLPNN12) et (MLR1 à MLR12), pour la validation et la vérification de la capacité prédictive des modèles nous avons utilisé 4 indices de performance : Le coefficient de corrélation (R), nash sutcliffe (NSE), l’erreur absolue moyen (MAE) et la racine carrée de l’erreur moyen (RMSE). Nous avons obtenue de bon résultats avec les modèles MLPNN au niveau de l’entrée de la STEP avec des indices de l’ordre de R=0.814, NSE=0.659, RMSE=58.216, MAE=42.970, par contre les valeurs obtenue par le modèle MLR était de l’ordre de R =0.740, NSE=0.540, RMSE=67.63, MAE=49.503 .Cependant les résultats obtenu à la sortie de la STEP était très faibles. La présente étude à montrer la possibilité d’utilisation des réseaux de neurones artificiels comme outils de modélisations et d’aide à la décision