Browsing by Author "Heddam, Salim"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Contribution to the study of marine plastic pollution in the Wilaya of Skikda
    (University of 20 August 1955-SKIKDA, 2023-06) Halima, Grini; Heddam, Salim
    The Mediterranean Sea has been identified as a hotspot for plastic pollution. The present study is the first attempt to provide original data on plastics debris occurrence in beach sediments along 50 km of the Skikda Gulf in Algeria (southwestern Mediterranean Sea). Sediment samples from seven beaches along the Skikda coastline were collected to extract, quantify, and characterize plastic debris. Plastics particles were classified regarding their size into macroplastics (particles > 25 mm), mesoplastics (particles ranging between 5 and 25 mm), and large microplastics (particles ranging from 1 µm to 5 mm). Overall, microplastic was the most abundant size fraction in terms of number of items. At the same time, the average mass of mesoplastics doubled that of microplastics, revealing a noticeable reservoir of plastics that is hardly ever reported in the literature. The predominant plastic types were fragments and pellets, and white/transparent color. The average concentrations of plastic were 1067.19 ± 625.62 item/m², and 50.65 ± 9.82 g/m² (Autumn 2018), 7860.74 item/m² (Spring 2019), and 6744.44 item/m² (Autumn 2019). Showing variability among beaches and within sampling sites. The Skikda coast presented high pollution levels compared to other areas in the Mediterranean Sea and further regions of the world. Kef Fatma and Guerbes were the most contaminated sites, large and open beaches located on the eastern coast of Skikda with low anthropic development. The spatial differences suggest transport and accumulation of plastics far away from the urban and industrial sources because of local winds and the west-east currents, revealing the spread of the anthropic impact in the area.
  • 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
  • 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