Modélisation des Variables Physico-Chimique au Niveau des Stations de Traitement des Eaux Par le Biais de l’Intelligence Artificielle: Une étude de cas
Loading...
Date
Faculté des Sciences , 2023
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
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