Modélisation de la Dose Optimale de Coagulant dans le Traitement des Eaux à l’Aide de l’Intelligence Artificielle

dc.contributor.authorBoubellouta ,Rima
dc.contributor.authorBoukallel, Ouissal
dc.contributor.authorBoulahia, Ikram
dc.contributor.authorMedroua, Bessma
dc.contributor.authorZouied, Djamila
dc.contributor.authorMerabet, Khaled
dc.date.accessioned2026-11-15T09:21:00Z
dc.date.available2026-11-15T09:21:00Z
dc.date.issued2026
dc.description.abstractL’optimisation de la dose de coagulant constitue une étape importante dans les procédés de traitement des eaux potables, car elle influence directement l’efficacité de la coagulation-floculation ainsi que la qualité de l’eau produite. Traditionnellement, cette dose est déterminée à l’aide d’essais expérimentaux de type Jar-Test, qui nécessitent un temps d’exécution important et des ressources techniques considérables.La présente étude vise à développer des modèles de prédiction capables d’estimer la dose optimale de coagulant à la station de traitement des eaux de Taksebt (Algérie) à partir des paramètres physicochimiques de l’eau brute. Une base de données comprenant 1345 échantillons collectés entre 2018 et 2023 a été utilisée. Les variables explicatives considérées sont la conductivité électrique (SC), l’absorbance UV254, l’oxygène dissous (DO), la température de l’eau (Tw), la couleur (COU), la turbidité (TU) et le pH.Trois approches de modélisation ont été développées et comparées: la Régression Linéaire Multiple (MLR), la Régression par Forêt Aléatoire (RFR) et le Réseau de Neurones à Perceptron Multicouche (MLPNN). La méthode SelectKBest basée sur le critère Mutual Information a été utilisée pour évaluer l’importance des variables d’entrée et construire six scénarios de modélisation.Les résultats montrent que les modèles d’intelligence artificielle surpassent largement la régression linéaire multiple. Le modèle MLPNN a obtenu les meilleures performances avec un coefficient de corrélation R = 0.922, un coefficient NSE = 0.849, RMSE = 2.498 mg/L et MAE = 1.702 mg/L en phase de validation. Le modèle RFR a présenté des performances très proches, tandis que le modèle MLR a enregistré les résultats les plus faibles.Cette étude démontre que les techniques d’intelligence artificielle constituent des outils efficaces et fiables pour la prédiction de la dose optimale de coagulant et peuvent contribuer à l’optimisation des procédés de traitement des eaux.
dc.identifier.urihttp://dspace.univ-skikda.dz:4000/handle/123456789/6658
dc.language.isofr
dc.publisherFaculté des Sciences
dc.titleModélisation de la Dose Optimale de Coagulant dans le Traitement des Eaux à l’Aide de l’Intelligence Artificielle
dc.title.alternativeAménagement Hydro-Agricole
dc.typeThesis
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
M-631-00418-1.pdf
Size:
7.52 MB
Format:
Adobe Portable Document Format
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description: