Desenvolvimento e aplicação de modelo de soft sensor de regressão randômica florestal para tratamento de efluentes domésticos em um reator batelada sequencial

Scientific Reports volume 13, Número do artigo: 9149 (2023) Citar este artigo

17 Acessos

Detalhes das métricas

O equipamento de tratamento de água distribuído em pequena escala, como o reator de lote sequencial (SBR), é amplamente utilizado no campo de tratamento de esgoto doméstico rural devido às suas vantagens de instalação e construção rápidas, baixo custo de operação e forte adaptabilidade. No entanto, devido às características de não linearidade e histerese no processo SBR, é difícil construir o modelo de simulação de tratamento de efluentes. Neste estudo, foi desenvolvida uma metodologia utilizando inteligência artificial e sistema de controle automático que pode economizar energia correspondente a reduzir as emissões de carbono. A metodologia aproveita o modelo de floresta aleatória para determinar um sensor suave adequado para a previsão de tendências de COD. Este estudo utiliza sensores de pH e temperatura como premissas para sensores COD. No método proposto, os dados foram pré-processados ​​em 12 variáveis ​​de entrada e as 7 principais variáveis ​​foram selecionadas como as variáveis ​​do modelo otimizado. Ciclo encerrado pela inteligência artificial e sistema de controle automático em vez de controle de tempo fixo que era um cenário descontrolado. Em 12 casos de teste, a porcentagem de remoção de COD é de cerca de 91,075%, enquanto 24,25% de tempo ou energia foram economizados de uma perspectiva média. Esta proposta de metodologia de seleção de sensor suave pode ser aplicada no campo de tratamento de esgoto doméstico rural com vantagens de economia de tempo e energia. A economia de tempo resulta no aumento da capacidade de tratamento e a economia de energia representa a tecnologia de baixo carbono. A metodologia proposta fornece uma estrutura para investigar maneiras de reduzir os custos associados à coleta de dados, substituindo sensores caros e não confiáveis ​​por alternativas acessíveis e confiáveis. Ao adotar essa abordagem, a conservação de energia pode ser mantida enquanto atende aos padrões de emissão.

O esgoto doméstico rural é caracterizado por qualidade e quantidade de água instáveis, lançamento disperso e baixa concentração de poluentes1. Para enfrentar esses desafios, o equipamento de tratamento de água distribuído em pequena escala tornou-se amplamente utilizado no campo de tratamento de esgoto doméstico rural devido à sua rápida instalação e construção, baixo custo operacional e forte adaptabilidade2. Nos últimos anos, o processo de reator de batelada sequencial (SBR) surgiu como uma opção promissora para o tratamento de efluentes domésticos rurais. Quando comparado com outros processos, o SBR pode efetivamente suportar impactos de carga orgânica, tem modos de operação flexíveis, produz bons efeitos de efluentes e alcança melhores efeitos de remoção de nitrogênio e fósforo3,4,5,6.

No entanto, a construção de modelos de simulação precisos para tratamento de esgoto doméstico rural pode ser um desafio devido às características de não linearidade e histerese exibidas pelo processo SBR7,8. Os problemas não lineares no tratamento de esgoto referem-se às relações complexas, diversas e não lineares que surgem das interações de várias reações químicas, reações biológicas e efeitos físicos durante o tratamento de esgoto.

A inteligência artificial, incluindo o aprendizado de máquina, foi aplicada aos processos de tratamento de esgoto para resolver efetivamente problemas não lineares. O aprendizado de máquina abrange uma variedade de métodos, como redes neurais e regressão de vetores de suporte, que podem ser usados ​​para analisar e modelar os dados complexos gerados durante o tratamento de esgoto. Isso melhorou efetivamente a eficiência e a qualidade do tratamento de esgoto, reduzindo os custos de tratamento.

Rede neural artificial (RNA) é um modelo matemático que simula o comportamento de redes neurais de animais, e realiza processamento de informações distribuídas e paralelas. A RNA tornou-se amplamente utilizada na previsão de lançamento de esgoto, pois pode ajustar as interconexões entre um grande número de nós internos para processar informações complexas dentro do sistema9,10,11,12,13.

Além de usar métodos de rede neural artificial (ANN), outras técnicas, como regressão linear (LR), regressão de vetor de suporte (SVR) e métodos de rede neurofuzzy também têm sido usados ​​na tecnologia de remoção de poluentes para prever mudanças nas concentrações de poluentes ou outros parâmetros do processo14,15,16,17,18,19. Esses métodos (conforme mostrado na Tabela 1) têm se mostrado eficazes na modelagem de relações complexas entre vários fatores e na previsão de concentrações de poluentes, o que ajuda a otimizar o desempenho do processo de tratamento.