Modelagem neural dinâmica das características físico-químicas do lixiviado de aterro sanitário.

• Autor(a) principal: FARIAS, Amanda Paiva.
• Data de Publicação: 2023
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
• Texto Completo: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/32676
• topic: Chorume; Dados sintéticos; Redes Neurais Artificiais; Semiárido; Slurry; Synthetic data; Artificial Neural Networks; Arid; Lixiviado de aterro sanitário; Modelagem neural dinâmica; Medida de performance; Algoritmo trainlm; Algoritmo trainbr; Algoritmo traingd; Algoritmo trainoss; Demanda bioquímica de oxigênio; Demanda química de oxigênio; Nitrogênio amoniacal total; Coeficiente de determinação; Erro absoluto médio; Erro da raiz quadrática média; Raiz quadrada do erro médio normalizado; Engenharia Civil e Ambiental

Em virtude dos processos físicos, químicos e biológicos que os Resíduos Sólidos Urbanos (RSU) são submetidos durante a sua degradação em aterros sanitários, o lixiviado é um subproduto considerado extremamente complexo, devido a sua composição tóxica e variabilidade ao longo dos anos. Contudo, faz-se necessário conhecê-lo e monitorá-lo pois, todas as informações acerca do lixiviado são valiosas, e contribuem para o desenvolvimento de técnicas e aplicação de tecnologias adaptadas para o tratamento deste efluente. Diante da problemática que envolve a exposição de quem manuseia, os custos associados ao monitoramento, e visando a possibilidade em reduzir a frequência das coletas do lixiviado, além do auxílio à celeridade das respostas aos ensaios que podem demorar dias, as Redes Neurais Artificias (RNA) podem ser uma alternativa na obtenção das características do lixiviado. Por isso, esse trabalho tem como objetivo desenvolver modelos neurais que representem as características quantitativas do lixiviado gerado em aterro sanitário localizado em região semiárida do Brasil. No qual realizaram-se as coletas e caracterização dos RSU com diferentes idades de aterramento e o monitoramento dos resíduos e lixiviado. Foram analisadas também as condições meteorológicas nas proximidades do Aterro Sanitário. Através dos dados de monitoramento do lixiviado, foi possível construir os bancos de dados experimentais, em busca de melhores desempenhos para as RNA foram gerados sinteticamente bancos com 125 e 1000 dados apresentando a mesma tendência do conjunto de dados original. Como preparação dos dados para a geração das RNA foram colocados em uma escala comum, através da padronização e normalização, cada conjunto de dados de saída que corresponde à Demanda Bioquímica de Oxigênio (DBO), Demanda Química de Oxigênio (DQO), Nitrogênio Amoniacal Total (NAT) e vazão. Nesta pesquisa foram testados variações dos números de neurônios na camada oculta (1 a 20), dos algoritmos utilizados no treinamento das RNA (trainlm, trainbr, traingd e trainoss), e das funções de ativação da camada oculta e de saída (purelin, logsig, tansig e elliotsig). E como medida de performance, foram avaliados, seguindo esta ordem de prioridades: o coeficiente de determinação (R²), erro absoluto médio (MAE), erro da raiz quadrática média (RMSE) e a raiz quadrada do erro médio normalizado (NRMSE). Os resultados da caracterização gravimétrica indicaram uma forte relação entre a fração do componente “outros” que representaram a maior porcentagem em toda as idades de aterramento, com exceção para o resíduo fresco, enquanto a matéria orgânica levou destaque para o resíduo fresco, sendo reduzido ao longo dos anos de aterramento. Quanto ao lixiviado, o Aterro Sanitário em estudo apresenta condições e características exclusivas que variam com os tipos de resíduos depositados, e em função das condições climáticas da região semiárida, possuindo um acelerado processo biodegradativo, baixas taxas de geração de lixiviado e um elevado potencial poluidor. Através da verificação das métricas de desempenho, foram selecionadas as melhores RNA para a predição de cada variável desejada. As RNA selecionadas para predição da DBO, DQO e NAT possuíram bons desempenho e podem ser utilizadas para análise das características do lixiviado, já para a predição da vazão, recomenda-se a inserção de mais variáveis que possam aperfeiçoar o coeficiente de determinação (R²), entre os dados observados e preditos.