| spelling |
Marcelo LibanioVeber Afonso Figueiredo CostaLuiz Rafael PalmierCesar Rossas Mota FilhoFrederico Keizo OdanAngela Di Bernardo DantasJuscelino Alves Henriques2019-08-12T18:18:21Z2019-08-12T18:18:21Z2019-04-15http://hdl.handle.net/1843/RAOA-BELT22As estações de tratamento de água (ETA) possuem papel fundamental e estratégico no controle de doenças de veiculação hídrica por meio da potabilização da água, com vistas ao atendimento dos anseios da população que por elas é abastecida. Nesse contexto, avaliar o desempenho dessas estações é primordial, particularmente para os entes responsáveis pela etapa de controle da qualidade da água, tendo em vista que a ETA deve apresentar e operar com condições mínimas necessárias que atendam aos padrões de potabilidade. Como forma de antever situações adversas, bem como na busca de auxiliar os tomadores de decisão e gestores responsáveis por tais operações, foram propostos diversos modelos de predição de desempenho de ETAs, fazendo uso de uma série de ferramentas, notadamente da modelagem computacional, importante área da Inteligência Artificial (IA). Nesse contexto, essa pesquisa teve por objetivo propor modelos de predição de desempenho de estações convencionais de tratamento de água utilizando Redes Neurais Artificiais (RNA), tendo como parâmetros de controle a turbidez e a cor aparente da água tratada. Para o seu desenvolvimento foram elaborados cinco modelos em RNA, dois para ETAs de pequeno porte, dois para ETAs de médio porte e um para ETAs de grande porte. Os dados utilizados referem-se à qualidade da água bruta e tratada, aspectos operacionais e parâmetros hidráulicos de 12 estações de tratamento de água, quatro com vazões de até 50 L.s-1, três com vazões entre 50 L.s-1 a 500 L.s-1 e cinco com vazões acima de 500 L.s-1. Os modelos foram desenvolvidos utilizando o RStudio®, a partir da rede neural artificial multilayer backpropagation, com função de ativação logistic. Os modelos apresentaram coeficientes de determinação (R²) de 0,66 e 0,67 para a turbidez e a cor aparente da água tratada de estações de pequeno porte, respectivamente. Já para as ETAs de médio (Modelos 3 e 4) e grande (Modelos 5) porte os valores de R² foram 0,21, 0,33 e 0,60, respectivamente. Na comparação dos resultados, também foram desenvolvidos modelos em regressão linear múltipla, sendo constatado que os modelos em RNA apresentaram melhor desempenho. Os resultados corroboram para a aplicação de técnicas de IA, particularmente RNA, em ETAs, com vista à otimização de processo, menor consumo de produtos químicos e geração de resíduos, bem como para possibilitar operação mais eficiente e segura.Water treatment plants (WTP) have a fundamental and strategic role in the control of waterborne diseases through the potabilization of water, in order to meet the needs of the population that is supplied by it. In this context, evaluating the performance of these stations is paramount, particularly for the entities responsible for the water quality control stage, since WTP must present and operate with minimum conditions necessary to achieve its objective. As a way of anticipating adverse situations, as well as in the search to help decision makers and managers responsible for such operations, several models of WTPs performance prediction were proposed, making use of a series of tools, notably computational modeling, an important area of Artificial Intelligence (AI). As a contribution to this, this PhD thesis aimed to propose performance prediction models of conventional water treatment stations using Artificial Neural Network (ANN), with turbidity and apparent color of the treated water as control parameters. For its development (five ANN models were developed, two for small WTPs, two for medium-sized WTPs and one for large WTPs), data on raw and treated water quality were used. and hydraulic parameters of 12 water treatment plants, four with flows of up to 50 L.s-1, three with flows between 50 L.s-1 - 500 L.s-1 and five with flows above 500 L.s-1. The models were developed using RStudio®, from the artificial neural network multilayer backpropagation, with logistic activation function. The models presented determination coefficients of 0.66 and 0.67 for the turbidity and the apparent color of the treated water of small stations, respectively. The R² values were 0.21, 0.33 and 0.60, respectively, for the medium (Models 3 and 4) and large (Models 5). In the comparison of the results, models were also developed in multiple linear regression, being found that the models in ANN presented better performance. The results corroborate the application of AI techniques, particularly ANN, in WTPs, in order to optimize the process, reduce consumption of chemicals and generate waste, as well as to make the operation more efficient and safer by offering a product more reliable to the population supplied.Universidade Federal de Minas GeraisUFMGRedes neurais (Computação)Inteligência artificialÁgua Estações de tratamentoPredição (Lógica)Engenharia sanitáriaSaneamentoRedes neurais artificiaisPredição de desempenho de ETAModelagem computacionalProposição de modelo de predição de desempenho de estações convencionais de tratamento de água utilizando redes neurais artificiaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALtese_juscelino_alves_henriques.pdfapplication/pdf3215989https://repositorio.ufmg.br/bitstream/1843/RAOA-BELT22/1/tese_juscelino_alves_henriques.pdf16014d35410070c2f163d1aecbfe7b9aMD51TEXTtese_juscelino_alves_henriques.pdf.txttese_juscelino_alves_henriques.pdf.txtExtracted texttext/plain263221https://repositorio.ufmg.br/bitstream/1843/RAOA-BELT22/2/tese_juscelino_alves_henriques.pdf.txtb38826d008ad1a7a65462ef3abfdcbf8MD521843/RAOA-BELT222019-11-14 19:13:30.556oai:repositorio.ufmg.br:1843/RAOA-BELT22Repositório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T22:13:30Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|