Desenvolvimento e aplicação de modelo de sensor suave de regressão florestal aleatória para tratamento de águas residuais domésticas em reator batelada sequencial

Scientific Reports volume 13, Artigo número: 9149 (2023) Citar este artigo

499 Acessos

Detalhes das métricas

Equipamentos distribuídos de tratamento de água em pequena escala, como o reator de lote sequencial (SBR), são amplamente utilizados no campo de tratamento de esgoto doméstico rural devido às suas vantagens de instalação e construção rápidas, baixo custo de operação e forte adaptabilidade. Porém, devido às características de não linearidade e histerese no processo SBR, é difícil construir o modelo de simulação de tratamento de águas residuais. Neste estudo, foi desenvolvida uma metodologia utilizando inteligência artificial e sistema de controle automático que pode economizar energia correspondente à redução das emissões de carbono. A metodologia aproveita o modelo florestal aleatório 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 de DQO. No método proposto, os dados foram pré-processados ​​em 12 variáveis ​​de entrada e as 7 principais variáveis ​​foram selecionadas como variáveis ​​do modelo otimizado. Ciclo encerrado pela inteligência artificial e sistema de controle automático em vez do controle por tempo fixo que era um cenário descontrolado. Em 12 casos de teste, a porcentagem de remoção de DQO é de cerca de 91,075%, enquanto 24,25% de tempo ou energia foram economizados em uma perspectiva média. Esta metodologia proposta de seleção de sensores suaves pode ser aplicada na área 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 uma tecnologia de baixo carbono. A metodologia proposta fornece uma estrutura para investigar formas de reduzir custos associados à recolha de dados, substituindo sensores dispendiosos e não fiáveis ​​por alternativas acessíveis e fiáveis. Ao adotar esta abordagem, a conservação de energia pode ser mantida e ao mesmo tempo cumprir os padrões de emissão.

O esgoto doméstico rural é caracterizado pela qualidade e quantidade instável da água, descarga dispersa e baixa concentração de poluentes1. Para enfrentar estes desafios, o equipamento distribuído de tratamento de água em pequena escala tornou-se amplamente utilizado no campo do tratamento de esgotos domésticos rurais devido à sua rápida instalação e construção, baixo custo de operação e forte adaptabilidade2. Nos últimos anos, o processo de reator em batelada sequencial (SBR) emergiu como uma opção promissora para o tratamento de águas residuais domésticas rurais. Quando comparado com outros processos, o SBR pode suportar eficazmente impactos de carga orgânica, possui 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 o tratamento de águas residuais domésticas rurais 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 diversas reações químicas, reações biológicas e efeitos físicos durante o tratamento de esgoto.

A inteligência artificial, incluindo o aprendizado de máquina, tem sido aplicada aos processos de tratamento de esgoto para resolver com eficácia problemas não lineares. O aprendizado de máquina abrange uma série de métodos, como redes neurais e regressão vetorial 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, ao mesmo tempo que reduziu os custos de tratamento.

Rede neural artificial (RNA) é um modelo matemático que simula o comportamento de redes neurais 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 redes neurais artificiais (RNA), outras técnicas como regressão linear (LR), regressão vetorial de suporte (SVR) e métodos de rede neuro-fuzzy também têm sido usadas 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) provaram ser eficazes na modelagem das relações complexas entre vários fatores e na previsão de concentrações de poluentes, o que ajuda a otimizar o desempenho do processo de tratamento.