Modélisation de la dose de coagulant par les systèmes à base d’inférence floue (ANFIS) application à la station de traitement des eaux de Boudouaou (Algérie) Modelling coagulant dose with an adaptive neuro-fuzzy inference system (anfis) Application to water treatment plant of Boudouaou (Algeria)

Résumé

La coagulation est l’une des étapes les plus importantes dans le traitement des eaux. La difficulté principale est de déterminer la dose optimale de coagulant à injecter en fonction des caractéristiques de l’eau brute. Un mauvais contrôle de ce procédé peut entraîner une augmentation importante des coûts de fonctionnement et le non-respect des objectifs de qualité en sortie de la station de traitement. Le sulfate d’aluminium (Al₂SO₄.18H₂O) est le réactif coagulant le plus généralement utilisé. La détermination de la dose de coagulant se fait au moyen de l’essai dit de « Jar Test » conduit en laboratoire. Ce type d’approche a le désavantage d’avoir un temps de retard relativement long et ne permet donc pas un contrôle automatique du procédé de coagulation.

Le présent article décrit un modèle neuro flou de type Takagi Sugeno (TK), développé pour la prédiction de la dose de coagulant utilisée lors de la phase de clarification dans la station de traitement des eaux de Boudouaou qui alimente la ville d’Alger en eau potable. Le modèle ANFIS (système d’inférence flou à base de réseaux de neurones adaptatifs), qui combine les techniques floues et neuronales en formant un réseau à apprentissage supervisé, a été appliqué durant la phase de calage et testé en période de validation. Les résultats obtenus par le modèle ANFIS ont été comparés avec ceux obtenus avec un réseau de neurones de type perceptron multicouche (MLP) et un troisième modèle à base de regression linéaire multiple (MLR). Un coefficient de détermination (R²) de l’ordre de 0,92 en période de validation a été obtenu avec le modèle ANFIS, alors que pour le MLP, il est de l’ordre de 0,75, et que pour le modèle MLR, il ne dépasse pas 0,35. Les résultats obtenus sont d’une grande importance pour la gestion de l’installation.

Mots-clés :

• modélisation coagulant,
• réseaux de neurones,
• modèle neuro floue,
• analyse en composantes principales,
• régression linéaire multiple,
• station de traitement

Abstract

Coagulation is an important component of water treatment. Determining the optimal coagulant dosage is vital, as insufficient dosage will result in undesirable treated water quality. A number of chemicals have been used successfully in coagulation, particularly alum (Al₂SO₄•18H₂O). Traditionally, jar tests are used to determine the optimum coagulant dose. However, this is expensive and time-consuming and does not enable responses to changes in raw water quality in real time. An optimal modeling approach can be used to overcome these limitations.

The main purpose of this study was to investigate the applicability and capability of Adaptive-Network-Based Fuzzy Inference System (ANFIS) and Neural Network (ANN) methods for modeling coagulant dose. To verify the application of this approach, Boudouaou surface water, located in the northern part of Algeria, was chosen as the case study area. The data used for the determination of the models included six (6) input variables describing the raw water characteristics (temperature, pH, turbidity, conductivity, dissolved oxygen and the ultraviolet absorption). The data set was divided into two (2) subgroups, calibration and validation periods. Coagulant models having various input structures were trained and tested to investigate the applicability of the used methods. To obtain a more accurate evaluation of the results for the ANFIS models, the best fit model structures were also tested by artificial neural network (ANN) and multiple linear regression (MLR) methods. The results of three methods were compared, and it was observed that the ANFIS is preferable and can be applied successfully because it provides high accuracy and reliability for coagulant dosage modelling, according to the following performance evaluation criteria: determination coefficient (R²), Root Mean Square Error (RMSE) and bias (B). The results are of practical importance: the coagulant dose changes according to the six variables representing the raw water characteristics, as there is no one dominant variable.

Keywords:

• coagulant modelling,
• neural networks,
• Fuzzy Inference System,
• principal components analysis,
• multiple linear regression,
• water treatment plant