Modélisation et contrôle des paramètres de qualité des eaux épurées & Application de l’intelligence artificielle

Abstract

Ces dernières années, l’intelligence artificielle (IA) s’est affirmée comme un outil prometteur, largement utilisé dans divers domaines y compris celui du traitement des eaux usées. Grâce à ses capacités d’apprentissage et de prédiction, elle permet d’optimiser les processus, d’évaluer les performances et d’améliorer la rentabilité des solutions de traitement. La modélisation de la qualité des eaux usées joue un rôle crucial dans la gestion des stations d’épuration. Dans cette thèse, plusieurs modèles d’IA sont développés, notamment un nouveau modèle hybride combinant l’Extrême Learning Machine (ELM) et l’algorithme Bat (ELM-Bat), conçu pour prédire la demande biochimique en oxygène sur cinq jours (DBO5) des effluents. Afin de prédire la qualité des effluents, les modèles développés dans cette recherche, reposant sur des variables historiques telles que la demande chimique en oxygène (DCO), la température, le pH, les solides en suspension totaux (MES), la conductivité spécifique (CE) et le débit des eaux usées (Q). Divers algorithmes ont été mis en œuvre, notamment les réseaux neuronaux artificiels (ANN), des approches de logique floue également (SVR, ANFIS_F et ANFIS_S), des modèles ensemblistes (MARS, M5 Tree, RFR) ainsi qu’un nouveau modèle hybride (ELM-Bat). Ces modèles ont été d’abord entraînés sur un jeu de données de calibration, puis évalués par validation croisée. Leur performance a été mesurée à l’aide de quatre indicateurs : l’erreur quadratique moyenne (RMSE), l’erreur absolue moyenne (MAE), le coefficient de corrélation (R) et l’efficacité de Nash-Sutcliffe (NSE). Les performances du modèle hybride ELM-Bat ont été comparées à celles d'autres méthodes, notamment le perceptron multicouche (MLPNN), la forêt aléatoire (RFR), le processus gaussien (GPR), le réseau RVFL et la régression linéaire multiple (MLR). L’analyse, menée avec différentes combinaisons de variables d’entrée, a montré que l’ELM-Bat offre la meilleure précision prédictive lorsque les six variables sont utilisées. Il surpasse l’ensemble des modèles comparés, avec des performances optimales indiquées par des valeurs de RMSE, MAE, R et NSE respectivement autour de 0.885, 0.781, 2.621 et 1.989.