Modelo preditivo para otimização do tratamento de esgoto com o uso de técnicas de aprendizado de máquina

Abstract

O presente trabalho tem por objetivo analisar e otimizar os processos de tratamento de esgoto por meio da aplicação de técnicas de aprendizado de máquina, com foco específico nos parâmetros de Demanda Química de Oxigênio (DQO) e amônia. A dissertação justifica-se pela necessidade de explorar o potencial das Redes Neurais Artificiais (RNAs) na modelagem e previsão de parâmetros críticos no tratamento de esgoto. O método de pesquisa foi baseado no framework Design Science Research (DSR), a etapa prévia à aplicação das RNAs incluiu análises de PCA (Análise de Componentes Principais) e clusterização com visualização via K- means, identificando padrões nos dados. As modelagens realizadas empregaram além de RNAs, Redes Neurais com Atraso de Tempo (Time Delay Neural Networks – TDNNs), incorporando parâmetros como o Tempo de Detenção Hidráulica (TDH) que ocorre no tratamento de esgoto para aprimorar a precisão das predições. Os resultados obtidos a partir de previsões de utilização de inteligência artificial para prever parâmetros operacionais das Estações de Tratamento de Esgoto (ETEs), podem propiciar melhorias significativas em eficiência, confiabilidade, redução de custos com químicos e energia, e no caso da aplicação prática da RNA para predição em uma das ETEs da região metropolitana de São Paulo, antecipar cargas indesejadas ao tratamento. Nesse estudo, a modelagem da DQO em quatro ETEs da região metropolitana de São Paulo obteve média de 0,95 no coeficiente de determinação (R²) e 3,6 no MAE, e inclui a avaliação do impacto da base de dados, temperatura, estrutura da RN e features utilizadas nesses resultados. Além disso, o estudo destaca a importância da automação e da análise de dados para atender às normativas ambientais e promover a sustentabilidade no setor de saneamento. Linha de Pesquisa Sistemas de Informação e Tecnologias Digitais. Projeto de Pesquisa Tecnologias digitais em sistemas produtivos.

The present study aims to analyze and optimize wastewater treatment processes through the application of machine learning techniques, with a specific focus on the parameters of Chemical Oxygen Demand (COD) and ammonia. The dissertation is justified by the need to explore the potential of Artificial Neural Networks (ANNs) in modeling and predicting critical parameters in wastewater treatment. The research method was based on the Design Science Research (DSR) framework. The preliminary stage before applying ANNs included Principal Component Analysis (PCA) and clustering with visualization via K-means to identify patterns in the data. In addition to ANNs, the modeling employed Time Delay Neural Networks (TDNNs), incorporating parameters such as Hydraulic Retention Time (HRT), which occurs during wastewater treatment, to improve prediction accuracy. The results obtained from artificial intelligence-based predictions of operational parameters in Wastewater Treatment Plants (WWTPs) can lead to significant improvements in efficiency, reliability, cost reduction in chemicals and energy, and, in the practical application of ANN predictions in a WWTP in the metropolitan region of São Paulo, the anticipation of undesirable loads entering the treatment process. In this study, COD modeling in four WWTPs in the São Paulo metropolitan region achieved an average coefficient of determination (R²) of 0.95 and a Mean Absolute Error (MAE) of 3.6. The study also evaluates the impact of the dataset, temperature, neural network structure, and selected features on these results. Additionally, the study highlights the importance of automation and data analysis in meeting environmental regulations and promoting sustainability in the sanitation sector. Research Line Information Systems and Digital Technologies. Research Project Digital technologies in production systems.