Soft sensor de qualité des rejets d'une installation d'assainissement autonome
Des soft sensors par apprentissage automatique prédisent la DCO et les MES d'une installation d'assainissement autonome à partir de capteurs de qualité en ligne : la régression à vecteurs de support atteint R² = 0,96 pour la DCO et la régression cubist R² = 0,99 pour les MES.
Solution de capteur virtuel
Approche
Des soft sensors à plusieurs entrées et une sortie combinent des paramètres mesurés par des capteurs en ligne éprouvés pour prédire des paramètres de qualité qui exigent sinon prélèvements et analyses de laboratoire. Quatre algorithmes ont été comparés : moindres carrés partiels (PLS), régression à vecteurs de support (SVR), régression cubist et réseau de neurones de régression quantile (QRNN).
Variables d'entrée
- Turbidité
- Couleur
- pH
- Ammonium (NH₄⁺)
- Nitrate (NO₃⁻)
- Conductivité électrique
Variables de sortie
- Demande chimique en oxygène (DCO)
- Matières en suspension (MES)
- E. coli
Type de modèle
- Régression à vecteurs de support
- Régression cubist
- PLS et QRNN (comparés)
Indicateurs de performance
Résultats
-
Sur les données de qualité d'une installation autonome testée sur le terrain et exploitée près de deux ans (56 points), la SVR a prédit la DCO avec R² = 0,96 et la régression cubist les MES avec R² = 0,99. E. coli n'a pas pu être prédit correctement (meilleur R² = 0,22). Les auteurs concluent que, malgré un petit jeu de données, les soft sensors par apprentissage automatique peuvent fournir des estimations utiles en temps réel de paramètres mesurés hors ligne.
Pourquoi c'est important
- La DCO, les MES et E. coli exigent prélèvements et analyses de laboratoire : ils ne donnent aucune vision en temps réel de l'épuration ni des défaillances.
- Des analyseurs de DCO en temps réel existent, mais ne sont pas rentables pour les installations autonomes à cause de leur coût et de leurs réactifs ; un soft sensor sur des capteurs en ligne éprouvés est une voie moins chère vers la surveillance continue.
Un défi de contrôle ? Parlons-en.
Sources
Shyu, H.-Y., Castro, C. J., Bair, R. A., Lu, Q., Yeh, D. H. — en libre accès.
Aperçu
Un soft sensor prédit des paramètres de qualité mesurés au laboratoire (DCO, MES) à partir de paramètres que des capteurs en ligne mesurent en continu, et donne à l’exploitation une estimation en temps réel entre deux prélèvements.
Quand utiliser ce patron
- La qualité des rejets est suivie par analyses de laboratoire et le délai freine les décisions d’exploitation.
- Les analyseurs en ligne de DCO ou de MES sont trop coûteux pour l’installation, ou leurs réactifs et leur maintenance pèsent.
- Des capteurs en ligne fiables (turbidité, pH, conductivité, nutriments) existent déjà ou sont peu coûteux à ajouter.
Ce que montre l’étude citée — et ses limites
Des algorithmes différents l’emportent selon la sortie (SVR pour la DCO, régression cubist pour les MES) : il faut comparer les modèles sortie par sortie. Le jeu de données était petit (56 points) et E. coli n’a pas été prédit correctement. Un soft sensor en exploitation a besoin de plus de données, d’un plan de recalibrage et d’une surveillance des capteurs d’entrée eux-mêmes.
Patrons liés
Contact
Envoyer un message
Contact direct
Dr. Rafał Noga
Rendez-vous
Réservez un appel de cadrage technique de 30 min directement via Calendly.
Réserver un appel de cadrage technique (30 min)Restez informé
Recevez des informations sur l'IA industrielle, l'APC et l'optimisation des procédés.