Aplicação de tecnicas estatisticas multivariadas e de redes neurais na modelagem de um sistema de tratamento de efluentes industriais

Um dos maiores problemas na modelagem e controle de processos de tratamento de efluentes é a construção de modelos confiáveis. Para estes tipos de processos, o desenvolvimento de modelos detalhados baseados em princípios fundamentais e em estudos cinéticos é muito difícil, caro e demanda tempo. A lagoa aerada é um exemplo típico de um processo difícil de ser modelado e controlado. Seu afluente é variável (quali e quantitativamente); a população de microoganismos varia com o tempo (em quantidade e em número de espécies); o conhecimento do processo é escasso e há poucos analisadores on-line. A quantidade de matéria orgânica presente é medida através da demanda química de oxigênio (DQO) e da demanda bioquímica de oxigênio (DBO). Elas são variáveis chaves do processo, indicadoras da qualidade do efluente tratado. Tem-se considerável interesse em ter-se um modelo de entrada-saída para predição da DBO, pois é necessário um tempo de cinco dias para análise em laboratório, e um significante tempo de residência na lagoa. Recentemente, alguns trabalhos relacionados ao uso das técnicas de redes neurais artificiais na modelagem de bioprocessos têm sido publicados. Entretanto, pouca atenção tem sido dada às características dinâmicas destes processos. O objetivo principal deste trabalho é desenvolver um modelo que forneça predições com acurácia da DBO de entrada e saída da lagoa aerada da lnternational Paper of Brazil. Modelos dinâmicos e estacionários foram desenvolvidos utilizando as técnicas de redes neurais artificiais e de regressão linear multivariada. Medidas de qualidade da água, tais como, a DBO, DQO, pH, condutividade, cor e temperatura, adicionalmente às informações do processo de produção (produção de papel e celulose), medidas durante um período aproximado de quatro anos foram usadas no desenvolvimento dos modelos. As vantagens e desvantagens das técnicas de redes neurais e de regressão linear muhiariada, em relação às suas habilidades de modelar um sistema complexo e multivariado, são verificadas e descritas detalhadamente. A redes perceptron de múltiplas camadas forneceram resultados de predição consideravelmente superiores, mesmo quando um número limitado de amostras foi utilizado para a construção dos modelosOne of the most difficult problem in the modeling and control of wastewater treatment processes is the construction of reliable process models. For these processes, the development of detailed models based on fundamental principIes and intense kinetic studies is very difficult, expensive and time consuming. The aerated lagoon is a common example of such an environrnental processo Its inflow is variable (both in quality and quantity); the population of microorganisms varies over time, both in quantity and in the number of species; process knowledge is scarce and the few online analyzers available tend to be unreliable. The amount of organic matter present is measured as either the biochemical oxygen demand (BOD) or the chemical oxygen demand (COD). They are key process variables in water quality. It is very desirable to have a reasonably accurate input-output model for BOD prediction because there is a five-day delay in its laboratory analysis, and a significant hydraulic residence time delay in the aerated lagoon. Recent1y, some papers using artificial neural networks (ANNs) in modeling biological wastewater treatment processes have been published. But surprisingly, very little attention has been paid to the dynamic characteristics of these systems. The main objective of this study is to develop an estimation model that provides accurate predictions ofthe biochemical oxygen demand (BOD) ofthe input and output streams of an aerated lagoon at a pulp and paper mill operated by International Paper of Brazil Steady-state and dynamic predictive models are presented based on both ANNs and linear multivariate regression techniques. Water quality measurements - BOD, COD, flow rate, pH, conductivity, color, temperature together with milling process information - pulp and paper production -, over a four-year period are used to develop the models. The advantages and drawbacks of both neural networks and multivariate linear regression techniques in their ability to model complex and multivariate processes are verified and described in details. The ANN models were slight1y more accurate but both models provide reasonabl