dc.description.abstract |
A água é um dos recursos naturais mais utilizados, devido ao crescimento populacional e o aumento da utilização em processos industriais, resultando em um aumento da demanda deste bem. Sabendo disso, os mananciais que abastecem esta demanda vêm sofrendo com a intensa contaminação, pelo lançamento de águas residuárias, disposição inadequada de resíduos sólidos e manejo incorreto do solo. Logo, tecnologias de tratamento são utilizadas para garantir a potabilidade da mesma, dentre as tecnologias o tratamento convencional é o mais utilizado abordando as etapas de coagulação, sedimentação, filtração e desinfecção. Sendo a etapa de coagulação a mais importante, pois a ineficiência da coagulação afeta a formação de flocos que não irão decantar e serão carreados para o filtro, colmatando os filtros num intervalo menor e causando o recrudescimento de microrganismos na desinfecção. Portanto, para o controle destas etapas do tratamento é necessário ensaios de tratabilidade que envolvem procedimentos laboratoriais denominados Jar Test. Estes equipamentos tem a finalidade de simular e otimizar as variáveis hidráulicas e dosagens de produtos químicos. Porém, este método demonstra diversas desvantagens, tais como: elevado tempo na efetivação do processo, necessidade de intervenções manuais, elevada probabilidade de erros e resposta lentas às mudanças de características da água bruta. Assim, têm-se notado a necessidade da otimização do experimento, para isso é proposto o uso da modelagem matemática, mais precisamente as Redes Neurais Artificias (RNA’s). As RNA’s são sistemas computacionais que têm propensão natural para armazenar conhecimento experimental. Logo o objetivo da pesquisa foi estudar a aplicabilidade de uma RNA, mais precisamente a rede do tipo feedforward com backpropagation aplicando os algoritmos de treinamento Gradiente Descendente com Momento e Taxa de Aprendizado Adaptativa (GDX) e Levenberg – Maquardt (LM), para a predição dos parâmetros de cor e turbidez da água tratada, como ferramenta de suporte no processo de coagulação. Para isso foram utilizados dados provenientes de diagramas de coagulação que avaliavam a performance de coagulantes inorgânicos (sulfato de alumínio e cloreto férrico) através do software MATLAB®. As redes testadas apresentavam 5 neurônios de entrada constituída das variáveis cor, pH e turbidez da água bruta; dosagem de coagulante inorgânico (sulfato de alumínio ou cloreto férrico), e pH de coagulação. Uma camada oculta e 2 neurônios de saída constituídos pela cor e turbidez da água tratada. Resultados apontam que para o processo de coagulação com sulfato de alumínio a arquitetura composta por 5 neurônios de entrada, 15 na camada oculta e 2 de saída demonstraram resultados de ajustes significativos comprovando a eficiência do modelo para a predição dos parâmetros propostos. Por sua vez ao coagulante cloreto férrico, a topologia de 5 neurônios de entrada, 15 na primeira camada oculta, 15 na segunda camada oculta e 2 de saída demonstraram uma melhora significativa, refletindo diretamente na eficiente capacidade de generalização da RNA. |
pt_BR |