sensitivity analyse and calibration of integrate ASM1-SMP model in a submerged membrane bioreactor for wastewater

Abstract

Une étude a porté sur l’élaboration d’un modèle pour prédire les produits microbiens solubles (SMP) dans un bioréacteurs à Membrane (MBR) et sur la question de l’encrassement des membranes, qui limite l’efficacité des systèmes MBR. Les MRB sont largement utilisés pour le traitement des eaux usées et produisent des effluents de haute qualité qui répondent aux normes réglementaires. L’encrassement des membranes est un défi majeur dans les applications MBR, ce qui entraîne un colmatage des pores de la membrane et une :perméabilité réduite. Pour surmonter ce problème, l’étude vise à établir un modèle qui peut prédire le SMP et l’encrassement des membranes en tenant compte de divers paramètres et variables limitantes. L’étude de l’analyse de sensibilité par analyse statistique est réalisée pour découvrir les paramètres les plus influents dans la production de SMP (SUAP, SBAP) et par la manière de calibrer le modèle d’intégration de sortie (ASM1-SMP). Quatre techniques de modélisation sont utilisées: la projection multivariée à des structures latentes (PLS), le réseau de neurones artificiels (ANN), l’analyse des composantes principales (PCA) et les modèles équations structurelles de modélisation (MES). Des modèles de PLS et d’ann ont été élaborés et analysés pour déterminer les facteurs qui influent sur la production de MPN et l’encrassement des membranes. Les modèles tiennent compte des aspects biologiques du MBR et prédisent le produit SMP. La sem et la cpa sont des outils précieux pour l’analyse exploratoire des données et fournissent une base pour la modélisation statistique subséquente. MES permet d’acquérir une compréhension globale de l’ensemble de données, d’identifier les tendances et de détecter les problèmes potentiels tels que les données aberrantes ou manquantes. PCA, d’autre part, aide à identifier les variables les plus importantes à l’origine des modèles dans les données, facilite la visualisation des données, et réduit la complexité de l’ensemble de données pour une analyse plus poussée De la performance globale, la technique de projection aux structures latentes (PLS) a été la méthode de sensibilité la plus performante, en terme de régression, prédit, RMSE, R2. , l’application de l’intégration ASM1-SMP aux MBRs nécessite la fourniture du modèle avec des données d’entrée mises à jour qui dépendent d’une analyse laborieuse (analyse pneuométrique et mesure en ligne). Cependant, le présent travail montre que la modélisation et le modèle ASM1-SMP prédit en utilisant la modélisation hybride, en particulier le modèle PLS pour les corréler avec des paramètres pertinents peut améliorer considérablement la prédiction des extrants (SMP SMPUAP SMPBAP), sans nécessiter d’autres analyses en laboratoire. Pour les trois extrants modélisés dans cette étude (SMP, SMPUAP et SMP BAP), les meilleurs résultats ont été obtenus en utilisant les entrées de l’utilisation de toutes les données (stratégie 3). Toutes les données de paramètres expérimentaux et toutes les données de paramètres ASM1-SMP se sont révélées être un outil de surveillance complet qui peut être utilisé dans les modèles hybrides, pour compléter l’information mécaniste décrite par un ASM1-SMP afin d’obtenir une bonne prévision des indicateurs de rendement clés MBR, paramètres d’encrage dans le cas de cette étude.