Publicação

O uso de modelos mecanísticos e baseados em inteligência artificial no processo de otimização de sistemas de co-digestão de lamas

Detalhes bibliográficos
Resumo:	A transição gradual para uma abordagem de economia circular, direciona o foco dos processos para a sua sustentabilidade e eficiência. Nesta perspetiva, e dentro do âmbito do tratamento de águas residuais, destaca-se a digestão anaeróbia, uma técnica capaz de converter resíduos em produtos à base de biomassa, através da produção simultânea de biogás e digestato. A sua integração neste processo resulta na redução da sobrecarga nos aterros sanitários, na diminuição dos custos de disposição e na melhoria da eficiência energética das Estações de Tratamento de Águas Residuais (ETAR). Com o objetivo de otimizar a eficiência e sustentabilidade das ETAR, este estudo pretendeu desenvolver sistemas de monitorização e controlo apropriados para os digestores anaeróbios das lamas, através da modelação matemática, recorrendo a um modelo mecanístico consolidado, o Anaerobic Digestion Model No. 1 (ADM1), e um modelo baseado em dados, treinando para o efeito dois algoritmos, o Convolutional Neural Networks (CNN) e Multi-Layer Perceptrons (MLP), de machine learning (ML). Os modelos foram ajustados utilizando os dados operacionais de digestores anaeróbios. Foram estudados dois casos no ADM1 ao longo de um período de 365 dias, e um caso no ML durante um período de 1184 dias. O ADM1 demonstrou um ajuste satisfatório em ambos os casos de estudo, no entanto, a precisão da previsão dos dados foi significativamente melhor no caso do modelo de ML, com o algoritmo CNN, registando valores de erro associado ao caudal de biogás de 430.9 m3/d e 288.4 m3/d, respetivamente. Considerando o contexto industrial e os desafios vinculados à complexidade do processo de co-digestão de lamas, conseguiu-se desenvolver uma ferramenta de apoio à decisão, capaz de prever o comportamento do sistema em questão, possibilitando a avaliação de cenários hipotéticos, ainda que, sejam necessários estudos adicionais para aprimorar a sua confiabilidade e aplicabilidade. Para tal, sugere-se a combinação destes dois tipos de modelação, pela junção de uma capacidade preditiva melhor, através do ML, e de uma compreensão da dinâmica do processo através do ADM1.
Autores principais:	Dias, Ana Paula Azevedo
Assunto:	ADM1 Digestão anaeróbia Ferramenta de apoio à decisão Machine learning Tratamento de águas residuais Anaerobic digestion Decision support tool Wastewater treatment
Ano:	2024
País:	Portugal
Tipo de documento:	dissertação de mestrado
Tipo de acesso:	acesso embargado
Instituição associada:	Universidade do Minho
Idioma:	português
Origem:	RepositóriUM - Universidade do Minho

Descrição
Resumo:	A transição gradual para uma abordagem de economia circular, direciona o foco dos processos para a sua sustentabilidade e eficiência. Nesta perspetiva, e dentro do âmbito do tratamento de águas residuais, destaca-se a digestão anaeróbia, uma técnica capaz de converter resíduos em produtos à base de biomassa, através da produção simultânea de biogás e digestato. A sua integração neste processo resulta na redução da sobrecarga nos aterros sanitários, na diminuição dos custos de disposição e na melhoria da eficiência energética das Estações de Tratamento de Águas Residuais (ETAR). Com o objetivo de otimizar a eficiência e sustentabilidade das ETAR, este estudo pretendeu desenvolver sistemas de monitorização e controlo apropriados para os digestores anaeróbios das lamas, através da modelação matemática, recorrendo a um modelo mecanístico consolidado, o Anaerobic Digestion Model No. 1 (ADM1), e um modelo baseado em dados, treinando para o efeito dois algoritmos, o Convolutional Neural Networks (CNN) e Multi-Layer Perceptrons (MLP), de machine learning (ML). Os modelos foram ajustados utilizando os dados operacionais de digestores anaeróbios. Foram estudados dois casos no ADM1 ao longo de um período de 365 dias, e um caso no ML durante um período de 1184 dias. O ADM1 demonstrou um ajuste satisfatório em ambos os casos de estudo, no entanto, a precisão da previsão dos dados foi significativamente melhor no caso do modelo de ML, com o algoritmo CNN, registando valores de erro associado ao caudal de biogás de 430.9 m3/d e 288.4 m3/d, respetivamente. Considerando o contexto industrial e os desafios vinculados à complexidade do processo de co-digestão de lamas, conseguiu-se desenvolver uma ferramenta de apoio à decisão, capaz de prever o comportamento do sistema em questão, possibilitando a avaliação de cenários hipotéticos, ainda que, sejam necessários estudos adicionais para aprimorar a sua confiabilidade e aplicabilidade. Para tal, sugere-se a combinação destes dois tipos de modelação, pela junção de uma capacidade preditiva melhor, através do ML, e de uma compreensão da dinâmica do processo através do ADM1.