Publicação
Deteção de anomalias em estações de tratamento de águas residuais
| Resumo: | A iminente escassez de recursos naturais e o constante aumento populacional tem assolado o presente século. Tal crescente habitacional contribui para uma concentração nos grandes centros urbanos e, consequentemente, um maior nível de poluição quer em contextos habitacionais como industriais. Nesta vertente, as Estações de Tratamento de Águas Residuais, desempenham um papel crucial no controlo do nível de qualidade da água que é reutilizada ou descarregada para o exterior. Estas instalações recebem ininterruptamente cargas de afluentes extremamente poluentes que são provenientes da rede pública de esgotos e que carecem de um tratamento faseado para a purificação das mesmas. Porém, para garantir a qualidade da água que é reaproveitada ou devolvida ao meio ambiente, é necessária monitorização contínua destas estações de forma a permitir o processo de tomada de decisão. Posto isto, esta dissertação visa implementar modelos de Machine Learning com o intuito de detetar possíveis anomalias nas substâncias presentes no efluente destas infraestruturas. Assim sendo, são aplicados modelos como Isolation Forest (IF), One Class Support Vector Machine (OCSVM) e Long Short-Term Memory Autoencoder (LSTM-AE) para identificar os registos do Azoto Total, Nitratos e pH que possam ser anómalos. No caso em específico das LSTM-AE, são considerados três thresholds para classificar os registos, dos quais, dois utilizam valores estáticos e um consiste em valores dinâmicos. De entre os melhores modelos candidatos, no global, os modelos de IF e OCSVM alcançaram resultados superiores aos modelos baseados em LSTM-AE. No que diz respeito aos thresholds, as abordagens com valores estáticas de forma geral, atingiram resultados ligeiramente superiores. Em suma, os vários cenários aplicados permitiram concluir que os modelos concebidos conseguiram detetar as várias anomalias presentes nas substâncias referidas. |
|---|---|
| Autores principais: | Silva, Diogo Filipe Gigante da |
| Assunto: | Controlo analítico Deteção de anomalias Estações de tratamento de águas residuais Machine Learning Analytical control Anomaly detection Wastewater treatment plants |
| Ano: | 2022 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade do Minho |
| Idioma: | português |
| Origem: | RepositóriUM - Universidade do Minho |
| Resumo: | A iminente escassez de recursos naturais e o constante aumento populacional tem assolado o presente século. Tal crescente habitacional contribui para uma concentração nos grandes centros urbanos e, consequentemente, um maior nível de poluição quer em contextos habitacionais como industriais. Nesta vertente, as Estações de Tratamento de Águas Residuais, desempenham um papel crucial no controlo do nível de qualidade da água que é reutilizada ou descarregada para o exterior. Estas instalações recebem ininterruptamente cargas de afluentes extremamente poluentes que são provenientes da rede pública de esgotos e que carecem de um tratamento faseado para a purificação das mesmas. Porém, para garantir a qualidade da água que é reaproveitada ou devolvida ao meio ambiente, é necessária monitorização contínua destas estações de forma a permitir o processo de tomada de decisão. Posto isto, esta dissertação visa implementar modelos de Machine Learning com o intuito de detetar possíveis anomalias nas substâncias presentes no efluente destas infraestruturas. Assim sendo, são aplicados modelos como Isolation Forest (IF), One Class Support Vector Machine (OCSVM) e Long Short-Term Memory Autoencoder (LSTM-AE) para identificar os registos do Azoto Total, Nitratos e pH que possam ser anómalos. No caso em específico das LSTM-AE, são considerados três thresholds para classificar os registos, dos quais, dois utilizam valores estáticos e um consiste em valores dinâmicos. De entre os melhores modelos candidatos, no global, os modelos de IF e OCSVM alcançaram resultados superiores aos modelos baseados em LSTM-AE. No que diz respeito aos thresholds, as abordagens com valores estáticas de forma geral, atingiram resultados ligeiramente superiores. Em suma, os vários cenários aplicados permitiram concluir que os modelos concebidos conseguiram detetar as várias anomalias presentes nas substâncias referidas. |
|---|