Orientadores: Milton Mori, Roy Edward Bruns

Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Quimica

Resumo: O uso industrial dos corpos hídricos, rios e lagos, tem sido motivo de grande preocupação nacional e mundial visto às condições de captação de água e de destinação da grande quantidade de resíduo gerada diariamente. A atividade industrial da RIPASA S/A não foge a esta regra, assim vê-se a...

Resumo: O uso industrial dos corpos hídricos, rios e lagos, tem sido motivo de grande preocupação nacional e mundial visto às condições de captação de água e de destinação da grande quantidade de resíduo gerada diariamente. A atividade industrial da RIPASA S/A não foge a esta regra, assim vê-se a necessidade de um trabalho constante de controle e otimização do seu sistema de tratamento de efluente. Este trabalho teve como objetivo geral fornecer subsídios à RIP ASA SI A de prever a demanda bioquímica de oxigênio (DBO5) em situações futuras de despejo de sua lagoa aerada ll. Utilizou-se assim as técnicas de Redes Neurais Artificiais (RNAs) e de Análise de Componentes Principais (PCA) para modelagem do sistema e pré-processamento dos dados, respectivamente. Tomou-se um período de dois anos para a formação do banco de dados, sendo analisados inicialmente os seguintes parâmetros: DBO5, demanda química de oxigênio (DQO), vazão, produção de papel e celulose, pH e sólidos suspensos. Os pacotes computacionais NeuroSolutions e Statistica foram utilizados. Como o tempo de residência do sistema de lagoas aeradas da RIPASA S/A não era conhecido, trabalhou-se com as possibilidades de três a sete dias, tendo o de seis dias apresentado melhores resultados. A vasta quantidade de lacunas no banco de dados impossibilitou o uso dos parâmetros pH e sólidos suspensos reduzindo-se o número de dados disponíveis para a formação do modelo. Os resultados da modelagem via RNA foram comparados com o obtido através de um dos métodos clássicos de modelagem, PCR (Principal Component Regression), e verificou-se que nenhuma das técnicas foi capaz de predizer bem o comportamento do sistema em estudo quando utilizadas separadamente. Entretanto, uma boa performance da RNA foi obtida quando realizado um pré-processamento dos dados de entrada antes de serem alimentados à rede. Desta forma a ortogonalização de variáveis via PCA é apresentada como uma importante ferramenta de auxílio na definição da topologia das RNAs e no seu mapeamento não linear

Abstract: In recent years, computer-based methods have been applied to many areas of environmental chemistry. In the process industry the use of modern control strategies is required due to increasing demands on the quality of its effluent treatment systems. In this work a wastewater treatment...

Abstract: In recent years, computer-based methods have been applied to many areas of environmental chemistry. In the process industry the use of modern control strategies is required due to increasing demands on the quality of its effluent treatment systems. In this work a wastewater treatment system of a pulp and paper industry has been studied using Artificial Neural Networks (ANN) and the Principal Components Analysis to predict output environment parameters (BOD). Control process data sets generated from input and output of the current treatment system (an aerated lake) are used in this research. Variation within sampling of some auxiliary and process parameters including chemical oxygen demand (COD), biochemical oxygen demand (BOD), flow, pulp and paper production, pH and suspended solids are evaluated over a two-year period. Predictive models are presented calculated from ANN and Principal Component Regressions (PCR) for the estimation of biochemical oxygen demand, one of the main process control variables. The results show that neither principal component regression nor artificial neural network treatment is satisfactory when used separately in modeling and simulation. Neural network presents superior results for the training set but poorer ones than those from PCR for the test set. One explanation is that there are too few data resulting in an overfit of the training set. Best prediction performance is achieved when the data are preprocessed using PCA, before they are fed to a backpropagated neural network composed of three neurons in a hidden layer and the Delta-Bar-Delta (DBD) learning algorithm. The PCA technique orthogonalizes the input original variables and helps the ANN nonlinear mapping