Desenvolvimento de estratégias para tratamento e previsão de dados, usando séries temporais, baseadas em técnicas estatísticas e de sistemas inteligentes, para estações de tratamento de efluentes líquidos

Abstract

A operação de uma planta de tratamento de efluentes tem características próprias, especialmente em se tratando de processos biológicos. Os processos industriais semelhantes, com os mesmos projetos de estação, têm as suas características afetadas por alguma variável intrínseca, específica daqueles processos. Assim, as variáveis e ajustes de operação, para melhor eficiência de uma planta de tratamento de efluente biológico são realizadas dentro de faixas específicas e de acordo com as características desta planta, as quais envolvem uma série de análises físico-químicas, ajustes de equipamentos e de processos. Normalmente, quando uma ou mais variáveis saem do controle, podem ou não afetar outras variáveis. Por exemplo, se uma planta apresenta perda de sólidos em suspensão na saída de um decantador secundário, em um processo de tratamento biológico com lodos ativados, podem acontecer várias causas e ajustes para esta variável fora de controle, tais como sobrecarga hidráulica no decantador, sobrecarga de sólidos, desnitrificação, oxigenação inadequada no reator biológico, presença de microrganismos filamentosos, quebra de raspador mecânico, idade de lodo muito elevada, excesso de densidade de potência no reator biológico e fator de carga inadequado. Muitas vezes, o operador realiza o ajuste de uma variável por vez e espera os resultados, para que então se possa fazer o ajuste em outra variável, gerando demora no ajuste da planta e riscos ambientais. A interferência de uma variável sobre a outra pode gerar ou não consequências de perda de eficiência no tratamento biológico. Assim, fazer a previsão ou uma simulação do que ocorreria com a mudança destas variáveis, considerando as características intrínsecas de uma estação, seria uma ferramenta de grande valia no controle operacional. Neste trabalho, foram utilizadas algumas ferramentas estatísticas convencionais (média, média móvel, média móvel dupla, amortecimento exponencial simples, amortecimento exponencial duplo, modelo autoregressivo, integrativo com média móvel), para previsão em séries temporais e também técnicas que envolvem Inteligência artificial como redes neurais artificiais (RNA), vetor suporte de máquina (VSM), suavização por wavelet associada a RNA, redes neurais convolutivas (RNC) de aprendizado profundo, se buscando verificar os resultados, que mais se aproximem de uma previsão futura e também uma classificação dos resultados da demanda química de oxigênio (DQO) de saída de uma estação de tratamento de efluentes (ETE) e uso de técnicas como avaliação dos componentes principais (ACP), classificando e correlacionando as variáveis com os resultados, conseguindo valores de previsão, com erros na faixa entre 24 a 30% de erro médio relativo, valores bem abaixo do desvio padrão (56,7%), apresentado para esta variável no período e classificação de previsão futura acima de 83% de acurácia. Com as técnicas estatísticas e de inteligência artificial é possível ter noção tanto quantitativa, quanto qualitativa, do que ocorrerá um passo à frente ou no dia seguinte com a DQO de saída de um reator anaeróbio, e também simular o que ocorrerá ao se alterar uma das diversas variáveis de controle de uma estação de tratamento de efluentes.