La qualité des sources d'eau potable est progressivement affectée par des pressions naturelles et anthropiques. Pour réduire les effets de ces pressions sur la production d'eau potable, les municipalités doivent intensifier leurs efforts de surveillance spatiale et temporelle de la qualité des sources d'eau et améliorer le traitement de l'eau. Les températures des cours d'eau et les précipitations changent en raison des changements climatiques et de la variabilité des patrons météorologiques. Les pluies peuvent entraîner des changements rapides de la qualité de l'eau brute des usines de traitement d'eau (UTE) en raison du transport des contaminants qui résulte de l'écoulement des eaux de pluie dans les bassins versants. Pendant ces événements pluvieux, des paramètres cruciaux de la qualité de l'eau brute pour les opérations du traitement de l'eau, tels que la turbidité et la teneur en matière organique naturelle (MON), peuvent varier considérablement. Ces changements dans la qualité de l'eau brute nécessitent des modifications opérationnelles du traitement de l'eau, telles que des ajustements des doses de coagulants et de désinfectants pour maintenir la qualité de l'eau traitée. Le délai entre un évènement de pluie et la variation de la qualité de l'eau à l'entrée de l'UTE que cela induit, et les temps de réaction à ces évènements avec les approches traditionnelles, augmentent les risques de moins bonnes performances de traitement de l'eau. Le premier objectif de cette thèse est de développer des modèles pour prévoir les variations de la qualité de l'eau brute, particulièrement après des événements de pluie, en se basant sur des données hydrologiques et météorologiques. L'autre objectif est de développer des modèles pour prédire la qualité de l'eau traitée à l'UTE en fonction des conditions de traitement de l'eau et de la qualité de l'eau brute. La thèse comprend six chapitres qui présentent l'état de l'art sur le sujet, les méthodologies et les procédures proposées pour la modélisation, et la démarche utilisée pour le développement et l'application des modèles pour des cas réels en utilisant des données météorologiques, hydrologiques, et de la qualité de l'eau brute alimentant des UTE. Une revue critique de la littérature a permis d'identifier les lacunes concernant les connaissances en matière de modélisation et de prédiction de la qualité de l'eau brute à des fins de traitement de l'eau. Pour combler ces lacunes, une méthodologie a été proposée pour calculer les décalages temporels globaux entre le moment où une pluie se produit, le moment où le débit d'une rivière réagit, en tant que réponse hydrologique à la pluie, et le moment où les paramètres de qualité de l'eau se dégradent. Différents modèles d'apprentissage automatique simples et d'ensemble ont été développés pour modéliser et prédire des paramètres cruciaux de la qualité de l'eau brute, en utilisant des informations hydrologiques et météorologiques. Les modèles développés ont permis de tester avec succès la méthodologie d'estimation des temps de décalage entre les variables, ainsi que de faire des prédictions des variations de la turbidité et de la MON dans l'eau, en particulier après des événements pluvieux. Globalement, les changements de la qualité de l'eau brute se produisent une demi-journée après les pics de débit de rivière (déclenchés par les évènements pluvieux) pour la turbidité (particules fines) et entre 4 à 6 journées après ces pics, pour l'absorbance UV à 254 nm (MON). Avec ces délais estimés, des variables prédicteurs mieux corrélées avec les paramètres de qualité de l'eau brute (turbidité et UV254) ont été trouvées. Les modèles d'apprentissage automatique ont démontré des bonnes capacités pour prédire la qualité de l'eau brute avec un pas de temps horaire. Ces modèles ont permis de faire des prédictions de qualité de l'eau brute en n'utilisant que des variables hydrologiques et météorologiques. Cette méthodologie ainsi que ces prédictions pourraient faire partie de systèmes d'alerte précoce du genre « évènement de pluie - traitement de l'eau » pour améliorer la gestion de la qualité de l'eau potable dès le bassin-versant. Finalement, en utilisant les capacités prédictives des algorithmes d'apprentissage automatique simples et d'ensemble, des modèles de prédiction du pH de coagulation, de l'UV à l'eau filtrée et de l'abattement de l'UV ont été développés. Ces modèles pourraient permettre aux opérateurs d'évaluer virtuellement et rapidement les performances de différentes conditions d'opération. Ces outils de modélisation ouvrent ainsi la porte à une mise en œuvre future de modèles prédictifs de doses de coagulants, en utilisant des informations sur la qualité de l'eau brute et les objectifs de traitement de l'UTE. / The quality of drinking water sources is progressively affected by natural and anthropogenic pressures. To evaluate and reduce these pressures, increased efforts are required by municipalities for spatio-temporal monitoring and surveillance of water quality and water treatment operation. Trends in temperatures and precipitation patterns are changing as a result of climate change and the variability of meteorological characteristics. Rainfall leads to rapid changes in raw water quality due to rainfall-runoff processes in watersheds. During these events, key parameters of raw water quality for drinking water treatment, such as turbidity and natural organic matter (NOM), can vary considerably. These types of changes in raw water quality require modifications in water treatment operations, such as adjustments in coagulant and disinfectant dosages, to maintain the production of safe treated water. In addition, operators of drinking water treatment plants (DWTPs) have to deal with temporal delays between the occurrence of a rainfall event and the moment when raw water quality begins to change, as well as delays between the moment they become aware of such changes and the moment when corrective actions are implemented. The objective of this thesis is to develop models to predict variations in raw water quality during and after rainfall events and to predict water treatment performances, based on hydrological and meteorological data at watershed scale, and data from raw water quality, and operational parameters of the DWTP. The thesis consists of six chapters which present the state of the art on the subject, the methodologies and procedures proposed for modeling, and the approach for the development and application of models for real cases. A critical review of the literature allowed for the identification of gaps in the knowledge regarding modeling and prediction of raw water quality for treatment purposes. To fill these gaps, a methodology was proposed to calculate the overall lag times between the occurrence of rainfall, represented by rainfall time series, the moment when the river flow reacts as a hydrological response to rainfall, represented by river flow rate time series, and the moment when water quality parameters change. Several simple and ensemble machine learning models were developed to predict key parameters of raw water quality, using hydrological and meteorological information. The developed models allowed testing the lag time estimation methodology between variables especially after rainfall events. Globally, raw water quality changes are produced half-day after river flow peaks (triggered by rainfall events) for turbidity (representing particles) and between 4 to 6 days after, for UV absorbance at 254 nm (representing NOM). This methodology and these calculated time-lags allow to find best correlated predictor variables with raw water quality variables (turbidity and UV254). Machine learning models show optimal capabilities for predicting raw water quality variables with an hourly time step. Moreover, these models showed skills for predicting raw water quality variables using only hydrological and meteorological information. This methodology and the predictions could be a part of a special kind of early warning system (EWS) called, Weather Event - Water Treatment, to enhance drinking water management starting in the watershed. Finally, by using the predictive capabilities of simple and ensemble machine learning algorithms, prediction models for coagulation pH, UV in filtered water, and UV reduction have been developed. Modeling coagulation pH and treatment efficiency, like the NOM removal measured in filtered water, may enable operators of DWTP to virtually and quickly assess the performance of different operating conditions. This opens the opportunities for future implementation of predictive models for coagulant dosages, using information on raw water quality and treatment objectives of DWTP.
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/143723 |
| Date | 21 May 2024 |
| Creators | Ortiz Lopez, Christian |
| Contributors | Rodriguez, Manuel J., Bouchard, Christian |
| Source Sets | Université Laval |
| Language | French |
| Detected Language | French |
| Type | COAR1_1::Texte::Thèse::Thèse de doctorat |
| Format | 1 ressource en ligne (xxiii, 202 pages), application/pdf |
| Coverage | Québec (Province) -- Chaudière, Rivière (Les Chutes-de-la-Chaudière) |
| Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.0042 seconds