Le procédé de coagulation constitue la première étape de traitement de la chaîne conventionnelle de production d’eau potable. La détermination du dosage optimal de coagulant à appliquer est relativement complexe puisqu’elle requiert l’atteinte simultanée de plusieurs objectifs. Il est donc pertinent de développer des outils d’aide à la décision pour assister les opérateurs dans le choix de la dose de coagulant. L’objectif de l’étude était de fournir des outils aux opérateurs de l’usine de traitement des eaux (UTE) de Sainte-Foy pour les aider dans le choix du dosage de sulfate d’aluminium (alun). Dans le cadre de ce projet, quatre outils ont été ainsi développés : un modèle de prédiction du dosage d’alun à appliquer, deux modèles de prédiction de la concentration en carbone organique dissous (COD) à l’eau décantée et un capteur virtuel qui permet de prédire la concentration en COD aux eaux brute et décantée. Dans tous les cas, il s’agit de modèles neuronaux. Le premier modèle permet de prédire le dosage d’alun à appliquer en reproduisant la bonne opération antérieure effectuée à l’usine en termes de réduction de la turbidité. Les variables d’entrée du modèle sont le mois, la conductivité, la température, la turbidité et le pH à l’eau brute. L’ajustement du modèle a été effectué à partir de données d’opérations récoltées aux 5 minutes pendant 4 années (378 535 séries de données). Les dosages prédits diffèrent en moyenne de 5,9% de ceux réellement appliqués. Le second modèle permet de prédire la concentration en COD à l’eau décantée à partir de l’absorbance ultraviolet (UV) à 254 nm et du COD à l’eau brute, du pH de coagulation et de la dose d’alun appliquée. Les performances du modèle 2 ont été comparées à celles obtenues à partir de deux autres modèles empiriques provenant de la littérature et permettant de prédire la concentration en COD après coagulation. Le modèle neuronal 2 a de meilleures performances de prédiction que ces deux autres modèles empiriques. Les concentrations en COD prédites par le modèle 2 diffèrent en moyenne de 9,6% de celles réelles. Le troisième modèle prédit la concentration en COD aux eaux brute et décantée à partir de l’absorbance UV, de la température, de la turbidité et du pH. Il agit à titre de capteur virtuel de COD et permet de rendre compte de l’efficacité de l’enlèvement de la matière organique naturelle par les étapes de coagulation, floculation et décantation. Les concentrations en COD prédites par le modèle 3 diffèrent en moyenne de 13,2% de celles réelles. Enfin, le quatrième modèle permet de prédire la concentration en COD à l’eau décantée à partir de l’absorbance UV (254 nm) à l’eau brute plutôt que du COD. Les concentrations prédites par ce dernier diffèrent en moyenne de 10,9% de celles réelles. La base de données utilisée pour l’ajustement des modèles 2, 3 et 4 comprend une année de suivi de COD et d’absorbance UV (eaux brute et décantée) à raison de 2 mesures par jour et les données d’opération récoltées en continu pour la même période. Les performances des quatre modèles sont présentées et discutées en fonction de leur implantation possible à l’usine et des améliorations pouvant leur être apportées. De tous les modèles développés, le seul qui pourrait être implanté à court terme est le modèle 1. En effet, les modèles 2, 3 et 4 sont préliminaires et devraient être mis à jour à partir de bases de données plus grandes comprenant davantage de périodes de variations et rendre de meilleures performances avant de pouvoir être implantés en usine. Les modèles développés pourraient être intégrés afin de permettre aux opérateurs de choisir le dosage de coagulant à appliquer qui permettrait de faire un compromis entre les différents objectifs du procédé de coagulation. Cela pourrait améliorer encore davantage la qualité de l’eau produite. / The coagulation process is the first step of the conventional drinking water treatment chain. It is an important treatment step since it affects the efficiency of the subsequent treatment steps namely flocculation, settling, filtration and disinfection. It is relevant to develop decision aid tools to assist operators in the choice of the coagulant dose. This project aims at developing such tools. More specifically, the objective of the study was to provide tools for the operators of the Sainte-Foy water treatment plant to help them in choosing the appropriate aluminum sulphate dose (alum). As part of this project, three tools were developed: a model for the prediction of the coagulant dose, two models for the prediction of dissolved organic carbon (DOC) concentration of settled water and a virtual sensor which allows predicting DOC concentration of raw and settled waters. All models are neural network models. The first model allows the prediction of the alum dosage by mimicking the good previous operation performed at the plant in terms of turbidity reduction. The input variables of the model are the month, the conductivity, temperature, turbidity and pH of raw water. The model was developed from operation data collected every 5 minutes during 4 years (378 535 data sets). Dosages predicted vary by an average of 5,9% of those actually applied. The second model allows the prediction of the DOC of the settled water. The input variables are the UV absorbance and DOC of raw water, pH of coagulation and alum dosage applied. Performances of the second model are compared with those obtained from two others empirical models (from the literature) that allow the prediction of the DOC of the settled water. Compared to these models, the second neural model gives better prediction performance. DOC concentrations predicted by the second model vary by an average of 9,6% of those actually measured. The third model allows the prediction of the DOC of raw and settled water. The input variables are the UV absorbance, temperature, turbidity and pH. The model acts as a virtual sensor of DOC concentration and allows the evaluation of the removal efficiency of natural organic matter by the coagulation, flocculation and settling steps. DOC concentrations predicted by the third model vary by an average of 13,2% of those actually measured. Finally, the fourth model allows the prediction of the DOC of settled water from UV absorbance of raw water instead of DOC. Concentrations predicted by that model vary by an average of 10,7% of those actually measured. The database for the adjustment of the second, third, and fourth models includes one year of DOC and UV absorbance monitoring at raw and settled water performed twice daily and operation data continuously collected. The models performances are presented and discussed according to their implementation and use in the treatment plant. A way to improve developed models is also described. Actually, only the first model could be implemented on a short term basis. Models 2, 3 and 4 are actually preliminary models that would need to be updated with larger databases including more variation periods before implementation. Developed models could be integrated to allow the operators to choose the alum dosage that can afford to make a compromise between the different objectives of the coagulation process. This could further improve the treated water quality.
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/23383 |
| Date | 18 April 2018 |
| Creators | Lepage, Sophie |
| Contributors | Bouchard, Christian, Grandjean, Bernard |
| Source Sets | Université Laval |
| Language | French |
| Detected Language | French |
| Type | mémoire de maîtrise, COAR1_1::Texte::Thèse::Mémoire de maîtrise |
| Format | 177 p., application/pdf |
| Coverage | Québec (Province) |
| Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.0037 seconds