Aplicação de modelos preditivos de Machine Learning para parâmetros de qualidade em estações de Tratamento de Efluentes

Estações de Tratamento de Efluentes (ETEs) apresentam processos bioquímicos complexos de alta variabilidade e difícil previsão. O presente trabalho aborda a utilização de metodologias de Machine Learning (ML) para previsão dos valores de saída de nitrogênio total (NT) de uma ETE simulada utilizando software WEST da DHI e de demanda química de oxigênio (DQO) da ETE da Cervejaria Santa Catarina - Ambev, de Lages/SC. O estudo aborda uma nova metodologia para lidar com mudanças de cenários de operação das ETEs a fim de evitar a perda de qualidade dos modelos preditivos. Para ambas as estações foram abordados três cenários distintos e avaliada a qualidade das previsões pelos modelos de floresta aleatória (RF), máquina de vetor de suporte (SVM) e perceptron multicamadas (MLP). A qualidade das previsões pelo modelo MLP atingiu R² de 0,72 para previsão de NT de saídas na ETE simulada e o modelo RF melhor se adequou aos dados reais da ETE Ambev, apesar da grande discrepância observada entre os dados reais e previstos. Os resultados obtidos nesse estudo evidenciam a importância da coleta e do armazenamento de dados de qualidade e da necessidade de informação sobre mudanças na operação das ETEs para a performance dos modelos preditivos.