Modelagem por Redes Neurais Artificiais para predizer o teor de fósforo e nitrogênio presentes em efluentes

O presente trabalho teve como objetivo propor modelos de Redes Neurais Artificiais (RNA) para predizer o teor de fósforo e nitrogênio na saída de reatores UASB em uma Estação de Tratamento de Esgoto (ETE). Foi realizado testes de normalidade em todas as variáveis independentes, recorrendo aos modelos de Kolmogorov-Smirnov (K-S) e Shapiro-Wilk (S-W) obtendo um comportamento de dados não normais descrito por K-S. Após, foram realizadas análises de correlação aplicando os testes de Pearson e Spearman, onde visualizou-se melhores correlações sob o modelo de Sperman, encontrando que a variável de condutividade tem uma forte correlação negativa com nitrogênio, enquanto fósforo contém uma forte correlação com nitrogênio. As RNA’s de fósforo mostraram-se com uma eficiência de 98,5% utilizando variáveis com correlações acima de 0,3 enquanto as de nitrogênio obtiveram 99,2% de eficiência ao utilizar correlações acima de 0,6. Os testes mostraram-se eficazes, mostrando-se uma alternativa para a predição de efluentes.