Anticiper l’impact de la météo sur l’influent des stations d’épuration grâce à l’intelligence artificielle

Q4 Engineering Techniques - Sciences - Methodes Pub Date : 2023-03-20 DOI:10.36904/202303033
A. Harinaivo, H. Hauduc, I. Takács
{"title":"Anticiper l’impact de la météo sur l’influent des stations d’épuration grâce à l’intelligence artificielle","authors":"A. Harinaivo, H. Hauduc, I. Takács","doi":"10.36904/202303033","DOIUrl":null,"url":null,"abstract":"Le changement climatique a pour conséquence l’apparition de forts événements pluvieux de plus en plus fréquents, occasionnant de fortes variations de débit et de concentrations à l’influent des stations d’épuration. La connaissance des risques d’orage et des débits potentiels plusieurs heures ou plusieurs jours en avance permettrait d’anticiper les adaptations opérationnelles pour préparer la station et protéger les différents ouvrages des risques de défaillance. Dans cette étude, les données météorologiques (pluies, température, vents, humidités, précipitations…) et l’historique des données d’influent de la station sont utilisés pour entraîner un algorithme d’intelligence artificielle, d’apprentissage automatique et d’apprentissage profond pour prédire les débits entrants sur la station jusqu’à une semaine en avance. Trois jeux de données journalières et horaires, de 1 à 3 ans, sont utilisés pour entraîner un modèle de Forêt aléatoire à 30 arbres, un modèle LSTM (long short-term memory) et un modèle GRU (gate recurrent unit) à trois couches de 100 neurones suivis chacun d’un dropout de 20 % et une couche de sortie entièrement connectée. Les données sont préalablement nettoyées pour supprimer les valeurs aberrantes et sont réparties à 80 % pour les données pour l’apprentissage et 20 % pour les données de test afin d’obtenir des modèles avec les meilleures prédictions. Les algorithmes utilisés dans cette étude sont simples et détectent bien les pics. La durée de l’entraînement sur les données de trois ans se fait en moins de deux minutes pour la Forêt aléatoire et en moins d’une demi-heure pour les réseaux de neurones LSTM et GRU. Les résultats montrent que les données horaires et la prise en compte de l’effet de l’historique par l’utilisation des réseaux de neurones récurrents LSTM et GRU permettent d’obtenir une meilleure prédiction des débits d’influent. Les séries de données plus longues permettent également un meilleur apprentissage des algorithmes et une meilleure prédiction du modèle.","PeriodicalId":52449,"journal":{"name":"Techniques - Sciences - Methodes","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2023-03-20","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Techniques - Sciences - Methodes","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.36904/202303033","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q4","JCRName":"Engineering","Score":null,"Total":0}
引用次数: 0

Abstract

Le changement climatique a pour conséquence l’apparition de forts événements pluvieux de plus en plus fréquents, occasionnant de fortes variations de débit et de concentrations à l’influent des stations d’épuration. La connaissance des risques d’orage et des débits potentiels plusieurs heures ou plusieurs jours en avance permettrait d’anticiper les adaptations opérationnelles pour préparer la station et protéger les différents ouvrages des risques de défaillance. Dans cette étude, les données météorologiques (pluies, température, vents, humidités, précipitations…) et l’historique des données d’influent de la station sont utilisés pour entraîner un algorithme d’intelligence artificielle, d’apprentissage automatique et d’apprentissage profond pour prédire les débits entrants sur la station jusqu’à une semaine en avance. Trois jeux de données journalières et horaires, de 1 à 3 ans, sont utilisés pour entraîner un modèle de Forêt aléatoire à 30 arbres, un modèle LSTM (long short-term memory) et un modèle GRU (gate recurrent unit) à trois couches de 100 neurones suivis chacun d’un dropout de 20 % et une couche de sortie entièrement connectée. Les données sont préalablement nettoyées pour supprimer les valeurs aberrantes et sont réparties à 80 % pour les données pour l’apprentissage et 20 % pour les données de test afin d’obtenir des modèles avec les meilleures prédictions. Les algorithmes utilisés dans cette étude sont simples et détectent bien les pics. La durée de l’entraînement sur les données de trois ans se fait en moins de deux minutes pour la Forêt aléatoire et en moins d’une demi-heure pour les réseaux de neurones LSTM et GRU. Les résultats montrent que les données horaires et la prise en compte de l’effet de l’historique par l’utilisation des réseaux de neurones récurrents LSTM et GRU permettent d’obtenir une meilleure prédiction des débits d’influent. Les séries de données plus longues permettent également un meilleur apprentissage des algorithmes et une meilleure prédiction du modèle.
查看原文
分享 分享
微信好友 朋友圈 QQ好友 复制链接
本刊更多论文
利用人工智能预测天气对污水处理厂影响的影响
气候变化导致强降雨事件越来越频繁,导致污水处理厂的流量和浓度变化很大。提前数小时或数天了解雷雨风险和潜在流量,将有助于预测运行调整,以准备电站并保护各种结构免受故障风险。在本研究中,气象数据(降雨、温度、风、湿度、降水等)和台站进水数据的历史用于训练人工智能、机器学习和深度学习算法,以预测提前一周到达台站的流量。三个1-3年的每日和每小时数据集用于训练一个30树随机森林模型、一个LSTM(长短期记忆)模型和一个GRU(门递归单元)模型,该模型有三层100个神经元,每层有20%的下降和一个完全连接的输出层。对数据进行预清理以消除异常值,并将80%用于学习数据,20%用于测试数据,以获得具有最佳预测的模型。本研究中使用的算法很简单,可以很好地检测峰值。随机林的三年数据训练时间不到两分钟,LSTM和GRU神经网络不到半小时。结果表明,每小时数据和通过使用循环神经网络LSTM和GRU考虑历史影响,可以更好地预测影响率。更长的数据集还允许更好地学习算法和更好地预测模型。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 去求助
来源期刊
Techniques - Sciences - Methodes
Techniques - Sciences - Methodes Engineering-Ocean Engineering
CiteScore
0.20
自引率
0.00%
发文量
34
期刊最新文献
Quels outils et méthodes décisionnels pour une gestion décentralisée des eaux urbaines par des solutions fondées sur la nature : une revue bibliographique Réseaux d’Eau Intelligents multiusages (REImu) : le numérique au service de la maîtrise des usages de l’eau Évaluation environnementale de scénarios d’adaptation au changement climatique de périmètres agricoles irrigués : utilisation de l’analyse de cycle de vie territoriale Les modalités et enjeux de l’appropriation par les agences de l’eau du concept de solutions fondées sur la nature appliqué à la gestion de l’eau : le cas de l’agence de l’eau Rhône Méditerranée Corse Modélisation participative des solutions fondées sur la nature pour la gestion quantitative de l’eau dans le bassin versant de la Seudre
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
现在去查看 取消
×
提示
确定
0
微信
客服QQ
Book学术公众号 扫码关注我们
反馈
×
意见反馈
请填写您的意见或建议
请填写您的手机或邮箱
已复制链接
已复制链接
快去分享给好友吧!
我知道了
×
扫码分享
扫码分享
Book学术官方微信
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术
文献互助 智能选刊 最新文献 互助须知 联系我们:info@booksci.cn
Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。
Copyright © 2023 Book学术 All rights reserved.
ghs 京公网安备 11010802042870号 京ICP备2023020795号-1