Resumo: A flotação por ar dissolvido (FAD) é um processo de separação física que, quando aplicado ao tratamento de água para abastecimento público, normalmente é empregado nas etapas de clarificação, que visam a remoção de turbidez da água bruta em tratamento. Mesmo consistindo em uma operação bem estabelecida, a modelagem fenomenológica dos processos envolvidos é uma tarefa árdua e complexa, resultando em modelos conceituais de difícil aplicação prática. Neste sentido, este trabalho teve como objetivo desenvolver modelos empíricos por meio de redes neurais artificiais, para a predição da remoção de turbidez promovida por um protótipo de flotação por ar dissolvido. Além disso, a influência de dois parâmetros físicos muito importantes na operação de uma unidade de FAD foi investigada, a pressão do vaso saturador e fração de reciclo. Os dados necessários para o treinamento dos modelos neurais foram obtidos a partir de ensaios experimentais, que também permitiram a comprovação de que a pressão de saturação e a fração de reciclo são efeitos positivos e estatisticamente significativos quanto à remoção de turbidez da água tratada. Por meio de redes neurais recorrentes com atrasos temporais aplicados aos sinais de entrada obteve-se um modelo empírico capaz de simular a dinâmica de remoção de turbidez em tempo real (enquanto um ensaio experimental é conduzido). Este modelo apresentou ótimos resultados nas etapas de treinamento e teste adicional, e nesta última obteve-se um elevado coeficiente de correlação e um baixo valor do erro quadrático médio iguais a 0,9989 e 0,0299, respectivamente. Um modelo recursivo também foi proposto, no qual a própria saída calculada pela rede neural foi realimentada como um sinal de entrada. Observou-se que a etapa de treinamento deste modelo foi efetiva, mas o mesmo não apresentou bons resultados quando submetido a um conjunto de teste adicional. Comprovou-se que os erros de predição foram continuamente propagados durante a simulação recursiva, o que acarretou na inabilidade do modelo neural em prever corretamente a remoção de turbidez promovida ao longo de toda a extensão do teste adicional Ver menos

Abstract: Dissolved air flotation (DAF) is a physical separation process used to remove turbidity, when applied to water treatment for human consumption. Even though dissolved air flotation is considerate a well-established unit operation, modeling is a hard task due to the complexity of the phenomena involved, resulting in conceptual models with no practical application. Thereby, the objective of this work was to develop empirical models using artificial neural networks for the prediction of the turbidity removal promoted by a dissolved air flotation prototype. In addition, the influence of two very important physical parameters on the DAF unit operation was investigated, the saturation vessel pressure and the recycle ratio. The data necessary for the neural models training were obtained from experimental tests, which also allowed proving that the saturation pressure and the recycle ratio are statistically significant and positive effects on the turbidity removal of the treated water. Using time-delay recurrent neural networks an empirical model capable of simulating the turbidity removal dynamics in real time (while an experimental test is conducted) was built. The model presented excellent results in the training stage and a high correlation coefficient and a low mean squared error value of 0.9989 and 0.0299, respectively, were obtained in an additional test step. A recursive model was also proposed, which the output calculated by the neural network was feedback as an input signal. The model training stage was effective, but it did not present good results when an additional test set was applied. It was verified that the prediction errors were continuously propagated during the recursive simulation, which resulted in the inability of the neural model to correctly predict the turbidity removal promoted along the whole extension of the additional test set Ver menos