Coagulation is the most important stage in drinking water treatment processes for the maintenance of acceptable treated water quality and economic plant operation, which involves many complex physical and chemical phenomena. Moreover, coagulant dosing rate is non-linearly correlated to raw water characteristics such as turbidity, conductivity, pH, temperature, etc. As such, coagulation reaction is hard or even impossible to control satisfactorily by conventional methods. Traditionally, jar tests are used to determine the optimum coagulant dosage. However, this is expensive and time-consuming and does not enable responses to changes in raw water quality in real time. Modelling can be used to overcome these limitations. In this study, an Adaptive Neuro-Fuzzy Inference System (ANFIS) was used for modelling of coagulant dosage in drinking water treatment plant of Boudouaou, Algeria. Six on-line variables of raw water quality including turbidity, conductivity, temperature, dissolved oxygen, ultraviolet absorbance, and the pH of water, and alum dosage were used to build the coagulant dosage model. Two ANFIS-based Neuro-fuzzy systems are presented. The two Neuro-fuzzy systems are: (1) grid partition-based fuzzy inference system (FIS), named ANFIS-GRID, and (2) subtractive clustering based (FIS), named ANFIS-SUB. The low root mean square error and high correlation coefficient values were obtained with ANFIS-SUB method of a first-order Sugeno type inference. This study demonstrates that ANFIS-SUB outperforms ANFIS-GRID due to its simplicity in parameter selection and its fitness in the target problem.

No abstract

No abstract

No abstract

La coagulation est l’une des étapes les plus importantes dans le traitement des eaux. La difficulté principale est de déterminer la dose optimale de coagulant à injecter en fonction des caractéristiques de l’eau brute. Un mauvais contrôle de ce procédé peut entraîner une augmentation importante des coûts de fonctionnement et le non-respect des objectifs de qualité en sortie de la station de traitement. Le sulfate d’aluminium (Al2SO4.18H2O) est le réactif coagulant le plus généralement utilisé. La détermination de la dose de coagulant se fait au moyen de l’essai dit de « Jar Test » conduit en laboratoire. Ce type d’approche a le désavantage d’avoir un temps de retard relativement long et ne permet donc pas un contrôle automatique du procédé de coagulation. Le présent article décrit un modèle neuro flou de type Takagi Sugeno (TK), développé pour la prédiction de la dose de coagulant utilisée lors de la phase de clarification dans la station de traitement des eaux de Boudouaou qui alimente la ville d’Alger en eau potable. Le modèle ANFIS (système d’inférence flou à base de réseaux de neurones adaptatifs), qui combine les techniques floues et neuronales en formant un réseau à apprentissage supervisé, a été appliqué durant la phase de calage et testé en période de validation. Les résultats obtenus par le modèle ANFIS ont été comparés avec ceux obtenus avec un réseau de neurones de type perceptron multicouche (MLP) et un troisième modèle à base de regression linéaire multiple (MLR). Un coefficient de détermination (R2) de l’ordre de 0,92 en période de validation a été obtenu avec le modèle ANFIS, alors que pour le MLP, il est de l’ordre de 0,75, et que pour le modèle MLR, il ne dépasse pas 0,35. Les résultats obtenus sont d’une grande importance pour la gestion de l’installation.