Un modèle inspiré du cerveau améliore les prévisions en matière de traitement des eaux usées

Les stations d’épuration des eaux usées (STEP) jouent un rôle crucial dans la protection de l’environnement en atténuant les risques pour la santé publique et les écosystèmes aquatiques grâce à la prévention des rejets de polluants. Prédire avec précision la qualité des effluents, en particulier les niveaux d’azote ammoniacal (NH₃) et la demande chimique en oxygène (DCO), sont essentielles pour garantir la sécurité de l’eau et améliorer l’efficacité des STEP. Malgré les progrès des méthodes basées sur les données, des défis persistants découlent de la complexité des données sur les eaux usées.

Une étude, publiée dans Frontières des sciences et de l’ingénierie de l’environnement le 10 novembre 2023, a exploré des modèles hybrides inspirés du cerveau qui fusionnent CNN et LSTM pour améliorer la précision des prédictions en tirant parti de techniques de fusion de données multimodales qui imitent les capacités de traitement du cerveau humain. Ces approches innovantes visent à améliorer la précision et l’efficacité des modèles prédictifs, marquant ainsi une avancée significative dans la prévision de la qualité des effluents.

Dans cette étude, les chercheurs ont développé le modèle BITF (Brain-Inspired Image and Temporal Fusion) avec un réseau CNN-LSTM, conçu pour améliorer la prévision de la qualité des effluents en analysant les images de surface des eaux usées et les données sur la qualité de l’eau. À l’aide d’une caméra aérienne et de réseaux de capteurs de qualité de l’eau, l’étude a capturé des images synchronisées à haute résolution et surveillé des indicateurs cruciaux de la qualité de l’eau tels que la DCO et le NH.₃.

Au cœur de cette étude, le module BITF émule les capacités de traitement des données du cerveau humain, intégrant les données d’image et de qualité de l’eau via un mécanisme d’auto-attention. Couplé au réseau VGG11 pour l’extraction de caractéristiques d’image et à une méthode adaptative de fusion de caractéristiques, ce mécanisme priorise et fusionne efficacement les données multimodales, améliorant considérablement la précision des prédictions.

L’efficacité du modèle a été démontrée par des performances supérieures dans les tests de référence par rapport aux modèles traditionnels et évaluée à l’aide de mesures telles que l’erreur quadratique moyenne, le coefficient de détermination et le pourcentage d’erreur absolu moyen. L’approche innovante de l’étude, qui combine l’intelligence artificielle et l’ingénierie environnementale, établit non seulement une nouvelle norme en matière de prévision de la qualité des effluents, mais ouvre également la voie à de futures recherches avancées sur la gestion des eaux usées.

Yongzhen Peng, l’un des auteurs correspondants, a déclaré : « Cette recherche marque une avancée cruciale. En imitant les prouesses du cerveau en matière de traitement des données, nous avons développé un système qui surpasse considérablement les méthodes traditionnelles, promettant une nouvelle ère dans la gestion de la qualité des effluents. »

Le modèle BITF-CL a démontré une précision de prédiction remarquable, surpassant les modèles existants lors des tests de référence. Une telle précision dans la prévision de la qualité des effluents contribue non seulement à la conformité réglementaire, mais réduit également la dépendance à l’égard de capteurs coûteux, réduisant ainsi potentiellement les coûts d’exploitation. Cette approche pourrait révolutionner la surveillance et la gestion du traitement des eaux usées en offrant des solutions plus précises, plus rentables et plus efficaces.

Fourni par TranSpread