En contexte industriel, les modèles mécanistes de traitement des eaux usées décrivant les procédés de boues activées sont reconnus comme des outils importants d’aide à la décision. Ils intègrent un grand nombre de paramètres et nécessitent une phase complexe de calage préalable. Dans le cas du traitement par biofiltration, un procédé compact et largement appliqué en région urbanisée parisienne, la nécessité de modéliser les processus bio-physicochimiques au sein du biofilm complexifie ces modèles mécanistes. Ces modèles pour la biofiltration nécessitent une puissance de calcul relativement élevée et ne sont pas encore bien établis. Des modèles de Machine Learning (ML) basés sur les données décrivent quant à eux le système uniquement sur les informations extraites des données. Ils présentent une force d'interpolation et sont beaucoup plus rapides en calcul, ce qui les rend très intéressants pour les applications en temps réel. L’hybridation combine un modèle mécaniste qui intègre des connaissances pertinentes sur les processus, avec un modèle basé sur les données qui augmente la précision des estimations en incluant des informations sur des sous-processus mal décrits. Dans cette étude, un modèle mécaniste existant est recalibré avec des données de mesure haute fréquence provenant de l’étage de dénitrification amont de la filière de biofiltration d’une usine à grande échelle. Un modèle hybride, qui intègre un modèle de Machine Learning d’estimation des résidus, est décrit. Il permet une réduction significative des erreurs d’estimation.
Vers un contrôle intelligent des procédés de traitement des eaux usées urbaines : développement d'un modèle hybride afin d’améliorer la performance de simulation et optimiser le contrôle des processus
2023
