المركز الجامعي مغنية

Permanent URI for this communityhttps://dspace.cu-maghnia.dz/handle/123456789/1

Browse

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Optimisation d’oxygène dessous et la consommation énergétique d’une STEP en utilisant l’intelligence artificielle
    (Institut des sciences et de la technologie/Départeemt d'ydraulique, 2025-07-03) AYACHI Ikram; BENHALIMA Sara
    الملخص : يركز هذا البحث على تحسين استهلاك الطاقة والسيطرة على الأكسجين المذاب في محطات معالجة مياه الصرف الصحي باستخدام الذكاء الاصطناعي. يستعرض عمليات معالجة المياه العادمة ويبرز أهمية التهوية، كونها المصدر الرئيسي لاستهلاك الطاقة. وباستخدام نموذجالمحاكاة BSM2 مع خوارزميات الذكاء الاصطناعي مثل أشجار القرار، الشبكات العصبية، والتحكم التنبؤي (MPC) ، يهدف هذا البحثإلى تحسين إدارة التهوية . تُظهر النتائج أن استخدام شجرة القرار يحقق دقة تنبؤية ممتازة (R² = 0.996) ، لكنه غير كافٍ لضمان الامتثال الكامل للمعايير. يوفرGrid Searchحلاً وسطا بين الدقة والامتثال، في حين يحقق المتحكم PID نسبة امتثال عالية تبلغ 93.3% ولكن مع تدهور كبير في الأداءالتنبؤي. أما الجمع بين الغابة العشوائية (Random Forest) والتحكم التنبؤي MPC فهو الحل الأكثر كفاءة، حيث حقق نسبة امتثال بلغت95.97%دون أي تجاوز للقيود. يخلص البحث إلى أهمية تطوير أنظمة هجينة أكثر ذكاءً قادرة على تحقيق توازن بين الدقة التنبؤية والامتثال التنظيمي، مع التركيز علىاختبار هذه الأنظمة في ظروف التشغيل الفعلية . Abstract: This thesis focuses on optimizing energy consumption and dissolved oxygen control in wastewater treatment plants (WWTP) using Artificial Intelligence (AI). It presents wastewater treatment processes and highlights the importance of aeration, which is the main source of energy consumption. Using the BSM2 simulation model and AI algorithms (decision trees, neural networks, MPC), the study aims to improve aeration management. The results show that while the decision tree achieves excellent predictive accuracy (R² = 0.996), it is insufficient to guarantee regulatory compliance. Grid Search offers a balance between accuracy and compliance, while the PID controller achieves high compliance (93.3%) but with a significant degradation in predictive performance. However, the Random Forest–MPC combination proves to be the most effective solution, achieving 95.97% compliance with no constraint violations. The study concludes with the importance of developing smarter hybrid systems capable of balancing predictive accuracy and regulatory compliance, with perspectives aimed at validation under real operating conditions.