Vers un contrôle intelligent des procédés de traitement des eaux usées urbaines : développement d'un modèle hybride combinant un modèle de biofiltration basé sur la connaissance des processus avec un modèle de Machine Learning afin d’améliorer la performance de simulation et optimiser le contrôle des processus

Towards an intelligent control of wastewater treatment process : Development of a hybrid model combining a knowledge-based biofiltration model with a data-driven model to improve simulation performance and optimise process control.

• Auteur / Autrice : Marcello Serrao
• Direction : Bruno Tassin
• Type : Thèse de doctorat
• Discipline(s) : Sciences et Techniques de l'Environnement
• Date : Soutenance le 04/07/2023
• Etablissement(s) : Marne-la-vallée, ENPC
• Ecole(s) doctorale(s) : École doctorale Sciences, Ingénierie et Environnement
• Partenaire(s) de recherche : Laboratoire : Laboratoire Eau, Environnement et Systèmes Urbains
• Jury : Président / Présidente : Claire Albasi
• Jury : Examinateurs / Examinatrices : Bruno Tassin, Sylvie Gillot, Ignasi Rodríguez-Roda, Elena Torfs, Vincent Rocher, Ilan Juran, Peter A. Vanrolleghem
• Jury : Rapporteurs / Rapporteuses : Sylvie Gillot, Ignasi Rodríguez-Roda

Mots clés

Mots clés contrôlés

Apprentissage profond

Modélisation des données (informatique)

Biofiltres

Eaux usées -- Épuration -- Traitement biologique

Mots clés libres

Traitement des eaux usées urbaines

Biofiltration

Modélisation basée sur la connaissance

Modèles de Machine Learning

Modélisation hybride

Contrôle prédictif des modèles hybrides

Urban wastewater treatment

Biofiltration

Knowledge-Based modelling

Machine learning

Hybrid modelling

Hybrid model predictive control

Résumé

Dans le secteur d’eau, 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 calibration 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-physico-chimiques 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. ²Dans cette thèse, un modèle hybride parallèle coopérative est développé 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. Le but du modèle hybride est d'améliorer la précision d’estimation de qualité de l’effluent en sortie des biofiltres. Dans un premier temps, un modèle mécaniste précédemment développé a été recalibré dans le logiciel WEST (DHI) avec des données de l’étage de dénitrification amont de la filière de biofiltration de l’usine Seine aval. Une analyse de sensibilité globale préambule a identifié les paramètres les plus influents sur la réponse du modèle. Les résultats de simulation avec les paramètres calibrés montrent que le modèle arrive pendant la calibration à prédire les variations de N-NO3, DCO et MES avec des performances raisonnables. Sa robustesse d’estimation avec le jeu de données de validation de N-NO3 est cependant insuffisante sans l’apport de l’hybridation. Ensuite, un modèle hydride parallèle coopératif a été développé dans lequel le modèle mécaniste recalibré est soutenu par un modèle de ML qui est alimenté par les qualités d'effluent simulées par le modèle mécaniste, ainsi que par les informations de la qualité d’eau en entrée et les paramètres de traitement (tels les consignes). En phase d’entrainement, l’erreur résiduelle est fournie au modèle. Les meilleurs résultats ont été obtenus avec un réseau de neurones de trois couches. Le traitement des données brutes, le développement et l’entrainement des algorithmes de ML ont été réalisés dans le logiciel Matlab R2022a (MathWorks).Les résultats obtenus montrent que la précision du modèle hybride est largement supérieure à celle du modèle mécaniste seul. Les estimations du modèle hybride sont beaucoup plus proches des valeurs observées que celles du modèle mécaniste sur les deux périodes. Les performances du modèle hybride sont très bonnes et l’erreur moyenne (EM), l’erreur moyenne absolue (EMA) et la racine de l'erreur quadratique moyenne (REQM) sont très faibles. Le modèle hybride est ensuite appliqué pour améliorer le contrôle du dosage du méthanol dans un biofiltre. Compte tenu du processus de haute intensité et des perturbations importantes, le contrôle actuelle est sous-optimal et devrait être amélioré en appliquant un contrôle prédictif du modèle hybride. Ce contrôleur recherche d'abord un taux de dosage optimal en exécutant plusieurs scénarios avec le modèle de biofiltre corrigé en continu par le modèle de ML validé. Les premiers résultats sont prometteurs. Cette étude montre que l’hybridation permet de mieux décrire le comportement de dénitrification d'une usine d’épuration de très grande échelle qu’un modèle mécaniste seul, améliorant ainsi sensiblement la qualité des estimations. C’est une première étape vers la conception de jumeaux numériques intégrés aux filières d’assainissement.

In the water sector, in an industrial context, mechanistic models of wastewater treatment describing activated sludge processes are recognized as important decision-making tools. They integrate a large number of parameters and require a complex preliminary calibration phase. In the case of treatment by biofiltration, a compact process widely applied in the urbanized region of Paris, the need to model the biological-physico-chemical processes within the biofilm complicates these mechanistic models. These models for biofiltration require relatively high computing power and are not yet well established.Data-driven Machine Learning (ML) models describe the system solely on the information extracted from the data. They exhibit interpolation strength and are much faster in computation, which makes them very attractive for real-time applications.In this thesis, a cooperative parallel hybrid model is developed that combines a mechanistic model that integrates relevant knowledge about processes, with a data-driven model that increases the accuracy of estimates by including information about poorly described sub-processes. The purpose of the hybrid model is to improve the accuracy of calculating the effluent quality of the biofilters.First, a previously developed mechanistic model was recalibrated in the WEST software (DHI) with data from the predenitrification stage of the Seine Aval plant biofiltration process. A global sensitivity analysis identified the most influential parameters on the model response. The simulation results with the calibrated parameters show that the model manages during the calibration to predict the variations of NO3-N, COD and TSS with reasonable performance. Its estimation robustness with the NO3-N validation dataset is however insufficient without the contribution of hybridization.Subsequently, a cooperative parallel hybrid model was developed in which the recalibrated mechanistic model is supported by a ML model which receives the effluent qualities simulated by the mechanistic model, as well as information of the influent water quality and process parameters (such as setpoints). During training, the residual error is provided to the model. The best results were obtained with a feedforward neural network containing three layers. The processing of the raw data, the development and the training of the ML algorithms were carried out in Matlab R2022.The results obtained show that the precision of the hybrid model is much higher than that of the mechanistic model alone. The estimates of the hybrid model are much closer to the observed values than those of the mechanistic model over the two periods. The performance of the hybrid model is very good and the mean error (ME), mean absolute error (MAE) and root mean square error (RMSE) are very low.The hybrid model is then applied to optimize the control of methanol dosage in a biofilter. Considering the high intensity process and large disturbances, the current control is sub-optimal and could be further improved by applying a hybrid model predictive controller. These controller first searches for an optimal dosing rate by running multiple scenarios with the biofilter model, whose calculations are continuously corrected by the validated ML model. The first results are promising.This study shows that hybridization improves significantly the performance of a model simulating the denitrification process with data from of a very large scale wastewater treatment plant when compared to a mechanistic model alone. This is a first step towards the development of digital twins that are integrated in the process control of wastewater treatment plants.