Item
Gutiérrez Garcia-Moreno, Oriol
Gernjak, Wolfgang Raich Montiu, Jordi Comas Matas, Joaquim |
|
Universitat de Girona. Departament d’Enginyeria QuÃmica, Agrà ria i Tecnologia Agroalimentà ria
Universitat de Girona. Institut Català de Recerca de l’Aigua |
|
Plà Castellana, Mireia | |
2023 February 24 | |
Water quality monitoring during the purification and sanitation processes in Drinking Water Treatment Plants (DWTP), Wastewater Treatment Plants (WWTP) and Water Reclamation Plants (ERA) is a necessary step to obtain a wide overview of water treatment processes, to monitor pollutants that are in the spotlight of the public administrations and to provide reliable water quality to the consumers. Obtaining high quality information through sensors and probes installed on line is highly increasing.
The aim of this investigation is to provide the spectro::lyser® probe more capabilities for contaminant detection and prediction, both in drinking and wastewater.
By using the Ultraviolet Visible (UV–Vis) spectrum, coupled with advanced statistical methods and chemical studies different mathematical models were developed. This allows to predict the trihalomethanes formation potential (THM FP) during water sanitation in DWTP, the concentration of a selected hydrocarbons mixture (toluene, m-xylene and p-xylene) in urban wastewaters at the WWTP’s influent, and the concentration of coagulant added during the coagulation-flocculation process in ERA.
The results showed that applying new mathematical models to monitor these kinds of contaminants is mandatory. In the model developed to predict the THM FP, it was concluded that Artificial Neural Networks, ANN, is the algorithm with the greatest capabilities of prediction, giving the best correlation and error results (R2 = 0.92, RMSE = 0.77). On the other hand, in the model developed to predict the presence of a controlled hydrocarbon mixture in wastewater, the Multiple Linear Regression algorithm, MLR, algorithm obtained very good results (R2MLR1 = 0.82; RMSEMLR1 = 0.22; R2MLR2 = 0.87; RMSEMLR2 = 0.21, R2MLR3 = 0.79, RMSEMLR3 = 0.24). To predict the optimal concentration of coagulant to add during the coagulation-flocculation process ANN gave the best results (R2 = 0.86, RSE = 0.02).
The developed algorithms are specific to each particular Water Treatment Plant studied, and can be used as a tool to provide a quick and efficient response when necessary La monitorització de la qualitat d’aigua durant els processos de potabilització o sanejament en les Estacions de Tractament d’Aigua Potable (ETAP), Estacions Depuradores d’Aigües Residuals (EDAR) i Estacions de Regeneració d’Aigua (ERA), és un pas necessari per a observar el funcionament dels sistemes involucrats, controlar contaminants que estan al punt de mira de les administracions i poder proveir als consumidors d’aigua de qualitat i confiable. Cada vegada és més comú obtenir informació de la qualitat de l’aigua a través de sensors i sondes que, una vegada instal·lats, envien informació en continu per a la correcta monitorització d’aquest recurs. La present investigació ha tingut com objectiu dotar la sonda espectrofotomètrica spectro::lyser® de més capacitats en la detecció i predicció de contaminants, tant en aigua potable com en aigua residual. A través de l’espectre de llum Ultraviolada Visible (UV–Vis), i utilitzant mètodes estadÃstics aplicats i eines d’estudi quÃmic s’han desenvolupat diferents models matemà tics de predicció per tal de monitoritzar el potencial de formació de trihalometans (THM FP) durant el procés de sanejament de l’aigua potable en ETAP, la concentració d’una mescla d´hidrocarburs (toluè, m-xilè i p-xilè) en aigües residuals urbanes, i la concentració de coagulant afegit a l’aigua residual durant el procés de coagulació-floculació en ERA. Els resultats demostraren que és necessari aplicar nous models matemà tics per a poder monitoritzar aquests tipus de contaminants. En la modelització duta a terme per predir el THM PF s’ha conclòs que les xarxes neuronals artificials (de l’anglès Artificial Neural Networks, ANN) va ser l’algoritme amb més capacitats de predicció, donant els millors resultats de correlació i error (R2 = 0,92, RMSE = 0,77). Per altra banda, en la modelització desenvolupada per a predir la presència d’una mescla controlada d’hidrocarburs en aigua residual, la utilització de l’algoritme de regressió múltiple (de l’anglès Multiple Linear Regression, MLR) va donar molt bons resultats (R2MLR1 = 0,82; RMSE MLR1 = 0,22; R2 MLR2 = 0,87; RMSE MLR2 = 0,21; R2 MLR3 = 0,79; RMSE MLR3 = 0,24). Per predir la concentració òptima de coagulant que s’ha d’afegir durant el procés de coagulació-floculació, es conclou que ANN és l’algoritme que va donar millors resultats (R2 = 0,86, RSE = 0,02). Els algoritmes desenvolupats són especÃfics de cada punt estudiat, i poden utilitzar-se com una eina per a donar una resposta rà pida i eficaç, en cas de que els tècnics i operaris de planta en tinguin necessitat Programa de Doctorat en Ciència i Tecnologia de l’Aigua Programa de Doctorat en Ciència i Tecnologia de l’Aigua |
|
http://hdl.handle.net/10803/688329 | |
http://hdl.handle.net/10256/23048 | |
eng | |
Universitat de Girona | |
ADVERTIMENT. Tots els drets reservats. L’accés als continguts d’aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, aixà com en activitats o materials d’investigació i docència en els termes establerts a l’art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l’autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el tÃtol de la tesi doctoral. No s’autoritza la seva reproducció o altres formes d’explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d’un lloc aliè al servei TDX. Tampoc s’autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i Ãndexs. | |
Quimiometria
QuimiometrÃa Chemometrics Desenvolupament del model Desarrollo del modelo Model development Aprenentatge automà tic Aprendizaje automático Machine learning Aigües residuals Aguas residuales Wastewater Aigua potable Agua potable Drinking water Trihalometans Trihalometanos Trihalomethanes Hidrocarburs Hidrocarburos Hydrocarbons 51 628 |
|
Chemometric methods to process online spectrometry for quality monitoring of different water matrices | |
info:eu-repo/semantics/doctoralThesis | |
DUGiDocs |