Please use this identifier to cite or link to this item: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/32676
Title: Modelagem neural dinâmica das características físico-químicas do lixiviado de aterro sanitário.
Other Titles: Dynamic neural modeling of the physicochemical characteristics of the landfill leachate.
???metadata.dc.creator???: FARIAS, Amanda Paiva.
???metadata.dc.contributor.advisor1???: MELO, Márcio Camargo de.
???metadata.dc.contributor.advisor-co1???: PAIVA, William de.
???metadata.dc.contributor.referee1???: FARIAS, Camilo Allyson Simões de.
???metadata.dc.contributor.referee2???: LIMA, Vera Lucia Antunes de.
???metadata.dc.contributor.referee3???: ARRUDA, Valmir Cristiano Marques de.
???metadata.dc.contributor.referee4???: HENRIQUES, Juscelino Alves.
Keywords: Chorume;Dados sintéticos;Redes Neurais Artificiais;Semiárido;Slurry;Synthetic data;Artificial Neural Networks;Arid;Lixiviado de aterro sanitário;Modelagem neural dinâmica;Medida de performance;Algoritmo trainlm;Algoritmo trainbr;Algoritmo traingd;Algoritmo trainoss;Demanda bioquímica de oxigênio;Demanda química de oxigênio;Nitrogênio amoniacal total;Coeficiente de determinação;Erro absoluto médio;Erro da raiz quadrática média;Raiz quadrada do erro médio normalizado
Issue Date: 22-Sep-2023
Publisher: Universidade Federal de Campina Grande
Citation: FARIAS, Amanda Paiva. Modelagem neural dinâmica das características físico-químicas do lixiviado de aterro sanitário. 2023 146 f. Tese (Doutorado em Engenharia Civil e Ambiental) – Universidade Federal de Campina Grande, Centro de Tecnologia e Recursos Naturais, 2023.
???metadata.dc.description.resumo???: Em virtude dos processos físicos, químicos e biológicos que os Resíduos Sólidos Urbanos (RSU) são submetidos durante a sua degradação em aterros sanitários, o lixiviado é um subproduto considerado extremamente complexo, devido a sua composição tóxica e variabilidade ao longo dos anos. Contudo, faz-se necessário conhecê-lo e monitorá-lo pois, todas as informações acerca do lixiviado são valiosas, e contribuem para o desenvolvimento de técnicas e aplicação de tecnologias adaptadas para o tratamento deste efluente. Diante da problemática que envolve a exposição de quem manuseia, os custos associados ao monitoramento, e visando a possibilidade em reduzir a frequência das coletas do lixiviado, além do auxílio à celeridade das respostas aos ensaios que podem demorar dias, as Redes Neurais Artificias (RNA) podem ser uma alternativa na obtenção das características do lixiviado. Por isso, esse trabalho tem como objetivo desenvolver modelos neurais que representem as características quantitativas do lixiviado gerado em aterro sanitário localizado em região semiárida do Brasil. No qual realizaram-se as coletas e caracterização dos RSU com diferentes idades de aterramento e o monitoramento dos resíduos e lixiviado. Foram analisadas também as condições meteorológicas nas proximidades do Aterro Sanitário. Através dos dados de monitoramento do lixiviado, foi possível construir os bancos de dados experimentais, em busca de melhores desempenhos para as RNA foram gerados sinteticamente bancos com 125 e 1000 dados apresentando a mesma tendência do conjunto de dados original. Como preparação dos dados para a geração das RNA foram colocados em uma escala comum, através da padronização e normalização, cada conjunto de dados de saída que corresponde à Demanda Bioquímica de Oxigênio (DBO), Demanda Química de Oxigênio (DQO), Nitrogênio Amoniacal Total (NAT) e vazão. Nesta pesquisa foram testados variações dos números de neurônios na camada oculta (1 a 20), dos algoritmos utilizados no treinamento das RNA (trainlm, trainbr, traingd e trainoss), e das funções de ativação da camada oculta e de saída (purelin, logsig, tansig e elliotsig). E como medida de performance, foram avaliados, seguindo esta ordem de prioridades: o coeficiente de determinação (R²), erro absoluto médio (MAE), erro da raiz quadrática média (RMSE) e a raiz quadrada do erro médio normalizado (NRMSE). Os resultados da caracterização gravimétrica indicaram uma forte relação entre a fração do componente “outros” que representaram a maior porcentagem em toda as idades de aterramento, com exceção para o resíduo fresco, enquanto a matéria orgânica levou destaque para o resíduo fresco, sendo reduzido ao longo dos anos de aterramento. Quanto ao lixiviado, o Aterro Sanitário em estudo apresenta condições e características exclusivas que variam com os tipos de resíduos depositados, e em função das condições climáticas da região semiárida, possuindo um acelerado processo biodegradativo, baixas taxas de geração de lixiviado e um elevado potencial poluidor. Através da verificação das métricas de desempenho, foram selecionadas as melhores RNA para a predição de cada variável desejada. As RNA selecionadas para predição da DBO, DQO e NAT possuíram bons desempenho e podem ser utilizadas para análise das características do lixiviado, já para a predição da vazão, recomenda-se a inserção de mais variáveis que possam aperfeiçoar o coeficiente de determinação (R²), entre os dados observados e preditos.
Abstract: Due to the physical, chemical and biological processes that Municipal Solid Waste (MSW) are subjected to during their degradation in landfills, leachate is a byproduct considered extremely complex, due to its toxic composition and variability over the years. However, it is necessary to know and monitor it because all information about the leachate is valuable and contributes to the development of techniques and application of technologies adapted for the treatment of this effluent. Faced with the problem that involves the exposure of those who handle it, the costs associated with monitoring, and aiming at the possibility of reducing the frequency of leachate collections, in addition to helping to speed up responses to tests that can take days, Artificial Neural Networks (ANN ) can be an alternative in obtaining the characteristics of the leachate. Therefore, this work aims to develop neural models that represent the quantitative characteristics of leachate generated in a landfill located in a semi-arid region of Brazil. In which the collection and characterization of MSW with different landfilling ages and monitoring of waste and leachate were carried out. The meteorological conditions near the landfill were also analyzed. Through leachate monitoring data, it was possible to build experimental databases. In search of better performance for ANN, banks with 125 and 1000 data were synthetically generated, showing the same trend as the original data set. To prepare the data for the generation of ANN, each set of output data corresponding to Biochemical Oxygen Demand (BOD), Chemical Oxygen Demand (COD), Total Ammonia Nitrogen was placed on a common scale, through standardization and normalization. (NAT) and throughput. In this research, variations in the number of neurons in the hidden layer (1 to 20), the algorithms used in training the ANN (trainlm, trainbr, trainingd and trainoss), and the hidden layer activation and output functions (purelin, logsig) were tested. , tansig and elliotsig). And as a performance measure, the following were evaluated, following this order of priorities: the coefficient of determination (R²), mean absolute error (MAE), root mean square error (RMSE) and the square root of the normalized mean error (NRMSE). The results of the gravimetric characterization indicated a strong relationship between the fraction of the “other” component, which represented the highest percentage at all ages of landfilling, with the exception of fresh residue, while organic matter was highlighted in the fresh residue, being reduced to over the years of grounding. As for leachate, the Landfill under study presents exclusive conditions and characteristics that vary with the types of waste deposited, and depending on the climatic conditions of the semi-arid region, having an accelerated biodegradation process, low leachate generation rates and a high polluting potential. . By checking the performance metrics, the best ANN were selected for predicting each desired variable. The ANN selected for predicting BOD, COD and NAT had good performance and can be used to analyze the characteristics of the leachate, while for flow prediction, it is recommended to insert more variables that can improve the coefficient of determination (R²) , between the observed and predicted data.
Keywords: Chorume
Dados sintéticos
Redes Neurais Artificiais
Semiárido
Slurry
Synthetic data
Artificial Neural Networks
Arid
Lixiviado de aterro sanitário
Modelagem neural dinâmica
Medida de performance
Algoritmo trainlm
Algoritmo trainbr
Algoritmo traingd
Algoritmo trainoss
Demanda bioquímica de oxigênio
Demanda química de oxigênio
Nitrogênio amoniacal total
Coeficiente de determinação
Erro absoluto médio
Erro da raiz quadrática média
Raiz quadrada do erro médio normalizado
???metadata.dc.subject.cnpq???: Engenharia Civil e Ambiental
URI: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/32676
Appears in Collections:Doutorado em Engenharia Civil e Ambiental

Files in This Item:
File Description SizeFormat 
AMANDA PAIVA FARIAS TESE (PPGECA) 2023.pdf6.75 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.