Utilização de modelos de Deep Learning para prever os parâmetros do reator do digestor de lamas anaeróbias: um problema de séries temporais
| dc.contributor.advisor | Novais, Paulo | |
| dc.contributor.author | Lucas, Duarte Augusto Rodrigues | |
| dc.date.accessioned | 2026-01-14T17:17:31Z | |
| dc.date.issued | 2025-01-16 | |
| dc.date.submitted | 2024-10 | |
| dc.description.abstract | A otimização dos digestores anaeróbios em reatores de lamas não só é essencial para garantir o tratamento eficiente dos afluentes, como também desempenha um papel fundamental na produção de energia renovável. O biogás gerado no processo de digestão anaeróbia, composto principalmente por percentagem de metano (%CH4), pode ser capturado e convertido em energia, contribuindo para a redução da dependência de fontes energéticas não renováveis. Desta forma, a gestão eficiente destes sistemas permite não só cumprir os padrões regulatórios de qualidade ambiental, mas também promover a sustentabilidade energética, maximizando a produção de biogás e, consequentemente, o aproveitamento de uma fonte de energia limpa e renovável. A aplicação de técnicas avançadas, como o Deep Learning (DL) em conjunto com séries temporais, apresenta um grande potencial para melhorar a previsão e gestão de sistemas complexos. O DL, com a capacidade de aprender autonomamente a partir de dados complexos, aliado à análise de séries temporais, que permite a compreensão de padrões ao longo do tempo, oferecem uma valiosa ferramenta para otimizar a previsão e gestão de parâmetros nos digestores de lamas anaeróbias. Essa combinação de técnicas possibilita uma resposta mais precisa e adaptativa às variações nas condições operacionais, contribuindo para a eficiência global do sistema. Deste modo, esta dissertação foca-se na implementação de diversos modelos de DL, incluindo Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Perceptron Multicamadas (MLP), Redes LSTNet (Long- and Short-term Time-series Network) e Redes Neurais Convolucionais Temporais (TCN), para a previsão dos valores de %CH4 e da concentração de biomassa ativa (Xc) resultantes da digestão anaeróbia realizada no digestor para os proximos dois dias, utilizando uma abordagem multistep recursive forecaste. Após a análise comparativa dos modelos candidatos, verificou-se que os modelos baseados em CNN alcançaram os melhores resultados na previsão tanto dos valores de %CH4 como de Xc, destacando-se pela sua eficácia e precisão, com um valor de Root Mean Square Error (RMSE) de 0.0667% e 1028.06 mgO2/L respetivamente. | por |
| dc.description.abstract | The optimization of anaerobic digesters in sludge reactors is not only essential to ensure the efficient treatment of effluents, but also plays a key role in the production of renewable energy. The biogas generated in the anaerobic digestion process, composed mainly of methane (CH4), can be captured and converted into energy, helping to reduce dependence on non-renewable energy sources. In this way, the efficient management of these systems makes it possible not only to comply with regulatory environmental quality standards, but also to promote energy sustainability, maximizing biogas production and, consequently, the use of a clean and renewable energy source. The application of advanced techniques such as Deep Learning (DL) in conjunction with time series has great potential for improving the prediction and management of complex systems. DL, with its ability to learn autonomously from complex data, combined with time series analysis, which allows patterns to be understood over time, offers a valuable tool for optimizing the prediction and management of parameters in anaerobic sludge digesters. This combination of techniques enables a more precise and adaptive response to variations in operating conditions, contributing to the overall efficiency of the system. This work therefore focuses on the implementation of various DL models, including Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Multilayer Perceptron (MLP), Long- and Short-term Time-series Networks (LSTNet) and Temporal Convolutional Neural Networks (TCN), for predicting %CH4 values and the concentration of active biomass (Xc) resulting from the anaerobic digestion carried out in the digester. After comparative analysis of the candidate models, it was found that the CNN-based models achieved the best results in predicting both %CH4 and Xc values, standing out for their effectiveness and accuracy, with a Root Mean Square Error (RMSE) value of 0.0667% and 1028.06 mgO2/L respectively. | eng |
| dc.description.sponsorship | Este projeto foi parcialmente apoiado por Fundos Nacionais através da agência de financiamento portuguesa, FCT - Fundação para a Ciência e a Tecnologia, dentro do projeto AIM4WATER, com a referência 2022.06822.PTDC (https://doi.org/10.54499/2022.06822.PTDC). | |
| dc.identifier.tid | 203994795 | |
| dc.identifier.uri | https://hdl.handle.net/1822/99135 | |
| dc.language.iso | por | |
| dc.relation | Hybrid models implementation to reduce the impact of wastewaters treatment in receiving waters [2022.06822.PTDC] | |
| dc.rights | openAccess | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/4.0/ | |
| dc.subject | Aprendizagem profunda | |
| dc.subject | Digestão anaeróbia | |
| dc.subject | Estação de Tratamento de Águas Residuais | |
| dc.subject | Inteligência artificial | |
| dc.subject | Séries temporais | |
| dc.subject | Anaerobic digestion | |
| dc.subject | Artificial intelligence | |
| dc.subject | Deep learning | |
| dc.subject | Time series | |
| dc.subject | Wastewater treatment plant | |
| dc.subject.fos | Engenharia e Tecnologia | |
| dc.title | Utilização de modelos de Deep Learning para prever os parâmetros do reator do digestor de lamas anaeróbias: um problema de séries temporais | por |
| dc.type | masterThesis | |
| dspace.entity.type | Publication | |
| oaire.awardNumber | 2022.06822.PTDC | |
| oaire.awardTitle | Hybrid models implementation to reduce the impact of wastewaters treatment in receiving waters [2022.06822.PTDC] | |
| oaire.awardURI | https://hdl.handle.net/1822/97924 | |
| oaire.funderIdentifier | http://doi.org/10.13039/501100001871 | |
| oaire.funderName | Fundação para a Ciência e a Tecnologia, I.P. | |
| oaire.fundingStream | Concurso de Projetos de I&D em Todos os Domínios Científicos - 2022 - ICDT | |
| oaire.fundingStream | Concurso de Projetos de I&D em Todos os Domínios Científicos - 2022 | |
| relation.isProjectOfPublication | 24a515f9-3905-45b9-bcab-ff48197ed8c7 | |
| relation.isProjectOfPublication.latestForDiscovery | 24a515f9-3905-45b9-bcab-ff48197ed8c7 | |
| sdum.degree.grade | 18 valores | |
| sdum.uoei | Escola de Engenharia | |
| thesis.degree.grantor | Universidade do Minho | por |
| thesis.degree.name | Mestrado em Engenharia Informática |
Ficheiros
Pacote original
1 - 1 de 1
A carregar...
- Nome:
- Duarte Augusto Rodrigues Lucas.pdf
- Tamanho:
- 6.96 MB
- Formato:
- Adobe Portable Document Format