DESENVOLVIMENTO E APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS

PARA A OTIMIZAÇÃO NO GERENCIAMENTO DE UMA ESTAÇÃO DE

TRATAMENTO DE ÁGUA
DEVELOPMENT AND APPLICATION OF ARTIFICIAL NEURAL NETWORK IN
OPTIMIZATION OF THE MANAGEMENT OF WATER TREATMENT PLANTS
Alexandre Botari 1, Renan Jeferson Paneco2, Janaina Conversani Botari 3

Abstract  This work presents the mathematical modeling A rede neural artificial tem características de uma rede
of particle removal in optimization of the manegement of do tipo Perceptron Multicamadas (MLP – Multi Layers
water treatment plant, through the development of an Perceptron), programada na linguagem do software Matlab.
artificial neural network. The artificial neural network (Ann) As redes neurais artificiais têm sua concepção
of type Multilayer Perceptron (MLP-Multi Layer computacional inspirada nos sistemas nervosos biológicos.
Perceptron) was programmed in the language of Os neurônios são as chamadas unidades fundamentais nas
mathematical software MatLab. The RNA was trained with Redes Neurais Artificiais (RNA).
experimental data obteined from the filtration in installation Nos sistemas biológicos, os neurônios estão presentes
of double filtration runs on a pilot scale. Later, the data nos tecidos nervosos, incluindo o cérebro. A RNA é uma
were used in a drink water conventional treatment plant in rede computacional inspirada em uma rede neural biológica,
the city of Umuarama-PR. During the training was analyzed o cérebro, este por sua vez é um sistema complexo, não
the behavior of the RNA depending on the amount of linear e paralelo. Ele é altamente capaz de receber dados,
neurons and in relation to the activation function, making processar, organizar e relacionar os mesmos, além de
changes in your search optimization. The results obtained realizar um processo de aprendizagem através de ações
were satisfactory, with coefficients of determination (R²) rotineiras executadas. Estas características são imitadas por
between 93 and 99%, using eight, twenty-five and fifty técnicas computacionais a fim de encontrar resultados mais
intermediate layer neurons, with the RNA working activation precisos. Definindo basicamente uma rede neural:
functions, tangent linear and logarithmic sigmoidal. Uma rede neural é um processador robusto que
funciona com distribuição paralela e é constituído de
Index Terms  RNA, direct filtration, doble filtration, MLP, unidades de processamento simples, cuja função precípua é a
particle removal. de armazenar um histórico na forma de experimentação ou
aprendizagem para posteriormente torná-lo disponível em
INTRODUÇÃO decisões futuras.
Considerando um sistema biológico o neurônio é uma
A água constitui fonte de valor econômico essencial célula fundamental da rede neural, nele está contido o núcleo
para a manutenção da existência humana, e durante anos chamado também de soma, os dendritos que são filamentos
ponderou-se que a escassez da água potável era impossível. que se conectam a outras células e um filamento mais longo
Água potável é um direito fundamental de todo cidadão, chamado axônio que simplesmente faz uma conexão mais
logo a preocupação com a boa distribuição e excelente longa, o conjunto dessas conexões é chamado de sinapses.
qualidade é grande e essencial. A busca por melhoramentos A rede funciona a partir das sinapses que liberam
no processo de tratamento da água é fundamental para a substâncias químicas transmissoras para os dendritos onde
otimização do processo reduzindo custos e desperdícios, ocorrem os pulsos elétricos, chamados potenciais de ação,
além de contribuir para uma melhor qualidade do produto. que vão para os axônios.
O foco do trabalho consiste na criação de uma rede As Redes Neurais Artificiais (RNA) são sistemas
neural artificial para a modelação matemática do processo de paralelos distribuídos compostos por unidades de
filtração direta ascendente. processamento simples, os chamados neurônios, que
realizam operações matemáticas lineares ou não lineares. Na
maioria dos modelos matemáticos que utilizam RNAs, estes
1
Alexandre Botari, Professor Adjunto do Departamento de Tecnologia DTC da Universidade Estadual de Maringá Campus Umuarama, Av. Ângelo Moreira
da Fonseca, 1800 Bairro: Zona VII CEP: 87506-370 Umuarama-PR Fone/fax (44)-36219314, abotari@uem.br
2
Renan Jeferson Paneco, Aluno do curso de Engenharia Civil da Universidade Estadual de Maringá – Campus Umuarama, Av. Ângelo Moreira da Fonseca,
1800 Bairro: Zona VII CEP: 87506-370 Umuarama-PR Fone/fax (44)-36219314, renanpaneco@hotmail.com
3
Janaina Conversani Botari, Professora Me. do Departamento de Tecnologia DTC da Universidade Estadual de Maringá Campus Umuarama, Av. Ângelo
Moreira da Fonseca, 1800 Bairro: Zona VII CEP: 87506-370 Umuarama-PR Fone/fax (44)-36219314, jcbotari2@uem.br

DOI 10.14684/INTERTECH.24.2016.284-288
© 2016 COPEC February 28 – March 02, 2016, Salvador, BRAZIL
XIV International Conference on Engineering and Technology Education
284
 neurônios estão associados unidirecionalmente através de camada única; redes alimentadas diretamente com múltiplas
conexões associadas a pesos, os quais armazenam o camadas; redes recorrentes.
conhecimento por meio do modelo e ponderam a entrada As redes com uma única camada, os neurônios estão
recebida em cada neurônio organizados em forma de camadas no qual apresenta apenas
As redes neurais artificiais funcionam basicamente da uma camada, já nas redes com múltiplas camadas encontra-
mesma forma, tem como componente principal os neurônios se mais camadas interligadas entre si, na Figura 3 está
que são conectados por links ou conexões sinápticos onde representada uma rede do tipo múltiplas camadas. As redes
cada um deles tem quantidades associadas denominadas recorrentes são diferentes das demais por ter um laço de
pesos sinápticos. realimentação, os neurônios enviam se sinal de saída para a
A estrutura e os componentes de um neurônio estão entrada de outros neurônios.
representados na Figura 1: Os algoritmos de aprendizagem, de acordo com [1], é
um conjunto preestabelecido de regras bem definidas para a
Função de
ativação solução de um problema de aprendizagem é denominado um
X1 W1 algoritmo de aprendizagem.
u Não há apenas um único algoritmo de aprendizagem,
X2 W2 ∑ φ (.) y
Sinais existem vários algoritmos formulados de forma específica
de Saída
entrada
para os mais variados trabalhos.
Somatório
Uma rede neural que não deixa de ser uma inteligência
artificial tem três características ou mesmo funções básicas,
Xp Wp
ө são elas representação, raciocínio e aprendizagem. A RNA
pesos Limiar
sinápticos
deve colher informações, armazena-las, associá-las com o
intuito de resolver problemas e aprender de acordo com o
FIGURA 1 treinamento.
MODELO NÃO LINEAR DE UM NEURÔNIO

No neurônio k é possível identificar os sinais de

entrada (x), os pesos sinápticos (w), a combinação linear
entre os sinais e os pesos sinápticos (uk), a saída (yk) e a
função de ativação (g(.)). Existem três funções de ativação
que são mais usadas: a=pureline(n), a=logsig(n) e a
tansig(n), que estão representadas graficamente
representadas na Figura 2:
Camadas de
neurônios de saída
Camadas de
Camadas de neurônios ocultos
entrada de nó de
a a a fonte
+1 +1 +1 FIGURA 3
REDE ALIMENTADA ADIANTE OU ACICLICA TOTALMENTE CONECTADA COM
n n n UMA CAMADA OCULTA E UMA CAMADA DE SAÍDA
0 0 0

-1 -1 -1
A aprendizagem acontece de acordo com a formação
do algoritmo de aprendizagem que executa basicamente três
a=purelin(n) a=logsig(n) a=tansig(n) tarefas: apresenta os estímulos esternos a rede; muda os
pesos como resultados dos estímulos (estas mudanças
(a) (b) (c) acontecem de acordo com a regra de aprendizado); avalia a
resposta da rede de acordo com as mudanças. O processo de
FIGURA 2 aprendizagem da RNA pode ser divido em três subconjuntos
FUNÇÕES DE ATIVAÇÃO que são treinamento, teste e validação, o treinamento está na
parte mais importante da construção da RNA, nele estão os
Pode-se identificar cada função na Figura 2 como: (a) dados que atualizam os pesos e deve ser capaz de cobriras
função Linear, (b) função Log-sigmoidal e (c) Tangente possíveis variações do problema, esta tarefa de corrigir os
hiperbólica sigmoidal. pesos acontecem em ciclos que são chamados de épocas. Os
As redes neurais são estruturadas de acordo com o outros conjuntos se encarregam com a verificação da
número de neurônios que estão interligados com o algoritmo aprendizagem da rede. [2]
de aprendizagem, estas estruturas ou arquiteturas de redes A normalização dos dados deve ser feito dentro de um
podem ser classificadas em: redes alimentadas adiante com intervalo para que não haja dispersão ou sobreposição, este

© 2016 COPEC February 28 – March 02, 2016, Salvador, BRAZIL

XIV International Conference on Engineering and Technology Education
285
intervalo é determinado pela função de ativação, como por
exemplo, a função tansig com intervalo de (-1,1). [2]
Por ser bem mais eficiente em vários sentidos a
filtração direta ascendente é mais utilizada. [3]
METODOLOGIA
No trabalho utilizou-se da linguagem de programação
do software Matlab, a elaboração da RNA e o treinamento
foi feito através do programa Matlab R2011b.
O treinamento da rede foi realizado por meio de dados
obtidos de uma filtração direta ascendente contendo
informações sobre tempo de duração (h), temperatura da
água (ºC), pH coagulante, pH AE, a turbidez (uT) de acordo
com o ponto de coleta, perda de carga a 25 ºC (cm).
FIGURA 4
DESENHO ESQUEMÁTICO DO FILTRO ASCENDENTE DE DUPLA FILTRAÇÃO
FONTE: [3][4]
A Figura 13 representa um filtro ascendente, composto
por pontos de coleta de amostras denominadas por Cn, no
qual n é a camada utilizada, no ponto Coagulada coleta-se a
água bruta coagulada e Pn são pontos de tomadas
piezométricas no topo da camada logo identificado por n+1.
A filtração foi feita com dois tipos de água com turbidez de
100 uT e 300 uT, respectivamente.[3]
O nível de turbidez foi analisado a cada ponto de coleta
por um turbidímetro, nota-se que a maior parte da perda de
carga ocorre no início da filtração, nas primeiras camadas
dos filtros, na C1 a perda de carga se mostra mais acentuada,
no entanto nas camadas C2 e C3 os níveis de filtração não
são tão eficazes quanto na camada C1, mas os resultados são
satisfatórios, na C4, C5 e C6 a retenção de partículas foi
© 2016 COPEC
XIV International Conference on Engineering and Technology Education
quase que desnecessárias devido à boa qualidade da filtração
nas três primeiras camadas. [3]
O trabalho da RNA é relacionar as perdas de carga
através da análise dos níveis de turbidez com o objetivo de
expressar matematicamente o funcionamento do filtro para
um melhor entendimento no processo da captação de
partículas na filtração e assim possivelmente melhorar a
qualidade do mesmo.
A RNA foi treinada com uma associação de quantidade
de neurônios e as funções de ativação. Treinou-se a RNA
com 15, 28 e 50 neurônios das quais foram relacionadas e
com as três funções: linear, log-sigmoidal e tangente
hiperbólica sigmoidal.
Os testes foram feitos para cada relação de
neurônios/função até encontrar bons resultados e assim
analisa-los e determinar qual relação é mais viável para a
execução da RNA.
Foram inseridos os dados da filtração e o vetor de
saída, logo será um treino supervisionado, os vetores de
entrada e saída, são dados de turbidez, característica da água
escolhida para a avaliação da perda de carga.
RESULTADOS
Os resultados obtidos através do treinamento com 8
neurônios e uma função de ativação tagsig são satisfatórios
Os valores da rede se ajustam aos valores
experimentais, mantendo praticamente a mesma rotina,
quanto melhor a correlação entre os valores obtidos, mais
perto do valor unitário será o R², caracterizando um
excelente desempenho da RNA.
O coeficiente R² é um coeficiente de determinação, um
indicador do grau de correspondência entre os valores
estimados e os dados experimentais. Quanto mais próximo
do valor unitário for R², mais confiável será a regressão ou
linha de tendência. [4]
A Tabela 1 apresenta os valores de R² do treinamento
da RNA. O erro de determinação do objetivo absoluto foi
programado para 3.6 x 10-5, em 50% dos treinamentos a
RNA alcançou o objetivo determinado.
TABLELA 1
COEFICIENTES DE DETERMINAÇÃO R² NO TREINAMENTO COM A FILTRAÇÃO
ASCENDENTE DA FIGURA 4
R² (%)
93,34
96,63
98,20
98,54
99,38
Média 98,55
Nas Figuras 5 está representado o treinamento da rede
(BKP). No treinamento pode-se notar que a RNA obtém
excelentes resultados de acordo com o número de amostras e
a concentração de turbidez, os resultados da RNA e o
experimental seguem praticamente iguais, os dados são
February 28 – March 02, 2016, Salvador, BRAZIL
286
oriundos da Estação de Tratamento de água – (ETA) de Training: R=0.98511
1
Umuarama-PR. Data
A parir da Figura 6 até a Figura 11, pode-se notar que 0.95 Fit
Y=T
com o treinamento a RNA passa por um processo de 0.9
aprendizagem até conseguir encontrar valores que satisfação

Output ~= 0.95*Target + 0.035

o objetivo e comparando os vetores de entrada e saída 0.85

obteve valores com R² acima de 96% para os dados oriundos 0.8

da ETA de Umuarama-PR.
0.75

0.7

Best Training Performance is 2.6623e-005 at epoch 199997

0.65
Train
0 Best 0.6
10
Goal
0.55
Mean Squared Error (mse)

0.5
-2 0.5 0.6 0.7 0.8 0.9 1
10
Target

FIGURA 7
GENERALIZAÇÃO DA REDE (BKP)
-4
10 Training: R=0.99754
1
Data
0.95 Fit
-6
Y=T
10
Output ~= 0.99*Target + 0.0044 0.9

0.85
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
200000 Epochs x 10
5
0.8
FIGURA 5
0.75
TREINAMENTO DA REDE (BKP)
0.7

0.65
Training: R=0.98207
1
0.6
Data
0.95 Fit
0.55
Y=T
0.9 0.5
0.5 0.6 0.7 0.8 0.9 1
Output ~= 0.95*Target + 0.036

0.85 Target
FIGURA 8
0.8 GENERALIZAÇÃO DA REDE (BKP)
Training: R=0.9974
0.75 1
Data
0.7 0.95 Fit
Y=T

0.65 0.9
Output ~= 0.99*Target + 0.0068

0.6 0.85

0.55 0.8

0.5 0.75
0.5 0.6 0.7 0.8 0.9 1
Target 0.7

0.65
FIGURA 6
GENERALIZAÇÃO DA REDE (BKP) NO INICIO DO TREINAMENTO 0.6

0.55
0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95 1
Target
FIGURA 9
GENERALIZAÇÃO DA REDE (BKP)

© 2016 COPEC February 28 – March 02, 2016, Salvador, BRAZIL

XIV International Conference on Engineering and Technology Education
287
 perto do valor unitário será o R², caracterizando um
Training: R=0.98168
1
excelente desempenho da RNA, é possível notar na Figura
Data 11 a excelência do treinamento.
0.95
Fit A Tabela 2 apresenta os valores de R² das simulações
Y=T
para os dados oriundos da ETA Umuarama - PR. O erro de
determinação do objetivo absoluto foi programado para 3.6 x
Output ~= 0.96*Target + 0.029

0.9
10-7, em 50% dos treinamentos a RNA alcançou o objetivo
0.85
determinado.

0.8
TABLELA 2
COEFICIENTES DE DETERMINAÇÃO R²
Figura R² (%)
0.75
6 98,21
7 98,51
0.7 8 99,75
9 99,74
10 98,17
0.65
11 99,53
Média 98,99
0.65 0.7 0.75 0.8 0.85 0.9 0.95 1
Target Na tabela entre Figuras e seus respectivos R², é
feita a média entre eles, porém nesta média não está
FIGURA 10 relacionada a Figura 6 por estar muito abaixo da média.
GENERALIZAÇÃO DA REDE (BKP)

Training: R=0.99529 CONCLUSÃO

1
Data Os resultados obtidos nos treinamentos, na elaboração
Fit da RNA foram satisfatórios, alcançando excelentes
0.95 Y=T
resultados, com R² entre 96 a 99%, com uma média de 99%,
o que indica que a rede neural foi capaz de generalizar as
Output ~= 0.99*Target + 0.0079

0.9 previsões por meio de um modelo matemático fortemente

0.85
0.8
0.75
0.7
0.7 0.75
FIGURA 11
GENERALIZAÇÃO DA REDE (BKP)
No inicio do processo de aprendizagem a RNA
encontra dificuldades para encontrar o resultado ideal e
chegar à eficiência.
Na Figura 6, o R² foi de 98,27%, logo não é um
resultado satisfatório em relação aos outros resultados que
estão acima de 98%, portanto este treinamento não será
computado no momento de obter a média.
Os valores da rede se ajustam aos valores
experimentais, mantendo praticamente a mesma rotina,
quanto melhor a corelação entre os valores obtidos, mais
representativo da eficiência da ETA – Umuarama-PR no
período considerado.
AGRADECIMENTOS
Os autores agradecem ao Departamento de Tecnologia e o
Centro de Tecnologia da Universidade Estadual de Maringá
– DTC/CTC-UEM.
REFÊNCIAS
[1] HAIKIN, S., Redes Neurais Artificiais Princípios e práticas,
0.8 0.85 0.9 0.95 1 2ªedição, 2000, p. 900.
Target
[2] LIMA, M. M. C., Estimativa de concentração de material particulado
em suspensão na atmosfera pro meio da modelagem de redes neurais,
Dissertação do Programa de Pós-graduação em Saneamento, Meio
Ambiente e Recursos Hídricos, Belo Horizonte: Universidade Federal
de Minas Gerais, 2006, p. 91.
[3] BOTARI, A., DI BERNARDO, L. Modelação da perda de carga na
filtração direta ascendente em meio granular de areia grossa e
pedregulho, Engenharia Sanitária Ambiental, Vol.14, Nº 2, abr/jun
2009, p. 245-256.
[4] BOTARI, A., DI BERNARDO, L. Modelação matemática
macroscópica de perda de carga e da remoção de sólidos suspensos
totais na filtração direta ascendente, Engenharia Sanitária Ambiental,
Vol. 12, Nº 2, abr/jun 2007, p. 149-159
[5] PANECO, R. J.; BOTARI, J. C.; BOTARI, A., Desenvolvimento e
aplicação de redes neurais artificiais para a otimização da filtração
direta no tratamento de água, XII Safety, Health and Environment
World Congress, Vol. 12, jul 2012, São Paulo. p. 556-560.

© 2016 COPEC February 28 – March 02, 2016, Salvador, BRAZIL

XIV International Conference on Engineering and Technology Education
288