Un nouvel outil logiciel puissant, capable de prédire avec précision les performances des biofiltres utilisés par l'industrie de l'eau, pourrait réduire le défi lié au maintien de la pureté de l'eau du robinet.
Des chercheurs de la James Watt School of Engineering de l'Université de Glasgow ont développé cet outil, appelé Environmental Buckingham Pi Neural Network, ou EnviroPiNet.
Il utilise des techniques d’apprentissage automatique associées à une modélisation physique sophistiquée pour prédire la capacité des biofiltres à éliminer les composés organiques carbonés de l’eau avec une précision allant jusqu’à 90 %. L'outil est désormais disponible en ligne pour une utilisation gratuite.
Les biofiltres sont utilisés dans les installations de traitement de l'eau pour éliminer les contaminants des eaux usées avant qu'elles ne soient renvoyées dans les robinets domestiques sous forme d'eau potable pure. Les composés organiques du carbone sont un polluant courant qui se retrouve dans l’eau via les déchets humains, l’agriculture et l’industrie.
Les biofiltres sont une méthode respectueuse de l’environnement pour éliminer le carbone et autres contaminants de l’eau. Ils sont recouverts de couches de bactéries qui captent et consomment le carbone des eaux usées lors de leur passage. Leurs performances se dégradent avec le temps à mesure que les déchets s'accumulent, ce qui signifie que les biofiltres doivent être surveillés de près pour garantir que la qualité de l'eau ne se dégrade pas avec eux.
Être capable de modéliser avec précision les performances des biofiltres dans des applications réelles pourrait aider l'industrie de l'eau à prendre des décisions plus éclairées sur la manière dont ils sont utilisés et le moment où ils sont remplacés. Cependant, le développement d'outils logiciels pour faciliter ces tâches a été freiné par le manque de données de haute qualité sur l'environnement physique complexe des installations de traitement des eaux usées.
Dans un nouvel article publié dans la revue Rapports scientifiquesl'équipe montre comment EnviroPiNet combine un théorème mathématique appelé Buckingham Pi avec l'apprentissage automatique pour faire des prédictions précises sur les performances des biofiltres malgré les données rares disponibles.
Le Dr Fabien Cholet, Domenic Quinn, le professeur Cindy J Smith, le professeur Siming You et le professeur William T Sloan de la James Watt School of Engineering sont les co-auteurs de l'article. L'article de l'équipe s'intitule « Un modèle d'apprentissage automatique guidé par des principes physiques pour la prédiction des performances des biofiltres ».
L’équipe a compilé un ensemble de données sur les performances des biofiltres tirées de la littérature de recherche antérieure et de leurs propres tests en laboratoire, qu’elles ont utilisé pour entraîner l’algorithme d’apprentissage automatique. Ils ont utilisé 80 % des données disponibles pour enseigner le modèle et, une fois formés, ont validé ses performances en testant sa capacité à modéliser les données dans les 20 % restants de l'ensemble de données.
EnviroPiNet a pu prédire avec précision les performances du biofiltre dans 90 % du temps, une nette amélioration par rapport aux autres modèles testés par l'équipe en utilisant le même ensemble de données. La deuxième meilleure performance utilisant les méthodes basées sur PCA a atteint une précision de 50 %, tandis que les techniques d'encodage automatique n'ont atteint que 20 %.
Uzma, de la James Watt School of Engineering de l'Université de Glasgow, est l'auteur correspondant de l'article. Elle a déclaré : « Les biotechnologies environnementales présentent des défis uniques, car elles impliquent des systèmes microbiens complexes et dépendent souvent de données collectées dans des conditions limitées ou contrôlées.
« Ce manque de données diverses et à haute variabilité peut rendre les modèles prédictifs moins généralisables et réduire leur précision dans des scénarios réels. Même avec les méthodes modernes de surveillance à haute résolution, les problèmes de qualité, d'intégration et de représentativité des données persistent, soulignant la nécessité d'améliorer les stratégies de données pour améliorer les performances du modèle.
« EnviroPiNet est le premier outil de ce type à démontrer des prévisions très précises à partir des données disponibles, ce qui constitue un résultat très encourageant. Nous travaillons actuellement avec des partenaires de l'industrie de l'eau pour trouver des moyens de tester les performances d'EnviroPiNet dans des conditions réelles.
« Nous espérons qu'il s'agira d'un outil précieux pour aider à affiner les performances des biofiltres afin de maximiser leurs performances sans tests physiques coûteux et complexes, réduisant ainsi les coûts et augmentant l'efficacité sans compromettre la qualité de l'eau. »
L’équipe explore déjà la manière dont EnviroPiNet pourrait être adapté à d’autres utilisations, notamment dans les établissements de soins de santé.
