Improving membrane fouling control and ammonia removal on membrane bioreactors from a data-driven approach

Abstract

Biorreatores com membrana (BRM) têm sido aplicados com sucesso no tratamento de esgotos e de efluentes industriais. No entanto, apesar de sua ampla aplicação, esta tecnologia ainda é restrita pela incrustação da membrana. Como o controle da incrustação é uma tarefa complexa e que demanda a investigação de um grande conjunto de variáveis frequentemente correlacionadas, a aplicação de técnicas de inteligência artificial (AI) e de aprendizado de máquina (ML) é uma boa alternativa para melhor monitorar e controlar a incrustação nesses sistemas. Além disso, o reuso da água tratada é um importante desafio para as indústrias contemporâneas e, consequentemente, alcançar efluentes tratados de alta qualidade é fundamental. Em especial para as refinarias de petróleo, a remoção de amônia é um árduo desafio, que também está relacionado a uma série de variáveis que impactam no desempenho do BRM. Portanto, modelos de AI/ML são também uma boa alternativa para monitorar e controlar a remoção de amônia. Logo, este trabalho se propõe a auxiliar a definição de estratégias para melhor controle da incrustação da membrana e da remoção de amônia em BRM aplicando técnicas de AI/ML, especificamente Análise por Componentes Principais (ACP), Redes Neurais Artificiais (RNA) e Controle Estatístico de Processos Multivariado (CEPM). Para tanto, dados de monitoramento de um BRM em escala piloto atuando em uma refinaria de petróleo foram considerados. Os modelos foram desenvolvidos em R e aplicados para investigar diferentes relações entre variáveis, modelar o comportamento do sistema e detectar e diagnosticar falhas relacionadas à incrustação e à baixa remoção de amônia, a fim de compreender suas principais causas e propor estratégias eficientes para o seu controle. O modelo ACP identificou as variáveis filtrabilidade do lodo, temperatura e número de dias sem limpeza química como as mais influentes na incrustação da membrana e foi eficaz na previsão do desempenho do BRM (R² = 0,71 e Q² = 0,78), permitindo detectar amostras atípicas e identificar problemas operacionais. As cartas de controle T² e Q detectaram 100 e 96%, respectivamente, da operação com baixa permeabilidade da membrana, ressaltando sua alta capacidade de detecção de falhas. As cartas de controle também foram capazes de alertar preventivamente sobre a diminuição da permeabilidade, logo elas podem ser utilizadas para guiar a tomada de decisão em relação ao controle da incrustação, orientando, por exemplo, quando realizar limpezas químicas e/ou dosar melhoradores de permeabilidade. Em relação à remoção de amônia, os modelos RNA e ACP identificaram que a concentração de óleos e graxas e a demanda química de oxigênio (DQO) afluentes, em conjunto com a permeabilidade da membrana, contribuem para menores remoções de amônia, enquanto tempo de retenção de lodo e temperatura estão relacionados a maiores remoções. O modelo RNA também previu efetivamente a remoção de amônia a partir de um conjunto de condições operacionais, com R² igual a 0,87. Além disso, a carta de controle Q detectou 100% da operação com remoções inferiores a 85%, o que poderia possibilitar uma atuação mais efetiva no sistema, por exemplo ajustando a temperatura e/ou mantendo maiores tempos de retenção do lodo, e evitar que a remoção desse poluente atingisse níveis mais baixos. Portanto, conclui-se que a modelagem de BRM por meio de AI e ML é uma interessante ferramenta para monitorar, compreender e prever o comportamento do sistema. Os modelos construídos a partir de RNA, ACP e CEPM podem ser aplicados como ferramentas de apoio à tomada de decisão quanto ao controle da incrustação da membrana e melhora da remoção de amônia, contribuindo para melhores desempenhos e, consequentemente, para operações mais eficientes de BRM.