sistema especialista para aplicaÇÃo de … · figura 7. vertedores parshall ..... 20 figura 8....
TRANSCRIPT
UNIVERSIDADE FEDERAL DE MATO GROSSO
FACULDADE DE ARQUITETURA, ENGENHARIA E TECNOLOGIA
PROGRAMA DE PÓS-GRADUAÇÃO EM RECURSOS HÍDRICOS
SISTEMA ESPECIALISTA PARA APLICAÇÃO DE COAGULANTE NO
TRATAMENTO DE ÁGUA: IMPLEMENTAÇÃO EM TEMPO REAL
RICARDO AUGUSTO MORAES ZAQUE
Cuiabá - MT
Março/2018
RICARDO AUGUSTO MORAES ZAQUE
SISTEMA ESPECIALISTA PARA APLICAÇÃO DE COAGULANTE NO
TRATAMENTO DE ÁGUA: IMPLEMENTAÇÃO EM TEMPO REAL
Área de Concentração: Recursos Hídricos, Manejo e Conservação.
Linha de Pesquisa: Hidráulica e Saneamento.
Dissertação apresentada ao Programa de Pós-
Graduação em Recursos Hídricos da Universidade
Federal de Mato Grosso para obtenção do título de
mestre em Recursos Hídricos.
Orientador: Welitom Ttatom Pereira da Silva
Cuiabá-MT
Março/2018
Dados Internacionais de Catalogação na Fonte.
Ficha catalográfica elaborada automaticamente de acordo com os dados fornecidos pelo(a) autor(a).
Permitida a reprodução parcial ou total, desde que citada a fonte.
Z35s Zaque, Ricardo Augusto Moraes.
Sistema Especialista para aplicação de coagulante no tratamento de água: implementação em tempo real / Ricardo Augusto Moraes Zaque. -- 2018
94 f. : il. color. ; 30 cm.
Orientador: Welitom Ttatom Pereira da Silva. Dissertação (mestrado) - Universidade Federal de Mato Grosso,
Instituto de Ciências Exatas e da Terra, Programa de Pós-Graduação em Recursos Hídricos, Cuiabá, 2018.
Inclui bibliografia.
1. Controle de dosagem. 2. Sulfato de alumínio. 3. Arduino. 4. Inteligência Artificial. I. Título.
AGRADECIMENTOS
Quero agradecer primeiramente a DEUS, que me possibilitou a conclusão do curso e
esteve ao meu lado, conduzindo-me e fortalecendo-me nos, não raros, momentos de fraqueza.
Agradeço a minha família, sobretudo à minha mãe, meu pai e minha namorada, que me
incentivaram e compreenderam a minha ausência continuada. Sem o apoio familiar seria muito
difícil dedicar-me à pesquisa.
Ao professor Welitom Ttatom Pereira da Silva pela participação efetiva e orientação na
pesquisa, apontando caminhos e proporcionando condições adequadas ao desenvolvimento dos
trabalhos. Também agradeço pelo tratamento de amigo que sempre me ofereceu.
Aos professores Aldecy de Almeida Santos e Marco Antonio Almeida de Souza pela
contribuição crítica na etapa de consolidação da ideia e direcionamento de pesquisa.
Aos professores do PPGRH por contribuir com meu crescimento ao longo do curso.
Aos amigos e companheiros do PPGRH que se fizeram presentes durante o curso.
Aos funcionários da ESAN (Empresa de Saneamento de Nobres) pelo auxílio na
obtenção do conhecimento necessário ao desenvolvimento do trabalho.
Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), pelo
auxílio financeiro que permitiu a realização da pesquisa vinculada ao Processo CNPq
420415/2016-5.
RESUMO
Na maioria dos municípios brasileiros, o serviço de abastecimento de água é proveniente de
mananciais superficiais, o que, naturalmente, implica em demandas de infraestrutura e recursos
humanos, especialmente, para o tratamento de água. Em um contexto de carências significativas
(infraestrutura e recursos humanos), metodologias auxiliares e/ou substitutas são de grande
valia. Este trabalho teve por objetivo desenvolver um Sistema Especialista (SE) para determinar
e aplicar a dose de coagulante, em tempo real, em uma Estação de Tratamento de Água (ETA).
Para isso, o SE foi desenvolvido, implementado e avaliado em um estudo de caso, que foi
escolhido a ETA da cidade de Nobres, no Estado de Mato Grosso. Como resultado foi obtido
um SE, denominado IAD-SA (Inteligência Artificial para Dosagem de Sulfato de Alumínio),
adequado (certificado pelo teste de Turing), capaz de determinar e aplicar a dose de coagulante
no tratamento de água. Como conclusão, o IAD-SA revelou-se capaz de contribuir com a
operação da ETA-Nobres e poderá contribuir com outras ETAs, tomando decisão e aplicando
a dose de coagulante necessária para o tratamento da água.
Palavras-chave: controle de dosagem, sulfato de alumínio, Arduino, inteligência artificial.
ABSTRACT
In most Brazilian municipalities, the water supply service comes from surface water sources,
which, of course, implies demands for infrastructure and human resources, especially for the
treatment of water. In a context of significant deficiencies (infrastructure and human resources)
ancillary methodologies and/or substitutes are of great value. This work aimed to develop an
Expert System (ES) to determine and apply the coagulant dose, in real time, in a Water
Treatment Plant (WTP). For this, the ES was developed, implemented and evaluated in a case
study, which was chosen the WTP of the city of Nobres, in the State of Mato Grosso. As a
result, an ES, called IAD-SA (Artificial Intelligence for Dosage of Aluminum Sulphate), was
obtained (certified by the Turing test), capable of determining and applying the dose of
coagulant in the treatment of water. As a conclusion, IAD-SA was able to contribute to the
operation of WTP-Nobres and could contribute with other WTPs, making a decision and
applying the dose of coagulant necessary for the treatment of water.
Keywords: dosage control, aluminum sulfate, Arduino, artificial intelligence.
SUMÁRIO
1. INTRODUÇÃO ............................................................................................................ 14
2. OBJETIVOS ................................................................................................................. 15
2.1. Objetivo geral ............................................................................................................... 15
2.2. Objetivos específicos .................................................................................................... 15
3. FUNDAMENTAÇÃO TEÓRICA ................................................................................ 16
3.1. Tecnologias de tratamento de água ............................................................................... 16
3.2. Tecnologia de ciclo completo ....................................................................................... 17
3.3. Unidade de mistura rápida ............................................................................................ 17
3.3.1. Mistura rápida mecanizada ........................................................................................... 18
3.3.2. Mistura rápida hidráulica com malha de fios redondos ................................................ 18
3.3.3. Mistura rápida hidráulica em vertedor retangular ........................................................ 19
3.3.4. Mistura rápida hidráulica em vertedor Parshall ............................................................ 20
3.3.5. Mistura rápida hidráulica por meio de injetor .............................................................. 20
3.3.6. Mistura rápida com dispositivos especiais ................................................................... 21
3.4. Coagulação ................................................................................................................... 22
3.4.1. Fatores que influenciam a coagulação .......................................................................... 23
3.4.2. Coagulantes ................................................................................................................... 23
3.4.3. Mecanismos da coagulação .......................................................................................... 24
3.5. Técnicas de dosagem de coagulantes ........................................................................... 25
3.6. Teste de jarros ............................................................................................................... 27
3.7. Mineração de dados ...................................................................................................... 29
3.7.1. Árvore de decisão ......................................................................................................... 30
3.7.2. Regras de Produção ...................................................................................................... 30
3.7.3. Extração de Regras de Produção de uma Árvore de Decisão (AD) ............................. 31
3.7.4. Algoritmos de classificação .......................................................................................... 32
3.7.5. Avaliação da classificação (modelo de classificação) .................................................. 33
3.8. Sistemas Especialistas .................................................................................................. 34
3.8.1. Componentes dos Sistemas Especialistas ..................................................................... 35
3.8.2. Sistemas Especialistas e Especialistas Humanos .......................................................... 37
3.8.3. Avaliação de Sistemas Especialistas............................................................................. 38
3.9. Tecnologia open source ................................................................................................ 38
3.9.1. Arduino ......................................................................................................................... 39
3.10. Calibração de sensores .................................................................................................. 40
3.11. Modelo de Simulação ................................................................................................... 41
4. REVISÃO BIBLIOGRÁFICA ..................................................................................... 42
4.1. Tecnologias no tratamento de água e águas residuárias ............................................... 42
4.2. Sistemas Especialistas na dosagem de coagulantes ...................................................... 43
4.3. Sistemas Especialistas para outras aplicações .............................................................. 44
4.4. Tecnologias open source em Recursos Hídricos e Saneamento ................................... 47
5. ÁREA DE ESTUDO .................................................................................................... 52
6. METODOLOGIA ......................................................................................................... 54
6.1. Desenvolvimento do Sistema Especialista ................................................................... 55
6.1.1. Planejamento do Sistema Especialista .......................................................................... 55
6.1.2. Explicitação do conhecimento ...................................................................................... 55
6.1.3. Codificação do conhecimento ....................................................................................... 56
6.1.4. Avaliação e adequação do Sistema Especialista ........................................................... 56
6.2. Implementação do Sistema Especialista no tratamento de água................................... 57
6.3. Avaliação da qualidade do Sistema Especialista implementado .................................. 58
7. RESULTADOS E DISCUSSÃO .................................................................................. 59
7.1. Desenvolvimento do Sistema Especialista ................................................................... 59
7.2. Implementação do Sistema Especialista no tratamento de água................................... 72
7.3. Avaliação da qualidade do Sistema Especialista implementado .................................. 80
8. CONCLUSÕES ............................................................................................................ 83
9. RECOMENDAÇÕES ................................................................................................... 84
REFERÊNCIAS BIBLIOGRÁFICAS ..................................................................................... 85
ANEXO 1 ............................................................................................................................ 90
ANEXO 2 ............................................................................................................................ 91
LISTA DE FIGURAS
Figura 1. Processos e operações de tratamento das principais ETAs ................................. 16
Figura 2. Tipos de hélices ................................................................................................... 18
Figura 3. Tipo de escoamento em função da hélice dos agitadores de fluxo axial ............. 18
Figura 4. Malhas de aço inoxidável chato .......................................................................... 19
Figura 5. Esquema de vertedor retangular .......................................................................... 19
Figura 6. Registros fotográficos de vertedor retangular ..................................................... 20
Figura 7. Vertedores Parshall ............................................................................................. 20
Figura 8. Mistura rápida em tubulação por meio de injetor e malha de fios redondos ...... 21
Figura 9. Misturadores estáticos ......................................................................................... 21
Figura 10. Misturador em linha ............................................................................................ 21
Figura 11. Difusores ............................................................................................................. 22
Figura 12. Tanques de preparação da solução de sulfato de alumínio ................................. 25
Figura 13. Dosador de nível constante sem recirculação ..................................................... 26
Figura 14. Dosador rotativo .................................................................................................. 26
Figura 15. Dosadores de nível constante com recirculação .................................................. 27
Figura 16. Aparelho padrão para o teste de jarros ................................................................ 28
Figura 17. Diagrama genérico para remoção de turbidez por sedimentação ........................ 29
Figura 18. Árvore de Decisão para jogar tênis ..................................................................... 30
Figura 19. Exemplos de Regras de Produção ....................................................................... 31
Figura 20. Regras de Produção extraídas da Árvore de Decisão .......................................... 32
Figura 21. Exemplo de uma Matriz de Confusão ................................................................. 33
Figura 22. Sistemas inteligentes ........................................................................................... 35
Figura 23. Arquitetura de um Sistema Especialista .............................................................. 36
Figura 24. Placas Arduino .................................................................................................... 39
Figura 25. Tela do software Arduino .................................................................................... 40
Figura 26. Sistema coletando dados ..................................................................................... 47
Figura 27. Hardware do Irrig-OH ......................................................................................... 49
Figura 28. Localização do Estudo de Caso ........................................................................... 52
Figura 29. Esquema da ETA-Nobres .................................................................................... 53
Figura 30. Fluxograma da metodologia ................................................................................ 54
Figura 31. Esquema de implementação do IAD-SA na ETA-Nobres .................................. 57
Figura 32. Parte do banco de dados ...................................................................................... 61
Figura 33. Dados convertidos ............................................................................................... 61
Figura 34. Parte da AD gerada pelo algoritmo J48 .............................................................. 62
Figura 35. Parte da AD gerada pelo algoritmo REP Tree .................................................... 62
Figura 36. Parte da AD gerada pelo algoritmo Random Tree .............................................. 63
Figura 37. Regras de Produção do algoritmo J48 ................................................................. 63
Figura 38. Matriz de Confusão do algoritmo Random Tree ................................................. 65
Figura 39. Matriz de Confusão do algoritmo J48 ................................................................. 66
Figura 40. Matriz de Confusão do algoritmo REPTree ........................................................ 67
Figura 41. Parte da base de conhecimento ............................................................................ 68
Figura 42. Interface de usuário do IAD-SA .......................................................................... 69
Figura 43. Interface de usuário com a resposta obtida ......................................................... 70
Figura 44. Tela de explicitação das regras de produção ....................................................... 70
Figura 45. Tela para inclusão de novas regras ...................................................................... 71
Figura 46. Questionário aplicado .......................................................................................... 72
Figura 47. Representação esquemática da USD-SA ............................................................. 73
Figura 48. Registro fotográfico da USD-SA ........................................................................ 73
Figura 49. Componentes eletrônicos do Módulo de Comunicação ...................................... 74
Figura 50. Módulo de Comunicação .................................................................................... 75
Figura 51. Peças do Coletor 01 ............................................................................................. 76
Figura 52. Tampas do Coletor .............................................................................................. 76
Figura 53. Coletor ................................................................................................................. 77
Figura 54. Esquema para calibração do sensor de turbidez .................................................. 77
Figura 55. Calibração do sensor de turbidez do Coletor 01 ................................................. 78
Figura 56. Calibração do sensor de turbidez do Coletor 02 ................................................. 79
Figura 57. Calibração dos sensores de pH ............................................................................ 79
Figura 58. Calibração da bomba ........................................................................................... 80
Figura 59. Arquivo ‘txt’ com dados gravados ...................................................................... 81
LISTA DE TABELAS
Tabela 1. Fatores que influenciam a coagulação ................................................................ 23
Tabela 2. Descrição dos coagulantes .................................................................................. 24
Tabela 3. Interpretação de valores da Estatística Kappa ..................................................... 34
Tabela 4. Exemplos de implementação da máquina de inferência ..................................... 37
Tabela 5. Comparação entre conhecimento especializado humano e artificial .................. 38
Tabela 6. Atividades da subetapa de planejamento do SE .................................................. 55
Tabela 7. Avaliação da viabilidade do SE .......................................................................... 59
Tabela 8. Variáveis de interesse .......................................................................................... 61
Tabela 9. Algoritmos avaliados ........................................................................................... 64
Tabela 10. Dados de entrada ................................................................................................. 69
Tabela 11. Resultado do questionário ................................................................................... 72
Tabela 12. Peças utilizadas para construção de cada coletor ................................................ 75
Tabela 13. Calibração do USD-SA ....................................................................................... 78
Tabela 14. Ensaios do USD-SA ............................................................................................ 81
LISTA DE SIGLAS
BC Base de Conhecimento
CC Ciclo Completo
C/F/S Coagulação/Floculação/Sedimentação
DESA Departamento de Engenharia Sanitária e Ambiental
DF Dupla Filtração
ETA Estação de Tratamento de Água
FDA Filtração Direta Ascendente
FDD Filtração Direta Descendente
FF Floto-Filtração
FiME Filtração em Múltiplas Etapas
GSM Sistema Global para Comunicações Móveis
IA Inteligência Artificial
IAD-SA Inteligência Artificial para Dosagem de Sulfato de Alumínio
IBGE Instituto Brasileiro de Geografia e Estatística
IQA Índice de Qualidade da Água
LABHID Laboratório de Hidráulica
LCD Display de Cristal Líquido
LED Diodo Emissor de Luz
mca Metros de coluna d’água
MD Mineração de Dados
mV MiliVolts
NCC Número de Classificações Corretas
NCI Número de Classificações Incorretas
NTC Número Total de Classificações
PCC Percentual de Classificações Corretas
PCI Percentual de Classificações Incorretas
pH Potencial Hidrogeniônico
PRC Portaria de Consolidação
RP Regras de Produção
SBC Sistema Baseado em Conhecimento
SE Sistema Especialista
SI Sistemas Inteligentes
SIG Sistema de Informação Geográfica
SMS Serviço de Mensagens Curtas
UFMT Universidade Federal de Mato Grosso
USD-SA Unidade de Simulação de Dosagem de Sulfato de Alumínio
uT Unidades de Turbidez
VB Visual Basic
VBA Visual Basic for Applications
WEKA Waikato Environment for Knowledge Analysis (software)
κ Estatística Kappa
Pr(a) Concordância observada
Pr(e) Concordância esperada ao acaso
14
1. INTRODUÇÃO
Em cerca de 56% dos municípios brasileiros, o serviço de abastecimento de água é
proveniente de mananciais superficiais, conforme o Instituto Brasileiro de Geografia e
Estatística (IBGE, 2008). Assim, de modo geral, é necessário que a água passe por tratamentos
específicos para se enquadrar no padrão de potabilidade atualmente vigente no país, o qual é
regulamentado pela PRC nº 5, de 28 de setembro de 2017, Anexo XX.
No Brasil, de acordo com o IBGE (2008), cerca de 54% dos munícipios com tratamento
de água realizam o tratamento por ciclo completo, o qual envolve os processos de coagulação,
floculação, decantação, filtração e desinfecção. Esses processos, ocorrem em instalações
especificas para esta finalidade, denominadas de Estação de Tratamento de Água (ETA).
Na ETA, o processo de coagulação acontece em unidades de mistura rápida, onde as
partículas coloidais sofrem uma desestabilização química e são aglutinadas umas às outras,
facilitando a decantação e a sua remoção nos filtros (VIANNA, 2014).
Carências significativas de infraestrutura de saneamento e de adequada gestão dos
sistemas existentes ainda são evidentes no Brasil. Entre os fatores que possibilitam
compreender o motivo desse fato está a falta de atualização tecnológica e a falta de recursos
humanos, conforme Rebouças (1997), Tucci, Hespanhol e Cordeiro Netto (2000) e Nascimento
e Heller (2005).
Adicionalmente, o teste de jarros (fundamental para o sucesso do processo de
coagulação) é demorado e menos adaptável à mudança da qualidade de água bruta, em tempo
real, além disso, é dependente de mão de obra qualificada. Assim, quando ocorre um evento
não rotineiro, como chuvas intensas, trazendo alta turbidez, a qualidade da água tratada pode
ser inferior aos padrões de potabilidade. Como principal motivo destaca-se o método
convencional de operação (coleta de amostra, teste de jarros, aplicação de dosagem), sendo este
difícil de realizar em tempo real (WU; LO, 2008).
Dessa forma, vários sistemas eletrônicos de monitoramento da qualidade da água foram
desenvolvidos na última década para enfrentar esse problema (RANJBAR; ABDALLA, 2017).
Neste contexto, visando reduzir o tempo de resposta na determinação da dosagem de coagulante
e evitar a dependência de uma estrutura dispendiosa no tratamento de água, este trabalho
pretende desenvolver um Sistema Especialista para determinar e aplicar a dose de coagulante
em tempo real.
15
2. OBJETIVOS
2.1. Objetivo geral
Desenvolver e implementar um Sistema Especialista para determinar e aplicar a dose de
coagulante, em tempo real.
2.2. Objetivos específicos
Planejar, explicitar o conhecimento, codificar o conhecimento e avaliar o Sistema
Especialista;
Implementar o Sistema Especialista para operação em tempo real;
Avaliar a qualidade do Sistema Especialista implementado.
16
3. FUNDAMENTAÇÃO TEÓRICA
Na fundamentação teórica foram apresentados temas que subsidiarão o
desenvolvimento desta pesquisa.
3.1. Tecnologias de tratamento de água
Os riscos presentes nas águas das fontes de abastecimento são reduzidos pelas Estações
de Tratamento de Água (ETAs), por meio de uma combinação de processos e de operações de
tratamento (DI BERNARDO; PAZ, 2008).
Teoricamente, água de qualquer qualidade pode ser, do ponto de vista tecnológico,
transformada em água potável, contudo, os custos envolvidos e a confiabilidade na operação e
manutenção podem inviabilizar completamente o uso de determinado curso d’água como fonte
de abastecimento (DI BERNARDO; DANTAS, 2005). Na Figura 1 são apresentados os
processos e operações de tratamento das principais ETAs.
Figura 1. Processos e operações de tratamento das principais ETAs
Fonte: Di Bernardo e Dantas (2005)
Conforme Howe et al. (2012), raramente as ETAs contêm um único processo, em vez
disso, elas normalmente possuem uma série de processos. Às vezes, os processos somente são
17
efetivos quando usados em conjunto com outro, isto é, dois processos individualmente podem
ser inúteis, mas juntos podem ser efetivos.
De acordo com Cheremisinoff (2002), há uma variedade de tecnologias que são
aplicadas no tratamento da água. A combinação das tecnologias para aplicação no tratamento
de água depende do que se pretende alcançar em termos de qualidade final da água.
3.2. Tecnologia de ciclo completo
Segundo Di Bernardo e Paz (2008), indevidamente denominada tratamento
convencional, na tecnologia de ciclo completo, a água bruta é coagulada, normalmente, com
um sal de alumínio ou de ferro, onde acontece, predominantemente, formação de precipitados
do metal do coagulante, nos quais são aprisionadas as impurezas. A coagulação ocorre na
unidade de mistura rápida, a qual, dependendo da vazão a ser tratada, da variação da qualidade
da água bruta e, principalmente, das condições disponíveis para operação e manutenção, pode
ser hidráulica, mecanizada ou especial. Logo após, a água coagulada é agitada lentamente
durante o tempo necessário para que os flocos atinjam o tamanho e a massa específica
suficientes para que sejam removidos por sedimentação, por meio de decantadores, ou por
flotação, mediante flotadores. Em seguida, a água clarificada, produzida nos decantadores ou
flotadores, é destinada para unidades de filtração com escoamento descendente, as quais contêm
materiais granulares com granulometria apropriada, em geral areia ou antracito e areia.
Após a água ser filtrada, ocorre a desinfecção, fluoração, ajuste de pH, entre outros
processos e operações e a água é considerada própria para consumo humano, sendo distribuída
para a população. Algumas das fases apresentadas poderão ser eliminadas, temporária ou
definitivamente, de acordo com a qualidade da água a ser tratada e sua variação ao longo do
ano (VIANNA, 2014).
Na sequência, com base nos objetivos desse trabalho, os temas unidade de mistura
rápida e coagulação serão, brevemente, apresentados.
3.3. Unidade de mistura rápida
Em uma unidade de mistura rápida, a agitação pode ser realizada por dispositivos
mecânicos, hidráulicos ou especiais (DI BERNARDO; PAZ, 2008a). Segundo Vianna (2014),
dois tipos são mais utilizados no Brasil, o medidor Parshall e a queda d’água originária de
vertedouros, sendo também utilizados os difusores (ou malhas difusoras), porém com menor
frequência.
18
3.3.1. Mistura rápida mecanizada
Basicamente, a mistura rápida mecanizada é composta por uma câmara circular,
quadrada ou retangular em planta, na qual se encontra instalado um misturador mecânico de
eixo vertical com impulsores do tipo turbina. O escoamento que predomina no interior da
câmara pode ser radial ou axial, pois as condições de mistura dependem do tipo de agitador
(Figura 2). Quando as turbinas são de fluxo axial, elas podem ser de ação simples ou dupla,
dependendo do tipo de hélice do agitador (DI BERNARDO; PAZ, 2008a), conforme
apresentado na Figura 3.
Figura 2. Tipos de hélices
(a) Fluxo radial: turbina com paletas planas (b) Fluxo radial: turbina com paletas curvas
(c) Fluxo axial: turbina com paletas onduladas (d) Fluxo axial: turbina marítima
Fonte: Di Bernardo e Paz (2008)
Figura 3. Tipo de escoamento em função da hélice dos agitadores de fluxo axial
(a) Ação simples (b) Ação dupla
Fonte: Di Bernardo e Paz (2008)
3.3.2. Mistura rápida hidráulica com malha de fios redondos
De acordo com Di Bernardo e Paz (2008), para melhorar a mistura dos coagulantes após
o ressalto hidráulico em canais ou injetores, tem sido proposto o uso de malha, utilizando barras
19
de aço inoxidável redondo, fios de aço inoxidável ou de plástico. Também se pode usar a malha
para promover a mistura de polímeros ou para realizar a floculação. Na Figura 4 são
apresentadas unidades de mistura rápida que empregam malhas de aço inoxidável chato para
melhorar as condições da mistura rápida, localizadas à jusante do vertedor Parshall.
Figura 4. Malhas de aço inoxidável chato
Fonte: Di Bernardo e Paz (2008)
3.3.3. Mistura rápida hidráulica em vertedor retangular
Nesta unidade de mistura rápida, o nível de água à montante se eleva até atingir uma
cota estabelecida, produzindo uma lâmina sobre o anteparo, compatível com a vazão
descarregada, ocorrendo uma queda de água, de forma que o vertedor retangular pode ser
utilizado como misturador rápido e como medidor de vazão (DI BERNARDO; PAZ, 2008). Na
Figura 5 é apresentado o esquema de vertedores retangulares e na Figura 6 registros
fotográficos.
Figura 5. Esquema de vertedor retangular
Fonte: Di Bernardo e Paz (2008)
20
Figura 6. Registros fotográficos de vertedor retangular
Fonte: Di Bernardo e Paz (2008)
3.3.4. Mistura rápida hidráulica em vertedor Parshall
A superfície livre de água sofre elevação brusca, sob distância curta, acompanhada de
instabilidade, com ondulações e entrada de ar do ambiente com consecutiva perda de energia
em forma de grande turbulência, suficiente para provocar a mistura rápida (DI BERNARDO;
PAZ, 2008a). Na Figura 7 são apresentados vertedores Parshall.
Figura 7. Vertedores Parshall
(a)Vertedor Parshall e divisão de vazão
(vista de montante)
(b) Vertedor Parshall
(vista de jusante)
Fonte: Di Bernardo e Paz (2008)
3.3.5. Mistura rápida hidráulica por meio de injetor
Segundo Di Bernardo e Paz (2008a), existem dois tipos de arranjos utilizados para
injeção do coagulante em tubulações com água bruta. O primeiro, orifício executado na parede
da tubulação, usualmente utilizado em tubulações com diâmetro inferior a 300mm e o outro
tipo, tubo distribuidor, provido de orifícios, localizado no centro do duto, utilizado para
diâmetros maiores. Em ambos os casos, é necessário instalar uma grade de aço inoxidável
redondo, localizada após a zona de máxima deflexão, como é mostrado na Figura 8.
21
Figura 8. Mistura rápida em tubulação por meio de injetor e malha de fios redondos
Fonte: Di Bernardo e Paz (2008a)
3.3.6. Mistura rápida com dispositivos especiais
Existem diversas formas de dispositivos especiais para realizar a mistura rápida. Na
Figura 9 são apresentados os misturados estáticos, projetados para produzir turbulência intensa
por meio de uma peça geométrica fixada dentro da tubulação. Na Figura 10 é apresentado o
misturador em linha, patenteado e utilizado geralmente na indústria, que entretanto, pode ser
usado nas ETAs para a mistura do coagulante na água. E, na Figura 11 são apresentados os
difusores, que são dispositivos inseridos em uma seção transversal de escoamento de água, com
a finalidade de distribuir o coagulante uniformemente (DI BERNARDO; PAZ, 2008).
Figura 9. Misturadores estáticos
Fonte: Di Bernardo e Paz (2008)
Figura 10. Misturador em linha
Fonte: Di Bernardo e Paz (2008)
22
Figura 11. Difusores
a) Difusor em tubulação
b) Difusor em canal
Fonte: Di Bernardo e Paz (2008)
3.4. Coagulação
Para Vianna (2014), a coagulação é a desestabilização química das partículas, a qual é
efetuada em unidades de mistura rápida. Nesta fase, a água é tratada quimicamente, de modo
que as partículas coloidais são desestabilizadas e aglutinadas umas às outras, com a finalidade
da sedimentação ocorrer de forma mais rápida, favorecendo a decantação, e facilitando sua
remoção nos filtros.
A coagulação é um processo muito rápido realizado na unidade de mistura rápida, e é
resultado de dois fenômenos. O primeiro é fundamentalmente químico, compreende as reações
do coagulante com a água e na formação de espécies hidrolisadas com carga positiva, e depende
da concentração do metal e pH final da mistura. O segundo, é basicamente físico, e consiste no
transporte das espécies hidrolisadas para que haja contato com as impurezas presentes na água.
A coagulação depende substancialmente das características da água e das impurezas presentes,
23
conhecidas por meio de características como pH, alcalinidade, cor verdadeira, turbidez,
temperatura, potencial zeta, tamanho e distribuição de tamanhos das partículas em estado
coloidal e em suspensão, entre outros (DI BERNARDO; DANTAS, 2005).
De acordo com Howe et al. (2012), o processo de coagulação depende da fonte de água
e da natureza dos constituintes orgânicos suspensos, coloidais e dissolvidos. Além disso,
depende da adição de produtos químicos, tais como alumínio e sais de ferro e/ou polímeros
orgânicos.
3.4.1. Fatores que influenciam a coagulação
A seguir, na Tabela 1, são apresentados alguns fatores que influenciam a coagulação de
acordo com Libânio (2010) e Cangela (2014).
Tabela 1. Fatores que influenciam a coagulação Fator influente Descrição
Espécie do coagulante: - de alumínio;
- de ferro.
Quantidade de coagulante – está relacionada: - à turbidez e cor a serem removidas;
- ao teor bacteriológico.
Teor e tipo da cor e turbidez: - maior ou menor quantidade de colóides;
- substâncias coloridas dissolvidas;
- outros.
Concentração hidrogeniônica da água (pH): - há um pH ótimo de floculação, determinado
experimentalmente.
Tempo de misturas rápida e lenta: - rápida, para dispersão do coagulante (coagulação);
- lenta, para a formação de flocos (floculação).
Temperatura: - ocorre melhor em temperaturas mais altas, enquanto
em baixas temperaturas é de se esperar maior consumo
de coagulantes.
Agitação: - se pequena, diminui a formação de flocos;
- se muito violenta, os flocos são formados e depois
quebrados em partículas menores.
Fonte: Libânio (2010) e Cangela (2014)
3.4.2. Coagulantes
De acordo com Richter (2009), um coagulante é qualquer agente que produza a
coagulação, o qual normalmente é um produto químico. O sulfato de alumínio é o coagulante
mais utilizado no tratamento de água, porém pode ser conveniente o emprego do aluminato de
sódio em águas de baixa alcalinidade e muita cor. Entre os coagulantes férricos, o sulfato férrico
e o cloreto férrico são os mais utilizados. Na Tabela 2 é apresentado um resumo com condições
de aplicabilidade de coagulantes.
24
Tabela 2. Descrição dos coagulantes Coagulante Descrição e condições de aplicação
Sulfato de Alumínio Para resultar em uma coagulação satisfatória, deve haver alcalinidade suficiente
para reagir com o sulfato de alumínio e para manter um residual adequado na
água tratada. A solubilidade do sulfato de alumínio depende do pH, sendo mais
baixa em pH entre 5 e 7, dessa forma, é impraticável a coagulação com sulfato
de alumínio fora dessa faixa.
Aluminato de sódio As reações do aluminato de sódio são alcalinas e não ácidas, como no sulfato de
alumínio, deste modo, o aluminato tem a vantagem de fornecer no mesmo
produto tanto o coagulante como o alcalinizante. Dessa maneira, é,
particularmente, indicado para águas de baixa alcalinidade e cor muito elevada,
em que a dose de sulfato de alumínio necessária à coagulação iria diminuir o pH
a um valor fora de sua faixa de aplicação.
Coagulantes férricos Todos os coagulantes férricos, de modo geral, são eficientes em uma larga faixa
de pH que vai de 4 a 11, e são, singularmente, úteis para coagulação da cor a
baixos valores do pH, na remoção de ferro e manganês a altos valores do pH, e
para acelerar a formação de flocos no processo de abrandamento.
Coagulantes orgânicos Coagulantes orgânicos e/ou polímeros podem ser utilizados para auxiliar a
floculação ou como coagulantes primários. Quando empregado como coagulante
primário, o processo de coagulação se reduz à neutralização por carga, e a adição
de um polímero não influencia o pH nem a alcalinidade.
Fonte: Richter (2009)
3.4.3. Mecanismos da coagulação
Segundo Di Bernardo e Dantas (2005), a coagulação é considerada como o resultado
individual ou combinado da ação de quatro mecanismos distintos: compressão da dupla camada
elétrica; adsorção e neutralização; varredura; e, adsorção e formação de pontes.
No mecanismo da compressão da dupla camada elétrica, a desestabilização ocorre
devido a interações eletrostáticas, por meio da inserção de um íon de carga contrária. Com o
aumento no número de íons na camada difusa, o seu volume será reduzido para se manter
eletricamente neutra, ocorrendo a coagulação por compressão da dupla camada difusa.
Na adsorção e neutralização de carga, a desestabilização ocorre devido a interações entre
coagulante-colóide, coagulante-solvente e colóide-solvente. Este mecanismo é utilizado em
ETAs com filtração direta, onde as partículas desestabilizadas serão retidas no meio granular
dos filtros e não há necessidade de produzir flocos para posterior sedimentação.
O mecanismo de varredura é intensivamente utilizado nas ETAs em que a floculação e
a sedimentação antecedem a filtração rápida. Geralmente, os flocos obtidos na varredura são
maiores e sedimentam, ou flotam, mais facilmente que os flocos obtidos com a coagulação
realizada no mecanismo de adsorção e neutralização de cargas.
A adsorção e formação de compreende o uso de polímeros de grandes cadeias
moleculares, os quais servem de ponte entre a superfície, à qual estão aderidos, e outras
partículas.
25
Maiores informações sobre os mecanismos da coagulação podem ser encontradas no
trabalho de Di Bernardo e Dantas (2005).
3.5. Técnicas de dosagem de coagulantes
Os diferentes coagulantes possuem diferentes técnicas de dosagem. A seguir são
apresentadas as técnicas para o sulfato de alumínio, sendo este o coagulante mais utilizado no
tratamento de água, conforme Richter (2009).
Conforme Di Bernardo e Paz (2008), pode-se usar o produto comercial em pó com
auxílio de dosadores a seco, ou então, a partir do produto sólido, é preparada a solução de sulfato
de alumínio, com concentração de 10 a 200 g.L-1, em tanques de preparação. Os tanques devem
possuir cochos na parede frontal para disposição da quantidade prevista de sulfato de alumínio,
serem providos de agitadores rápidos e devem ter o revestimento interno com material resistente
à corrosão e que não transmita toxicidade à água a ser coagulada. Na Figura 12 é apresentado
esquema dos tanques de preparação.
Figura 12. Tanques de preparação da solução de sulfato de alumínio
Fonte: Di Bernardo e Paz (2008)
26
A forma de dosar a solução de sulfato de alumínio vai depender das características da
casa de química, pois quando os tanques de preparação estão localizados em nível superior ao
do local da aplicação, podem ser empregados dosadores de nível constante sem recirculação ou
do tipo rotativo, ambos por gravidade (DI BERNARDO; PAZ, 2008), conforme as Figura 13 e
14, respectivamente.
Figura 13. Dosador de nível constante sem recirculação
Fonte: Di Bernardo e Paz (2008)
Figura 14. Dosador rotativo
Fonte: Di Bernardo e Paz (2008)
Já quando os tanques estão em nível inferior, podem ser utilizadas bombas dosadoras
que recalcam a solução diretamente ao local de aplicação, ou ainda, utilizar bombas centrífugas
27
que recalcam a solução para dosadores de nível constante, com recirculação para os tanques de
preparação (DI BERNARDO; PAZ, 2008b), como é mostrado na Figura 15.
Figura 15. Dosadores de nível constante com recirculação
Fonte: Di Bernardo e Paz (2008)
3.6. Teste de jarros
Segundo Richter (2009), o teste de jarros é o método de avaliação do processo de
coagulação-floculação e seus efeitos nas fases seguintes do tratamento, decantação (ou flotação)
e filtração. A partir do uso adequado do aparelho de teste de jarros, pode-se obter diversas
informações, como a dosagem ótima de coagulante e outros reagentes, concentração (diluição)
ótima, intensidade e tempo de floculação, sequência de aplicação de reagente, entre outras, as
quais são informações importantes para o projeto de uma nova estação de tratamento, para
otimização ou ampliação de uma existente, e, também para operação de uma ETA.
Na Figura 16 é apresentado um aparelho que apresenta o padrão “Phips&Bird”, que, de
acordo com Richter (2009), deve ser dado preferência entre a diversidade de aparelhos
28
existentes, pois existem curvas de calibração de gradientes para a paleta, adequadamente
comprovadas por diversos pesquisadores.
Figura 16. Aparelho padrão para o teste de jarros
Fonte: Richter (2009)
Apesar da importância apresentada anteriormente, o teste de jarros possui algumas
premissas como a necessidade de infraestrutura laboratorial (aparelho de jar-test, vidrarias,
soluções, equipamentos para determinação de cor, turbidez, pH e alcalinidade) adequada e,
necessariamente, mão de obra qualificada para realização e interpretação dos resultados dos
ensaios. O que, raramente, está disponível para municípios de pequeno porte (NASCIMENTO;
HELLER, 2005).
Na Figura 17 é apresentado um diagrama genérico para remoção de turbidez por
sedimentação utilizando como coagulante o sulfato de alumínio. Conforme Di Bernardo e Paz
(2008), na Figura 17 são observadas duas regiões principais, a de coagulação por varredura e a
de neutralização de cargas. No mecanismo da varredura, as dosagens de sulfato de alumínio e
o pH são relativamente altos, apresentando excesso de precipitados de alumínio ou de ferro, o
que provoca o emaranhamento das impurezas entre eles. Na neutralização de cargas das
impurezas, a coagulação decorre do precipitado com carga positiva ou de espécies hidrolisadas
positivas, caracterizando-se por dosagem de coagulante e pH menores que os observados no
mecanismo de varredura.
29
Figura 17. Diagrama genérico para remoção de turbidez por sedimentação
Fonte: Di Bernardo e Paz (2008)
3.7. Mineração de dados
Segundo Rezende (2005), a descoberta de conhecimento nas bases de dados é uma área
de pesquisa que está se expandindo rapidamente, e que tem seu desenvolvimento dirigido ao
benefício de necessidades práticas, sociais e econômicas, entre outras. O motivo para esse
crescimento refere-se, principalmente, à existência de uma robusta tecnologia para coleta,
armazenamento e gerenciamento de grande quantidade de dados. Estes dados podem possuir
informações valiosas, como tendências e padrões que poderiam ser utilizados para melhorar a
tomada de decisões nos negócios, e muitas outras aplicações. Dessa forma, como geralmente
as bases de dados abrangem uma grande quantidade de dados, tornou-se necessário desenvolver
processos de análise automática, como o processo de Mineração de Dados (MD).
Simplificando, a MD diz respeito à extração do conhecimento a partir de uma grande
quantidade de dados (HAN; KAMBER, 2006).
30
3.7.1. Árvore de decisão
Conforme Artero (2009), grande parte de conhecimento pode ser representado mais
facilmente se for adotada uma estrutura que reproduz o conceito de hierarquia, sendo a estrutura
de árvore a que melhor representa este conceito. Também, possui como vantagem a existência
de várias técnicas de busca que operam em árvores, obtendo sucesso em diversas aplicações.
Entretanto, apresenta as seguintes desvantagens: possibilidade de um mesmo conceito ser
representado por árvores diferentes; dificuldade em interpretar árvores muito grandes;
dificuldade de alteração (inserir e remover dados) e representação de conhecimento não-
hierárquico (ARTERO, 2009).
Segundo Han e Kamber (2006) e Rezende (2005), a Árvore de Decisão (AD) é uma
estrutura de árvore semelhante a um fluxograma, onde o nó mais alto é o nó raiz, cada nó de
decisão é um teste sobre algum atributo, cada ramo representa um resultado do teste e cada nó
folha ou nó terminal contém um rótulo de classe. Na Figura 18 é apresentado um exemplo de
árvore de decisão para jogar tênis.
Figura 18. Árvore de Decisão para jogar tênis
(1) Nó raiz; (2) ramo; (3) nó de decisão; (4) nó folha.
Fonte: Artero (2009)
3.7.2. Regras de Produção
Regras de Produção é o modelo de representação de conhecimento mais utilizado na
prática por causa da sua simplicidade. Este modelo é recomendado quando o conhecimento é
muito difuso, composto de muitos fatos ou ações independentes, como é o caso da medicina
(ARTERO, 2009).
As vantagens mais importantes são as seguintes: a modularidade, pois as regras podem
ser consideradas independentes, facilitando o acréscimo, a alteração e a exclusão de novas
31
regras ao conjunto; a naturalidade, pois o modelo segue um conjunto de regras para tomar as
decisões, consistindo em uma forma natural de pensar na solução de problemas; e, a
uniformidade, pois as regras são escritas sempre com o mesmo padrão, permitindo que pessoas
não-familiarizadas possam analisar o conhecimento armazenado. As principais desvantagens
são as seguintes: a opacidade, devido à dificuldade para analisar a totalidade do conhecimento
armazenado e os fluxos de processamento; e, a ineficiência, pois é necessário se combinar um
grande número de regras (ARTERO, 2009).
Para Han e Kamber (2006), uma boa maneira de representar informações ou fragmentos
de conhecimento é por meio das Regras de Produção (RP). Quando a representação de um
conhecimento é baseado em RP, é utilizado, para classificação, um conjunto de RP na seguinte
forma: SE condição ENTÃO conclusão. Exemplos de RP são apresentados na Figura 19.
Figura 19. Exemplos de Regras de Produção
Regra 1: SE mamífero E
voa
ENTÃO morcego
Regra 2: SE mamífero E
não tem pelos
ENTÃO baleia Fonte: Adaptado de Artero (2009)
3.7.3. Extração de Regras de Produção de uma Árvore de Decisão (AD)
As AD são métodos populares de representação de conhecimento por ser fácil o
entendimento de como elas funcionam e por serem conhecidas pela sua precisão, entretanto,
podem se tornar grandes e difíceis de interpretar. Assim, as RP (SE-ENTÃO) podem ser mais
fáceis de serem compreendidas por pessoas não acostumadas do que uma AD muito grande
(HAN; KAMBER, 2006).
Para Rezende (2005), os resultados utilizando indução de RP, para uma vasta gama de
aplicações, não tem sido consistentemente melhores que aqueles obtidos com AD, sendo pouco
provável que seja desenvolvido um indutor de RP com desempenho e velocidade equivalentes
a um indutor de AD.
Conforme Han e Kamber (2006), para extrair RP de uma AD, é criada uma RP para
cada caminho da raiz até o nó da folha. A AD da Figura 16 é convertida em RP do tipo SE-
ENTÃO, rastreando o caminho do nó raiz, para cada nó, até o nó folha, conforme apresentado
na Figura 20.
32
Figura 20. Regras de Produção extraídas da Árvore de Decisão
Regra 1: SE tempo = sol E
umidade ≤ 77,5
ENTÃO jogar tênis = sim
Regra 2: SE tempo = sol E
umidade > 77,5
ENTÃO jogar tênis = não
Regra 3: SE tempo = nublado
ENTÃO jogar tênis = sim
Regra 4: SE tempo = chuva E
vento = não
ENTÃO jogar tênis = sim
Regra 5: SE tempo = chuva E
vento = sim
ENTÃO jogar tênis = não Fonte: Adaptado de Artero (2009)
3.7.4. Algoritmos de classificação
De acordo com Kaur e Singh (2016), a classificação é uma técnica de Mineração de
Dados (MD) utilizada, principalmente, para tarefas de predição, sendo usada para classificar
dados em classes pré-definidas (representação de conhecimento). A técnica de classificação
possui diferentes classificadores, tais como, Árvore de Decisão (AD), Regras de Produção (RP),
funções, entre outros. Na sequência, são apresentados, de maneira breve, os algoritmos J48,
REP Tree e Random Tree. Estes algoritmos foram importantes para a realização deste estudo,
pois se assumiu como premissa que a abordagem clássica, a abordagem lógica ou a abordagem
aleatória poderia classificar de forma adequada a variável de interesse (dosagem de coagulante).
Segundo Artero (2009), o algoritmo J48 é um dos algoritmos mais conhecidos e
utilizados para a construção de AD. Conforme Ali et al. (2012), Ross Quilan em 1993
desenvolveu o algoritmo C4.5, o qual é utilizado para gerar uma AD. O algoritmo J48 é uma
implementação Open Source na ferramenta WEKA da versão C4.5, sendo o J48, um algoritmo
padrão para criação de AD. Conforme Ingolikar e Gedam (2016), o J48 calcula o ganho de
informação para todos os testes possíveis em que o conjunto de dados pode ser dividido e
seleciona o teste que resultou no maior valor, sendo repetido esse processo para cada novo nó
até atingir um nó folha. De acordo com Kaur e Singh (2016), é a implementação Java do
algoritmo C4.5, no qual o ganho de informação, normalizado, é usado para critérios de divisão.
Mais detalhes podem ser encontrados nos trabalhos de Rezende (2005) e Artero (2009).
33
Segundo Barros (2013), o algoritmo Reduced Error Pruning ou REP Tree foi proposto
por Quinlan (1987). Conforme Devasena (2014), o algoritmo utiliza a lógica da árvore de
regressão e gera múltiplas árvores em iterações alteradas. Em seguida, seleciona a melhor de
todas as árvores geradas. O REP Tree constrói a AD usando variância e ganho de informação,
além disso, poda a árvore usando como critério a redução do erro. O REP Tree, conforme
Ingolikar e Gedam (2016), é um algoritmo rápido que cria uma árvore de decisão/regressão
utilizando como critério para selecionar o atributo a ser testado no nó o ganho e a variância de
informação. Maiores informações sobre o algoritmo REP Tree podem ser obtidas no trabalho
de Quinlan (1987).
De acordo com Kalmegh (2015), o algoritmo Random Tree foi introduzido por Leo
Breiman e Adele Cutler. O Random Tree é um algoritmo no qual se produz um conjunto
aleatório de dados para construção de uma AD. Segundo Ingolikar e Gedam (2016), o Random
Tree cria uma árvore a partir de k atributos escolhidos aleatoriamente em cada nó. Conforme
Kalmegh (2015), em uma AD padrão, como a obtida pelo J48, cada nó é dividido utilizando a
melhor combinação entre todas as variáveis. Já em uma AD aleatória, fundamento do Random
Tree, cada nó é dividido utilizando o melhor subconjunto entre as classes escolhidas
aleatoriamente. No trabalho de Jagannathan, Pillaipakkamnatt e Wright (2009) são encontrados
mais detalhes acerca desse algoritmo.
3.7.5. Avaliação da classificação (modelo de classificação)
Rezende (2005) recomenda o uso da Matriz de Confusão (MC) e Estatística Kappa como
indicadores para avaliação da classificação ou modelo de classificação.
A MC apresenta a quantidade de classificações corretas e a quantidade de classificações
incorretas, sendo informações de grande importância para avaliação do ajuste ou não do
algoritmo de classificação (TAVARES; BOZZA; KONO, 2007). Na Figura 21 é apresentada
uma MC típica.
Figura 21. Exemplo de uma Matriz de Confusão a b c d e classified as
12 0 0 3 0 | a = eleito
1 0 0 2 0 | b = media
0 0 0 4 0 | c = naoeleito
1 0 0 100 0 | d = suplente
0 0 0 0 0 | e = naoinformado
classificados corretamente
classificados incorretamente
Fonte: Adaptado de Tavares, Bozza e Kono (2007)
34
Os percentuais das classificações corretas e incorretas são dados pelas Equações 1 e 2.
PCC = NCC
NTC × 100 Eq. 1
PCI = NCI
NTC × 100 Eq. 2
Na qual: PCC é o percentual de classificações corretas; NCC é o número de
classificações corretas; NTC é o número total de classificações; PCI é o percentual de
classificações incorretas; e, NCI é o número de classificações incorretas.
A Estatística Kappa, conforme Landis e Koch (1977) é um índice que mede a associação
utilizada para descrever e testar o grau de concordância (confiabilidade e precisão) do modelo
de classificação, conforme Tabela 3. A Estatística Kappa é calculada pela Equação 3.
κ = Pr(𝑎) − Pr (𝑒)
1 − Pr (𝑒) Eq. 3
Na qual: κ é a Estatística Kappa; Pr(a) é a concordância observada; e, Pr(e) é a
concordância esperada ao acaso.
Tabela 3. Interpretação de valores da Estatística Kappa
Estatística Kappa (κ) Força de concordância
< 0,00 Nenhuma concordância
0,00 – 0,20 Leve concordância
0,21 – 0,40 Concordância regular
0,41 – 0,60 Concordância moderada
0,61 – 0,80 Concordância substancial
0,81 – 1,00 Concordância quase perfeita Fonte: Landis e Koch (1977)
3.8. Sistemas Especialistas
Segundo Artero (2009), o Sistema Especialista (SE), uma das mais importantes áreas da
Inteligência Artificial (IA), consiste em um sistema computacional determinado a representar
o conhecimento, de um ou mais especialistas humanos, sobre um domínio bastante específico.
O SE, utilizando como referência a base de conhecimento, procura soluções para problemas
que, geralmente, requerem grande volume de conhecimento especializado.
35
Segundo Rezende (2005), é importante diferenciar os SEs dos Sistemas Baseados em
Conhecimento (SBC), visto que, de maneira geral, os SBCs são capazes de solucionar
problemas usando conhecimento específico sobre o domínio da aplicação, enquanto os SEs são
SBCs que resolvem problemas ordinariamente resolvidos por um especialista humano. Nos
SEs, o conhecimento a ser manipulado é restrito a um domínio específico e conta com um alto
grau de especialização. Na Figura 22 é apresentado o SE no contexto dos Sistemas Inteligentes
(SI). Para Schwabe e Carvalho (1987), todos os SEs, virtualmente, são sistemas baseados em
conhecimento.
Figura 22. Sistemas inteligentes
SI: Sistemas Inteligentes; SBC: Sistema Baseado em Conhecimento; SE: Sistema Especialista.
Fonte: Rezende (2005)
3.8.1. Componentes dos Sistemas Especialistas
Algum tipo de inteligência e conhecimentos de alguma área sempre está embutida nos
códigos de todos os sistemas de computador, e dessa forma, são capazes de apoiar a resolução
de problemas em áreas bem especificas. Mas, muitos não podem ser considerados SE, pois um
SE é caracterizado por uma completa separação entre os métodos de solução do problema e o
conhecimento codificado. Em outras palavras, o SE é um programa executável que busca em
um arquivo, a parte, o conhecimento sobre o seu domínio, assim, a base de conhecimento pode
ser totalmente alterada e, apesar disso, o programa ainda irá funcionar normalmente, utilizando
o conhecimento da nova base (ARTERO, 2009). Na Figura 23 é apresentada a arquitetura de
um SE. A seguir são apresentados, de forma breve, os componentes de um SE (base de
conhecimento, interface de aquisição, interface de usuário e máquina de inferência).
36
Figura 23. Arquitetura de um Sistema Especialista
Fonte: Artero (2009)
A base de conhecimento (BC) é o componente responsável pelo armazenamento do
conhecimento, o qual utiliza algum modelo de representação do conhecimento tal como, Lógica
Matemática, RP, Redes Semânticas, Quadros e Roteiros ou AD (ARTERO, 2009).
Schwabe e Carvalho (1987) definem a BC como o conhecimento representado em um
programa particular. Segundo estes autores, a representação do conhecimento refere-se à
estrutura formalizada e ao conjunto de operações que envolve a descrição, relacionamento e
procedimento de um determinado domínio. Conforme Artero (2009), a representação por RP é
o modelo mais utilizado, devido a duas de suas características, a modularidade e a
uniformidade. A primeira permite grande facilidade para adicionar novas regras, pois cada regra
define um pequeno e independente pedaço do conhecimento e também facilita a alteração e
exclusão de regras incorretas da BC. Já a segunda, a uniformidade, permite que pessoas não
acostumadas com o sistema consigam entender o conteúdo do conhecimento armazenado nas
regras, pois todas as regras utilizam o mesmo padrão de representação.
A BC pode ter informações de várias fontes, como livros, estudos de casos, relatórios,
dados empíricos, processos de aprendizagem de máquina e a experiência de especialistas.
Entretanto, atualmente a tendência é, por meio da implementação de métodos de aprendizado
de máquina, incorporar módulos para realizarem a aquisição automática de conhecimento
(ARTERO, 2009).
A interface de aquisição é o componente do SE que permite ao especialista definir e
manipular as regras, por isso deve apoiar a construção inicial da base de conhecimento e
também permitir que sejam feitas atualizações, sendo correções de regras existentes ou adição
de regras novas para tratar de novos conhecimentos sobre o mesmo domínio (ARTERO, 2009).
37
Responsável pela interação entre usuário e sistema, a componente interface de usuário,
deve ser sempre muito eficiente e amigável, pois em qualquer sistema computacional, ela (a
interface de usuário) é sempre responsável pelo grau de satisfação do usuário com o sistema.
Por meio dela, o usuário utiliza o conhecimento armazenado na BC para obter as respostas às
suas perguntas e também explicações relacionadas às linhas de raciocínio que o sistema usa
para obter uma conclusão (ARTERO, 2009).
De acordo com Artero (2009), máquina de inferência é a parte responsável pelo
processamento das perguntas do usuário, processamento dos fatos armazenados na BC e pela
obtenção das conclusões e explicações que serão concedidas ao usuário. A partir de fatos,
suposições e conhecimento que foram estabelecidos na BC, novos conhecimentos são gerados
pelos processos de inferência. Desta maneira, a máquina de inferência torna uma situação dada
(estado inicial) em uma situação desejada (estado final), utilizando um conjunto de operadores.
Então, o processo para resolver os problemas se resume em encontrar a sequência de operadores
que levam do estado inicial até o estado final.
A máquina de inferência pode trabalhar deterministicamente ou probabilisticamente. No
primeiro caso, suas regras trabalham de forma exata, fornecendo uma resposta única e bem
definida a um problema. Enquanto no segundo caso, deve-se considerar o peso das variáveis
envolvidas para ser capaz de fornecer respostas que tenham certa possibilidade de ocorrer, o
que é comum em várias aplicações (ARTERO, 2009). Na Tabela 4 é apresentado um exemplo
de cada caso.
Tabela 4. Exemplos de implementação da máquina de inferência
Método Regras de Produção
Determinístico Se um átomo tem dois elétrons Então é um átomo de Hélio
Probabilístico Em janeiro a probabilidade de chuva é 0.8 Fonte: Artero (2009)
3.8.2. Sistemas Especialistas e Especialistas Humanos
As características dos SEs e especialistas humanos são criticamente diversas, embora
ambos possam desempenhar tarefas idênticas em alguns casos. Apesar dos SEs terem algumas
vantagens evidentes, eles não poderão substituir os especialistas humanos em todas as
situações, por causa de algumas limitações inerentes (SCHWABE; CARVALHO, 1987). Na
Tabela 5 é mostrada uma comparação entre SEs e especialistas humanos.
38
Tabela 5. Comparação entre conhecimento especializado humano e artificial
Conhecimento Humano Conhecimento Artificial
Perecível Permanente
Difícil de transferir Fácil de transferir
Difícil de documentar Fácil de documentar
Imprevisível Consistente
Caro Razoável
Discriminatória Imparcial
Individualizada Social
Criativa Sem inspiração
Adaptável Inflexível
Enfoque amplo Enfoque restrito
Baseado em senso comum Técnico Fonte: Schwabe e Carvalho (1987)
Os seres humanos, especialistas ou não, detêm o conhecimento advindo do senso
comum, que se constitui em um largo espectro de conhecimento sobre o mundo, reunido durante
toda a sua vida e que está presente em todas as suas decisões. Dessa forma, devido à imensa
quantidade de senso comum, fatos de domínio público que todos sabem, torna-se difícil
desenvolver um SE (SCHWABE; CARVALHO, 1987).
3.8.3. Avaliação de Sistemas Especialistas
Conforme Artero (2009), um teste clássico para determinar se uma máquina tem
inteligência ao nível humano é o teste de Turing. Nesse teste, dois seres humanos, A e B, e um
computador C, são colocados em um ambiente de maneira que não se comuniquem. O humano
A é um interrogador com o objetivo de descobrir, por meio das respostas de B e C, qual deles
é o computador. Se A não conseguir determinar, com no mínimo 50% de precisão, qual dos
dois, B ou C, é o humano, e este resultado é confirmado por outras pessoas no papel de A e B,
então o computador passou pelo teste de Turing. Dessa forma, pode-se concluir que a máquina
simula a inteligência humana.
3.9. Tecnologia open source
Open source é um termo usado para caracterizar tecnologias que podem ser usadas,
alteradas e compartilhadas gratuitamente, em forma modificada ou não modificada, por
qualquer pessoa (OPENSOURCE, 2017).
39
3.9.1. Arduino
O Arduino é uma plataforma eletrônica open source com hardware e software fáceis de
usar. O Arduino é capaz de ler entradas, tais como luz em um sensor, dedo em um botão ou
uma mensagem do Twitter, e transformar essas entradas em saídas, acendendo um LED (Diodo
Emissor de Luz), ativando um motor ou publicando algo online. A placa é informada sobre o
que fazer a partir de um conjunto de instruções enviadas para o microcontrolador na placa
(ARDUINO, 2017).
Para McRoberts (2011), o Arduino é um pequeno computador que pode ser programado
para processar entradas e saídas entre o dispositivo e os componentes externos conectados a
ele. O Arduino é denominado de plataforma de computação física ou embarcada, isto é, um
sistema que por meio de hardware e software pode interagir com o ambiente.
Utilizado por professores e alunos para construir equipamentos científicos de baixo
custo, para provar princípios de química e física ou para iniciar com programação robótica, o
Arduino tem sido usado em milhares de projetos e aplicações diferentes, desde objetos comuns
até instrumentos científicos complexos (ARDUINO, 2017). Na Figura 24 são mostradas duas
das várias placas Arduino disponíveis, Arduino Uno e Arduino Mega, que se diferenciam pela
quantidade de portas que possuem. O primeiro possui 14 portas digitais e 6 portas analógicas,
já o segundo, possui 54 portas digitais e 16 portas analógicas.
Figura 24. Placas Arduino
(a) Arduino Uno (b) Arduino Mega
Fonte: Elaboração própria
Na Figura 25 é mostrado a tela do software Arduino onde os programas são
implementados. No Arduino é utilizado a linguagem de programação C++.
40
Figura 25. Tela do software Arduino
Fonte: Elaboração própria
3.10. Calibração de sensores
Silva, Zaque e Silva (2016), realizaram calibração de sensores de pressão a partir do
registro de valores de mH2O de um manômetro convencional e tensão em volts do sensor de
pressão em estudo. Dessa forma, foram realizadas uma sequência de leituras para registro dos
dados. E, em seguida, utilizada a técnica de Regressão Linear para correlacionar linearmente a
pressão do manômetro e a tensão do sensor de pressão), sendo obtida uma curva de calibração
e sua respectiva função.
Rosa; Silva e Silva (2017) realizaram a calibração de um sensor de pressão utilizando
um manômetro com leitura de 0 a 30 mca. O sensor foi instalado em uma tubulação de 40mm
de PVC de uma bancada, a qual possui uma válvula no início e uma no final da tubulação para
controlar as pressões. Também foi instalada na mesma tubulação o manômetro com capacidade
de leitura de até 30mca. Dessa forma, foram registrados os valores de tensão do sensor de
pressão para diferentes faixas de pressão lidas no manômetro. Em seguida, foi realizada uma
correlação linear entre a série de leituras do manômetro e a série de leituras do sensor, e assim,
obtido o gráfico e a equação desta correlação.
41
3.11. Modelo de Simulação
Segundo Giles, Evett e Liu (1996), de um modo geral, os modelos hidráulicos poder ser
reais ou distorcidos. Os modelos reais apresentam todas as características significativas do
protótipo, reproduzidas em escala (geometricamente semelhante), satisfazendo às restrições do
projeto (semelhança cinética).
De acordo com Azevedo, Porto e Filho (2002), os modelos são uma representação do
mundo real. A partir de um conjunto de informações de entrada, os modelos fornecem a resposta
de um sistema, permitindo ao decisor analisar os efeitos de diversos cenários de um sistema
existente ou de um sistema em projeto.
42
4. REVISÃO BIBLIOGRÁFICA
Na revisão bibliográfica são tratados os temas de Sistemas Especialistas (SE) e
tecnologias na área de recursos hídricos e saneamento.
4.1. Tecnologias no tratamento de água e águas residuárias
Pinto et al. (1997) realizaram a automação de uma ETA, na qual é controlada a
dosagem ótima de coagulante, alcalinizante, cloro e flúor de forma automática. Também, possui
rotinas de alarme que desligam a captação de água bruta e a estação de tratamento em casos de
anormalidade em qualquer parâmetro. A estação é supervisionada 24 horas por dia, por um
Centro de Controle Operacional, para agilizar qualquer ação necessária.
Gonçalves, Maeda e Taqueda (1974), com o objetivo de proporcionar maior
eficiência e menor uso de mão-de-obra especializada, realizaram a automatização do sistema
de comando de lavagem de filtros da ETA Theodoro Augusto Ramos, localizada no distrito de
Santo Amaro, município de São Paulo. As ações dos operadores foram substituídas por relés,
válvulas solenoides e chaves fim de curso, itens que fazem parte da mesa de comando
automática. Dessa forma, a ação do operador passou a ser somente apertar o botão que iniciará
a lavagem do filtro.
Dubey et al. (2017) fizeram uma análise sobre o desenvolvimento de controles de
automação em ETAs, centrando nas questões técnicas do sistema de controle de automação que
podem auxiliar no avanço da indústria de automação em relação ao nível de gerenciamento e
eficácia do processo. Como conclusão, Dubey et al. (2017) relatam que as decisões de rotina
do operador são menos críticas com a automação, porém são necessárias a manutenção de rotina
eficaz e a disponibilidade de pessoal capacitado para emergências operacionais.
Maia et al. (2013) descrevem um projeto de uma planta de tratamento de águas
residuárias utilizando flotação e coagulação, com o objetivo de propor um sistema alternativo
de baixo custo para tratamento de água residuária para reutilizar no uso geral. Para este trabalho,
foram levados em consideração os seguintes fatores: as características da efluente bruto; o custo
de implantação, manutenção e operação; manuseio e confiabilidade dos equipamentos;
flexibilidade operacional; e, disposição final do lodo. Como resultado, foi elaborada uma planta
automatizada para controle do efluente bruto, resultando no final do processo em um efluente
tratado no nível de uso geral.
43
4.2. Sistemas Especialistas na dosagem de coagulantes
Para Zhang e Luo (2004), o processo de coagulação envolve muitos fenômenos físicos
e químicos complexos, sendo um dos estágios mais importantes na Estação de Tratamento de
Água (ETA). Esses autores, consideram ainda, que a dosagem de coagulante não está
linearmente correlacionada com as características das águas brutas, como turbidez,
condutividade, pH, temperatura, outros. Assim, é difícil ou mesmo impossível de controlar
satisfatoriamente a reação de coagulação, pelos métodos convencionais. Dessa forma, foi
desenvolvido um SE com base em modelos de rede neural e de Regras de Produção (RP), para
determinar a dosagem química ideal do coagulante no tratamento de água. Os resultados
mostraram que o SE, efetivamente, controla o processo de coagulação e a dosagem de
coagulação é menor do que a utilizada no método convencional.
Segundo Wu e Lo (2008), a coagulação é um componente importante do tratamento de
água, de forma que determinar a melhor dosagem de coagulante é vital, visto que a dosagem
inadequada resultará em não conformidade de qualidade de água. Habitualmente, são utilizados
para determinar a melhor dose de coagulante os testes de jarros e a própria experiência dos
operadores. Entretanto, os testes de jarros são demorados e menos adaptáveis às mudanças na
qualidade da água bruta em tempo real. Assim, quando ocorre uma condição incomum, como
uma chuva forte, a qual traz alta turbidez para a fonte de água, a qualidade da água tratada pode
ser inferior aos padrões de potabilidade, devido ao método convencional de operação, que torna
difícil de ajustar, em tempo real, a dosagem adequada. Assim, Wu e Lo (2008) desenvolveram
duas ferramentas de simulação, uma utilizando Redes Neurais Artificiais e outra Sistema de
Inferência Neuro-Fuzzy Adaptativo, para modelar a dosagem de policloreto de alumínio das
águas superficiais do norte de Taiwan. As ferramentas permitiram obter uma dosagem em
tempo real mais facilmente. O modelo do Sistema de Inferência Neuro-Fuzzy Adaptativo foi
melhor que o de Redes Neurais Artificiais para previsões de dosagem do coagulante policloreto
de alumínio.
Conforme Santos et al. (2017), em uma ETA, a coagulação é um dos processos mais
importantes, que é utilizado para desestabilizar as impurezas contidas na água para possibilitar
a floculação. Atualmente, para determinar a melhor dosagem de coagulante, algumas técnicas
têm sido empregadas, como métodos de inteligência artificial, como Redes Neurais Artificiais,
Fuzzy e SE, as quais permitem combinações técnicas para auxiliar os operadores e engenheiros
no processo de tratamento de água. Dessa forma, Santos et al. (2017) desenvolveram um
sistema baseado em Rede Neural Artificial para prever a dosagem de coagulante ideal em uma
44
ETA. O sistema foi implementado, simultaneamente, em dois locais de uma ETA do Estado de
São Paulo, apresentando como resultado, o fato de que o sistema proposto pode reduzir os
custos de matéria-prima na ETA.
4.3. Sistemas Especialistas para outras aplicações
Conforme Nasiri et al. (2007), as políticas de gestão da qualidade da água são questões
amplas e complexas, as quais se referem a propostas para prevenir, controlar ou tratar problemas
ambientais relacionados à qualidade da água. Existem diferentes usos da água e muitos
parâmetros de decisão com vários níveis de tomadores de decisão envolvidos. Também, existem
muitas estratégias e tecnologias disponíveis para aplicar no gerenciamento da qualidade da
água. Assim, são necessários decisores para selecionar o melhor plano possível para cada
problema específico. Dessa forma, foi proposto o conceito de Índice de Qualidade da Água
(IQA) para facilitar a avaliação de políticas de qualidade da água. Para obtenção do IQA houve
a necessidade de criar uma metodologia para estruturar e identificar informações relevantes
para o problema e também para ajudar os usuários a tomar uma decisão. Neste sentido, Nasiri
et al. (2007) desenvolveram um SE com suporte de decisão de múltiplos atributos, que
disponibiliza conhecimento especializado para que inexperientes possam utilizá-lo para
calcular o IQA e fornecer um esboço para a priorização de planos alternativos com base na
quantidade de melhorias do IQA. O SE proposto se mostrou aplicável e útil por meio da
investigação da qualidade da água, de um estudo de caso, na bacia do rio Tha Chin, na Tailândia.
Hatzikos et al. (2007) apresentaram um SE que monitora a qualidade da água do mar e
a poluição no norte da Grécia por meio de uma rede de sensores chamada Andromeda. O SE
monitora os dados coletados pelos sensores das estações de monitoramento locais sobre o nível
atual de adequação da água para diversos usos aquáticos, como natação e piscicultura. Este SE
tem como objetivo ajudar as autoridades no processo de tomada de decisão no combate contra
a poluição do meio aquático, o qual é vital para a saúde pública e a economia do norte da Grécia.
Utilizando Lógica Fuzzy, o SE sinaliza alertas quando determina que certos parâmetros
ambientais excederam os limites de poluição especificados pelas autoridades ou por
pesquisadores.
De acordo com Seflek e Çarman (2010), na Turquia, o desenvolvimento econômico
depende da agricultura, devendo ser aumentado o rendimento na produção agrícola para
melhorar a economia. Um fator muito importante para aumentar o rendimento é a irrigação.
Diferentes tipos de bombas são utilizados de acordo com as condições do sistema para irrigação
45
de áreas agrícolas, sendo muito difícil encontrar um especialista no momento e local desejado
para selecionar a bomba correta. Seflek e Çarman (2010) desenvolveram um SE utilizando
como base de dados as informações obtidas de bombas comumente usadas na Turquia. Levando
em consideração a área de irrigação, métodos de irrigação, recursos hídricos, clima,
propriedades do solo, padrão de cultivo e características do poço, foram determinadas a vazão
e a altura manométrica total e, o SE seleciona a bomba mais adequada com o menor consumo
especifico de energia.
Ooshaksaraie et al. (2012) desenvolveram um SE, o RP3CA, o qual é usado para mitigar
a poluição das águas pluviais durante atividades de construção no canteiro de obras. O RP3CA
foi elaborado utilizando o Microsoft Visual Basic (VB) 6 que pode ser usado com o SIG
(Sistema de Informação Geográfica). Para adquirir os conhecimentos e experiência, foram
usadas tabelas e árvores de decisão. O SE foi desenvolvido como um consultor de
gerenciamento de água pluviais para que os usuários possam controlar as atividades de
construção. No desenvolvimento do RP3CA, foi verificado que o estabelecimento da base de
conhecimento é a tarefa mais importante, difícil e demorada de se realizar.
Com o objetivo de prevenir e reduzir a poluição da água, promover o uso sustentável,
proteger o meio ambiente e melhorar a condição dos ecossistemas aquáticos, Angulo et al.
(2012) desenvolveram um sistema de suporte à decisão. Este sistema foi baseado na aplicação
de técnicas de Lógica Fuzzy e destinou-se a auxiliar o gerenciamento de registros de diferentes
redes de monitoramento da qualidade da água. O SE utilizou variáveis físico-químicas
registradas em tempo real. O SE foi considerado apto a obter indicadores de alterações da
qualidade da água, os quais podem ser associados a descargas urbanas ou poluição agrícola
difusa. O sistema analisou resultados de variáveis físico-químicas da rede de monitoramento
oficial, fornecendo informações sobre eventos específicos ou processos contínuos, que
dificilmente são detectados por amostragem discreta.
Um SE baseado no conhecimento, o Stormwater Management Control Expert System
(SMCES), foi desenvolvido por Al-Ani et al. (2012), utilizando o ambiente do Microsoft Visual
Basic 6, com o objetivo de gerenciamento das águas pluviais na Malásia. Os resultados obtidos
foram comparados com o especialista humano (engenheiro local), sendo provado que o SMCES
se comporta como um especialista humano. O SMCES pode economizar tempo e recursos
financeiros, uma vez que não há consultor continuamente disponível e que cada nova
consultoria requer alocação de recursos financeiros. Os usuários finais do sistema são
engenheiros, consultores, contratados e tomadores de decisão.
46
Rosa et al. (2014) desenvolveram um SE, o EXPERT-AU1, para operação de sistema
de abastecimento urbano de água. O SE tem o objetivo de auxiliar operadores de sistema de
abastecimento de água em suas atividades de tomada de decisão. Em especial, o SE auxilia na
definição do tempo de funcionamento de um conjunto de motor-bombas, ou seja, quais bombas
ligar e por quanto tempo as mesmas devem permanecer ligadas. O modelo pode ser aprimorado
e aplicado em situações reais, após a realização de adaptações e calibração do modelo.
Capella et al. (2014) contribuíram para o desenvolvimento e implantação de uma rede
de sensores, sem fio, para o monitoramento contínuo, em tempo real, da concentração de
nitratos em um rio no leste da Espanha, por meio do desenvolvimento de um SE para melhorar
os recursos de operação. A otimização dos tempos em que as medições devem ser realizadas e
enviadas, a frequência de amostragem, as preferências do usuário e os recursos da aplicação
são recursos disponibilizados pelo SE. Como resultado, foi verificado, experimentalmente, que
tanto o SE quanto o software inteiro funcionam corretamente, tornando o sistema altamente
adequado para a automação completa de muitos sistemas de análise química, que exigem uma
confiabilidade absoluta das medições.
Após a descoberta da poluição na bacia hidrográfica, na qual estão instalados poços de
captação de água potável do aquífero Ljubljansko polje, principal fonte de água da capital da
Eslovênia, Janža (2015) desenvolveu um sistema de apoio à decisão para o gerenciamento de
águas subterrâneas. O sistema é baseado em uma rede de monitoramento e na integração de
técnicas de modelagem numérica com conhecimento especializado. A integração das atividades
incluiu a constatação de poluição nas águas subterrâneas, a simulação de propagação da
poluição e a tomada de decisão. Essa integração em um sistema comum oferece uma base para
o gerenciamento pró-ativo de recursos hídricos. O sistema, com uma interface amigável,
possibilitou aos gerentes de água que utilizem ferramentas de modelagem e acessem de maneira
rápida as informações para mitigar a poluição das águas subterrâneas, contribuindo
significativamente para um abastecimento mais seguro de água potável.
A previsão de consumo de água em curto prazo (dia seguinte) é necessária para obter
eficiência operacional em um sistema de abastecimento de água. Dessa forma, Silva, Campos
e Santos (2016) desenvolveram um modelo matemático de previsão de consumo diário de água
da cidade de Nobres, Estado de Mato Grosso, Brasil. Foram aplicadas as seguintes técnicas de
modelagem matemática: a Regressão Linear, as Séries de Fourier e o SE. O modelo
desenvolvido apresentou um bom ajuste, pois os resultados indicaram um erro médio percentual
47
inferior a 10%. Os autores concluíram que o modelo desenvolvido pode ser utilizado para o
planejamento operacional do sistema de abastecimento de água estudado.
4.4. Tecnologias open source em Recursos Hídricos e Saneamento
Souza et al. (2012) utilizaram a Plataforma Arduino como ferramenta de
monitoramento, por possuir baixo custo e fácil aplicabilidade, para avaliação da qualidade das
águas do Delta do Parnaíba, situado entre os estados brasileiros do Maranhão e do Piauí. As
variáveis monitoradas incluíram medições dos níveis de pH e temperatura. O monitoramento
foi realizado por três meses, sendo registrado dados relevantes da qualidade do ambiente
aquático, visando auxiliar na prevenção de um possível desequilíbrio ecológico local. Com o
monitoramento foi verificado que em determinado período o pH se tornava ácido, dessa forma,
Souza et al. (2012) pretendem realizar pesquisas mais profundas para avaliar o impacto real
dessa acidez e evitar impactos ambientais negativos.
Um estudo similar foi desenvolvido por Faustine et al. (2014). Um protótipo de um
sistema para monitoramento da qualidade da água em Lake Victoria Basin, importante
ecossistema na Região da África Oriental, foi desenvolvido. O sistema é constituído por um
microcontrolador Arduino, sensores de qualidade da água e um módulo de conexão sem fio.
Ele detecta, em tempo real, a temperatura da água, o oxigênio dissolvido, o pH e a
condutividade elétrica enviando a informação para um portal baseado na web e para plataforma
de telefonia móvel. Faustine et al. (2014) mostraram, como resultados experimentais, que o
sistema pode ser utilizado para operar em ambiente real, fornecendo informações relevantes e
oportunas para facilitar a tomada rápida de decisão, para garantir o melhor controle e proteção
dos recursos hídricos. Na Figura 26 é mostrado o sistema coletando dados.
Figura 26. Sistema coletando dados
Fonte: Faustine et al. (2014)
48
Kelley et al. (2014) projetaram e construíram um turbidímetro acessível, baseado na
Plataforma Arduino, e o avaliaram comparando-o com um turbidímetro comercial portátil. Os
resultados indicaram que o turbidímetro detecta turbidez com alcance e precisão bastante
comparáveis aos de um dispositivo comercial portátil de custo muito maior.
Para ter informações em tempo real sobre a quantidade de água consumida, Grosskopf
e Pykosz (2016) desenvolveram um protótipo automatizado visando monitorar o consumo de
água pelos usuários. Foram ligados sensores de fluxo de água (vazão) e temperatura a um
microcontrolador Arduino, o qual se comunica com a internet e envia os dados coletados para
um banco de dados. O protótipo apresentou uma porcentagem de acerto de 95,5%. Conforme
Grosskopf e Pykosz (2016), a viabilidade desse projeto pode tornar muito mais ágil e
automática a leitura, pelas empresas de saneamento, dos volumes consumidos pelos usuários,
proporcionando um maior controle dos volumes gastos e dos desperdícios.
Devi, Varshney e Sethi (2016) desenvolveram um sistema automático, para fins
domésticos, que monitora e regula os fatores agrícolas baseado na plataforma Arduino, o qual
é programado para detectar a umidade e pH no solo e realizar ações necessárias para equilibrá-
lo. As leituras da umidade do solo e de pH são coletadas por sensores e enviadas para o
microcontrolador Arduino, o qual é programado para regar as plantas quando a umidade do solo
estiver abaixo do valor padrão e aplicar cal hidratada para tornar neutro o pH do solo. Os autores
concluíram que o sistema automático desenvolvido atendeu o objetivo e recomendam, como
aprimoramento, o envio de SMS (Serviço de Mensagens Curtas) para o número de celular do
usuário usando uma conexão Ethernet / Wi-Fi através da Internet.
Com o objetivo de criar um sistema de irrigação inteligente para casa de vegetação,
Ferreira et al. (2016) utilizaram um microcontrolador Arduino e outros componentes
eletrônicos para o controle automático de válvulas solenoides, que controlam a irrigação do
cultivo, a partir dos dados de leitura de umidade do solo. O sistema foi capaz de acionar e
desativar as válvulas no momento adequado, conforme a condição de ajuste programado,
comprovando a sua eficácia, viabilidade e aplicabilidade.
Com base na tecnologia Arduino, Masseroni et al. (2016) desenvolveram o Irrig-OH,
um dispositivo para permitir o monitoramento contínuo do potencial de água do solo na zona
de raiz para suportar o agendamento de irrigação na escala de campo. O dispositivo possui dois
tipos de sensores, um para medir o potencial de água do solo e outro para medir a temperatura
do solo. O disposto possui uma estrutura flexível que pode ser adaptada para hospedar
diferentes tipos de sensores. Os resultados obtidos, utilizando o dispositivo Irrig-OH, gerindo a
49
irrigação em um pomar de pessegueiros, permitiu um aumento significativo na eficiência do
uso da água, mostrando uma economia de água de quase 50%, sem causar redução para a
quantidade e qualidade da produção. Na Figura 27 é apresentado o hardware do Irrig-OH.
Figura 27. Hardware do Irrig-OH
Fonte: Masseroni et al (2016)
Visando desenvolver um método alternativo de análise de vazão hídrica, Luz et al.
(2016) utilizaram um microcontrolador Arduino e um sensor de fluxo, ambos de custo
acessível, para medir vazão em canais abertos e o comparou com dois métodos
convencionalmente utilizados, o método direto e o vertedor triangular. Após análise das vazões
obtidas pelos três métodos, foi observado uma correlação entre o método alternativo e os
métodos convencionais. Assim, o método alternativo se mostrou eficiente e confiável, sendo
viável o aperfeiçoamento estrutural deste equipamento, pois ele apresenta precisão, baixo custo,
facilidade de obtenção dos equipamentos e de programação.
Para estabelecer uma rede de monitoramento hidrológico nos trópicos úmidos e secos
de Guanacaste, na Costa Rica, Hund, Johnson e Keddie (2016) desenvolveram um registrador
de dados baseado na Plataforma Arduino, o Ecohydro Logger, que é conectado a um sensor
combinado de profundidade de água, temperatura e condutividade. Em cada estação de
monitoramento este sistema foi implantado para medir esses parâmetros em intervalos de dez
minutos. O Ecohydro Logger apresentou custos totais de U$ 100, significativamente, menos
oneroso que os dataloggers convencionais. Além disso, os sistemas de aquisição de dados
50
baseados na plataforma Arduino, possuem natureza acessível, extensível e de código aberto,
apresentando um grande potencial de integração em sócio-hidrologia, podendo capacitar os
cidadãos locais para contribuir para ampliar o conhecimento sobre recursos hídricos em suas
comunidades.
Para Ranjbar e Abdalla (2017), a industrialização e a economia estão crescendo
rapidamente e o tempo é o recurso disponível mais escasso no mundo de hoje, tornando o
método tradicional de teste de qualidade da água não mais aplicável. Dessa forma, vários
sistemas eletrônicos de monitoramento da qualidade da água foram desenvolvidos na última
década para enfrentar esse problema. Ranjbar e Abdalla (2017) desenvolveram um sistema de
monitoramento da qualidade da água de baixo custo, automático, remoto, portátil e em tempo
real, o qual é constituído pelas seguintes partes: um microcontrolador Arduino; sensores para
medir a temperatura da água, nível de pH, turbidez e nível da água; módulo GSM (Sistema
Global para Comunicações Móveis) para enviar SMS (Serviço de Mensagens Curtas) para o
telefone móvel do usuário; tela LCD (Display de Cristal Líquido); e, sistema de alarme. Caso
seja detectado, por qualquer sensor, alguma característica de qualidade da água anormal, o
sistema de alarme acenderá um LED (Diodo Emissor de Luz) vermelho para esse parâmetro e
um aviso sonoro será emitido, simultaneamente e, será enviado um SMS ao usuário relatando
a anormalidade. O sistema desenvolvido foi testado em diferentes condições, com solução de
água com diferentes impurezas e em diferentes períodos de tempo. Os autores concluíram que
todos os objetivos foram alcançados.
Kawade et al. (2017) apresentaram uma proposta de um sistema para solucionar o
problema das flutuações do nível de cloro nos sistemas de abastecimento de água potável,
baseado em sensores, sem fio, de pH, ultrassônico e de turbidez. Se ocorre alteração no valor
do pH e turbidez, ou seja, se o valor aumentar ou reduzir drasticamente, o sistema receberá um
sinal e verificará o nível da água no reservatório, então determinará a quantidade de água
presente e a quantidade de cloro a adicionar e, em seguida, o cloro será adicionado. Quando há
uma alta flutuação do nível de cloro e aumento do valor de turbidez, o módulo GSM (Sistema
Global para Comunicações Móveis) será usado para enviar mensagem para o operador do
sistema. Também, será emitido um sinal sonoro e uma luz LED para detectar quando existe
fluxo de cloro na água.
Um sistema de irrigação de plantas totalmente automatizado, baseado na plataforma
Arduino, foi desenvolvido por Kumar e Shimi (2017). Este sistema usa painéis solares para
fornecer energia ao sistema durante o dia. Durante a noite, o sistema funciona com baterias que
51
foram carregadas pela energia solar durante o dia. Para detectar o nível de umidade do solo são
utilizados sensores e quando o teor de umidade do solo se encontra abaixo de um limite para
uma planta, a bomba será acionada e a planta será irrigada. A bomba é desligada,
automaticamente, quando o valor desejado de umidade for atingido. O sistema desenvolvido
mede diferentes condições ambientais, como temperatura atmosférica, umidade relativa,
temperatura do solo, entre outras e vem se mostrando simples e rentável em relação a maioria
dos outros sistemas comerciais.
52
5. ÁREA DE ESTUDO
A escolha da área de estudo, neste caso município de Nobres/MT (Figura 28),
considerou os pontos apresentados por PMSS (2008): (1) problemas comuns na área de
saneamento de municípios de pequeno porte, situação na qual se enquadram 97%
(BRASIL, 2007) dos municípios do Estado de Mato Grosso; (2) relativa homogeneidade, em
termos de limitações técnicas e econômicas, também enfrentadas por estes municípios; (3)
incapacidade, da maioria dos municípios do Estado de Mato Grosso, de prestar, regular e
controlar satisfatoriamente o serviço de saneamento básico. Além disso, o interesse por parte
da concessionária do serviço de abastecimento de água do município de Nobres/MT favoreceu
a escolha do município e o desenvolvimento da pesquisa.
Figura 28. Localização do Estudo de Caso
Fonte: Elaboração própria
O município de Nobres/MT possui uma população estimada de 15.002 habitantes
(IBGE, 2010), distribuídos em uma área de 3.904,42 km². A economia local é impulsionada
pelos setores de indústria de cimento e calcário; pecuária, sistema de cria, recria, corte e leiteira;
agricultura; comércio; culturas perenes e ecoturismo (PMSS, 2008).
53
Na cidade de Nobres/MT, o serviço de abastecimento de água atende 76,30% da
população total do município, sendo considerado razoavelmente adequado, embora necessite
de ajustes para que se possa cumprir com a sua função social (PMSS, 2008).
Em Nobres/MT a captação é feita em balsa flutuante no Rio Nobres e aduzida à ETA
onde são realizados os processos de coagulação, floculação, decantação, filtração e desinfecção.
A rede de distribuição atende toda a cidade, que possui uma população urbana estimada em
12.454 habitantes, conforme IBGE (2010).
O serviço de abastecimento de água é prestado pela Empresa de Saneamento de Nobres
(ESAN). A ETA-Nobres possui dois módulos (ETA I e ETA II) de tratamento de água para
suprir a demanda da cidade, sendo o módulo I de alvenaria e o módulo II de estrutura metálica.
A água bruta é aduzida até a calha Parshall, com garganta de 22,90cm, e distribui 16L.s-1 para
o módulo I (ETA I) e 34L.s-1 para o módulo II (ETA II). Cada módulo possui um floculador
hidráulico de fluxo vertical com chicanas, dois decantadores de fluxo laminar, quatro filtros de
fluxo descendentes com antracito, areia e pedregulho. E uma única câmara de contato para os
dois módulos.
A água bruta aduzida à ETA-Nobres apresentou valores de turbidez entre 0,62 uT e
1129 uT e valores de pH entre 6,5 e 7,7. Após o tratamento, a água tratada a ser distribuída para
a população, apresentou valores de turbidez entre 0 uT e 3,08 uT e de pH entre 5,8 e 7,3.
Atualmente, a operação da ETA-Nobres ocorre de forma manual pelo operador
realizando as seguintes ações: (1) coleta de amostras de água ao longo do tratamento; (2) análise
dos parâmetros físico-químicos (turbidez, cor, pH e cloro residual livre); (3) determinação da
dosagem de sulfato de alumínio (teste de jarros ou experiência); (4) aplicação da dose do
coagulante (controle do rotâmetro instalado na tubulação de recalque da bomba dosadora); e,
(5) dosagem de cloro na câmara de contato. O esquema da ETA-Nobres é apresentado na
Figura 29.
Figura 29. Esquema da ETA-Nobres
Fonte: Elaboração própria
54
6. METODOLOGIA
Para se alcançar os propósitos desejados neste estudo, os procedimentos metodológicos
foram divididos em três etapas principais: (1) desenvolvimento do Sistema Especialista; (2)
implementação do Sistema Especialista no tratamento de água; e, (3) avaliação da qualidade do
Sistema Especialista. Na Figura 30 é apresentado um fluxograma com a ordem da execução das
etapas propostas. A seguir são apresentadas as etapas para o cumprimento desta pesquisa.
Figura 30. Fluxograma da metodologia
Fonte: Elaboração própria
55
6.1. Desenvolvimento do Sistema Especialista
O desenvolvimento do Sistema Especialista (SE) para dosagem de coagulante no
tratamento de água foi realizado em subetapas, conforme recomendações de Giarratano e Riley
(2004), que incluem: (1) planejamento do SE; (2) explicitação do conhecimento; (3) codificação
do conhecimento; e, (4) avaliação e adequação do SE.
6.1.1. Planejamento do Sistema Especialista
O propósito do estágio de planejamento é o de produzir um plano formal para o
desenvolvimento do SE. Na Tabela 6 são apresentadas as atividades realizadas nesta subetapa,
bem como os seus respectivos objetivos, segundo as recomendações de Giarratano e Riley
(2004).
Tabela 6. Atividades da subetapa de planejamento do SE
Atividade Objetivo
Avaliação da viabilidade Determinação se a abordagem do SE é adequada.
Gerenciamento dos recursos Avaliação dos recursos humanos, tempo, recursos
financeiros, software e hardware necessários.
Layout funcional preliminar Definição do que o sistema deve alcançar pela
especificação das funções do sistema. Especificar o
propósito do sistema. Fonte: Adaptado de Giarratano e Riley (2004)
6.1.2. Explicitação do conhecimento
A explicitação do conhecimento refere-se ao processo de aquisição do conhecimento
necessário para solução do problema (domínio do conhecimento). Para isso foram realizadas as
seguintes atividades: levantamento de dados; tabulação de dados; obtenção do conhecimento;
e avaliação do conhecimento.
Para o levantamento de dados, foram realizadas visitas técnicas periódicas junto à ETA
de estudo (ETA-Nobres), onde foi feito o acompanhamento do processo de tratamento de água
para a obtenção de dados de forma satisfatória. Também, dados operacionais, em especial,
características de qualidade e quantidade de água bruta e tratada e de dosagem de coagulante,
foram coletados. Os dados operacionais coletados referem-se a um período de um ano, o que
permitiu o estudo em período chuvoso, de transição e seco.
Na atividade de tabulação de dados, as informações levantadas de turbidez (uT), pH,
dosagem de sulfato (mg.L-1) e chuva 24h, foram tabulados no formato adequado com auxílio
56
de uma planilha eletrônica (MS Excel) para posterior processamento em software de Mineração
de Dados (MD).
A próxima atividade, obtenção do conhecimento, foi realizada a partir dos dados
tabulados e da utilização do software de MD WEKA (Waikato Environment for Knowledge
Analysis). Na atividade de obtenção do conhecimento, foi obtido o domínio de conhecimento
necessário para desenvolvimento do SE. Como modelo de representação de conhecimento, foi
adotado o de Regras de Produção (RP), uma vez que este é o modelo comumente utilizado e
apresenta vantagens de modularidade e uniformidade, conforme Artero (2009). Como método
de MD foram utilizados três algoritmos de classificação, sendo eles: J48; REP Tree; e Random
Tree. As justificativas para escolhas desses três algoritmos incluem: J48 um algoritmo clássico
para geração de Árvores de Decisão (AD); REP Tree um algoritmo que gera AD a partir de
relações lógicas entre variáveis; e, um algoritmo que gera AD a partir de relações aleatórias
entre variáveis, o Random Tree. Assim, foi esperado que alguma dessas abordagens (clássica,
lógica, aleatória) seria ideal para este estudo de caso.
Para a atividade de avaliação do conhecimento, foram utilizadas a Estatística Kappa e a
Matriz de Confusão (MC) como indicadores de precisão para selecionar o conhecimento
relevante. Ainda, foi considerado como conhecimento adequado aquele que apresenta a força
de concordância quase perfeita (Estatística Kappa 0,81 ≤ κ ≤ 1,00), conforme Landis e Koch
(1977). O algoritmo selecionado teve sua AD convertida em RP, conforme Han e Kamber
(2006).
6.1.3. Codificação do conhecimento
Para codificação do conhecimento, foi utilizado um microcomputador Intel Core i7-
4810MQ 2.80GHz, com 16GB de memória RAM em Plataforma Windows 10, utilizando a
planilha eletrônica MS Excel (desenvolvimento de macros, utilização de formulários e outros
recursos). Como justificativa apresenta-se o fato de a planilha eletrônica MS Excel ser
amplamente conhecida e utilizada, o que facilita a replicação e adequação para outros casos.
Nesta subetapa, as Regras de Produção foram extraídas da Árvore de Decisão.
6.1.4. Avaliação e adequação do Sistema Especialista
Segundo recomendações de Artero (2009), para avaliação e adequação do SE, foi
utilizado o teste de Turing, sendo este teste clássico para verificar se uma máquina possui
inteligência ao nível humano. O teste foi realizado com dois humanos, um funcionário (A) e
57
um funcionário (B), e uma máquina, o SE (C), de forma que não haja comunicação entre eles
(A, B e C). Foi realizado um questionário por A para descobrir qual dos dois, B ou C, é a
máquina (SE). Se A não conseguir determinar, com no mínimo 50% de precisão, qual dos dois,
B ou C, é o humano, então a máquina (SE) passou pelo teste de Turing.
6.2. Implementação do Sistema Especialista no tratamento de água
Nesta etapa, devido à limitação da empresa operadora da ETA-Nobres (tempo e recursos
financeiros), fez-se a opção pela implementação do SE em uma unidade que simulou a dosagem
de coagulante, denominada Unidade de Simulação de Dosagem de Sulfato de Alumínio (USD-
SA). Assim, a USD-SA foi desenvolvida a partir da tentativa de reprodução do esquema de
instalação apresentado na Figura 31.
Figura 31. Esquema de implementação do IAD-SA na ETA-Nobres
Fonte: Elaboração própria
O Coletor 01 e o Coletor 02 obtêm dados de pH e turbidez e transmitem para o Módulo
de Comunicação, que transmite para o Sistema Especialista aqui denominado IAD-SA
(Inteligência Artificial para Dosagem de Sulfato de Alumínio), o qual determina a dosagem de
sulfato de alumínio e envia para o Módulo de Comunicação, que aplica a dose do coagulante.
Os coletores 01 e 02, bem como a forma de transmissão de dados e comandos foram
desenvolvidos em plataforma Arduino, tendo como justificativa dessa adoção os reduzidos
custos de aquisição de materiais e facilidade de replicação e adequação a outros casos.
Para calibração dos sensores de turbidez foi realizada a regressão dos valores de tensão
de saída dos sensores com amostras de turbidez conhecida. Para produzir as amostras com
turbidez conhecida foi adicionada à água bentonita (marca Bentonorth), sendo essa solução
58
(bentonita + água) analisada por turbidimetro de bancada (HANNA HI 93703). Da mesma
forma, para calibração dos sensores de pH foi realizada a regressão dos valores de tensão de
saída dos sensores com valores de pH das soluções de calibração (pH = 4,0; pH = 7,0; e pH =
10,0). Para analisar o pH da amostra foi utilizado um pH de bancada (HACH Sension+ PH1).
Para calibração da bomba dosadora de sulfato de alumínio foi realizado um ajuste de reta
correlacionando a dosagem mínima e máxima de coagulante com os valores de tensão de saída
(PWM – Modulação por Largura de Pulso) do Arduino.
Neste trabalho não foi considerado a característica cor, uma vez que foi desenvolvido
um SE que reproduz a operação realizada na ETA-Nobres. Nesta ETA, os operadores
determinam a dosagem a partir dos valores de turbidez e pH da água bruta e tratada, e da
ocorrência de chuva nas últimas 24h. Esta informação foi obtida por meio de entrevista
realizada com operadores e engenheiro de operação.
6.3. Avaliação da qualidade do Sistema Especialista implementado
Para esta etapa, foi realizada uma análise comparativa entre a situação real (ETA-Nobres
com operadores humanos) e a situação simulada (USD-SA com a operação do SE
desenvolvido).
A situação simulada representa o SE desenvolvido em operação, coletando as
informações de pH e turbidez da água bruta e da tratada, determinando a dosagem do coagulante
e realizando a sua aplicação. Por não ser possível implementar o SE desenvolvido na ETA-
Nobres, a implementação foi realizada em escala de bancada (USD-SA) no Laboratório de
Hidráulica (LABHID), do Departamento de Engenharia Sanitária e Ambiental (DESA), da
Universidade Federal de Mato Grosso (UFMT).
Mais especificamente, uma dada condição de água bruta e tratada foi fornecida para
situação real e para a situação simulada, e seus resultados (pH da água bruta e tratada; turbidez
da água bruta e tratada; e, dosagem de sulfato de alumínio) foram comparados.
Como indicador de qualidade do ajuste entre a situação real e a situação simulada
adotou-se o erro médio percentual absoluto (MAPE), sendo considerado como adequado
valores de MAPE inferiores a 10%, conforme Silva et al. (2008) e Silva, Campos e Santos
(2016). A justificativa para a utilização deste indicador refere-se a três pontos principais: (1)
trata-se de um indicador de fácil compreensão, ideal para entendimento na operação de ETAs;
(2) amplamente utilizado em pesquisas envolvendo sistemas de abastecimento de água; e, (3)
não dá importância a escala de grandeza de variáveis estudadas.
59
7. RESULTADOS E DISCUSSÃO
A seguir são apresentados e discutidos os resultados obtidos pelo desenvolvimento das
etapas apresentadas na metodologia.
7.1. Desenvolvimento do Sistema Especialista
Os resultados e discussão do desenvolvimento do Sistema Especialista (SE) são
apresentados na sequência.
Como resultados da subetapa planejamento do SE, têm-se inicialmente, para a atividade
de avaliação da viabilidade, a verificação dos fatores e retornos sugeridos por Giarratano e Riley
(2004). Os motivos que levaram ao desenvolvimento do SE referem-se ao fato de que todos os
retornos propostos por Giarratano e Riley (2004) foram favoráveis ao desenvolvimento do SE,
como é mostrado na Tabela 7.
Tabela 7. Avaliação da viabilidade do SE
Item Fator (1) Retorno (2) Avaliação (3)
1 O problema pode ser solucionado eficientemente por
programação convencional?
Não Não
2 O domínio do problema é bem definido? Sim Sim
3 Existe a necessidade e interesse por um SE? Sim Sim
4 Existe(m) especialista(s) humano(s) disposto(s) a
cooperar?
Sim Sim
5 O(s) especialista(s) consegue(m) transmitir seu
conhecimento?
Sim Sim
6 A solução do problema envolve principalmente
heurística e incerteza?
Sim Sim
(1) fatores sugeridos por Giarratano e Riley (2004); (2) retorno esperado para que a abordagem do SE fosse viável; (3) retorno encontrado após a avaliação da viabilidade do desenvolvimento do SE.
Fonte: Adaptado de Giarratano e Riley (2004)
A resposta do item 1 é negativa, já que não existe um algoritmo eficiente para a solução
do problema, conforme Giarratano e Riley (2004). Para o item 2, a resposta é positiva, pois
tem-se como verdadeira a premissa de que o operador, devido a sua experiência, tem domínio
sobre o problema, definição de dosagem de coagulante a partir da turbidez e pH, da água bruta
e tratada, e da ocorrência de chuva nas últimas 24h. Assim, trata-se de um domínio bem
definido, o que é um ponto favorável ao desenvolvimento de um SE, segundo Giarratano e
Riley (2004). Quanto ao item 3, um SE para determinar a dosagem ideal do coagulante é
necessário e interessante para a ETA-Nobres, pois irá reduzir o desperdício de água causado
60
pela dosagem incorreta de coagulante. Também, é um tema de interesse do grupo de pesquisa
no qual este trabalho é vinculado. O item 4 apresenta resposta positiva, pois a ETA-Nobres
disponibilizou o banco de dados de operação da ETA, sendo este o especialista a contribuir com
o desenvolvimento do SE. Em relação ao item 5, a resposta também é positiva, pois o banco de
dados fornecido pela ETA-Nobres consegue transmitir o conhecimento dos especialistas, uma
vez que técnicas de Mineração de Dados (MD) conseguem obter o conhecimento a partir de
banco de dados. A resposta do item 6 é positiva, pois a dosagem de coagulante pode ser
determinada com base em observação (experiência do operador), a qual envolve heurística e
incerteza.
A atividade de gerenciamento dos recursos foi realizada por meio do levantamento dos
recursos de informática (software e hardware), dos recursos humanos e dos recursos financeiros
para o desenvolvimento do SE. O resultado indicou que os recursos disponíveis são suficientes
para o desenvolvimento deste SE segundo análise comparativa com os trabalhos de Zhang e
Luo (2004), Wu e Lo (2008) e Santos et al. (2017).
A atividade de layout funcional preliminar deve definir o que o sistema irá alcançar
mediante a especificação das funções do sistema. Foi realizada uma análise criteriosa dos
objetivos do SE para definir as funções do sistema, seguindo sugestão de Giarratano e Riley
(2004). O resultado indicou que, ao se considerar o objetivo desta atividade, dosar e aplicar
coagulante no tratamento de água, o layout deve ser focado no atendimento a este objetivo.
Para a subetapa explicitação do conhecimento, a realização das atividades previstas
apresentou os resultados descritos a seguir.
Na atividade de levantamento de dados, foram realizadas visitas técnicas na ETA-
Nobres, onde foram obtidas planilhas diárias do ano de 2012 com os dados de turbidez, pH,
dosagem de sulfato de alumínio, ocorrência de chuva, entre outros. Além disso, informações
acerca de detalhes da ETA-Nobres (projeto executivo, vazões de projeto e atual, fluxogramas,
outros) foram obtidos. A planilha de anotações dos dados utilizada pelos operadores da ETA-
Nobres encontra-se no Anexo 1.
A atividade de tabulação, organização e digitalização de dados, resultou em uma
planilha eletrônica (MS Excel) com sete colunas e 8760 linhas, totalizando 61.320 dados. Na
Figura 32 é apresentado o banco de dados inserido em planilha eletrônica (MS Excel). E, na
Tabela 8 são apresentados as variáveis de interesse, suas unidades e respectivas faixas de
valores (limites inferiores e superiores).
61
Figura 32. Parte do banco de dados
Fonte: Elaboração própria
Tabela 8. Variáveis de interesse
Variável Unidade Possíveis respostas
Turbidez da água bruta uT 0,62 até 1129
Turbidez da água tratada uT 0 até 3,08
Dosagem de sulfato de alumínio mg.L-1 10, 11, 12, ... , 41
Ocorrência de chuva últimas 24h adimensional Sim (S) ou Não (N)
pH da água bruta adimensional 6,5 até 7,7
pH da água tratada adimensional 5,8 até 7,3 Fonte: Elaboração própria
O banco de dados, Figura 33, foi convertido em formato adequado ao processamento no
software de MD Weka. Na Figura 31 é mostrado uma parte dos dados convertidos.
Figura 33. Dados convertidos
Fonte: Elaboração própria
Na Figura 33, as colunas representam, respectivamente, da esquerda para a direita,
turbidez da água bruta (uT), turbidez da água tratada (uT), pH da água bruta, pH da água tratada,
dosagem de sulfato de alumínio (mg.L-1), ocorrência de chuva nas últimas 24h, e, estado da
ETA (ligada ou desligada).
62
A atividade de obtenção do conhecimento foi realizada a partir do processamento do
banco de dados convertidos (Figura 33) no software de MD Weka. Foram geradas três Árvores
de Decisão (AD) para selecionar a melhor. Foram utilizados os algoritmos J48, REP Tree e
Random Tree. O atributo classe selecionado como atributo de saída foi a variável dosagem de
sulfato de alumínio. Nas Figuras 34, 35 e 36 são apresentadas parte das ADs obtidas pela
aplicação dos algoritmos J48, REP Tree e Random Tree, respectivamente.
Na Figura 34, a linha 1 representa a primeira decisão a ser tomada. No caso, se a ETA
estiver desligada, ou seja, se a ETA for igual a X (simbologia “ETA = X”), então, o algoritmo
retorna que a dosagem de sulfato de alumínio foi de 0 mg.L-1 (simbologia “: 0”). Na linha 2, se
a ETA estiver ligada, ou seja, se a ETA for igual a O (simbologia “ETA = O”), o algoritmo não
apresenta retorno, e sim dá continuidade ao conhecimento (simbologia “ | ”). Na sequência, da
linha 3 até a linha 6, o algoritmo dá continuidade ao conhecimento. Na linha 7 foi apresentado
um retorno (simbologia “: 17”), indicando que a dose de sulfato de alumínio a ser aplicada foi
de 17 mg.L-1. Por analogia, estes comentários são válidos para as demais linhas e para os demais
algoritmos.
Figura 34. Parte da AD gerada pelo algoritmo J48 1 ETA = X: 0 (2494.0)
2 ETA = O
3 | TB <= 7.94
4 | | TB <= 3.67
5 | | | TT <= 0.79
6 | | | | pHT <= 6.8
7 | | | | | pHB <= 7.1: 17 (5.0)
8 | | | | | pHB > 7.1: 20 (3.0)
...
782 | | | | | | | pHT > 7.1: 10 (2.0/1.0)
ETA: Estação de Tratamento de Água; X: ETA desligada; O: ETA ligada; TB: Turbidez bruta; TT: Turbidez
tratada; pHT: pH da água tratada; pHB: pH da água bruta.
Fonte: Elaboração própria
Figura 35. Parte da AD gerada pelo algoritmo REP Tree 1 TB < 0.31 : 0 (1663/0) [831/0]
2 TB >= 0.31
3 | TB < 7.92
4 | | TB < 3.65
5 | | | TT < 0.8
6 | | | | TB < 2.57
7 | | | | | Chu = S
8 | | | | | | pHT < 7.05 : 10 (11/5) [6/2]
...
308 | | | | | | pHT >= 6.7 : 32 (11/4) [8/5]
ETA: Estação de Tratamento de Água; X: ETA desligada; O: ETA ligada; TB: Turbidez bruta; TT: Turbidez
tratada; pHT: pH da água tratada; pHB: pH da água bruta.
Fonte: Elaboração própria
63
Figura 36. Parte da AD gerada pelo algoritmo Random Tree 1 TB < 0.31 : 0 (2494/0)
2 TB >= 0.31
3 | pHT < 6.95
4 | | TB < 23.95
5 | | | TB < 4.63
6 | | | | TT < 0.39
7 | | | | | Chu = S
8 | | | | | | pHT < 6.85
9 | | | | | | | pHB < 7.15
10 | | | | | | | | TB < 4 : 17 (6/0)
...
2794 | | | | | | | | | | TT >= 1.42 : 32 (2/0)
ETA: Estação de Tratamento de Água; X: ETA desligada; O: ETA ligada; TB: Turbidez bruta; TT: Turbidez
tratada; pHT: pH da água tratada; pHB: pH da água bruta.
Fonte: Elaboração própria
Afim de exemplificação da explicitação de um conhecimento obtido, duas RP extraídas
da AD gerada pelo algoritmo J48 são apresentadas na Figura 37.
Figura 37. Regras de Produção do algoritmo J48
Regra 1:
SE ETA = O E
TB ≤ 7,94 E
TB ≤ 3,67 uT E
TT ≤ 0,79 E
pHT ≤ 6,8 uT E
pHB ≤ 7,1
ENTÃO Dosagem = 17 mg/L
Regra 2:
SE ETA = O E
TB ≤ 7,94 uT E
TB ≤ 3,67 uT E
TT ≤ 0,79 E
pHT ≤ 6,8 uT E
pHB > 7,1
ENTÃO Dosagem = 20 mg/L
ETA: Estação de Tratamento de Água;
O: ETA ligada; TB: Turbidez bruta;
TT: Turbidez tratada; pHT: pH da água
tratada; pHB: pH da água bruta.
Fonte: Elaboração própria
Na atividade de avaliação do conhecimento foram encontrados os resultados da
Estatística Kappa (κ) e da Matriz de Confusão (MC). Na Tabela 9 são apresentados os
resultados da Estatística Kappa (κ) e percentuais de classificações corretas e incorretas obtidos
de cada algoritmo.
64
De acordo com a Tabela 9, os algoritmos J48 e Random Tree apresentaram Estatística
Kappa (κ), de concordância quase perfeita (0,81 ≤ κ ≤ 1,00). Foram analisadas as classificações
corretas e observou-se melhor ajuste do algoritmo Random Tree, com PCC (Percentual de
Classificações Corretas) de 99,2%, enquanto o J48 com 91,4%. Dessa forma, o Random Tree,
de acordo com os indicadores Estatística Kappa e PCC, foi o algoritmo selecionado para
obtenção da base de conhecimento.
Conforme Kalmegh (2015), o algoritmo Random Tree produz um conjunto aleatório de
dados para a construção de uma Árvore de Decisão. Assim, pode-se concluir que o banco de
dados utilizado para o desenvolvimento do Sistema Especialista deste trabalho não apresenta
uma lógica definida e possui uma presença marcante da heurística e incerteza, confirmando o
resultado da subetapa planejamento do SE.
Tabela 9. Algoritmos avaliados
Indicador de ajuste J48 REP Tree Random Tree
Classificações corretas(1) 6006 (91,4%) 5539 (84,3%) 6520 (99,2%)
Classificações incorretas(2) 564 (8,6%) 1031 (15,7%) 50 (0,8%)
Estatística Kappa (κ) 0,89 0,79 0,99
Número total de classificações(3) 6570 6570 6570 (1) Coincidência da resposta do especialista humano com a resposta do modelo de classificação; (2) Não coincidência
da resposta do especialista humano com a resposta do modelo de classificação; (3) Quantidade de dados
classificados.
Fonte: Elaboração própria
Nas Figuras 38, 39 e 40 são apresentadas as MC dos algoritmos Random Tree, J48 e
REPTree, respectivamente. A MC (Figura 38) possui 32 valores de dosagem de coagulante,
consequentemente, tem-se uma MC 32x32. Nas linhas são apresentados os dados de
treinamento observados, classificados pelos especialistas humanos e nas colunas os dados de
treinamento classificados pelo algoritmo Random Tree. Dessa forma, a coincidência da resposta
do especialista humano com a resposta do modelo de classificação é dada pelos elementos da
diagonal da MC. Assim, a quantidade de dados de treinamento classificados corretamente pelo
modelo de classificação é representada pelo somatório dos elementos da diagonal da MC, de
modo que os demais foram classificados incorretamente. Por exemplo, na linha 8, em que a
dosagem de sulfato é de 16 mg.L-1, foram analisados pelos especialistas 32 casos, representado
pela somatória de todos os elementos desta linha. Destes, 31 foram classificados corretamente,
pois estão na diagonal, e 1 foi classificado incorretamente, pois está fora da diagonal, sendo
confundido com a dosagem de 15 mg.L-1. Estes comentários são válidos para as demais linhas
e colunas, desta MC e das demais MCs (Figuras 39 e 40).
65
Figura 38. Matriz de Confusão do algoritmo Random Tree
Fonte: Elaboração própria
66
Figura 39. Matriz de Confusão do algoritmo J48
Fonte: Elaboração própria
67
Figura 40. Matriz de Confusão do algoritmo REPTree
Fonte: Elaboração própria
68
O desenvolvimento da base de conhecimento resultou em 1.397 regras de produção. Na
Figura 41 é apresentada uma parte da base de conhecimento.
Figura 41. Parte da base de conhecimento
Regra 1:
SE TB < 0,31
ENTÃO Dosagem = 0 mg/L
Regra 2:
SE TB >= 0,31 E
pHT < 6,95 E
TB < 23,95 E
TB < 4,63 E
TT < 0,39 E
Chu = S E
pHT < 6,85 E
pHB < 7,15 E
TB < 4
ENTÃO Dosagem = 17 mg/L
ETA: Estação de Tratamento de Água;
O: ETA ligada; TB: Turbidez bruta;
TT: Turbidez tratada; pHT: pH da água
tratada; pHB: pH da água bruta. Fonte: Elaboração própria
Naturalmente, para a subetapa explicitação do conhecimento fez-se uso de 75% do
banco de dados (Figura 32) e o restante (25%) foram utilizados para avaliação e adequação do
SE.
Na subetapa de codificação do conhecimento, as componentes interface de aquisição
(Figura 42), base de conhecimento (Figura 41), máquina de inferência (VBA em ambiente MS
Excel) e interface de usuário (Figura 42) foram integradas em uma planilha eletrônica (MS
Excel), conforme Figura 42. Esta integração (sistema especialista) foi denominada IAD-SA
(Inteligência Artificial para Dosagem de Sulfato de Alumínio).
O processamento do IAD-SA, se resume na comparação dos valores de entrada com o
conhecimento armazenado (regras de produção) e, por fim, retorna como resultado a dosagem
do sulfato de alumínio que deve ser aplicada na ETA.
69
Figura 42. Interface de usuário do IAD-SA
Fonte: Elaboração própria
Para utilização do IAD-SA, faz-se necessário entrar com os dados de ocorrência de
chuva nas últimas 24 horas e os dados do Coletor 01 (turbidez e pH da água bruta) e do
Coletor 02 (turbidez e pH da água tratada). Ao acionar a opção ‘Executar’ é obtida a resposta
da dosagem de sulfato de alumínio que deve ser aplicada na ETA-Nobres. Acionando a opção
‘Explicação’ é exibida uma nova tela com a explicação da regra de produção ativada. A opção
‘Especialista’ permite a adição de novas regras de produção, a qual é feita por meio de uma
planilha de trabalho auxiliar do Excel.
Com a finalidade de demonstração da aplicação IAD-SA, foram inseridos dados de
entrada conforme é mostrado na Tabela 10. A dosagem de sulfato de alumínio obtida foi de
10 mg.L-1. Na Figura 43 é mostrado a interface de usuário com a resposta obtida.
Tabela 10. Dados de entrada
Variável de entrada Dados de entrada
Ocorrência de chuva 24 horas N
Turbidez da água bruta 2,83
pH da água bruta 7,3
Turbidez da água tratada 1,17
pH da água tratada 7,2 Fonte: Elaboração própria
70
Figura 43. Interface de usuário com a resposta obtida
Fonte: Elaboração própria
Ao acionar a opção ‘Explicação’ é exibida uma nova tela com a explicação da regra de
produção 888 utilizada para determinar a dosagem de sulfato de alumínio, conforme Figura 44.
Figura 44. Tela de explicitação das regras de produção
Fonte: Elaboração própria
71
Na Figura 45 é apresentada a planilha de trabalho auxiliar do Excel exibida, após
ativação da opção ‘Especialista’, para a inclusão de novas regras de produção. Para retornar à
tela inicial (interface de usuário), deve-se ativar a opção ‘IAD-SA’.
Figura 45. Tela para inclusão de novas regras
Fonte: Elaboração própria
Para avaliação e adequação do SE, foi utilizado o teste de Turing, conforme descrito na
metodologia. Então, foram selecionados aleatoriamente 100 casos, entre os 25% dos dados não
utilizados para o desenvolvimento do SE, sendo estes aplicados no IAD-SA. O número de
unidades amostrais (n = 100) foi definido a partir da premissa de que 10 funcionários da ETA-
Nobres poderiam responder ao teste de Turing e de que cada operador poderia analisar 10 casos
(número razoável, uma vez que não demandaria tempo excessivo do funcionário, sendo algo
viável de realizar).
Desses casos, o IAD-SA conseguiu acerto de 95 deles, ou seja, obteve a dosagem de
coagulante exatamente igual a dosagem contida na planilha de controle diário da ETA, não
sendo possível diferenciar o especialista humano do IAD-SA. Dessa forma, pode-se considerar
que o IAD-SA passou no teste de Turing (especialista A não conseguiu determinar, com no
mínimo 50% de precisão, qual é o especialista humano).
Os outros 5 casos, em que a dosagem obtida pelo IAD-SA foi diferente da dosagem da
planilha de controle diário da ETA, foram adaptados em forma de questionário e aplicado em
7 funcionários (operadores e engenheiro) da ETA-Nobres, os quais são envolvidos,
diretamente, com o processo de dosagem de coagulante. Na Figura 46 é apresentado o
questionário elaborado, sendo a coluna ‘Resposta 1’ correspondente às anotações da planilha
de controle diário da ETA e a coluna ‘Resposta 2’ à resposta do IAD-SA. Naturalmente, essa
informação foi ocultada dos funcionários. Foi solicitado aos funcionários da ETA-Nobres
72
circular qual das respostas era de um operador da ETA. Todos os questionários aplicados
encontram-se no Anexo 2.
Figura 46. Questionário aplicado
Fonte: Elaboração própria
Na Tabela 11 é apresentado o resultado do questionário, onde é observado que das 35
questões feitas aos funcionários, apenas em 11 foram identificados corretamente o humano.
Assim, houve um acerto de, aproximadamente, 32% dos casos, ou seja, não foi possível
identificar o humano com 50% de precisão. Dessa forma, conclui-se que o IAD-SA possui
inteligência ao nível humano, segundo o teste de Turing.
Tabela 11. Resultado do questionário
Item Quantidade de respostas circuladas
Resposta 1 Resposta 2
a) 7 0
b) 2 5
c) 0 7
d) 0 7
e) 2 5 Fonte: Elaboração própria
7.2. Implementação do Sistema Especialista no tratamento de água
Para implementação do SE (IAD-SA) no tratamento de água, foi desenvolvida uma
Unidade de Simulação de Dosagem de Sulfato de Alumínio (USD-SA), em escala de bancada.
73
A USD-SA foi construída e instalada no Laboratório de Hidráulica (LABHID), do
Departamento de Engenharia Sanitária e Ambiental (DESA), da Universidade Federal de Mato
Grosso (UFMT).
O Coletor 01 e o Coletor 02 são as subunidades que contêm os sensores de pH e turbidez
que ficam em contato com a água bruta e tratada, respectivamente. O Módulo de Comunicação
é a subunidade responsável por receber as informações dos coletores e transmitir para o IAD-
SA. Também, o Módulo de Comunicação é responsável por receber o valor da dosagem
determinada pelo IAD-SA e a implementar junto à bomba dosadora (modificação de rotação
do conjunto motor-bomba). Na Figura 47 é mostrada uma representação esquemática da USD-
SA, e na Figura 48 um registro fotográfico da USD-SA.
Figura 47. Representação esquemática da USD-SA
Fonte: Elaboração própria
Figura 48. Registro fotográfico da USD-SA
Fonte: Elaboração própria
Para construção do Módulo de Comunicação, foram utilizados os seguintes
componentes: um Arduino Pro Micro; um TIP122; um diodo; um conector Jack P4 2,1mm
74
fêmea; dois sensores de turbidez; dois sensores de pH; dois cap PVC 100mm de esgoto; e, 20cm
de tubo PVC 100mm de esgoto. Os componentes foram fixados em uma placa fenolite 7x9cm.
Para realizar a ligação entre os componentes foram utilizados jumpers. Na Figura 49 são
mostrados os componentes que foram utilizados. A placa fenolite 7x9cm e respectivos
componentes foram fixados em uma placa de acrílico.
Figura 49. Componentes eletrônicos do Módulo de Comunicação
(a) Arduino Pro Micro (b) TIP122 (c) Conector Jack P4
2,1mm fêmea (d) Diodo
(e) Placa fenolite 7x9cm (f) Jumpers (d) Sensor de turbidez (e) Sensor de pH
Fonte: Elaboração própria
Os sensores de turbidez e pH possuem módulos que permitem sua comunicação com o
microcontrolador Arduino. O módulo do sensor de turbidez também foi fixado na placa de
acrílico. Já o módulo do sensor de pH foi fixado em um cap PVC 100mm de esgoto. A placa
de acrílico foi inserida no interior de um tubo PVC 100mm de esgoto. Após isto, este tubo foi
fechado com dois caps, um inferior e outro superior. O cap superior com aberturas para conexão
com sensores de pH e turbidez No cap inferior foi inserida uma abertura para possibilitar a
passagem do cabo que conecta o Arduino Pro Micro ao computador e do conector Jack P4
2,1mm fëmea a uma fonte 12V. Também, foram instalados três parafusos no cap inferir para
serem utilizados como suporte do Módulo de Comunicação. Na Figura 50 é apresentado o
Módulo de Comunicação.
75
Figura 50. Módulo de Comunicação
Fonte: Elaboração própria
Cada coletor foi construído utilizando as peças relacionadas na Tabela 12. E, na
Figura 51 é mostrado o registro fotográfico das peças.
Tabela 12. Peças utilizadas para construção de cada coletor
Item Peça
1 4cm de tubo PVC soldável 25mm
2 adaptador PVC soldável curto com bolsa e rosca 25x3/4”
3 luva PVC roscável 3/4”
4 nípel PVC roscável 3/4”
5 anéis de borracha 3/4”
6 cap PVC 100mm de esgoto
7 luva PVC roscável 1/2”
8 nípel PVC roscável 1/2”
9 anéis de borracha 1/2”
10 12cm de tubo PVC 100mm de esgoto
11 sensor de turbidez
12 sensor de pH
13 joelho 90° interno 3/4″ em polietileno com ponta do tipo espigão
14 cap PVC roscável 1/2” Fonte: Elaboração própria
76
Figura 51. Peças do Coletor 01
Fonte: Elaboração própria
Em um cap de PVC 100mm de esgoto, utilizado como tampa inferior, foram feitas duas
aberturas, uma para entrada da água e outra para a saída, conforme mostra a Figura 52(a). A
água entrava pelo orifício de menor cota e saía pelo orifício de maior cota. No outro cap de
PVC 100mm de esgoto, utilizado como tampa superior, foram feitas duas aberturas para
permitir a passagem dos sensores, de acordo com a Figura 52(b). O Coletor 02 foi construído
da mesma maneira. Na Figura 53 é apresentado um esquema do coletor e seu registro
fotográfico.
Figura 52. Tampas do Coletor
(a) Tampa inferior (b) Tampa superior
Fonte: Elaboração própria
77
Figura 53. Coletor
Fonte: Elaboração própria
A calibração dos sensores de turbidez foi realizada no esquema apresentado na
Figura 54. A amostra de turbidez conhecida foi inserida em um recipiente e bombeada para os
coletores 01 e 02 nos quais estavam instalados os sensores de turbidez. Os sensores de turbidez
foram calibrados utilizando 17 amostras de turbidez conhecida.
Figura 54. Esquema para calibração do sensor de turbidez
(a) Representação esquemática (b) Registro fotográfico
Fonte: Elaboração própria
Na Tabela 13 são mostrados os resultados obtidos para as 17 amostras utilizadas para a
calibração dos sensores de turbidez.
78
Tabela 13. Calibração do USD-SA
Ensaio Amostra (uT) Sensor do Coletor 01 (mV) Sensor do Coletor 02 (mV)
1 0,10 1944,613 2255,331
2 3,39 1939,926 2236,656
3 4,99 1936,657 2233,228
4 6,15 1935,341 2230,617
5 7,32 1933,216 2227,365
6 11,21 1929,658 2220,679
7 15,06 1922,388 2212,216
8 21,55 1917,331 2204,184
9 36,39 1901,39 2190,517
10 84,00 1852,384 2113,479
11 132,00 1800,471 2035,138
12 243,00 1679,767 1834,761
13 326,00 1604,864 1718,787
14 426,00 1449,592 1523,545
15 579,00 1357,314 1373,382
16 603,00 1287,597 1293,015
17 771,00 1186,497 1149,083 Fonte: Elaboração própria
Após obtenção dos dados foi feita uma regressão. Com a finalidade de obter o melhor
ajuste foram feitas duas regressões, uma utilizando as amostras com menor faixa de turbidez
(amostras de 0,10uT a 15,06uT) e outra com maior faixa de turbidez (amostras de 15,06uT a
771,00uT). Os dois sensores de turbidez (um para cada coletor) foram calibrados, apresentando
coeficientes de determinação (R²) aceitáveis. Nas Figura 55 e 56 são apresentados os gráficos
obtidos, bem como as equações e os coeficientes de determinação do sensor de turbidez
utilizado no Coletor 01 e Coletor 02, respectivamente.
Figura 55. Calibração do sensor de turbidez do Coletor 01
(a) Maior faixa de turbidez (b) Menor faixa de turbidez
Fonte: Elaboração própria
Tu = -0,9761T + 1887,9
R² = 0,9929
0
100
200
300
400
500
600
700
800
900
1000 1200 1400 1600 1800 2000
Turb
idez
, T
u (
uT
)
Tensão de saída do sensor, T (Milivolts)
Tu = -0,689T + 1339,8
R² = 0,9900
0
2
4
6
8
10
12
14
16
18
1920 1925 1930 1935 1940 1945 1950
Turb
idez
, T
u (
uT
)
Tensão de saída do sensor, T (Milivolts)
79
Figura 56. Calibração do sensor de turbidez do Coletor 02
(a) Maior faixa de turbidez (b) Menor faixa de turbidez
Fonte: Elaboração própria
Os dois sensores de pH (um para cada coletor) foram calibrados, apresentando
coeficientes de determinação (R²) aceitáveis. Na Figura 57 são apresentados os gráficos obtidos,
bem como as equações e os coeficientes de determinação de cada sensor de pH.
Figura 57. Calibração dos sensores de pH
(a) Coletor 01 (b) Coletor 02
Fonte: Elaboração própria
Para a calibração da bomba dosadora de sulfato de alumínio, aqui simulada por uma
bomba de 12 volts e 2 amperes, adotaram-se dois pontos como referência, o primeiro refere-se
à mínima dosagem (10mg.L-1) e o segundo, à máxima dosagem (41mg.L-1).
Dessa forma, foi utilizada no Arduino a saída PWM (Modulação por Largura de Pulso),
a qual se comporta como uma saída analógica, ou seja, pode operar no intervalo entre 0 e 5
Volts. Foi realizada um ajuste de reta utilizando como variável independente os valores de
Tu = -0,6686T + 1488,5
R² = 0,9918
0
100
200
300
400
500
600
700
800
900
1000 1500 2000 2500
Turb
idez
, T
u (
uT
)
Tensão de saída do sensor, T (Milivolts)
Tu = -0,3527T + 793,82
R² = 0,9255
0
2
4
6
8
10
12
14
16
2210 2220 2230 2240 2250 2260
Turb
idez
, T
u (
uT
)
Tensão de saída do sensor, T (Milivolts)
pH = -0,6588T2 - 1,9624T + 18,111
R² = 1,00
2
4
6
8
10
12
2,2 2,4 2,6 2,8 3 3,2 3,4
pH
Tensão de saída do sensor, T (Volts)
pH = -0,3679T2 - 3,1106T + 20,211
R² = 1,00
2
3
4
5
6
7
8
9
10
11
12
2,4 2,6 2,8 3 3,2 3,4 3,6 3,8
pH
Tensão de saída do sensor, T (Volts)
80
concentração do coagulante e como variável dependente os valores PWM. Os valores PWM
variam de 0 equivalente a 0 Volts a 255 equivalente a 5 Volts. Na Figura 58 é apresentado o
gráfico obtido, bem como a equação da reta.
Figura 58. Calibração da bomba
Fonte: Elaboração própria
O IAD-SA foi implementado na USD-SA e teve observado o seu funcionamento. A
USD-SA funcionou corretamente.
7.3. Avaliação da qualidade do Sistema Especialista implementado
O IAD-SA tem sua operação, em tempo real, iniciada acionando a opção ‘Conectar’ e a
opção ‘Bomba’ na interface do IAD-SA, mostrado na Figura 42.
O IAD-SA faz várias leituras de pH e turbidez por aproximadamente 10 segundos, e
calcula a média. A partir desta média, o IAD-SA determina a dose de sulfato de alumínio a ser
aplicada no tratamento da água e altera a rotação da bomba dosadora a fim de atender a dosagem
determinada. Os dados apresentados no IAD-SA são registrados a cada 5 segundos em um
arquivo, do tipo ‘txt’, por mês, ou seja, a cada mês é criado um novo arquivo ‘txt’ para registrar
os dados. Essas configurações podem ser facilmente modificadas para atendimento a
necessidades de campo. Na Figura 59 é mostrado o arquivo ‘txt’ com os dados gravados.
PWM = 7,1935C - 39,935
0
50
100
150
200
250
300
0 10 20 30 40 50
PW
M
Concentração do coagulante, C (mg.L-1)
81
Figura 59. Arquivo ‘txt’ com dados gravados
Fonte: Elaboração própria
Na USD-SA foram realizados dois ensaios, no primeiro foi utilizada a mesma amostra
no Coletor 01 e Coletor 02, a qual possuía pH 8,45 e turbidez 0,82uT (condição de água bruta
e tratada 1). No segundo ensaio, foi utilizado no Coletor 01 uma amostra com pH 8,84 e turbidez
677,00uT (condição da água bruta 2) para simular a água bruta, no período chuvoso) e no
Coletor 02 a mesma amostra do primeiro ensaio, pH 8,45 e turbidez 0,82uT (condição de água
tratada 2), para simular a água tratada.
Os sensores sofreram oscilação, não se estabilizando completamente. Na Tabela 14 são
apresentados os valores e MAPE obtidos nos ensaios.
Tabela 14. Ensaios do USD-SA
Ensaio Situação pHB(3) TB(4)
(uT)
pHT(5) TT(6)
(uT)
Q(7)
(mL.s-1)
SA(8)
(mg.L-1)
MAPE
(%)
1 Real(1)(d1) 7,34 3,92 7,03 0,17 - 10 54,55
Simulada(2) 7,45 3,65 6,44 2,48 10,41 22
2 Real(1)(d2) 7,36 14,30 7,03 0,17 - 15 40,00
Simulada(2) 7,30 7,05 6,88 1,45 12,32 25
3 Real(1)(d3) 7,43 64,70 7,03 0,17 - 25 25,00
Simulada(2) 7,06 12,13 6,55 2,85 9,13 20
4 Real(1)(d4) 6,96 263,00 6,86 0,17 - 32 6,67
Simulada(2) 7,13 153,97 6,83 0,55 15,51 30
5 Real(1)(d5) 7,09 813,00 6,86 0,17 - 32 28,00
Simulada(2) 6,94 572,05 6,47 0,12 12,32 25 (1) ETA-Nobres com operadores humanos; (2) USD-SA com IAD-SA; (3) pH da água bruta; (4) turbidez da água
bruta; (5) pH da água tratada; (6) turbidez da água tratada; (7) vazão da bomba dosadora; (8) dosagem de sulfato de
alumínio; (d1) dia 09/06/2012, 19 horas; (d2) dia 28/03/2012, 9 horas; (d3) dia 22/06/2012, 19 horas; (d4) dia
13/11/2012, 20 horas; (d5) dia 13/11/2012, 13 horas.
Fonte: Elaboração própria
82
De acordo com os resultados, foi observado que os sensores não apresentaram valores
de turbidez adequados. Isto mostra que os sensores podem necessitar de uma calibração mais
precisa. Assim, recomenda-se um estudo mais detalhado para investigar a causa de tal
inadequação. Essa inadequação resultou em uma dosagem errônea do sulfato de alumínio.
A partir dos valores do MAPE obtidos nos ensaios realizados, encontrou-se um valor
médio para o MAPE de 30,84%. O IAD-SA foi, então, considerado não adequado, pois
apresentou valor médio do MAPE superior a 10%, conforme Silva et al (2008) e Silva, Campos
e Santos (2016).
Entretanto, o IAD-SA foi capaz de determinar a dosagem de sulfato de alumínio e alterar
a rotação da bomba para obter a vazão necessária corresponde a concentração do coagulante a
ser aplicado no tratamento de água.
Após os ensaios foi observado que o IAD-SA está, em tempo real, apto de obter os
valores de pH e turbidez da água e aplicar o coagulante no tratamento de água.
83
8. CONCLUSÕES
De modo geral, o IAD-SA (Inteligência Artificial para Dosagem de Sulfato de
Alumínio) desenvolvido neste trabalho contribuiu com a operação da ETA-Nobres e poderá
contribuir com outras ETAs, tomando decisão e aplicando a dose de coagulante necessária para
o tratamento da água.
Um Sistema Especialista, denominado IAD-SA para determinar a dosagem de sulfato
de alumínio a ser aplicado no tratamento de água, em tempo real, foi desenvolvido. O IAD-SA
foi considerado satisfatório, conforme o teste de Turing realizado.
O IAD-SA foi implementado na USD-SA (Unidade de Simulação de Dosagem de
Sulfato de Alumínio) e foi capaz de determinar a dosagem de sulfato de alumínio e alterar a
rotação da bomba dosadora para dosar adequadamente o coagulante, em tempo real.
Foram realizados ensaios para avaliação do IAD-SA na operação da USD-SA, sendo
considerado não adequado, uma vez que se encontrou um valor médio de MAPE (Erro Médio
Percentual Absoluto) superior a 10%. Isto ocorreu devido aos sensores de turbidez que
apresentaram valores inadequados.
84
9. RECOMENDAÇÕES
As recomendações para que trabalhos futuros prosperem estão apresentadas a seguir.
Realizar uma calibração mais sensível dos sensores de pH e turbidez;
Desenvolver recipientes mais práticos para os coletores e para o módulo de
comunicação;
Desenvolver um Sistema Especialista capaz de determinar a dosagem ótima de
coagulante a ser aplicado no tratamento de água utilizando outras técnicas de
inteligência artificial (Redes Neurais Artificiais, Lógica Fuzzy, outros);
Implementar a aplicação, em tempo real, de outros produtos necessários para o
tratamento da água, por exemplo, outros coagulantes, auxiliares de coagulação e
agente de desinfecção (cloro);
Implementar o Sistema Especialista desenvolvido na ETA-Nobres;
85
REFERÊNCIAS BIBLIOGRÁFICAS
AL-ANI, I. A. R.; SIDEK, L. M.; DESA, M. N. M.; BASRI, N. E. A. Knowledge-based Expert
System for Stormwater Management in Malaysia. Journal of Environmental Science and
Technology, v. 5, n. 5, p. 381-388, 2012.
ALI, J.; KHAN, R.; AHMAD, N.; MAQSOOD, I.. Random Forests and Decision Trees. IJCSI
International Journal of Computer Science Issues, v. 9, n. 5, p. 272-278, 2012.
ANGULO, C.; CABESTANY, J.; RODRÍGUEZ, P.; BATLLE, M.; GONZÁLEZ, A.;
CAMPOS, S. Fuzzy expert system for the detection of episodes of poor water quality through
continuous measurement. Expert Systems with Applications, n. 39, p. 1011–1020, 2012.
ARDUINO. Disponivel em: https://www.arduino.cc/. Acesso em: 14 jul. 2017.
ARTERO, A. O. Inteligência Artificial: Teórica e Prática. 1ª. ed. São Paulo: Livraria da Física,
2009.
AZEVEDO, L. G.T., PORTO, R. L. L.; FILHO, K. Z. Técnicas quantitativas para o
gerenciamento de recursos hídricos. In: PORTO, R. L. L., Porto Alegre: Ed. UFRGS/ABRH,
p. 165-227, 2002.
BRASIL. Ministério do Planejamento, Orçamento e Gestão. Secretaria de Planejamento e
Investimentos Estratégicos - SPI. Relatório de Avaliação do Plano Plurianual 2004-2007:
exercício 2007 - ano base 2006, Brasília, 2007.
CANGELA, G. L. C. Tratamento de água para consumo humano em comunidades rurais com
utilização de moringa oleifera e desinfecção solar, Dissertação (Dissertação em Recursos
Hídricos e Saneamento Ambiental) – IPH/UFRGS. Porto Alegre, p. 153, 2014.
CAPELLA, J. V.; BONASTRE, A.; ORS, R.; PERIS, M. A step forward in the in-line river
monitoring of nitrate by means of a wireless sensor network. Sensors and Actuators B:
Chemical, v. 195, p. 396–403, 2014.
CHEREMISINOFF, N. P. Handbook of water and wastewater treatment technologies.
Boston: Butterworth-Heinemann, 2002.
DEVASENA, L. Comparative Analysis of Random Forest, REP Tree and J48 Classifiers for
Credit Risk Prediction. International Journal of Computer Applications, p. 30-36, 2014.
DEVI, S. ; VARSHNEY, G.; SETHI, A. Automatic Soil Management System for Household
Purposes. Indian Journal of Science and Technology, v. 9, n. 39, p. 1-6, october 2016.
DI BERNARDO, L.; DANTAS, A. D. B. Métodos e Técnicas de Tratamento de Água. 2ª.
ed. São Carlos: RIMA, v. I, 2005.
DI BERNARDO, L.; PAZ, L. P. S. Seleção de Tecnologias de Tratamento de Água. São
Carlos: LDIBE, v. I, 2008.
86
DI BERNARDO, L.; PAZ, L. P. S. Seleção de Tecnologias de Tratamento de Água. São
Carlos: LDIBE, v. II, 2008.
DUBEY, S.; AGARWAL, M.; GUPTA, A. B.; DOHARE, R. K.; UPADHYAYA, S.
Automation and control of water treatment plant for defluoridation. International Journal of
Advanced Technology and Engineering Exploration, v. 4, n. 26, p. 6-11, 2017.
FAUSTINE, A.; MVUMA, A. N.; MONGI, H. J.; GABRIEL, M. C.; TENGE, A. J.; KUCEL,
S. B. Wireless Sensor Networks for Water Quality Monitoring and Control within Lake Victoria
Basin: Prototype Development. Wireless Sensor Network, v. 6, n. 12, p. 281-290, 2014.
FERREIRA, B. O.; OKABE, A. M. S.; SILVA, A. J. C.; ALMEIDA, J. F. S.; CHASE, O. A.
Irrigação automatizada com plataforma Arduino em casa de vegetação na universidade federal
rural da amazônia. Congresso Técnico Científico da Engenharia e da Agronomia, Foz do
Iguaçu, 2016.
GIARRATANO, J. C.; RILEY, G. D. Expert system: principles and programming. 4ª. ed.
[S.l.]: Course Technology, 2004.
GILES, R. V.; EVETT, J. B.; LIU, C. Mecânica dos Fluidos e Hidráulica. 2ª. ed. São Paulo:
Makron Books, 1996.
GONÇALVES, A. C.; MAEDA, J.; TAQUEDA, J. Automatização das mesas de comando de
lavagem dos filtros. Revista DAE, v. 34, n. 96, p. 63-75, 1974.
GROSSKOPF, P.; PYKOSZ, L. C. Monitoramento do consumo de água utilizando ferramenta
open source. 1º Congresso Nacional de Inovação e Tecnologia, São Bento do Sul, 2016.
HAN, J.; KAMBER, M. Data Mining: Concepts and Techniques. 2ª. ed. San Francisco:
Elsevier, 2006.
HATZIKOS, E. V.; BASSILIADES, N.; ASMANIS, L.; VLAHAVAS, I. Monitoring water
quality through a telematic sensor network and a fuzzy expert system. Expert Systems, v. 24,
n. 3, p. 143-161, 2007.
HOWE, K. J.; HAND, D. W.; CRITTENDEN, J. C.; TRUSSELL, R. R.; TCHOBANOGLOUS,
G. Principles of Water Treatment. Hoboken: John Wiley & Sons, 2012.
HUND, S. V.; JOHNSON, M. S.; KEDDIE, T. Developing a Hydrologic Monitoring Network
in Data-Scarce Regions Using Open-Source Arduino Dataloggers. Agricultural &
Environmental Letters, v. 1, n. 1, 2016.
IBGE, Pesquisa Nacional de Saneamento Básico, 2008. Disponivel em: <https://sidra.ibge.
gov.br/tabela/1364#resultado>. Acesso em: 08 ago. 2017.
IBGE, Censo Demográfico, 2010. Disponivel em: <https://sidra.ibge.gov.br/tabela/1505#resul
tado>. Acesso em: 08 ago. 2017.
INGOLIKAR, R. A.; GEDAM, S. R. Star Classification using tree based data mining
Techniques. IOSR Journal of Computer Engineering, v. 7, p. 30-36, 2016.
87
JAGANNATHAN, G.; PILLAIPAKKAMNATT, K.; WRIGHT, R. N. A Practical
Differentially Private Random Decision Tree Classifier, 2009 IEEE International Conference
on Data Mining Workshops, p.114-121, 2009.
JANžA, M. A decision support system for emergency response to groundwater resource
pollution in an urban area (Ljubljana, Slovenia). Environment and Earth Science, n. 73, p.
3763–3774, 2015.
KALMEGH, S. Analysis of WEKA Data Mining Algorithm REPTree, Simple Cart and
RandomTree for Classification of Indian News. International Journal of Innovative Science,
Engineering & Technology, v. 2, n. 2, p. 438-446, 2015.
KAUR, P.; SINGH, W. Implementation of student SGPA Prediction System(SSPS) using
optimal selection of classification algorithm. Proceedings of the International Conference
on Inventive Computation Technologies (ICICT), Coimbatore, v. 2, p. 1-8, 2016.
KAWADE, N.; MULLA, S.; MAHALE, G.; MAHAPURE, R. Intrusion Detection and
Identification in Water Distribution Network. International Research Journal of
Engineering and Technology, v. 4, n. 4, p. 27-30, abril 2017.
KELLEY, C. D.; KROLICK, A.; BRUNNER, L.; BURKLUND, A.; KAHN, D.; BALL, W. P.;
WEBER-SHIRK, M. An Affordable Open-Source Turbidimeter. Sensors, v. 14, n. 4, p. 7142-
7155, 2014.
KUMAR, N.; SHIMI S. L;. Smart Farming System for Indian Farmers using Arduino based
Technology. International Journal of Advance Research, Ideas and Innovations in
Technology, v. 3, n. 1, p. 105-110, 2017.
LANDIS, J. R.; KOCH, G. G. The Measurement of Observer Agreement for Categorical Data.
Biometrics, v. 33, n. 1, p. 159-174, 1977.
LIBÂNIO, M. Fundamentos de Qualidade e Tratamento de Água. 3ª. ed. Campinas, São
Paulo: Editora Átomo, 2010.
LUZ, A. M. M.; ANDRADE, A. F.; AMARAL, P. A. A.; PEREIRA, S.; VIEIRA, E. O. Análise
de vazão hídrica em canal aberto comparando métodos convencionais com método alternativo.
Congresso Técnico Científico da Engenharia e da Agronomia, Foz do Iguaçu, 10, n. 2, 2016.
MAIA, A. A.; SILVA, D. A.; LIMA, D. E. S.; LIMA, W. J. F. Automação para tratamento de
água por floculação e flotação. Revista de Controle e Automação, v. 1, n. 1, 2013.
MASSERONI, D.; FACCHI, A.; DEPOLI, E. V.; RENGA, F. M.; GANDOLFI, C. Irrig-oh: an
open-hardware device for soil water potential monitoring and irrigation management.
Irrigation and Drainage, v. 65, n. 5, p. 750–761, 2016.
MCROBERTS, M. Arduino Básico. São Paulo: Novatec, 2011.
NASCIMENTO, N. O.; HELLER, L. Ciência, tecnologia e inovação na interface entre as áreas
de recursos hídricos e saneamento. Engenharia Sanitária e Ambiental, Rio de Janeiro, v. 10,
n. 1, p. 36-48, 2005.
88
NASIRI, F.; MAQSOOD, I.; HUANG, G.; FULLER, N. Water quality index: A fuzzy river-
pollution decision support expert system. ASCE - Journal of Water Resources Planning and
Management, v. 133, n. 2, p. 95-105, 2007.
OOSHAKSARAIE, L.; BASRI, N. E. A.; BAKAR, A. A.; MAULUD, K. N. A. RP³CA: An
expert system applied in stormwater management plan for construction sites in Malaysia.
Expert Systems with Applications, n. 39, p. 3692–3701, 2012.
OPENSOURCE. Disponivel em: <www.opensource.org>. Acesso em: 14 jul. 2017.
PINTO, O. E.; CHERBAKIAN, E. H.; INOUE, M. M.; SILVA, G. F. Automação de estação
de tratamento de água. 19º Congresso Brasileiro de Engenharia Sanitária e Ambiental,
p. 1134-1145, 1997.
PROGRAMA DE MODERNIZAÇÃO DO SETOR SANEAMENTO. Municipalização dos
Serviços de Abastecimento de Água e de Esgotamento Sanitário no Estado de Mato
Grosso: Diagnóstico, Lições e Perspectivas. Relatório técnico, 2008.
PROGRAMA DE MODERNIZAÇÃO DO SETOR SANEAMENTO. Municipalização dos
Serviços de Abastecimento de Água e de Esgotamento Sanitário no Estado de Mato
Grosso: Diagnóstico, Lições e Perspectivas. Relatório técnico, v. LXVIII – Nobres, 2008.
QUINLAN, J. R. Simplifying decision trees. International journal of man-machine studies,
v. 27, n. 3, p. 221-234, 1987.
RANJBAR, R.; ABDALLA, A. H. Low-cost, Real-Time, Autonomous Water Quality Testing
and Notification System. International Journal of Computer Science and Network
Security, v. 17, n. 5, p. 277-282, maio 2017.
REBOUÇAS, A.C. Água na região Nordeste: desperdício e escassez. Estudos Avançados, São
Paulo, v.11, n.29, p.127-154, 1997.
REZENDE, S. O. Sistemas Inteligentes: Fundamentos e Aplicações. Barueri: Manole, 2005.
RICHTER, C. A. Água: métodos e tecnologia de tratamento. São Paulo: Blucher, 2009.
ROSA, D. M. S.; FUJIMURA, J. M.; MENDES, G. S.; SILVA, W. T. P. Sistema Especialista
para operação de elevatória em abastecimento de água urbana. X Encontro Nacional de Águas
Urbanas, São Paulo, 2014. 1-4.
ROSA, D. M. S.; SILVA, S. C. B.; SILVA, W. T. P. Dispositivo alternativo para
monitoramento de pressão em sistema de abastecimento de água. 29º Congresso
ABES/FENASAN, São Paulo, 2017, v. 1. p. 1-1.
SANTOS, F. C. R.; LIBRANTZ, A. F. H.; DIAS, C. G.; RODRIGUES, S. G.. Intelligent system
for improving dosage control. Acta Scientiarum. Technology, v. 39, n. 1, p. 33-38, 2017.
SCHWABE, D.; CARVALHO, R. L. D. Engenharia de Conhecimento e Sistemas
Especialistas. Rio de Janeiro: KAPELUSZ, 1987.
89
SEFLEK, A. Y.; ÇARMAN, K. A design of an expert system for selecting pumps used in
agricultural irrigation. Mathematical and Computational Applications, v. 15, n. 1, p. 108-
116, 2010.
SILVA, D. V., SERRA, C. M. V., SANTOS, A. C. O., MELO, A. C. S. Análise de demanda
em uma Companhia de água mineral da região metropolitana de Belém utilizando modelos de
série temporal de Holt-Winters. XXVIII Encontro Nacional de Engenharia de Produção,
Rio de Janeiro, 2008.
SILVA, W. T. P.; CAMPOS, M. M.; SANTOS, A. A. Previsão de consumo diário de água:
estudo de caso de Nobres (Brasil). Ingeniería del agua, v. 20, n. 2, p. 73-85, abril 2016.
SILVA, S. C. B.; ZAQUE, R. A. M.; SILVA, W.T.P. Protótipo para monitoramento de pressão
em sistemas hidráulicos. III Simpósio sobre Sistemas Sustentáveis, Porto Alegre, 2016.
SOUZA, J. J. I.; NASCIMENTO, L. B. P.; SANTOS FILHO, P. R.; SOUSA, M. S.;
NASCIMENTO, F. C. C.. Sistema de Monitoramento do pH e Temperatura por meio de
Tecnologias Livres para a Proteção dos Corpos d'Água do Delta do Parnaíba. Encontro
Regional de Computação dos Estados Ceará, Maranhão e Piauí, São Luís, 2012.
TAVARES, C.; BOZZA, D.; KONO, F. Descoberta de conhecimento aplicado a dados
eleitorais. Gestão & Conhecimento, v. 5, n. 1, p. 54-94, 2007.
TUCCI, C. E. M., HESPANHOL, I., CORDEIRO NETTO, O. M. Cenários da Gestão da Água
no Brasil: Uma Contribuição para a "Visão Mundial da Água", Revista Brasileira de Recursos
Hídricos, v. 5, n. 3, pp. 31-43, 2000.
VIANNA, M. R. Hidráulica Aplicada às Estações de Tratamento de Água. 5ª ed. Nova
Lima: Imprimatur, 2014.
WU, G. D.; LO, S. L. Predicting real-time coagulant dosage in water treatment by artificial
neural networks and adaptive network-based fuzzy inference system. Engineering
Applications of Artificial Intelligence, v. 21, n. 8, p. 1189-1195, 2008.
ZHANG, H.; LUO, D. Application of an expert system using neural network to control the
coagulant dosing in water treatment plant. Journal of Control Theory and Applications, v.
2, n. 1, p. 89-92, 2004.
90
ANEXO 1
91
ANEXO 2
92
93
94