See discussions, stats, and author profiles for this publication at: [Link]

net/publication/273010612

Modélisation de la dose de coagulant par les systèmes à base d’inférence floue

(ANFIS) application à la station de traitement des eaux de Boudouaou (Algérie)

Article in Revue Des Sciences De L'Eau · March 2012

DOI: 10.7202/1008532ar

CITATION READS

1 1,210

3 authors:

Salim Heddam Abdelmalek Bermad

Université 20 août 1955-Skikda National Polytechnic School of Algiers
140 PUBLICATIONS 1,764 CITATIONS 29 PUBLICATIONS 170 CITATIONS

SEE PROFILE SEE PROFILE

Noureddine Dechemi
National Polytechnic School of Algiers
27 PUBLICATIONS 263 CITATIONS

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Water Resources in Algeria: Part I- Assessment of Surface and Groundwater, edited by Abdelazim Negm, Bouderbala Abdelkader, Haroun Chenchouni and Damia Barcelo
View project

I'am working about ' modeling relationship Rainfull-runoff' View project

All content following this page was uploaded by Salim Heddam on 18 March 2015.

The user has requested enhancement of the downloaded file.

 MODÉLISATION DE LA DOSE DE COAGULANT PAR
LES SYSTÈMES À BASE D’INFÉRENCE FLOUE (ANFIS)
APPLICATION A LA STATION DE TRAITEMENT DES EAUX DE
BOUDOUAOU (ALGÉRIE)

Modelling coagulant dose with an adaptive neuro-fuzzy inference system (anfis)

Application to water treatment plant of Boudouaou (Algeria)

Salim HEDDAM1*, Abdelmalek BERMAD2, Noureddine DECHEMI2

Maître Assistant, Faculté des sciences, Département d’Agronomie, Université 20 Août 1955,
1

Route El Hadaik, BP 26, Skikda, 21000 Algérie

3
Noureddine, DECHEMI, Professeur, Laboratoire Construction et Environnement, École Nationale Polytechnique,
10, avenue Hassen BADI, BP 160, El Harrach, Alger, 16182 Algérie

Reçu le 7 novembre 2008, accepté le 23 août 2011

RÉSUMÉ station de traitement des eaux de Boudouaou qui alimente

la ville d’Alger en eau potable. Le modèle ANFIS (système
d’inférence flou à base de réseaux de neurones adaptatifs), qui
La coagulation est l’une des étapes les plus importantes
combine les techniques floues et neuronales en formant un
dans le traitement des eaux. La difficulté principale est
réseau à apprentissage supervisé, a été appliqué durant la phase
de déterminer la dose optimale de coagulant à injecter en
de calage et testé en période de validation. Les résultats obtenus
fonction des caractéristiques de l’eau brute. Un mauvais
par le modèle ANFIS ont été comparés avec ceux obtenus avec
contrôle de ce procédé peut entraîner une augmentation
un réseau de neurones de type perceptron multicouche (MLP)
importante des coûts de fonctionnement et le non-respect des
et un troisième modèle à base de regression linéaire multiple
objectifs de qualité en sortie de la station de traitement. Le
(MLR). Un coefficient de détermination (R2) de l’ordre de 0,92
sulfate d’aluminium (Al2SO4.18H2O) est le réactif coagulant
en période de validation a été obtenu avec le modèle ANFIS,
le plus généralement utilisé. La détermination de la dose de
alors que pour le MLP, il est de l’ordre de 0,75, et que pour
coagulant se fait au moyen de l’essai dit de « Jar Test » conduit
le modèle MLR, il ne dépasse pas 0,35. Les résultats obtenus
en laboratoire. Ce type d’approche a le désavantage d’avoir un
sont d’une grande importance pour la gestion de l’installation.
temps de retard relativement long et ne permet donc pas un
contrôle automatique du procédé de coagulation.

Le présent article décrit un modèle neuro flou de type Mots clés : modélisation coagulant, réseaux de neurones,
Takagi Sugeno (TK), développé pour la prédiction de la dose modèle neuro floue, analyse en composantes principales, ré-
de coagulant utilisée lors de la phase de clarification dans la gression linéaire multiple, station de traitement.

*Auteur pour correspondance :

Téléphone: 06 61 74 51 22
Courriel : heddamsalim@[Link] ISSN : 1718-8598 Revue des Sciences de l’Eau 25(1) (2010) 1-19
 Modélisation de la dose de coagulant
2
ABSTRACT et de distribution d’eau potable. Etant donné que le traitement
des eaux est une étape indispensable et réglementée, les stations
de traitement de l’eau potable figurent parmi les infrastructures
Coagulation is an important component of water
auxquelles une grande importance a été donnée.
treatment. Determining the optimal coagulant dosage is vital,
as insufficient dosage will result in undesirable treated water
Deux principaux objectifs sont ciblés lors de la gestion et
quality. A number of chemicals have been used successfully in
l’exploitation d’une station de traitement des eaux : un objectif
coagulation, particularly alum (Al2SO4•18H2O). Traditionally,
de qualité et un objectif de coût (baxter, 1998). L’atteinte
jar tests are used to determine the optimum coagulant dose.
de l’objectif de qualité exige la production d’eau en quantité
However, this is expensive and time-consuming and does not
suffisante, de façon continue et avec une qualité répondant
enable responses to changes in raw water quality in real time.
aux normes de potabilité en vigueur (normes chimiques,
An optimal modeling approach can be used to overcome these
microbiologiques, etc.) lesquelles sont de plus en plus sévères.
limitations.
Cela implique la conception d’une station de traitement
sophistiquée correctement dimensionnée et incluant un large
The main purpose of this study was to investigate the
ensemble d’équipements mécaniques et hydromécaniques.
applicability and capability of Adaptive-Network-Based Fuzzy
Au passage de l’eau à traiter dans un tel système, la qualité de
Inference System (ANFIS) and Neural Network (ANN)
l’eau obtenue se trouve modifiée tant au niveau physique que
methods for modeling coagulant dose. To verify the application
chimique ou microbiologique. La nature et l’étendue de ces
of this approach, Boudouaou surface water, located in the
modifications dépendent des caractéristiques de l’eau à l’entrée
northern part of Algeria, was chosen as the case study area.
de la station et du degré d’interaction entre les différentes
The data used for the determination of the models included
composantes du processus mis en jeu.
six (6) input variables describing the raw water characteristics
(temperature, pH, turbidity, conductivity, dissolved oxygen and
En raison du grand nombre de variables, ainsi que de
the ultraviolet absorption). The data set was divided into two
la complexité des phénomènes biologiques, physiques et
(2) subgroups, calibration and validation periods. Coagulant
chimiques impliqués dans les procédés de traitement de l’eau
models having various input structures were trained and tested
potable, il est souvent très difficile de quantifier au préalable
to investigate the applicability of the used methods. To obtain a
les interactions et les relations qui existent entre les entrées
more accurate evaluation of the results for the ANFIS models,
(variables) et les sorties (paramètres de qualité) de ces procédés
the best fit model structures were also tested by artificial
(BAXTER et al., 2002). La coagulation est une étape très
neural network (ANN) and multiple linear regression (MLR)
importante dans la production de l’eau potable à partir d’eau
methods. The results of three methods were compared, and it
brute. Elle a pour but la déstabilisation des colloïdes et leur
was observed that the ANFIS is preferable and can be applied
agglomération ainsi que celle des particules fines en suspension
successfully because it provides high accuracy and reliability
(Amirtharajah et O’Melia, 1990). La consommation
for coagulant dosage modelling, according to the following
d’agent coagulant fait de cette étape de traitement l’opération
performance evaluation criteria: determination coefficient (R2),
la plus coûteuse dans la chaîne de traitement.
Root Mean Square Error (RMSE) and bias (B). The results are
of practical importance: the coagulant dose changes according
Les produits chimiques impliqués dans le processus
to the six variables representing the raw water characteristics, as
de coagulation (coagulants) sont d’origine minérale à base
there is no one dominant variable.
d’aluminium (Al2(SO4)3.18H2O) (Dempsey et al., 1985) ou
de fer (FeCl3) (Lefebvre et Legube, 1993), des polymères
naturels ou des polymères de synthèse. Dans le cas de notre
Key words: coagulant modelling, neural networks, Fuzzy
étude, le coagulant utilisé au niveau de la station de traitement
Inference System, principal components analysis, multiple
des eaux de Boudouaou (prés de la ville d’Alger) est le sulfate
linear regression, water treatment plant. d’aluminium. Ainsi, la mise en œuvre se déroule en deux étapes
(Équation 1) (CARDOT, 1999) :

1. INTRODUCTION Al 2 ( SO4 )3 

étape1
→ Al x ( OH )y ( SO4 )z 
étape 2
→ Al ( OH )3

intermédiaires précipité (1)

Au cours des dernières années, l’Algérie a connu une forte polychargés
demande en eau potable, amplifiée par une forte croissance
démographique dans les grands centres urbains. Cette
problématique de l’eau a été résolue par de gros investissements L’étape 1 est une phase d’hydrolyse, tandis que durant la
mettant en service d’importantes infrastructures de production phase 2 il y a formation du précipité Al(OH)3.
 S. Heddam et al./ Revue des Sciences de l’Eau 25(1) (2012) 1-19
3
L’ajout du coagulant dans l’eau a les effets suivants : la dose optimale du coagulant (le sulfate d’aluminium) aux
(i) réduction de la charge hydrostatique par son adsorption variables descriptives de la qualité de l’eau brute à savoir :
à la surface des particules; (ii) réduction de la charge diffuse. la turbidité, la résistivité, la teneur en matière organique, la
De ce fait, les principaux facteurs influençant l’efficacité de la température et la nature de la suspension minérale. D’autres
coagulation sont le pH (STUMM et morgan, 1962), la modèles linéaires ont été proposés (CRITCHLEY et al., 1990;
turbidité initiale (Edwards et Amirtharajah, 1985) et ELLIS et al., 1991; Girou et al., 1992; Ratnaweera et
la température de l’eau (mohtadi et rao, 1973). D’autres Blom, 1995). Le modèle de Girou et al. (1992) est basé sur
variables caractérisant l’eau brute influent considérablement la concentration en ions calcium, les bicarbonates, les sulfates, la
sur le processus de coagulation à savoir, la conductivité de l’eau, turbidité initiale, la température et le pH. Les données utilisées
l’absorbance à 254 nm (UV254) ainsi que l’oxygène dissous dans le modèle développé par Ratnaweera et Blom
(OD) (LIND, 1994a, 1994b). L’absorbance à 254 nm exprime (1995) sont le débit de la rivière, le temps de sédimentation,
la capacité de l’eau à absorber un rayonnement UV254 à une la température, la turbidité, le pH et la conductivité, alors
longueur d’onde de 254 nanomètres. Cette mesure permet au que le modèle proposé par CRITCHLEY et al. (1990) inclut
professionnel de s’assurer que la désinfection aux ultraviolets la couleur, le débit de la rivière, le pH, la conductivité et la
est possible (WEISHAAR et al., 2003). température. Ces études ont montré l’intérêt de cette approche
mais également les limites de la modélisation linéaire pour ce
Lors de la phase de coagulation, on cherche, d’une part, type de problème.
à maximiser la déstabilisation des particules et des colloïdes
organiques pour faciliter leur agglomération et leur enlèvement Les progrès importants réalisés au cours des dernières
subséquent, par un procédé de séparation solide-liquide années dans le domaine de l’intelligence artificielle ont permis
et, d’autre part, à minimiser la concentration en coagulant de réduire les difficultés et de s’affranchir des limitations des
résiduel. La minimisation des coûts de l’opération se fait par modèles linéaires. Des modèles basés sur la technique des
une coagulation que l’on juge optimale. Elle correspond au réseaux de neurones artificiels ont été mis au point (MAIER
dosage du coagulant qui assure l’atteinte de tous les objectifs et al., 2004). Un exemple de ce modèle a déjà été testé
de qualité (Edzwald et Tobiason, 1999). Afin d’évaluer (Valentin et al., 1999). Cette modélisation a été intégrée
les conditions optimales de coagulation et de floculation, dans le cadre de la construction d’un capteur logiciel pour la
des essais dits de « Jar-Test » (JT) sont conduits à l’échelle détermination en ligne de la dose optimale de coagulant en
de laboratoire. Ceux-ci, menés dans une large gamme de fonction de différentes caractéristiques de la qualité de l’eau
conditions opératoires, permettent de déterminer le type de brute telles que la turbidité, le pH, la conductivité, etc. Le
coagulant, son dosage, le pH et les conditions d’agitation qui modèle de Valentin et al. (1999) est basé sur deux types de
maximisent la réduction de la turbidité (krasner et amy, réseaux de neurones, un perceptron multicouche (MLP), d’une
1995). part, et un réseau basé principalement sur l’utilisation des
cartes auto-organisatrices de Kohonen pour le prétraitement
Ce type d’approche a l’inconvénient d’avoir un temps de des données, d’autre part.
réponse relativement long. En effet, on ne modifie la dose de
coagulant qu’une fois un événement apparu. De plus, elle ne D’autres modèles ont été proposés (adgar et al., 1995;
permet pas de suivre finement l’évolution de la qualité de l’eau Adgar et al., 2000; Böhme et al., 1999; GAGNON et al.,
brute (baxter et al., 1999). On voit ici tout l’intérêt de 1997; Mirsepassi et al., 1997; NAHM et al., 1996; YU et
disposer d’un contrôle automatique et efficace de ce procédé al., 2000). Ils expriment tous la dose du coagulant à injecter
pour un meilleur rendement de traitement et une réduction en fonction des différentes variables descriptives caractérisant
des coûts d’exploitation. Au cours des dernières années une l’eau brute à l’entrée de la station de traitement des eaux.
nouvelle approche a été développée, qui est la régulation du Certaines études (baxter et al., 2001a; baxter et al.,
procédé de coagulation basée sur les variables descriptives de 2001b; Baxter et al., 2002; COX et al., 2003; HEDDAM
la qualité de l’eau brute. Cette technique impose de trouver un et al., 2011; LAMRINI et al., 2005) ont montré l’importance
modèle reliant la dose optimale de coagulant à ces différentes des réseaux de neurones comme outil pour l’élaboration
variables (VALENTIN, 2000). des modèles mathématiques à des fins d’automatisation et
de supervision des procédés impliqués dans les stations de
La modélisation par régression entrée/sortie a déjà fait traitement des eaux.
l’objet de nombreuses applications dans ce domaine (van
Leeuwen et al., 1999). Les approches proposées reposent le Dans cet article, on propose une autre méthode de
plus souvent sur des modèles régressifs linéaires. prédiction de la dose du coagulant en fonction de six variables
descriptives caractérisant l’eau brute à l’entrée de la station de
BAZER-BACHI et al. (1990) ont proposé deux modèles traitement des eaux potables. Cette méthode est basée sur le
mathématiques basés sur des équations polynomiales, reliant modèle ANFIS (Adaptive Neuro Fuzzy Inference System), qui
 Modélisation de la dose de coagulant
4
combine la logique floue et les réseaux de neurones pour former Dans cet article, nous considérerons une structure
un réseau hybride, utilisant la rétropropagation de l’erreur très particulière des réseaux de neurones, les perceptrons
comme algorithme d’apprentissage. Les résultats obtenus sont multicouches (MLP pour Multi Layer Perceptron) décrits
comparés à ceux d’un modèle à base de réseaux de neurones dans la figure 1. Un perceptron multicouche consiste en une
artificiels, le perceptron multicouche (MLP) et d’un modèle à succession de couches constituées d’unités neuronales, lesquelles
base de régression linéaire multiple (RLM). possèdent une fonction d’activation non linéaire. À l’intérieur
d’une couche chaque neurone reçoit des signaux provenant de
la couche précédente, effectue un calcul et transmet le résultat
à la couche suivante. Il n’existe pas d’interconnexions entre les
neurones situés à l’intérieur d’une même couche : les activations
2. MODÈLES UTILISÉS des différents neurones sont seulement propagées de la couche
d’entrée vers la couche de sortie à travers tous les neurones
2.1 La régression linéaire multiple constitutifs du réseau. La couche d’entrée collecte les variables
d’entrée tandis que la couche de sortie produit les résultats.
La régression linéaire multiple (RLM) est une généralisation
du modèle de régression simple lorsque les variables explicatives La première couche du réseau est la couche d’entrée. Elle
sont en nombre fini. Elle consiste à rechercher une équation contient (n) neurones. La deuxième couche, appelée couche
linéaire reliant la variable à modéliser Y = {yi, i = 1...N} (variable cachée, contient pour sa part (m) neurones. La dernière couche
à expliquer ou endogène) à la matrice d’entrées ou (variables du réseau est sa couche de sortie qui contient (p) neurones. Les
explicatives ou exogènes), X = {xip, i = 1...N; p, nombre de neurones d’entrée sont numérotés de 1 à n, les neurones cachés
variables explicatives}. N correspond au nombre d’individus de 1 à m, et les neurones de sortie de 1 à p. Par convention, le
paramètre wij est relatif à la connexion allant du neurone i (ou
ou d’observations.
de l’entrée i) vers le neurone j. Ainsi le paramètre wjk est relatif
à la connexion allant du neurone caché j vers le neurone de
L’équation linéaire recherchée est de la forme
sortie k.
Yi = β0 + β1x i 1 + β2 x i 2 + βp x ip , i = 1,  , N (2)
Les états des neurones de la première couche seront fixés
Les paramètres β sont appelés coefficients de régression par le problème traité à travers un vecteur x = (x1; x2; …xn).
partielle. Ils mesurent l’influence de chacune des variables sur la Les états de la première couche étant fixés, le réseau va pouvoir
grandeur étudiée. On remarque que le nombre de paramètres à calculer les états des neurones des autres couches. Dans ce sens,
déterminer pour un modèle à base de régression linéaire (RLM) chaque neurone de la couche cachée reçoit une somme pondérée
par les paramètres (wij), qui sont alors souvent désignés sous
est au nombre de (p+1).
le nom de « poids » ou, en raison de l’inspiration biologique
des réseaux de neurones, « poids synaptiques », de toutes les
entrées, à laquelle s’ajoute un terme constant w0 ou « biais » :
2.2 Les réseaux de neurones artificiels
n
Les réseaux de neurones artificiels (RNA) sont des modèles
‘ j = w 0 + ∑ w ij × x i (3)
mathématiques non linéaires, de type « boîte noire », capables i =j
de déterminer des relations entre données par la présentation
(l’analyse) répétée d’exemples, à savoir de couples constitués La sortie du neurone est une fonction non linéaire de son
par une information d’entrée (variables caractéristiques de l’eau entrée (Aj) :
brute) et une valeur de sortie que l’on voudrait approcher par
le modèle (la dose de coagulant). Les RNA se composent d’un
ensemble de processeurs élémentaires, les neurones qui sont Yj = f Aj ( ) (4)
largement connectés les uns aux autres et qui sont capables
d’échanger des informations au moyen des connexions qui La fonction f est appelée fonction de transfert ou d’activation.
les relient. Les connexions sont directionnelles et à chacune On utilise le plus souvent une fonction d’activation sigmoïde,
d’elle est associé un réel appelé poids de la connexion. Cette appliquée dans cette étude et donnée par la formule suivante :
représentation est le reflet de l’inspiration biologique qui a été
à l’origine de la première vague d’intérêt pour les neurones 1
formels, dans les années 1940 à 1970 (McCULLOCH et S( y ) = (5)
PITTS, 1943). 1 + e-y
 S. Heddam et al./ Revue des Sciences de l’Eau 25(1) (2012) 1-19
5

Figure 1. Architecture du perceptron multicouche modèle MLP.

Architecture of the Multilayer perceptron neural network MLP.

Chaque neurone de la couche de sortie reçoit une somme Les valeurs des poids et du biais sont modifiées et mises à
pondérée par les paramètres (wjk), à laquelle s’ajoute un terme jour via un algorithme d’apprentissage supervisé. Ce dernier
constant B0 ou « biais » : consiste à se procurer un ensemble d’exemples, c’est‑à‑dire un
ensemble fini de couples entrée sortie connus (exemples qui
m
constituent l’ensemble d’apprentissage). L’objectif de ce calcul
Ο K = B0 + ∑ w jk × Υ j (6) est la minimisation d’une fonction d’erreur entre la réponse
j =1
désirée et la réponse obtenue à la sortie du modèle. L’algorithme
de rétropropagation de l’erreur est le plus utilisé. Ce dernier
La sortie du réseau O (pour Output) est une fonction estime le gradient de la fonction d’erreur par rapport aux
linéaire des poids de la dernière couche de connexions (qui paramètres (poids et biais) du modèle et réalise l’adaptation
relient les m neurones cachés aux neurones de sortie), et elle de ces paramètres successivement de la couche de sortie vers
est une fonction non linéaire des paramètres de la première la couche d’entrée (Figure 1). Cela consiste à effectuer une
couche de connexions (qui relient les n entrées du réseau aux descente de gradient sur le critère d’erreur ‘E’ en minimisant
m neurones cachés). Cette propriété a des conséquences très une fonction coût, généralement l’erreur quadratique moyenne
importantes (DREYFUS, 2004). Il a été démontré qu’un (RUMELHART et al., 1986).
réseau de neurones comportant une couche de neurones cachés
en nombre fini, possédant tous la même fonction d’activation, Les méthodes de gradient peuvent être réparties en deux
et un neurone de sortie linéaire est un approximateur universel catégories : les méthodes du premier ordre, qui n’utilisent que le
(HORNIK et al., 1989; HORNIK et al., 1990; HORNIK, gradient de la fonction (cas de l’algorithme de rétropropagation
1991). de l’erreur) et les méthodes du second ordre, qui généralisent la
 Modélisation de la dose de coagulant
6
descente du gradient au deuxième degré de la fonction d’erreur. des valeurs linguistiques (ou encore appelé symbole ou terme
Ce sont des méthodes itératives qui consistent à remplacer la linguistique ou étiquette) que peut prendre la variable x_nom.
fonction coût par son approximation quadratique. On peut Par exemple L(x) = {faible, moyenne, élevée} pour caractériser
citer par exemple les méthodes de Newton, de quasi-Newton la dose de coagulant; (iii) U correspond à l’univers de discours
et de Levenberg-Maquardt. Cette dernière est utilisée dans le associé à la variable x_nom (exemple : dose du coagulant varie
cadre de notre étude. entre 5 et 35 mg•L-1). C’est l’ensemble de toutes les valeurs
numériques que peut prendre la variable numérique associée
à la variable linguistique x_nom; (iv) Mx est une fonction qui
2.3 Modèle neuroflou associe à tout symbole de L(x) une signification floue.

2.3.1 La logique floue La modélisation d’un système entrée/sortie par la logique

La logique floue a été développée par ZADEH (1965) qui a floue passe par trois étapes essentielles :
proposé de modéliser un système complexe par un raisonnement
« approximatif » basé sur des variables linguistiques et des sous- - La fuzzification des variables d’entrée, qui consiste à
ensembles flous (ZADEH, 1971). Un sous-ensemble flou A est transformer les entrées numériques disponibles en parties
défini sur un domaine physique appelé univers de discours U, floues. Il est alors possible d’associer à des variables des
et par une fonction d’appartenance F(x) qui associe, à chaque coefficients d’appartenance à des sous‑ensembles flous
élément x de U, le degré de vérité (d’appartenance) f(A) à X prenant des valeurs dans l’intervalle [0,1].
compris entre l’intervalle 0 et 1, soit, et cela contrairement à la - L’inférence floue, composée par la base de règles et par la
base de données. La combinaison des entrées avec les règles
logique classique où le degré d’appartenance ne peut prendre
floues permet de tirer des conclusions.
que deux valeurs (0 ou 1).
- La défuzzification qui est l’opération inverse de la
Les systèmes flous s’appuient sur une représentation de la fuzzification. Elle convertit les parties floues relatives aux
connaissance sous forme de règles « Si…..Alors » qui permettent sorties du mécanisme d’inférence en sorties numériques. Il
de représenter les relations entre les variables d’entrée et de existe plusieurs techniques de défuzzification (Jang et al.,
sortie dont l’expression générique est de la forme : 1997). Cependant la technique la plus utilisée est celle du
centre de gravité (Lee, 1990).
Si ( Antécédent ) Alors ( Conséquent ) (7)
2.3.3 Modèle flou utilisé : le modèle de Sugeno
Les systèmes flous sont répertoriés selon leur nature
Si ( X est A )Alors ( Y est B )
(8) structurelle. On distingue les systèmes flous à conclusions
symboliques (Mamdani, 1977) ou modèles flous
L’antécédent (prémisse) est une description linguistique qui linguistiques (systèmes de Mamdani), dans lesquels l’antécédent
indique les conditions de validité du phénomène représenté. et le conséquent sont tous les deux des propositions floues
Pour sa part, le conséquent (conclusion) représente le qui utilisent des variables linguistiques (Équation 10), et des
comportement associé aux conditions de validité décrites par systèmes flous à conclusions fonctionnelles ou modèles flous
l’antécédent, par exemple : de Takagi-Sugeno-Kang (TS) (Équation 11) (Takagi et
sugeno, 1985).
Si ( la turbidité de l ' eau est élevée )
(9) Si ( la turbidité est élevée et le pH est faible )
Alors ( dose de coagulant est élevée ) (10)
Alors ( dose de coagulant est élevée )
Aujourd’hui la logique floue a fait l’objet de plusieurs
applications dans le domaine de l’ingénierie (BENKACI et Si ( la turbidité est élevée et le pH est faible )
DECHEMI, 2004; DECHEMI et al., 2003; LEKFIR et al., (11)
Alors ( D = 25 T + 30 P + 5 )
2006).

2.3.2 Caractéristiques des sous ensembles flous Étant donné que notre étude concerne un système
d’entrée/sortie, nous nous sommes basés sur le modèle de
Une variable linguistique (zadeh, 1971) est une variable Takagi_Sugeno (TS) de premier ordre. Dans ce cas la variable D
dont les valeurs sont des mots ou des phrases exprimées dans du conséquent (dose du coagulant) est numérique sous la
une langue naturelle ou un langage artificiel (NAKOULA, forme d’une fonction des variables associées à l’antécédent
1997). Une variable linguistique est définie par : « x_nom, L(x), (Équation 11). Ici T et P représentent respectivement les
U, Mx » avec : (i) x_nom : le nom de la variable linguistique valeurs numériques de la turbidité et du pH, données à titre
(ex : dose du coagulant), (ii) L(x) = {L1; L2;....; Ln} est l’ensemble d’exemple.
 S. Heddam et al./ Revue des Sciences de l’Eau 25(1) (2012) 1-19
7
2.3.4 Le modèle ANFIS Il est basé sur les règles floues « Si…..Alors » de Takagi et Sugeno
(TAKAGI et SUGENO, 1985). L’architecture équivalente du
L’utilisation conjointe des méthodes neuronales et floues modèle comporte cinq couches, chacune comportant plusieurs
dans des modèles hybrides permet de tirer des avantages, nœuds (Figure 2).Les nœuds carrés (adaptatifs) contiennent
principalement, des capacités d’apprentissage des réseaux de des paramètres, alors que les nœuds circulaires (fixes) n’ont pas
neurones, et de la lisibilité et la souplesse de la logique floue. de paramètres dans le système.
Le principal type d’association entre réseaux de neurones et
systèmes flous est le cas où un système d’inférence flou est Pour deux variables d’entrée x1 (la température) et x2 (la
mis sous la forme d’un réseau multicouche (Buckley et conductivité) données à titre d’exemple avec la seule variable
Hayashi, 1994), dans lequel les poids correspondent aux de sortie Y (la dose du coagulant), chaque variable d’entrée
paramètres du système, l’architecture du réseau dépendant du est décrite par deux termes linguistiques : M1 et M2 pour la
type de règles et des méthodes d’inférence, d’agrégation et de variable x1, L1 et L2 pour la variable x2, respectivement, d’où
défuzzification choisies. Le plus utilisé dans ce domaine est le une base de règle « Si…..Alors » décrite par deux règles floues
modèle ANFIS. R1 et R2 :

le modèle ANFIS, connu sous le nom de réseau adaptatif à R1 : Si x1est M 1et x 2 est L 1donc y = f1 ( x ) (12)
base de système d’inférence floue, développé par JANG (1993)
est un approximateur universel (JANG et al., 1997). ANFIS R2 : Si x1est M 2 et x 2 est L 2 donc y = f2 ( x ) (13)
est une technique qui incorpore les concepts de la logique floue
dans les réseaux de neurones. Il a été largement utilisé dans f1 ( x ) = p1x1 + q 1x 2 + r1 (14)
beaucoup d’applications (Kisi ,2005; Tutmez et al., 2006).
f2 ( x ) = p 2 x1 + q 2 x 2 + r2 (15)
Ce modèle simule la relation entre l’entrée et la sortie d’un
processus à travers un apprentissage hybride pour déterminer la où pi, qi, ri correspondent aux paramètres de la partie conclusion
distribution optimale des fonctions d’appartenances (Figure 2). à ajuster durant l’apprentissage.

Figure 2. Architecture du modèle ANFIS.

Architecture of the ANFIS model.
 Modélisation de la dose de coagulant
8
- Couche 1 : chaque nœud de cette couche est un nœud carré 2.3.5. Apprentissage du modèle ANFIS
adaptatif avec une fonction :
L’ajustement des paramètres de l’ANFIS est réalisé lors de
la phase d’apprentissage. Pour cela, un ensemble de données
O1, i = µ Mi ( x1 ) pour i = 1, 2, …, m (16)
associant séquences d’entrées et de sorties est nécessaire. Pour
la réalisation de cette phase, l’algorithme d’apprentissage
O1, i = µ L i 2 ( x 2 ) pour i = 1, 2, …, m (17) hybride est utilisé. L’algorithme d’apprentissage hybride est
une association de la méthode de descente de gradient de
où x1 (ou x2) est l’entrée du nœud i, Mi (ou Li) est le terme l’erreur et de la méthode d’estimation des moindres carrés. La
linguistique associé à sa fonction. méthode de descente de gradient de l’erreur permet d’ajuster
les prémisses alors que la méthode LSM (Least Square Method)
Les nœuds de cette couche représentent le degré ajuste les paramètres linéaires (conséquents ou conclusions).
d’appartenance de x1 (ou x2) à Mi (ou Li); c’est la phase de L’apprentissage se fait de façon itérative jusqu’à ce que le
fuzzification. nombre de cycles d’apprentissage soit atteint ou jusqu’à ce que
l’erreur moyenne entre la valeur de sortie désirée et générée
- Couche 2 : chaque nœud de cette couche est un nœud par l’ANFIS atteigne une valeur prédéterminée. Cette phase
circulaire fixe, appelé (Π), qui reçoit les sorties des nœuds de dépend donc de la qualité de l’ensemble des données au
fuzzification et calcule leur activation. Le nombre de nœuds sens où cet ensemble doit représenter au mieux les différents
dans cette couche est égal au nombre de règles « Si…..Alors » comportements attendus (Wang et Mendel, 1992a et
dans le système d’inférence flou. 1992b).

O2 , i = w i = µ Mi ( x1 ) ⋅ µ Li ( x 2 ), i = 1, 2 (18) Le modèle ANFIS permet de s’affranchir de l’effet « boîte

noire » reproché aux réseaux de neurones classiques, d’associer
- Couche 3 : chaque nœud de cette couche est un nœud la connaissance dysfonctionnelle disponible sous la forme de
circulaire fixe, appelé (N).C’est la couche de normalisation règles floues et de conserver une capacité d’apprentissage issue
dans laquelle chaque nœud calcule le degré d’appartenance des réseaux de neurones. Une des plus importantes étapes pour
normalisé à une règle floue donnée. Le résultat obtenu la génération de la structure des réseaux neuro flous ANFIS
représente la participation de chaque règle floue au résultat est l’établissement des règles d’inférence floues. En utilisant
final. Cette couche renvoie des sorties normalisées de un mécanisme d’inférence, les règles sont définies comme
défuzzification. combinaisons des fonctions d’appartenance des différentes
variables d’entrée. Les variables d’entrée sont divisées en un
wi nombre limité de valeurs linguistiques (étiquette), chacune
O3 , i = w i = (19)
w1 + w 2 caractérisée par une fonction d’appartenance (et leurs
combinaisons mènent à beaucoup de règles d’inférences floues).
- Couche 4 : Chaque nœud i de cette couche est un nœud
carré adaptatif qui correspond à l’entrée initiale pondérée
par le degré d’appartenance normalisé de la règle floue. 2.4 Validation des modèles

O4 , i = w i f i = w i ( pi.x1 + qi.x 2 + ri ) (20) La validation permet de juger l’aptitude du modèle à

reproduire les variables modélisées. Plusieurs critères ont
été choisis. Dans notre cas, nous nous sommes basés sur
où w i est la sortie normalisée de la couche 3, et {pi, qi, ri} le coefficient de détermination (R2), la racine de l’erreur
est l’ensemble des paramètres de sortie de la règle i. C’est la quadratique moyenne (RMSE) et la moyenne biaisée (B).
phase de défuzzification.
2.4.1 Coefficient de détermination (R2)
- Couche 5 : composée d’un seul nœud fixe circulaire appelé
(Σ) qui reçoit la somme des sorties de tous les nœuds de
défuzzification, et fournit la sortie du modèle ANFIS. 2
1 N 
 (
∑ Y
N i = 1 iobs
−Y
obs
Y )(
ical
−Y
cal )
∑w f i i

R2 = 


(22)
O5, i = ∑ w i f i = i
(21) 
σ .σ
obs cal 
i ∑w i
i
 
 S. Heddam et al./ Revue des Sciences de l’Eau 25(1) (2012) 1-19
9
Avec : Yiobs et Yical correspondent respectivement aux valeurs
observées et calculées par le modèle de la dose du coagulant
pour la journée i, Yobs et Ycal sont les moyennes des valeurs
observées et calculées par le modèle, et σobs et σcal les écarts‑types
des valeurs observées et calculées.

2.4.2 Racine de l’erreur quadratique moyenne (RMSE)

∑(Y − Ycal )
2

RMSE =
obs (23)
N

N représente le nombre de valeurs utilisées. Le modèle est

bien optimisé si la valeur du RMSE est proche de zéro.

2.4.3 Moyenne biaisée (B)

C’est la différence entre la moyenne des doses de coagulant
observées et celles calculées. Ce paramètre est défini par la
relation suivante :

B=Y −Y (24)
obs sim

Lorsque B tend vers zéro, le modèle est sans biais.

3. présentation de la station
ÉTUDIÉE

La station de traitement des eaux potables a été mise en

service en 1987. Cette station se situe à environ 7 km du
barrage de Keddara, entre les villes de Boudouaou et d’Ouled
Moussa (Figure 3). Elle occupe une superficie de 17 hectares et
fait partie du Système de Production Isser Keddara (SPIK). Elle
traite les eaux des barrages de Béni Amrane, de Keddara et du
Hamiz et alimente la population de la capitale (Alger), estimée
à 4 000 000 d’habitants, avec une capacité de traitement de
Presentation of the production factory.
Figure 3. Présentation de l’usine de production.

540 000 m3•j-1 (seaal, 2008).

Cette station de traitement compte : (i) un ouvrage

d’arrivée et de mélange, (ii) une étape de clarification assurée
par le procédé de coagulation-floculation grâce à des décanteurs
de type « PULSATOR » lamellaires à lit de boue, utilisant le
sulfate d’aluminium comme coagulant, (iii) des filtres type
« AQUAZUR V ». Après ce traitement, l’eau est stockée dans
deux réservoirs de capacité totale 2 x 50 000 m³, avant qu’elle
ne soit pompée vers la ville d’Alger (seaal, 2008).

L’objectif de notre travail est la modélisation de la dose

du coagulant (DC) en fonction des variables descriptives
caractérisant l’eau brute à l’entrée de la station. Nous disposons
 Modélisation de la dose de coagulant
10
pour cela de six variables : la température (TE), le pH, la (variable descriptive caractérisant l’eau brute) dans l’explication
turbidité (TU), la conductivité électrique de l’eau (CE), du phénomène étudié afin d’optimiser le nombre pertinent
l’oxygène dissous (OD) et l’absorbance à 254 nm (UV254). d’entrées pour les modèles appliqués, et de mettre en évidence
Ces six variables sont mesurées à raison de deux fois par jour. d’éventuelles influences d’une variable descriptive sur le
Parallèlement, la dose de coagulant est déterminée par les essais phénomène.
Jar-Test effectués en laboratoire. Les caractéristiques statistiques
des variables retenues sont présentées dans le tableau 1.
4.1 L’analyse en composante principale ACP

L’analyse en composantes principales (ACP) est une

technique descriptive permettant d’étudier les relations qui
4. Méthodologie existent entre les variables, sans tenir compte, a priori, d’une
quelconque structure (JOLLIFE, 1986). L’objectif de l’ACP
La base de données utilisée a été scindée aléatoirement en est de fournir des résumés linéaires des variables d’origine,
deux parties, l’une pour le calage des modèles (MLP, RLM c’est‑à‑dire de remplacer les variables initiales par des
et ANFIS) et l’identification des paramètres qui représentent combinaisons linéaires de celles-ci. Ces nouvelles variables sont
80 % de la taille totale de la base de données et l’autre pour appelées composantes principales. Les résultats intéressants
la validation (20 %). Les critères de performance sont calculés issus de l’application d’une ACP sont les coefficients de
aussi bien en mode de calage qu’en mode de validation. corrélation des variables initiales, associés à chaque composante
principale, la matrice des vecteurs propres ainsi que les valeurs
propres associés. Notons que chaque composante principale
Dans le cas de notre étude, les variables sont de nature
est représentative d’une portion de la variance des mesures
physique différente, caractérisées par des unités différentes,
du processus étudié. Les valeurs propres sont les mesures de
ce qui nous amène à les normaliser afin de ramener la plage
cette variance et peuvent donc être utilisées dans la sélection
d’évolution des valeurs prises par les variables à l’intérieur d’un
du nombre de composantes principales à retenir. De nombreux
intervalle standardisé, fixé a priori. Elle est souhaitable car elle
travaux de recherche ont proposé d’utiliser l’analyse en
évite au système de se paramétrer sur une plage de valeurs
composantes principales comme outil de modélisation des
particulières, ignorant ainsi les valeurs extrêmes. Pour notre
processus complexes à partir de laquelle un modèle peut être
cas, nous avons normalisé les données en utilisant la formule
obtenu. Récemment SOUAG et al. (2007) ont proposé un
suivante :
modèle de simulation des débits mensuels en zone semi‑aride
x i, k -m k
xn i, k = (25) basé sur l’analyse en composantes principales.
σk
L’analyse en composantes principales (ACP) nous a
avec : permis d’obtenir une vue d’ensemble sur les données, à savoir
xn, i, k : la valeur normalisée de la variable k pour l’individu i de déterminer s’il existe des sous-populations d’individus
mk : la moyenne de la variable k et comment sont reliées les variables prises simultanément.
σk : l’écart type de la variable k. Nous conservons, pour la suite de l’analyse, les composantes
principales qui représentent 90 % de la variance totale. Chaque
Une analyse en composantes principales (ACP) a été composante principale est représentée par un axe factoriel; les
appliquée afin de déceler l’apport de chaque variable d’entrée variables fortement corrélées avec un de ces axes contribuent

Tableau 1. Résumé statistique des variables retenues.

Table 1. Statistical summary of raw water data.

Variables Moyenne Écart-type Min Max

Température (°C) 16,53 3,49 10,2 26,2
pH 7,76 0,25 7,23 8,6
Conductivité (μscm-1) 1 009 122 668 1 432
Turbidité (NTU) 7,58 4,54 0,44 32,4
Oxygène dissous (mgL-1) 4,73 2,98 0,14 13,2
UV254 (dom-1) 0,11 0,05 0,01 0,98
Coagulant (mgL-1) 22,79 7,48 10 40
 S. Heddam et al./ Revue des Sciences de l’Eau 25(1) (2012) 1-19
11
à la définition de cet axe. Cette corrélation correspond à la a la deuxième plus grande valeur propre (λ2 = 1,427). Elle
coordonnée de la variable sur l’axe factoriel correspondant. représente 20,38 % de la variance totale et est construite autour
Pour l’interprétation, les variables qui nous intéressent sont de la variable OD avec un coefficient de corrélation de 0,53 en
celles présentant les plus fortes coordonnées en valeurs absolues valeur absolue. Les deux composantes CP1 et CP2 expliquent
(saporta, 1990). 57,90 % de la variance totale. La troisième composante
principale représente 15,58 % de la variance totale avec une
Le processus d’extraction des composantes principales se valeur propre de (λ3 = 1,091) et est construite autour de la
poursuit jusqu’à ce qu’il y ait autant de composantes principales variable CE avec un coefficient de corrélation de 0,65 en valeur
que de variables. Les statistiques intéressantes issues d’une absolue. Les trois composantes CP1, CP2 et CP3 expliquent
ACP sont les vecteurs de pondération des variables, associés 73,48 % de la variance totale.
à chaque composante principale (Tableau 2), et leur variance,
λi (Tableau 2). Le portrait des pondérations des variables Étant donné que l’analyse en composantes principales
originelles sert à interpréter chaque composante principale n’a pas permis de réduire significativement le nombre de
alors que la variance associée indique quel pourcentage de la variables d’origine, par un plus petit nombre, une tentative
variance totale de l’ensemble des variables originelles chaque de comparaison entre différentes combinaisons des variables
composante principale représente. À la lumière des résultats d’entrée a été conduite. Plusieurs modèles ont été testés. Nous
obtenus, on remarque qu’il est indispensable de tenir compte avons élaboré cinq variantes de modèles (Tableau 3), à savoir la
des cinq premières composantes principales, pour avoir 90 % variante V2 à deux variables d’entrée (15 modèles), V3 à trois
de la variance totale. variables d’entrée (18 modèles), V4 à quatre variables d’entrée
(13 modèles), V5 à cinq variables d’entrée (6 modèles) et la
variante V6 à six variables d’entrée (1 modèle). En totalité,
53 modèles représentant cinq variantes ont été testés et le
meilleur modèle de chaque variante a été retenu (Tableau 3), à
5. RÉSULTATS ET DISCUSSION savoir le modèle M2 utilisant TE et CE; le modèle M3 avec
TE , CE et pH; le modèle M4 avec TE , CE, pH et TU; le
5.1 Description des résultats obtenus avec l’ACP modèle M5 avec TE , CE, pH , TU et OD et le modèle M6
avec TE , CE, pH , TU, OD et l’absorbance à 254 nm (UV254)
La première valeur propre (λ1 = 2,627) représente la variance comme entrées. Pour les cinq modèles cités, la dose de coagulant
expliquée par la première composante principale (CP1). Elle représente la sortie du modèle.
correspond à 37,52 % de la variance totale (Tableau 2), et
se trouve donc être l’axe prédominant. Il est expliqué par les
variables pH, TU et TE. Il existe une forte corrélation entre 5.2 Description des résultats obtenus avec le modèle ANFIS
ces variables et la première composante principale. Nous
tiendrons compte par la suite de cette observation pour éviter Dans le but de mettre en évidence les avantages de
la redondance d’information. La composante principale CP2 l’approche de modélisation neuro floue proposée, une étude

Tableau 2. Résultats de l'application de l'analyse en composantes principales.

Table 2. Results of the principal components analysis.

Matrice des valeurs propres

λ1 λ2 λ3 λ4 λ5 λ6 λ7 Somme
2,62 1,42 1,09 0,69 0,52 0,36 0,27 7
Contribution des composantes principales
CP1 CP2 CP3 CP4 CP5 CP6 CP7 Somme
37,52 20,38 15,58 9,91 7,42 5,27 3,9 100
Cumul des contributions des composantes principales
37,52 57,90 73,48 83,89 90,81 96,08 99,98 100
Matrice de corrélations composantes principales-variables d’origine
CP1 CP2 CP3 CP4 CP5 CP6 CP7
DC -0,348 -0,657 0,482 0,348 -0,219 -0,017 -0,216
TE -0,749 -0,401 0,179 0,091 0,370 0,028 0,316
pH 0,777 0,009 0,020 0,381 0,396 -0,296 -0,076
CE -0,428 -0,490 -0,654 -0,153 -0,079 -0,342 -0,043
TU 0,806 -0,295 0,121 0,047 -0,354 -0,120 0,328
OD 0,523 -0,535 -0,506 0,160 0,093 0,386 -0,030
UV254 0,485 -0,470 0,357 -0,607 0,196 -0,013 -0,096
 Modélisation de la dose de coagulant
12
Tableau 3. Structures des modèles testés.
Table 3. Structures of the tested models

Nombre de Modèles Variables d’entrées Variable de

Variantes Modèles retenus
testés TE CE pH TU OD UV254 sortie
V2 15 M2 Ι Ι Ο Ο Ο Ο DC
V3 18 M3 Ι Ι Ι Ο Ο Ο DC
V4 13 M4 Ι Ι Ι Ι Ο Ο DC
V5 6 M5 Ι Ι Ι Ι Ι Ο DC
V6 1 M6 Ι Ι Ι Ι Ι Ι DC
Ι : variable inclus, Ο: variable exclus.

comparative a été effectuée en comparant les performances avec : NPC représente le nombre de paramètres des parties
obtenues avec le modèle neuro flou ANFIS et celles obtenues conclusions; NVS représente le nombre de variables de sortie
en utilisant un modèle à base de réseaux de neurones artificiels, (la dose de coagulant). Par ailleurs, il est à noter que plus le
le perceptron multicouches (MLP) et un modèle à base de nombre de partitions en valeurs linguistiques augmente, plus le
régression linéaire multiple (RLM), respectivement. Dans le nombre de paramètres à optimiser augmente. Ainsi, le nombre
cas des modèles neuro flous de type ANFIS, utilisés dans le total de paramètres à optimiser (NTP) est égal à la somme
présent travail, le nombre total de règles floues (Tableau 4) à des paramètres des parties conclusions (NPC) et des parties
optimiser sera déterminé par la règle suivante : prémisses (NPP).

NTP = NPP + NPC (30)

NRF = NSF NVE (26)

avec : NRF représente le nombre de règles floues établies;

5.3 Description des résultats obtenus avec le modèle MLP
NSF représente le nombre de valeurs linguistiques (étiquette)
pour chaque variable d’entrée et NVE représente le nombre de
Le deuxième type de modèle utilisé est à base de réseaux de
variables d’entrée. Nous avons choisi trois valeurs linguistiques
neurones artificiels : Il s’agit du perceptron multicouche (MLP).
pour chaque variable d’entrée, chacune représentée par une
Dans cette étude, nous avons utilisé une seule couche cachée
fonction d’appartenance de type Gaussienne, et donnée par la
avec une fonction d’activation sigmoïde, avec un nombre
formule suivante :
variable de neurones. Pour chaque modèle testé nous avons
varié le nombre de neurones de 1 à 20, et la meilleure topologie
-( x-c ) 2 (27) pour chaque type de modèle a été retenue (Tableau 5). La
f ( X,σ, c ) = e
2σ 2 couche de sortie contient un seul neurone avec une fonction
de transfert linéaire. Mathématiquement, pour un MLP à trois
Une fonction d’appartenance Gaussienne peut être définie couches, avec E le nombre de nœuds d’entrées, C le nombre de
par deux paramètres : σ et c. Ces deux derniers constituent les nœuds cachés et S le nombre de nœuds de sortie. Le nombre
paramètres des parties prémisses à optimiser pendant la phase total de paramètres à optimiser (NTP) est déterminé par la
d’apprentissage. On remarque immédiatement que le nombre règle suivante :
de paramètres des parties prémisses à optimiser (Tableau 4) sera
déterminé par la règle suivante : NTP = [ E × C] + [C] + [C × S] + S (31)

NPP = NSF × NVE × 2 (28)

5.4 Description des résultats obtenus avec la régression linéaire
avec : NPP représente le nombre de paramètres des parties multiple
prémisses.
Pour le modèle à base de régression linéaire multiple, la
Les paramètres des parties conclusions (conséquents) à formule de prédiction prend la forme générale représentée par
optimiser de leur part sont déterminés par la règle suivante : l’équation 2. La construction du modèle dans ce cas se résume
à la détermination des coefficients de régression partielle
NPC = NRF × ( NVE + NVS ) (29) (Tableau 6).
 S. Heddam et al./ Revue des Sciences de l’Eau 25(1) (2012) 1-19
13
Tableau 4. Nombre total de paramètres pour chaque modèle ANFIS testé.
Table 4. Total number of parameters for each ANFIS model tested.

Nombre de règles Nombre de paramètres Nombre de paramètres Nombre total de

Modèle
floue (NRF) prémisses (NPP) conséquents (NPC) paramètres (NTP)
M2 9 12 63 75
M3 27 18 189 207
M4 81 24 567 591
M5 243 30 1 701 1 731
M6 729 36 5 103 5 139

Tableau 5. Nombre total de paramètres pour chaque modèle MLP testé.

Table 5. Total number of parameters for each MLP model tested.

Modèles
Caractéristiques
M2 M3 M4 M5 M6
Nombre de neurones cachés 7 19 15 7 13
Nombre de paramètres optimisés 29 96 91 50 105

Tableau 6. Coefficients de régression pour les différents modèles testés.

Table 6. Regression coefficients for each RLM model tested.

Coefficients de Régression
Modèle
β0 β1 β2 β3 β4 β5 β6
M2 -0,0297 0,4954 -0,0084
M3 -0,0296 0,5001 -0,0141 -0,0219
M4 -0,0235 0,6049 -0,1454 -0,0224 0,3380
M5 -0,0238 0,6036 -0,1405 -0,0159 0,3435 -0,0162
M6 -0,0239 0,6020 -0,1408 -0,0150 0,3392 -0,0167 0,0087

5.5 Comparaisons et discussions des résultats obtenus par les chaque essai, on compare la sortie obtenue et la sortie désirée,
différents modèles on corrige les poids de façon à minimiser l’erreur commise.

Comme nous l’avons souligné dans le paragraphe 1, Nous avons procédé à une comparaison entre les résultats
le processus de coagulation met en œuvre des réactions fort obtenus par les cinq modèles retenus (Tableaux 7 et 8) en
complexes et non linéaires. L’objectif de notre travail est de mode de calage autant qu’en mode de validation, à savoir
concevoir un modèle de détermination de la dose de coagulant les modèles M2, M3, M4, M5 ainsi que le modèle M6 à six
en tenant compte d’un nombre important de paramètres. Dans entrées qui incluent les six variables descriptives caractérisant
cette perspective, les réseaux de neurones et les systèmes neuro l’eau brute. On remarque d’après les tableaux 7 et 8 que les
flous semble constituer une voie de recherche intéressante. résultats obtenus par la régression linéaire multiple (RLM)
Nous avons essayé de trouver un rapport adéquat entre toutes sont très médiocres, que ce soit en mode de calage ou en mode
les (ou quelques-unes) variables d’entrée du modèle. Pendant de validation; quel que soit le nombre de variables d’entrée
toutes les phases de calcul, nous nous sommes intéressés à la
utilisées, le coefficient de détermination ne dépasse pas 0,36,
comparaison des graphiques issus de la validation et du calage
tandis que le RMSE avoisine les 8,15 en mode de validation
des différents modèles testés, ainsi qu’à la comparaison des
critères numériques calculés. Pour le modèle ANFIS, nous pour le modèle M6 à six entrées, qui représente le meilleur
avons utilisé trois valeurs linguistiques (étiquette) pour chaque modèle à base de régression linéaire multiple (RLM) (Figure 4).
variable d’entrée, alors que pour le modèle MLP nous avons On remarque, d’autre part, que pour les deux modèles M2 et
varié le nombre de neurones dans l’unique couche cachée de 1 à M3, le modèle à base de régression linéaire multiple (RLM)
20 comme nous l’avons souligné dans le paragraphe 5.3. Après présente des résultats meilleurs par rapport à ceux obtenus par
 Modélisation de la dose de coagulant
14
Tableau 7. Résultats des modèles en période de calage.
Table 7. Model results during the calibration phase.

ANFIS MLP MLR

Modèle B RMSE B RMSE B RMSE
R2 R2 R2
(mgL-1) (mgL-1) (mgL-1) (mgL-1) (mgL-1) (mgL-1)
M2 0,40 -0,04 5,35 0,53 -0,05 4,28 0,27 -0,15 6,20
M3 0,50 -0,04 4,91 0,58 -0,05 4,24 0,27 -0,15 6,21
M4 0,72 -0,06 3,64 0,64 -0,06 3,69 0,34 -0,19 5,88
M5 0,85 -0,07 2,67 0,72 -0,06 2,65 0,36 -0,20 5,80
M6 0,95 -0,04 1,89 0,80 -0,07 2,52 0,37 -0,21 5,70

Tableau 8. Résultats des modèles en période de validation.

Table 8. Model results during the validation phase.

ANFIS MLP MLR

Modèle B RMSE B RMSE B RMSE
R2 R2 R2
(mgL-1) (mgL-1) (mgL-1) (mgL-1) (mgL-1) (mgL-1)
M2 0,26 -0,02 8,26 0,15 -0,01 10,31 0,25 -0,14 8,26
M3 0,40 -0,04 7,38 0,17 -0,01 9,76 0,25 -0,14 8,26
M4 0,72 -0,06 5,07 0,60 -0,05 7,82 0,32 -0,18 8,20
M5 0,90 -0,08 2,94 0,62 -0,05 7,65 0,33 -0,19 8,19
M6 0,92 -0,08 2,11 0,75 -0,07 7,34 0,35 -0,20 8,15

Figure 4. Comparaison des valeurs observées et calculées pour le modèle RLM, (a) calage, (b) validation.
Scatterplots for calculated versus observed values for the RLM model for (a) training, (b) validation.
 S. Heddam et al./ Revue des Sciences de l’Eau 25(1) (2012) 1-19
15
le modèle MLP en mode de validation, avec un coefficient de Pour les modèles MLP et ANFIS (Tableaux 7 et 8), les
détermination de l’ordre de 0,25 et une RMSE de 8,26 pour résultats obtenus sont nettement meilleurs par rapport à ceux
le modèle M3, alors que pour le modèle MLP, on enregistre un obtenus par la régression linéaire multiple (RLM), pour les
coefficient de détermination de l’ordre de 0,17 et un RMSE modèles M4, M5 et M6. Nous remarquons que le coefficient
de 9,76 pour le même modèle M3. Cela reflète clairement la de détermination R2 ne dépasse pas 0,35, que ce soit en mode
complexité du phénomène étudié, d’une part, et, d’autre part, de calage ou en mode de validation, pour les modèles à base
ces deux modèles ne reflètent pas la réalité physique du processus de régression linéaire multiple. À partir du modèle M4 qui
fait appel à quatre variables descriptives, nous remarquons une
de coagulation étudié. Nous verrons par la suite que ces deux
nette amélioration des performances. Cependant le modèle
modèles seront exclus et qu’il est indispensable d’intégrer plus
ANFIS donne des résultats meilleurs que le modèle MLP.
de variables en entrée des modèles pour bien démontrer la forte
R2 atteint 0,72 aussi bien en mode de calage qu’en mode de
non‑linéarité de la relation dose de coagulant en fonction des validation, tandis que pour le modèle MLP, il est de l’ordre de
variables descriptives de l’eau brute. 0,64 en mode de calage et 0,60 en mode de validation.

Figure 5. Comparaison des valeurs observées et calculées pour le modèle ANFIS, (a) calage, (b) validation.
Scatterplots for calculated versus observed values for the ANFIS model for (a) training, (b) validation.

Figure 6. Comparaison des valeurs observées et calculées pour le modèle MLP, (a) calage, (b) validation.
Scatterplots for calculated versus observed values for the MLP model for (a) training, (b) validation.
 Modélisation de la dose de coagulant
16
Les meilleurs résultats de notre de recherche sont obtenus trouvés par le réseau de neurones. Les performances numériques
par le modèle M6 qui inclut les six variables descriptives. Le sont plus appréciables pour le modèle utilisant six variables
modèle ANFIS (Figure 5) est plus performant que le modèle descriptives. Cela confirme la complexité du processus et la
MLP (Figure 6). Cela est surtout dû à la capacité des modèles forte non‑linéarité de la relation entre la dose du coagulant et
flous à simuler les phénomènes fort complexes et non linéaires. les différentes variables descriptives.
Nous remarquons que le coefficient de détermination R2
atteint 0,95 pour une RMSE de 1,89 en mode de calage alors
qu’il est de l’ordre de 0,92 pour une RMSE de 2,11 en mode
de validation (Tableaux 7 et 8), alors que le MLP donne un
coefficient de détermination égal à 0,8 en mode de calage et
REMERCIEMENTS
0,75 en mode de validation. Le réseau de neurones dans ce
cas se compose de 13 neurones cachés avec un nombre de Nous remercions l’organisme qui nous a aimablement
paramètres égal à 105 (Tableau 5). communiqué les données relatives à la qualité des eaux : SEAAL
Société Eau et Assainissement Alger, tout particulièrement
M. ADIM Nabil ainsi que les deux relecteurs anonymes qui,
À la lumière des résultats obtenus, on peut conclure que le par leurs commentaires, critiques et suggestions, ont permis
modèle ANFIS qui inclut les six variables descriptives (M6), d’améliorer cet article.
à savoir (la température, le PH, la conductivité, l’oxygène
dissous, l’absorbance à 254 et la turbidité), est le modèle final
retenu dans le cadre de ce travail. L’importance du modèle
neuro flou ANFIS réside dans sa capacité à simuler des
processus complexes et non linéaires en tenant compte d’un Références bibliographiques
nombre important de paramètres. Il est important de rappeler
que le modèle retenu se compose de plus de 5 139 paramètres ADGAR A., C.S. COX, P.R. DANIEL, A.J. Billington
avec plus de 729 règles floues (Tableau 6). et A. Lowdon (1995). Experiences in the application
of the artificial neural networks to water treatment plant
management. Dans : Proceedings of the International
COMDEM’95, Vol. 1, Canada, pp. 33-38.

6. Conclusion Adgar A., C.S. Cox et T.J. Böhme (2000). Performance

improvements at surface water treatment works using
Le fruit du présent article s’est concrétisé par une ANN-based automation schemes. Transactions Inst. Chem.
contribution à la modélisation neuro floue que nous Eng., 78, Part A, 1026-1039.
introduisons pour la première fois dans la gestion de la station de
traitement des eaux de Boudouaou, considérée comme la plus Amirtharajah A. et C.R. O’Melia (1990). Coagulation
importante station en Algérie. La connaissance de la variation processes: Destabilization, mixing, and flocculation. Water
de la qualité des eaux au niveau de cette station est importante quality and treatment. Pontius F.W. (Éditeur), McGraw-
pour comprendre et mieux interpréter le comportement des Hill, New York, NY, États-Unis, pp.269‑365.
différentes composantes du processus mis en jeu.
Baxter C.W. (1998). Full-scale artificial neural network
Afin d’établir un modèle mathématique de prédiction de la modelling of enhanced coagulation. Thèse de maîtrise,
dose du coagulant, nous avons proposé une comparaison entre University of Alberta, Edmonton, Canada, 151 p.
deux modèles basés sur le concept neuronal, l’un utilisant une
structure neuronale propre qui est le perceptron multicouche Baxter C.W., S.J. Stanley et Q. Zhang (1999).
(MLP), et le deuxième un modèle neuro flou qui combine un Development of a full-scale artificial neural network model
système d’inférence flou dans un réseau de neurones (ANFIS), for the removal of natural organic matter by enhanced
et un troisième modèle à base de régression linéaire multiple coagulation. J. Water Supp. Res. Technol. AQUA, 48,
(RLM). 129‑136.

Les résultats obtenus par la régression linéaire multiple Baxter C.W., Q. Zhang, S.J. Stanley, R. Shariff,
sont loin d’être acceptables et il est exclu d’aborder ce type de R.R.T. Tupas et L. Stark (2001a). Drinking water
problème par une approche linéaire. Les résultats obtenus par quality and treatment: the use of artificial neural networks.
le modèle ANFIS sont plus performants par rapport à ceux Can. J. Civ. Eng., 28 (Suppl. S1), 26‑35.
 S. Heddam et al./ Revue des Sciences de l’Eau 25(1) (2012) 1-19
17
Baxter C.W., R.R.T. Tupas, Q. Zhang, R. Shariff, coagulation of clay-fulvic acid suspensions. J. AWWA, 77,
S.J. Stanley, B.M. Coffey et K.G. Graff (2001b). 74‑80.
Artificial intelligence systems for water treatment plant
optimization. Am. Water Works Ass. Res. Found. et Am. DREYFUS G., M. SAMUELIDES, J. MARTINEZ, M.
Water Works Ass., Denver, CO, États-Unis, 141 p. GORDON, F. BADRAN, [Link] et L. HERAULT
(2004). Réseaux de neurones - Méthodologies et applications.
Baxter C.W., R. Shariff, S.J. Stanley, D.W. ÉDITIONS EYROLLES, Paris, France, 200 p. ISBN :
Smith, Q. Zhang et E.D. Saumer (2002). Model- 2-212-11464-8, [Link].
based advanced process control of coagulation. Water Sci.
Technol., 45, 9‑17. Edzwald J.K. et J.E. Tobiason (1999). Enhanced
coagulation: US requirements and a broad review. Water
Bazer-Bachi A., E. Puech-Coste, R. Ben Aim Sci. Technol., 40, 67‑70.
et J.L. Probst (1990). Mathematical modelling of
optimum coagulant dose in water treatment plant. Rev. Sci. Edwards G.A. et A. Amirtharajah (1985). Removing
Eau, 3, 377-397. color caused by humic acids. J. AWWA, 77, 50‑57.

BENKACI A.T. et N. DECHEMI (2004). Modélisation pluie Ellis G., A.g. Collins, X. Ge et C. Ford (1991).
débit journalière par des modèles conceptuels et « boîte Chemical dosing of small water utilities using regression
noire »; test d’un modèle neuroflou. J. Sci. Hydrol., 49, analysis. J. Environ. Eng., 117, 308-319.
919-930.

Böhme T.J., C.S. Cox et A. LOWDON (1999). GAGNON C., B.P.A. GRANDJEAN et [Link]
Performance assessment of a neuro self-tuning PI controller (1997). Modelling of coagulant dosage in a water treatment
to be used at a water treatment plant. Dans : Proceedings plant. Artif. Intel. Eng., 11, 401‑404.
of the American Control Conference, San Diego, CA, États-
Unis, pp. 3216‑3220. Girou A., M. Franceschi, E. Puech-Costes et
L. Humbert (1992). Modélisation des phénomènes
Buckley J.J. et Y. Hayashi (1994). Fuzzy neural networks: de coagulation et étude de la morphologie des flocs :
a survey. Fuzzy Sets Sys., 66, 1-13. optimisation du taux de coagulant. Récents Progrès en
Génie des Procédés, SFGP (Société Française de Génie des
CARDOT C. (1999). Les traitements de l’eau. Procédés physico- Procédés) (Éditeur), 6, 373-385, [Link].
chimiques et biologiques. Ellipses Edition Marketing S.A.,
247 p. HEDDAM S., A. BERMAD et N. DECHEMI (2011).
Applications of radial basis function and generalized
Cox C.S., L. Rietveld, A. Adgar et A. Van der regression neural networks for modelling of coagulant
Helm (2003). A new modelling and control system dosage in a drinking water treatment: A comparative
simulation environment for the rapid design of potable study. J. Environ. Eng., Doi: 10.1061/ (ASCE) EE.1943-
water systems. Dans : International Symposium on Advanced 7870.0000435.
Control of Chemical Processes-Hong Kong ADCHEM. Hong
Kong, [Link] HORNIK K., M. STINCHCOMBE et H. WHITE
(1989). Multilayer feedforward networks are universal
Critchley R.F., E.O. Smith et P. Pettit (1990). approximators. Neural Networks, 2, 359-366.
Automatic coagulation control at water treatment plants
in the North-West region of England. Water Environ. J., HORNIK K., M. STINCHCOMBE et H. WHITE (1990).
4, 535-543. Universal approximation of an unknown mapping and its
derivatives using multilayer feedforward networks. Neural
Networks, 3, 551-560.
DECHEMI N., T. BENKACI et A. ISSOLAH (2003).
Modélisation des débits mensuels par les modèles
HORNIK K. (1991). Approximation capabilities of multilayer
conceptuels et les systèmes neuro-flous. Rev. Sci. Eau, 16,
feedforward networks. Neural Networks ,4, 251-257.
407-424.
Jang J.R.S. (1993). ANFIS: adaptive-network-based fuzzy
Dempsey B.A., H. Sheu, T.M. Tanzeer Ahmed et inference system. IEEE Trans. Syst Man. Cybern., 23,
J. Mentink (1985). Polyaluminum chloride and alum 665‑685.
 Modélisation de la dose de coagulant
18
Jang J.R.S., C.T. Sun et E. Mizutani (1997). Neuro- MIRSEPASSI A., B. CATHERS et H. DHARMAPPA (1997).
fuzzy and soft computing. Prentice-Hall, Upper Saddle River, Predicted of chemical dosage in water treatment plants
New Jersey, NJ, États-Unis, 614 p. [Link]. using ANN and Box-Jenkings models. Dans : Preprints of
ISBN-13: 978-0132610667. 6th IAWQ Asia-Pacific Regional Conference. Korea, 16, pp.
561‑1568.
JOLLIFFE I.T. (1986). Principal component analysis. Springer-
Verlag, New York, NY, États-Unis, 519 pp. Mohtadi m.f. et p.n. RAO (1973). Effect of temperature
on flocculation of aqueous dispersions. Water Res., 7,
Kisi O. (2005). Suspended sediment estimation using neuro- 747‑767.
fuzzy and neural network approaches. Hydrol Sci. J., 50,
683‑696. Nahm E., S. Lee, K. Woo, B. Lee et [Link] (1996).
Development of an optimum control software package
Krasner S.W. et G. Amy (1995). Jar-test evaluations of for coagulant dosing process in water purification
enhanced coagulation. J AWWA, 87, 93‑107. system. Dans : Proceedings of the Society of Instrument and
Control Engineers Annual Conference, Tottori, Japon, 35,
LAMRINI B., M.V. LE LANN, A. BENHAMMOU et 1157‑1161.
K. LAKHAL (2005). Detection of functional states by
the “LAMDA” classification technique: application to a
coagulation process in drinking water treatment. Elsevier NAKOULA Y. (1997). Apprentissage des modèles linguistiques
C.R. Phys., 6, 1161-1168. flous par jeu de règles pondérées. Thèse de Doctorat,
Université de Savoie, France, 155 p.
LEE C.C. (1990). Fuzzy logic in control systems: Fuzzy logic
controller – part I and II. IEEE Trans. Sys., Man. Cybern., Ratnaweera H. et H. Blom (1995).Optimisation of
20, 404-435. coagulant dosing control using real-time models selective
to instrument errors. Water Supp., 13, 285-289.
LEFEBVRE E. et B. LEGUBE (1993). Coagulation floculation
par le chlorure ferrique de quelques acides et phénols en Rumelhart D.E., E. Hinton et [Link] (1986).
solution aqueuse. Water Res., 27, 433-447. Learning internal representation by error propagation.
Dans : Parallel Distributed Processing. Vol.1, MIT Press,
LEKFIR A., T. BENKACI et N. DECHEMI (2006). Cambridge, Massachusetts, États-Unis, pp. 318‑362.
Quantification du transport solide par la technique floue,
application au barrage de Beni Amrane (Algérie). Rev. Sci.
Eau, 19, 247-257. SAPORTA G. (1990). Probabilités, analyse des données et
statistique. Éditions Technip, Paris, France, 493 p.
LIND C. (1994a).Coagulation control and optimization: Part
one. Pub. Works, pp. 56-57, octobre. seaal. (2008). Société eau et assainissement d’Alger. Rapport
interne.
LIND C. (1994b).Coagulation control and optimization: Part
two. Pub. Works, pp. 32-33, novembre. SOUAG G.D., N. DECHEMI et A. BERMAD (2007).
Simulation des débits mensuels en zone semi‑aride par
Maier H.R., N. Morgan et W.K. Christopher l’analyse en composantes principales et les modèles
(2004). Use of artificial neural networks for predicting conceptuels. Sécheresse, 18, 97-105.
optimal alum doses and treated water quality parameters.
Environ. Model. Software, 19, 485‑494. Stum w., et j.j. MORGAN (1962). Chemical aspect of
coagulation. J. AWWA, 54, 971- 992.
MAMDANI E. (1977). Application of fuzzy logic to
approximate reasoning using linguistic systems. Fuzzy Sets TAKAGI T. et M. SUGENO (1985). Fuzzy identification of
Sys., 26, 1182-1191. systems and its application to modeling and control. IEEE
Trans. Sys. Man Cyber., 15, 16-132.
McCULLOCH W. S. et W. PITTS (1943). A logical calculus
of the ideas immanent in nervous activity. Bull. Math. Tutmez B., Z. HATIPOGLU et U. Kaymak (2006).
Biophys., 5, 115-133. Modelling electrical conductivity of groundwater using an
 S. Heddam et al./ Revue des Sciences de l’Eau 25(1) (2012) 1-19
19
adaptive neuro-fuzzy inference system. Comput. Geosci.,
32, 421‑433.

Valentin n. (2000). Construction d’un capteur logiciel

pour le contrôle automatique du procédé de coagulation en
traitement d’eau potable. Thèse de doctorat, UTC/Lyonnaise
des Eaux/CNRS, 153 p.

Valentin N., T. Denoeux et F. FOTOOHI (1999).

An hybrid neural network based system for optimization
of coagulation doing in a water treatment plant. Dans :
Proceedings of IJCNN99, Washington DC., IEEE,
pp. 3380-3385.

van Leeuwen J., C.W. Chow, D. Bursill et M.

Drikas (1999). Empirical mathematical models and
artificial neural networks for determination of alum doses
of southern Australian surface waters. J. Water Sci. Res.
Technol. Aqua, 48, 115-127.

Wang L. et J.M. Mendel (1992A). Fuzzy basis functions,

universal approximation, and orthogonal least squares.
IEEE Trans. Neural Networks, 3, 807-814.

Wang L., et J.M. Mendel (1992b). Back-propagation

fuzzy system as nonlinear dynamic system identifiers.
Dans : Proc. of the IEEE Int. Conf. on Fuzzy Systems, San
Diego, CA, États-Unis, pp. 1409-1416.

Weishaar J.L., G.R. Aiken, B.A. Bergamaschi,

M.S. Fram, R. Fujii et K. Mopper (2003). Evaluation
of specific ultraviolet absorbance as an indicator of the
chemical composition and reactivity of dissolved organic
carbon. Environ. Sci. Technol., 37, 4702-4708.

YU R., S. KANG, S. LIAW et M. CHEN (2000). Application

of artificial neural network to control the coagulant dosing
in water treatment plant. Water Sci. Technol., 42, 403-408.

ZADEH L. (1965). Fuzzy sets. Inform. Control, 8, 338-353.

ZADEH L. (1971). Quantitative fuzzy semantics. Inf. Sci., 3,

159-176.

View publication stats