ABSTRACT
A coagulação é uma etapa de tratamento da água, e para tal são realizados ensaios de teste de jarro que permitem determinar a dose necessária dos agentes coagulante e químico de ajuste de pH no processo de coagulação. Contudo, esses ensaios demoram a ser executados, não respondendo em tempo real às mudanças da qualidade da água bruta. Para superar tal limitação, redes neurais artificiais multicamadas foram construídas (e seus pesos sinápticos ajustados), validadas e testadas para predizer a dosagem do hidróxido de sódio e do sulfato de alumínio - utilizados como agentes químico de ajuste de pH e coagulante, respectivamente. Os resultados dos modelos obtidos são compatíveis com os dados experimentais tendo em vista que as incertezas das estimativas estão na mesma ordem de grandeza das faixas indicadas pelos ensaios realizados de testes de jarro ao longo de quase seis anos.
Coagulation is a stage in water treatment and, for this, jar tests are performed, which allows determining the optimal coagulant and alkalizer doses in coagulation process. However, these tests are time-consuming and do not enable real-time responses to changes in raw water quality. To overcome these limitations, artificial multilayer perceptron neural networks were built, trained, validated and tested to predict the aluminum and sodium hydroxide doses - used as coagulant and alkalizer, respectively. The results of these models are encouraging to consider that the estimated uncertainties have the same order of the variation limits magnitude indicated by the jar tests for almost a six-year period.