Application of back-propagation neural network modeling for free residual chlorine, total trihalomethanes and trihalomethanes speciation

摘要

The application of back-propagation neural networks (BPNNs) was assessed for modeling residual chlorine decay, total THM concentrations (TTHMs), and three individual THM species (CHCl₃, CHBrCl₂, and CHBr₂Cl) in water that was chlorinated under laboratory-scale conditions. Data for modeling chlorine decay and TTHM were generated in chlorination experiments carried out with water collected in water utilities of the Quebec City region, whereas data for THM species were provided by the US Geological Survey for the Mississippi River and its tributaries. The BPNN models were compared with conventional models developed with exactly the same data. Results showed that the ability of BPNN to model residual chlorine decay is, in general terms, comparable to the ability of kinetic first- and second-order models. For TTHMs and THM speciation, however, the ability of BPNN was clearly higher in comparison with multivariate regression models, in particular when brominated disinfection by-products (DBPs) (CHBrCl₂ and CHBr₂Cl) were modeled. The successful application of BPNN presented in this study opens the door to other potential applications of BPNN for field-scale data concerning THMs as well as for other relevant disinfection by-products. Key words: back-propagation neural networks, drinking water, chlorination, residual chlorine decay, trihalomethanes, prediction.L'application de réseaux neuronaux rétropropagateurs (« BPNN : back-propagation neural networks ») a été évaluée pour modéliser la décroissance du chlore résiduel, les concentrations totales en trihalométhanes (THMT) et trois espèces individuelles de trihalométhane (CHCl₃, CHBrCl₂ et CHBr₂Cl) dans l'eau qui a été chlorée selon les conditions de laboratoire. Les données pour modéliser la décroissance du chlore et les THMT ont été générées lors d'expériences de chloration effectuées sur de l'eau collectée dans les services publics de la région de la ville de Québec, alors que les données concernant les espèces de THM ont été fournies par le USGS et proviennent du Mississippi et de ses tributaires. Les modèles de réseaux neuronaux rétropropagateurs ont été comparés aux modèles conventionnels développés avec exactement les mêmes données. Les résultats ont indiqué que la capacité des réseaux neuronaux rétropropagateurs à modéliser la décroissance du chlore résiduel est comparable, règle générale, à la capacité des modèles cinétiques de premier et de deuxième ordre. Cependant, quant à la spéciation des THMT et des THM, la capacité des réseaux neuronaux rétropropagateurs était clairement supérieure par rapport aux modèles de régression à plusieurs variables, plus particulièrement lors de la modélisation de sous-produits de désinfection bromés (CHBrCl₂ et CHBr₂Cl). L'application réussie des réseaux neuronaux rétropropagateurs présentée dans la présente étude ouvre la porte à d'autres applications potentielles des réseaux neuronaux rétropropagateurs quant aux données à grande échelle concernant les THM ainsi qu'aux autres sous-produits de désinfection pertinents. Mots clés : réseaux neuronaux rétropropagateurs, eau potable, chloration, décroissance du chlore résiduel, trihalométhanes, prédiction.[Traduit par la Rédaction]