Universidade Federal do Ceará
Programa de Pós-Graduação em Engenharia de Teleinformática

Defesa de Dissertação de Mestrado – Francisco José Matos Nogueira Filho

Título: Modelling Nitrogen Dynamics in a Full-Scale Wastewater Treatment Plant with Structurally Constrained Neural ODEs: Physical Consistency and Computational Cost

Data: 29/09/2026
Horário: 10:00
Local: Auditório do LESC, Bloco 723

Banca Examinadora:
Michela Mulas (UFC, Presidente – Orientadora)
Madson Luiz Dantas Dias (FIEC)
Otacílio Bezerra Leite Neto (UFC)

Resumo:
O óxido nitroso emitido durante a remoção biológica de nitrogênio representa uma parcela substancial da pegada de carbono do tratamento de águas residuais, contudo, as metodologias de inventário atribuem a ele um fator de emissão fixo que não representa sua dependência das condições operacionais. A previsão da concentração dissolvida que precede a emissão requer um modelo preciso ao longo dos horizontes em que a aeração é controlada, que produza previsões fisicamente admissíveis e que seja suficientemente econômico para ser avaliado repetidamente dentro de um intervalo de controle. Os modelos mecanísticos atendem ao segundo requisito, mas não são identificáveis a partir da instrumentação de rotina da planta; os modelos baseados em dados evitam essa dificuldade, mas não representam o processo subjacente. Esta tese desenvolve um modelo híbrido de tempo contínuo no qual o balanço de massa do reator e o acoplamento estequiométrico entre amônio e óxido nitroso são incorporados à equação diferencial governante, restringindo uma rede neural à estimativa das taxas de reação. Um pequeno número de parâmetros físicos, incluindo a fração de nitrogênio nitrificado que aparece como óxido nitroso dissolvido, são estimados conjuntamente a partir de dados operacionais. O modelo é avaliado em comparação com uma Rede Neural de EDO sem restrições, uma LSTM e uma rede NARX, utilizando dados de uma planta em escala real em Copenhague, sob um protocolo de janela deslizante abrangendo três períodos sazonais. As restrições incorporadas não melhoram a precisão agregada: as arquiteturas discretas atingem o menor erro para amônio e o modelo contínuo sem restrições para óxido nitroso. Elas proporcionam três outras propriedades. O esforço do solucionador diminui por um fator entre seis e oito, rastreado através do espectro Jacobiano até uma redução de dezessete vezes na rigidez do campo vetorial aprendido. Concentrações negativas ocorrem em 0,003% das previsões, contra 12,4% para o modelo contínuo sem restrições, e apenas dentro do erro acumulado da integração. A precisão direcional para amônio excede a do modelo sem restrições em dezesseis pontos percentuais. O benefício é assimétrico entre os dois estados, e a assimetria é informativa: as restrições auxiliam o amônio, cujo transporte e consumo a estrutura imposta representa, e dificultam o óxido nitroso, para o qual a transferência na fase gasosa é omitida. A restrição estrutural, portanto, não é benéfica em si mesma, mas transfere informações para um modelo onde a descrição imposta é adequada e remove a liberdade útil onde não o é.

Palavras-chave: ETE em escala real; Equações diferenciais ordinárias neurais; Modelagem híbrida; Restrições estruturais; Aprendizado profundo.