REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE

SCIENTIFIQUE
UNIVERSITE DES SCIENCES ET DE LA TECHNOLOGIE HOUARI BOUMEDIENE
FACULTE DE GENIE CIVIL
DEPARTEMENT GEOTECHNIQUE ET HYDRAULIQUE

MEMOIRE DE MASTER
DOMAINE : SCIENCES ET TECHNOLOGIES
FILIERE : HYDRAULIQUE

THEME

Optimisation des Performances de la Station d'Épuration de Réghaia : Diagnostic du

Système Épuratoire - Approche Intégrée avec Modélisation par des Réseaux de
Neurones

Présenté par : SPECIALITE

CHERIFI Rania OUVRAGES HYDRAULIQUES

OUAMER Melissa HYDRAULIQUE URBAINE

Soutenu publiquement le 29 JUIN 2024, devant le jury composé de :

Président : Mme. BOURAS Farida

Examinateurs : Mme. ZIANI Dalila
Mr. BENLECHHEB Wahid

Promoteur : Mr. MAALIOU Aziz

Co-promoteur : Mme. BOUANANI Hanane
 Remercîment

En premier et en dernier, avant tout et après tout, dans le bonheur et dans le malheur,
Merci à Allah le tout puissant pour toutes ses grâces et ses faveurs, pour nous avoir accordé
La chance d’étudier et nous avoir donné le courage et la force d’accomplir ce travail.

Nous voudrions tout d’abord remercie Monsieur Dr. MAALIOU Aziz, notre encadrent, pour
sa précieuse aide et ses conseils au cours de l’année, sa patience, son encouragement et sa
sympathie.

On tient à remercier Madame Dr. BOUANANI Hanane, notre Co-encadrante qui nous a
éclairé et nous a mis dans la bonne voie tout au long de notre travail, ainsi que pour ses
remarques et ses encouragements.

Je tiens aussi à remercie Monsieur MOUSSOUNI Abderzak pour ses conseils et son
encouragement.

Un grand merci à Madame FOUCHAL Amel pour son aide, ses explications et sa patience.

Un grand merci également à tout le personnel que nous avons contacté durant notre travail
au sein de l’entreprise SEAAL Monsieur SAIDI Boussad, Monsieur BOUBEKEUR Ali
Madame TARTAG Djamila, auprès desquelles nous avons trouvé l’accueil chaleureux, l’aide
et l’assistance dont nous avions besoin et pour avoir eu la patience de répondre à nos
innombrables questions.

Je suis très honorée par la présence de Mme BOURAS Farida, qui a accepté de présider le
jury de cette thèse.Nos vifs remerciements vont également à Madame ZIANI Dalila pour
l’intérêt qu’elle a porté à notre travail en acceptant de l’examiner et de l’enrichir par ces
propositions, questions et remarques. On tient à remercier Mr BENLECHEHEB Wahid
membres du jury.

Enfin, un grand remerciement destiné à nos enseignants et enseignantes, eux qui ont
contribué à notre formation, depuis le cycle primaire jusqu’au cursus universitaire.
 Dédicace

Je dédie cet humble travail avec grand amour, sincérité et fierté À ma très chère mère

NADIA,

« Tu m’as donné la vie, la tendresse et le courage pour réussir. Tout ce que je peux t’offrir ne

pourra exprimer l’amour et la reconnaissance que je te porte. En témoignage, je t’offre ce

modeste travail pour te remercier pour tes sacrifices et pour l’affection dont tu m’as toujours

entourée ».

À mon cher père LYES,

« L’épaule solide, l’œil attentif compréhensif et la personne la plus digne de mon estime et de

mon respect ».

À Mes sœurs Assia et Lili.

À Mon cher amour et bout de sucre mon petit frère Hakim.

À mon beau-frère Moussaab et ma nies adorable Alaa

À la personne qui me soutien et m’encourage a réalisé mes rêves Amine

Merci d’être toujours là dans les moments de joie, de tristesse et de folie. Que dieu vous

protègent et vous gardent pour moi.

À mes amies sans exception qui comptent vraiment pour moi qui n’ont cessé de m’aider et de

me conseiller pour accomplir mon travail.

À mon cher binôme MELISSA, qui a partagée avec moi tout ce travail, une complicité unique,

la galère, folie et réussites. Ainsi que toute sa famille.

Et enfin, à tous ceux qui m’ont aidé de prêt ou de loin.

A moi-même

Rania
 Dédicace
« Au nom de Dieu le tout puissant et le très miséricordieux par la grâce duquel on a pu
réaliser ce travail que je dédie : »

A mes parents
À celle qui m'a transmis la vie, l’amour et le courage, le symbole de tendresse, qui s'est
Sacrifiée pour mon bonheur et ma réussite, à une femme très exceptionnelle à toi maman
toutes mes joies, mon amour et ma reconnaissance.
Ecole de mon enfance, qui a été mon ombre durant toutes les années des études, et qui a veillé
Tout au long de ma vie à m’encourager, à me donner l'aide et à me protéger, à un homme
formidable, à toi très cher papa
« Qu’ALLAH les gardes et les protège. »
À mon grand frère
Auquel je souhaite beaucoup de réussite et de succès dans sa vie.
À mon future maghi
Une personne qui mérite tout le bonheur du monde, une personne qui m’a beaucoup
Soutenue dans les moments les plus difficiles, qui a su toujours m’aider, Merci d'être présent
à mes côtés durant les moments de bonheur, de peine et de joie, et me remonter le moral.

À mon grand-père
Que Dieu le Protège et lui Prête une bonne santé et une longue vie.

À la mémoire de ma grand-mère
Que Dieu Le Miséricordieux l’Accueille dans Son Paradis.

À mes oncles et tantes

À ceux qui ont su m’aimer, me supporter, qui étaient toujours et encore à mes côtés.

À mes amies sans exception qui comptent vraiment pour moi qui n’ont cessé de m’aider et de

me conseiller pour accomplir mon travail.

À ma très chère sœur et confidente, ma binôme Rania : Que Dieu te Donne tout ce que tu
Souhaites, une vie pleine de bonheur et de joie.

Melissa
 ‫ملخص‪:‬‬
‫األداء والموثوقية في محطة معالجة مياه الصرف الصحي هي اعتبارات حرجة‪ ،‬خصوصا ً إذا كان من المقرر استرداد هذه‬
‫المياه المعالجة إلعادة استخدامها الحقاً‪ .‬تتأثر أداء عمليات المعالجة عادة ً بعدد كبير من العوامل مثل التغييرات الكمية والنوعية‬
‫في مياه الصرف والتباين الوراثي في عملية المعالجة‪ .‬بهذا الصدد‪ ،‬يهدف العمل إلى تحديد العيوب في محطة معالجة مياه‬
‫الصرف الصحي برغاية لتحسين أدائها‪.‬‬

‫تم دراسة البيانات وتحليلها باستخدام تحليل العناصر الرئيسية‪ ،‬وشملت تدفقات مياه الصرف والمعلمات المهمة لجودة المياه‬
‫مثل الطلب الكيميائي على األكسجين‪ ،‬والطلب الحيوي على األكسجين بعد خمسة أيام‪ ،‬والمواد العالقة‪ ،‬مما سمح بتحديد أنماط‬
‫معقدة وترابطات بين المتغيرات المختلفة المقاسة في محطة المعالجة وتحسين عمليات معالجة مياه الصرف عن طريق تحديد‬
‫المتغيرات الرئيسية التي تؤثر في أداء المحطة‪ .‬من خالل تقليل بُعد البيانات وتحديد المكونات الرئيسية التي تلتقط الجزء‬
‫األساسي من تباين البيانات‪ ،‬يُسهل تحليل العناصر الرئيسية المراقبة المستمرة لجودة المياه المعالجة في محطتنا لمعالجة مياه‬
‫الصرف الصحي‪.‬‬
‫لنمذجة وتحسين عمليات معالجة مياه الصرف الصحي المعقدة والتفاعالت غير الخطية بين المعلمات‪ ،‬تم استخدام الشبكات‬
‫العصبية كحلول مثالية‪.‬‬
‫تم تطوير ثمانية شبكات عصبية اصطناعية مختلفة لتوقع مستوى الموثوقية ومعدالت فشل العملية بنا ًء على المعلمات التالية‬
‫لمياه الصرف الطلب الكيميائي على األكسجين‪ ،‬والطلب الحيوي على األكسجين بعد خمسة أيام‪ ،‬والمواد العالقة ‪,‬كانت النتائج‬
‫المحصلة مقبولة وستُستخدم التوقعات لتقييم أداء العملية بحيث يتم تحسين أداء المحطة‪ .‬ستعمل النماذج المطورة كأدوات‬
‫لتشخيص عيوب العملية‪ ،‬وبخاص ٍة في مساعدة المشغلين في اإلدارة اليومية لمحطة المعالجة‪.‬‬
‫كما تم اقتراح توصيات لتحسين أداء المحطة‪ ،‬بما في ذلك النظر في إعادة التحجيم‪.‬‬

‫الكلمات المفتاحية‪:‬‬

‫محطة معالجة مياه‪ ،‬تحليل العناصر الرئيسية‪ ،‬الشبكات العصبية االصطناعية‪ ،‬تحسين أداء‪ ،‬المحطة إعادة التحجيم‬
Résumé :

La performance et la fiabilité d’une station des eaux usées est une considération critique,
particulièrement si ces eaux usées traitées seront récupérées pour une réutilisation ultérieure.
Les performances des processus de traitement sont généralement influencées par de nombreux
facteurs tels que les changements qualitatifs et quantitatifs dans les eaux usées et la variabilité
inhérente du procédé de traitement. A cet effet, le travail vise à déterminer les
dysfonctionnements de la station d'épuration de Réghaia afin d'en améliorer les performances.
Les données étudiées et analysées par une analyse en Composantes Principales (ACP) inclus
les débits des eaux usées et les paramètres importants de qualité de l’eau telles que la demande
chimique en oxygène (DCO), demande biochimique en oxygène après cinq jours (DBO5) et les
matières en suspensions (MES) permis d’identifier des patterns complexes et des corrélations
entre les différentes variables mesurées dans la station d'épuration et optimiser les processus de
traitement des eaux usées en identifiant les variables clés qui influencent les performances de
la station. En réduisant la dimensionnalité des données et en identifiant les composantes
principales qui capturent l'essentiel de la variabilité des données, l'ACP facilite le contrôle
continu de la qualité de l'eau traitée dans notre station d'épuration. Pour modéliser et optimiser
les processus complexes de traitement des eaux usées et les interactions non linéaires entre les
paramètres on a utilisé les réseaux de neurones à savoir le feed foward back propagation (FFBP)
et le cascade foward back propagation (CFBP) comme solution idéale.
Huit différents réseaux de neurones artificiels sont développés pour la prédiction du niveau de
la fiabilité, et les taux de défaillance du processus basée sur les paramètres des eaux usées
suivants : DCO, DBO5 et MES. Le résultat obtenu est acceptable et la prédiction sera utilisée
pour la détermination des performances du processus, de manière à optimiser le rendement de
la station. Les modèles développés serviront comme des outils de diagnostic des défaillances
du processus et en particulier d’aider les exploitant dans la gestion quotidienne de la station
d’épuration.
En outre, des recommandations ont été formulées pour améliorer les performances de la station,
notamment en envisageant un redimensionnement.

Mots clés :
Station d’épuration, les dysfonctionnements, l'Analyse en Composantes Principales (ACP),
Réseaux de Neurones Artificiels (RNA), les performances, un redimensionnement
Abstract :

The performance and the reliability of a WWTP is a major issue especially if treated waters are
destined for reuse.
The treatment performance is generally influenced by many quantitative and qualitative
changes in the effluents and the treatment processes. Thus, this study aims to target the
dysfunctional spots of the treatment chain of the plant of Reghaia in order to enhance and
optimize its output.

The studied and analyzed data through main components analysis (ACP) includes important
parameters of water quality such as biochemical oxygen demand (BOD), suspended solids (SS),
chemical Oxygen demand (COD) and nitrogenous and phosphorous molecules allowed us to
identify complex patterns and correlations between different measured variables in the plant
and optimize the performance by identifying the most significant ones.
Through dimension reduction, this analysis helps monitoring treated water quality in our plant.
In order to model and optimize the complex process of treatment and the non-linear interactions
between parameters, neural networks have been used: feed foward back propagation (FFBP)
and cascade foward back propagation (CFBP) as an optimal solution.

Eight different artificial neural networks are developed to predict the reliability, and the
dysfunctional rate of the process through: BOD, COD, SS.
The results are acceptable and the prediction will be used in the determination of the processus
performances and the optimal solutions.
The developed models could become helpful diagnosis tools for the exploration of the plant.
Another parallel study of resizing has been led in order to assess the current equipment
adequacy.
Accordingly, a series of recommendations has been established.

Keywords :
WWTP, dysfunction, main components analysis, artificial neural networks,
performance, resizing.
 Table de matiere

Introduction Générale.............................................................................................................. 1
Chapitre 1 : Diagnostic du
Système Actuel
I.1. INTRODUCTION ..................................................................................................... 4
I.2. ORIGINE DES EAUX USÉES ................................................................................. 4
I.2.1. Les eaux usées urbaines ..................................................................................... 4
I.2.2. Les eaux usées agricoles ..................................................................................... 4
I.2.3. Les eaux usées industrielles ............................................................................... 5
I.3. PARAMÈTRES DE POLLUTION .......................................................................... 6
I.3.1. Matières en suspension (MES) .......................................................................... 6
I.3.2. Demande biochimique en oxygène (DBO) ....................................................... 6
I.3.3. La demande chimique en oxygène (DCO) ........................................................ 7
I.3.4. Le pH ................................................................................................................... 7
I.3.5. Conductivité ........................................................................................................ 7
I.3.6. Azote .................................................................................................................... 8
I.3.7. Phosphore ............................................................................................................ 8
I.4. EXPLORATION DE LA STATION D’EPURATION .......................................... 9
I.4.1. Présentation de la station d’épuration ............................................................. 9
I.4.2. Performance de la station d’épuration ........................................................... 11
I.5. ÉTAPES DU TRAITEMENT................................................................................. 12
I.5.1. Prétraitement .................................................................................................... 12
I.5.2. Traitement primaire ........................................................................................ 13
I.5.3. Traitement secondaire ..................................................................................... 13
I.5.4. Traitement tertiaire .......................................................................................... 14
I.6. COLLECT DES DONNEES................................................................................... 17
I.7. CONCLUSION ........................................................................................................ 19

Chapitre 2 :Indicateurs de Performance

II.1. INTRODUCTION ................................................................................................... 21
II.2. DESCRIPTION DE LA MÉTHODE .................................................................... 21
II.3. DÉFINITIONS ......................................................................................................... 21
II.3.1. Notions d’individu et de caractère .................................................................. 21
II.3.2. Définition algébrique........................................................................................ 22
 II.3.3. Définition géométrique .................................................................................... 23
II.4. APPLICATION ET INTERPRÉTATION DES RÉSULTATS .......................... 23
II.4.1. Étapes de l’ACP normée .................................................................................. 24
II.4.2. Résultats de l’ACP ........................................................................................... 24
II.5. APPLICATION ET INTERPRÉTATION ........................................................... 24
II.5.1. Présentation des données ................................................................................. 24
II.5.2. Analyse des Résultats de l’ACP ...................................................................... 25

Chapitre 3 : Modélisation et optimisation par les Réseaux de

Neurones des processus d’épuration
III.1. INTRODUCTION..................................................................................................... 42
III.2. RÉSEAUX DE NEURONES BIOLOGIQUES (FONDEMENTS
BIOLOGIQUES) ................................................................................................................ 42
III.3. NEURONE FORMEL (ARTIFICIEL).............................................................. 43
III.3.1. Principe du neurone artificiel .......................................................................... 43
III.4. TYPES DES RÉSEAUX DE NEURONE .......................................................... 44
III.4.1. Réseaux de neurones non bouclés ................................................................... 44
III.4.2. Réseaux de neurones à connexions locales ..................................................... 47
III.4.3. Réseaux de neurones bouclés (dynamique, feedback ou récurrent) ............ 47
III.5. L’APPRENTISSAGE DES RÉSEAUX DE NEURONES ............................... 47
III.5.1. Apprentissage supervisé : ................................................................................ 47
III.5.2. Apprentissage non-supervisé ........................................................................... 48
III.5.3. Apprentissage renforcé (ou par renforcement) ............................................. 48
III.6. METHODOLOGIE ET APPROCHE ............................................................... 49
III.6.1. Description de la base de données ................................................................... 49
III.6.2. Quelques critères de performances pour le choix des modèles .................... 49
III.6.3. Modélisation par réseau de neurones ............................................................. 50
III.7. Modélisation de la performance de la STEP ..................................................... 51
III.7.1. Taille de la base des données ........................................................................... 51
III.7.2. Partage de l'ensemble des données ................................................................. 51
III.8. ELABORATION DES MODÈLES .................................................................... 52
III.8.1. Modèle 1 MES E.D ........................................................................................... 53
III.8.2. Modèle 2 DBO5 E.D .......................................................................................... 54
III.8.3. Modèle 3 DCO E.D ........................................................................................... 55
III.8.4. Modèle 4 MES E.E ........................................................................................... 56
III.8.5. Modèle 5 DBO5 E.E .......................................................................................... 57
 III.8.6. Modèle 6 DCO E.E ........................................................................................... 58
III.8.7. Modèle 7 MES B.P ........................................................................................... 59
III.8.8. Modèle 8 FeCl3 ................................................................................................. 60
III.8.9. Paramètres de performance des modèles établis ........................................... 61
III.9. CONCLUSION .................................................................................................... 62

Chapitre 4 : Redimensionnement des Ouvrages et Propositions

d'Amélioration
IV.1.INTRODUCTION ......................................................................................................... 64
IV.2. CARACTÉRISTIQUES DE LA STATION :.................................................... 66
IV.2.1. Charge hydraulique : ....................................................................................... 66
IV.2.2. Charges polluantes : ......................................................................................... 66
IV.3. REDIMENSIONNEMENT DE LA STEP : ...................................................... 66
IV.3.1. Estimation de la population : .......................................................................... 67
IV.3.2. Calcul de débit des eaux usées ......................................................................... 67
IV.3.3. Estimation des charges polluantes .................................................................. 69
IV.4. REDIMMENTIONNEMENT DES OUVRAGES DE PRETRAITEMENT 71
IV.4.1. Dégrillage .......................................................................................................... 71
IV.4.2. Dessableur-déshuileur ...................................................................................... 74
IV.4.3. Décanteur primaire .......................................................................................... 76
IV.5. REDIMENSIONNEMENT DES OUVRAGES DU TRAITEMENT
BIOLOGIQUE (SECONDAIRE) ..................................................................................... 80
IV.5.1. Bassin biologique .............................................................................................. 80
IV.5.2. Décanteur secondaire (Clarificateur) ............................................................. 82
IV.5.3. Dégazage ............................................................................................................ 86
IV.6. REDIMENSIONNEMENT DES OUVRAGES DU TRAITEMENT
TERTIAIRE ........................................................................................................................ 87
IV.6.1. Épaississeur ....................................................................................................... 87
IV.6.2. Déshydratation ................................................................................................. 91
IV.6.3. Filtre à sable ...................................................................................................... 92
IV.7. CONCLUSION .................................................................................................... 93
Conclusion générale ............................................................................................................... 94
Bibliographie
 Liste des figures

Figure Ⅰ.1 : Plan de situation de la station d’épuration de REGHAIA..............................10

Figure Ⅰ.3 : Station dosage FeCl3 ..........................................................................................16
Figure Ⅰ.4 : Pompes doseuses .................................................................................................17
Figure Ⅰ.5 : L’évolution temporelle des paramètres d’eau brute .......................................17
Figure Ⅰ.6 : L’évolution temporelle des paramètres d’eau décantée ..................................18
Figure Ⅰ.7 : L’évolution temporelle des paramètres d’eau épurée .....................................18
Figure Ⅱ.1 : Paramètres de pollution E.B, E.D, E.E, B.P, B.E. ..........................................28
Figure Ⅱ.2 : Paramètres de pollution E.B. ...........................................................................32
Figure Ⅱ.3 : Paramètres de pollution E.D. ...........................................................................34
Figure Ⅱ.4 : Paramètres de pollution E.E. ...........................................................................37
Figure Ⅱ.5 : Paramètres de pollution B.P et B.E. ................................................................39
Figure III.2: Schéma d'un Réseaux de neurones monocouches .........................................43
Figure III.3 : Schéma d'un réseau de neurones non bouclé (Perceptron multicouches)..45
Figure III.4 : Schéma d'un réseau de neurones à connexions locales. ...............................47
Figure III.5: Schéma bloc Apprentissage supervisé ............................................................48
Figure III.6 : Schéma bloc de l’apprentissage supervisé .....................................................48
Figure III.7 : Schéma bloc Apprentissage renforcé .............................................................49
Figure Ⅲ.8 : Droites de régression du model 1 par CFBP .................................................53
Figure Ⅲ.9 : Droites de régression du model 1 par FFBP .................................................53
Figure Ⅲ.10 : Droites de régression du model 2 par CFBP ...............................................54
Figure Ⅲ.11 : Droites de régression du model 2 par FFBP ...............................................54
Figure Ⅲ.12 : Droites de régression du model 3 par CFBP ...............................................55
Figure Ⅲ.13 : Droites de régression du model 3 par FFBP ...............................................55
Figure Ⅲ.14 : Droites de régression du model 4 par CFBP ...............................................56
Figure Ⅲ.15 : Droites de régression du model 4 par FFBP ...............................................56
Figure Ⅲ.16 : Droites de régression du model 5 par CFBP ...............................................57
Figure Ⅲ.17 : Droites de régression du model 5 par FFBP ...............................................57
Figure Ⅲ.18 : Droites de régression du model 6 par CFBP ...............................................58
Figure Ⅲ.19 : Droites de régression du model 6 par FFBP ...............................................58
Figure Ⅲ.20 : Droites de régression du model 7 par CFBP ...............................................59
Figure Ⅲ.21 : Droites de régression du model 7 par FFBP ...............................................59
Figure Ⅲ.22 : Droites de régression du model 8 par CFBP ...............................................60
Figure Ⅲ.23 : Droites de régression du model 8 par FFBP ...............................................60
Figure IV.1 : Schéma de la STEP de Reghaia. .....................................................................65
Figure IV.2 : Dégrilleur grossier ........................................................................................... 71
Figure IV.3 : Remonté des graisses ....................................................................................... 74
Figure IV.4 : Décanteur lamellaire ....................................................................................... 77
Figure IV.5 : Estimation de IM en fonction de Cm .............................................................. 82
Figure IV.6 : Temps de séjour maximum des boues dans le clarificateur ........................83
 Liste des tableaux

Tableau Ⅰ.1 : Pollution prédominante dans les différentes sources d’eau industrielle ......5
Tableau Ⅰ.2 : Quelques paramètres de pollution ....................................................................6
Tableau Ⅰ.3 : Valeurs limites des paramètres de rejets d’effluents liquides industriels ...11
Tableau Ⅱ.1 : Codification des variables ..............................................................................25
Tableau Ⅱ.2 : Variance totale expliquée E.B, E.D, E.E, B.P, B.E. .....................................26
Tableau Ⅱ.3 : Matrice des composantes E.B, E.D, E.E, B.P, B.E. .....................................27
Tableau Ⅱ.4 : Matrice de corrélation E.B ............................................................................30
Tableau Ⅱ.5 : Variance totale expliquée E.B .......................................................................31
Tableau Ⅱ.6 : Matrice des composantes E.B ........................................................................31
Tableau Ⅱ.7 : Matrice de corrélation E.D ............................................................................33
Tableau Ⅱ.8 : Variance totale expliquée E.D .......................................................................33
Tableau Ⅱ.9 : Matrice des composantes E.D ........................................................................34
Tableau Ⅱ.10 : Matrice de corrélation E.E .........................................................................35
Tableau Ⅱ.11 : Variance totale expliquée E.E .....................................................................36
Tableau Ⅱ.12 : Matrice des composantes E.E ......................................................................37
Tableau Ⅱ.13 : Matrice de corrélation B.P et B.E ...............................................................38
Tableau Ⅱ.14 : Variance totale expliquée B.P et B.E ..........................................................38
Tableau Ⅱ.15 : Matrice des composantes B.P et B.E ...........................................................39
Tableau Ⅲ.1 : Données d’entrées – sorties ..........................................................................51
Tableau Ⅲ.2 : Paramètres de performance des modèles établis en CFBP .......................61
Tableau Ⅲ.3 : Paramètres de performance des modèles établis en FFBP .......................61
Tableau IV.1 : Charge hydraulique de la STEP ..................................................................66
Tableau IV.2 : Charges polluantes ........................................................................................66
Tableau IV.3 : Estimation de la population .........................................................................67
Tableau IV.4 : Calculs des débits ..........................................................................................68
Tableau IV.5: Flux de pollution et teneurs en polluants .....................................................69
Tableau IV.6: Base de dimensionnement de la STEP .........................................................70
Tableau IV.7 : Espacement et épaisseurs des barreaux ......................................................72
Tableau IV.8 : Valeurs de β' en fonction de type des barreaux..........................................73
Tableau IV.9 : Résultats de dimensionnement du dégrilleur .............................................73
Tableau IV.10 : Résultats dimensionnement du dessableur – déshuileur .........................76
Tableau IV.11 : Résultats dimensionnement du Décanteur primaire ...............................79
Tableau IV.12 : Résultats dimensionnement du Bassin biologique ...................................81
Tableau IV.13 : Variables a’, b’ IM et % MVS en fonction de Cm ...................................83
Tableau IV.14 : Vitesse ascensionnelle max pour niveau « e » (30 mg DBO5/l) max) ......83
Tableau IV.15 : Résultats dimensionnement du clarificateur ............................................85
Tableau IV.16 : Résultats dimensionnement du Bassin de Dégazage ................................87
Tableau IV.17 : Calculs des boues chimiques produites .....................................................89
Tableau IV.18 : Calculs de la quantité totale de boues en excès ........................................90
Tableau IV.19 : Résultats dimensionnement du l'Épaississeur ..........................................91
Tableau IV.20 : Résultats dimensionnement du bassin de déshydratation .......................91
Tableau IV.21 : Résultats dimensionnement du Filtre à sable ...........................................93
 Liste des abréviations

Abréviations Signification
ACP Analyse en Composantes Principales
CFNN Cascade-Forward Artificial Neural Networks
CFBP Cascade-Forward backpropagation
Cm Charge massique
CNN Réseau neuronal convolutif
COT Carbone organique total
DBO5 Demande Biochimique en Oxygène
DCO Demande Chimique en Oxygène
DTO Demande totale en oxygène
EH Equivalent habitant
FFNN Feed Forward Neural Networks
FFBP Feed-Forward backpropagation
FR Random Forest
IA Intelligence Artificiel
IM Indice de Molhman
MES Matières En Suspension
MM Matières Minérales
MS Matière Sèche
MVS Matières Volatiles en Suspension
MLP Perceptrons Multicouches
NH4+ Azote ammoniacal
N-NO3− Azote des nitrates
−
N-NO2 Azote des nitrites
NGL Azote Global
NTK Azote Kjeldahl
OMS Organisation Mondiale de la Santé
PH Potentiel Hydrogène
PMC Perceptron Multicouches
PT Phosphore Total
RBF Radial Basis Functions
RNA Réseaux de Neurones Artificiels
RNN Réseaux Neuronaux récurrents
SNVI Société Nationale des Véhicule Industriel
STEP Station d’épuration des eaux usées
SVM Support Vector Machine
 R Coefficient de corrélation
RMSE Erreur quadratique moyenne (Root Mean Square Error)
TR Random Tree
 Liste des symboles

Symbole Signification Unité

Qmoyj Débit moyen journalier m3/j
Débit moyen journalier des eaux usées
Qmoyj(rejeté) m3/j
Débit moyen horaire des eaux usées
Qmoyh(rejeté) m3/h

Qp Débit de pointe des eaux usées m3/s

Crj Coefficient de rejet -

Cp Coefficient de pointe -
Charge moyenne journalière du polluant
LX Kg/j

Concentration moyenne du polluant Kg/m3

CX
Kg DBO5
Cm Charge massique
Kg/MVS.j

Cv Charge volumique Kg DBO5 /m3

ts Temps de séjour h

Sg Section de la grille m
Lg Largeur de la grille m
Angle de l’inclinaison de la grille avec l’horizon
α Degré
Coefficient de colmatage de la grille
𝜎 -

Β Fraction de surface occupée par les barreaux -

e Espacement entre les barreaux m

d Diamètre des barreaux m
Hauteur d’eau maximale dans le canal
hmax (dégrilleur) m

Quantité des boues chimiques produites

∆X1 Kg/j

V Volume m3
Hc Hauteur du canal m
 Introduction Générale

Introduction Générale

1
 Introduction Générale

L’eau est un bien vital, indispensable à tous être vivant et essentiel dans la vie et l’activité humaine
(quotidiennes, domestiques, industrielles et agricoles) ce qui la rend un élément récepteur exposé
à tous les genres de pollution.
La pollution des eaux usées est une menace croissante pour tout être vivant. Elle représente le plus
grand pourcentage de pollution côtière dans le monde. À l'échelle mondiale, environ 80% des eaux
usées sont est rejeté dans l'environnement sans traitement – y compris les eaux usées domestiques
– libérant ainsi une gamme de contaminants nocifs dans l'océan et causant des dommages directs
aux personnes et au milieu aquatique. [1]
L’Algérie comme d'autres pays, est confrontée aux problèmes de rareté et pénuries d'eau dans ces
dernières décennies et afin de préserver les ressources en eau encore saines, et la protection de
l’environnement ainsi que la santé publique, elle s'est dotée d'un riche programme d'assainissement
des eaux usées.
Réghaia une ville de la capitale Alger est l’une des villes les plus affectées par ce problème, surtout
en raison de la rareté des précipitations et de la présence d’une zone industrielle. Pour pallier à ces
problèmes, les autorités ont pensé à la réalisation d’une station de traitement des eaux polluées
(STEP) afin de débarrasser les eaux usées des substances nocives et les contaminants, avant de les
rejeter dans le milieu naturel.
Les rejets d’eaux usées contiennent des quantités de phosphore qui peuvent être importantes, dans
notre cas on constate que le dysfonctionnement de la station est causé par un excès de phosphore
et une augmentation de l’azote entraînant le phénomène d'eutrophisation, qui est la croissance
excessive de plantes aquatiques au détriment d'autres formes de vie aquatique.

L’objectif de ce travail consiste à optimiser les performances de la station d'épuration de Réghaia,

effectuer un diagnostic du système épuratoire et vérifier sa capacité.

Le mémoire s’articule autour de deux grandes méthodes d'analyse de données, la première est
consacrée à réaliser une Analyse en Composantes Principales (ACP), ses notions de base ainsi que
son intérêt. Une application pour le diagnostic du système épuratoire de la STEP de Reghaia a été
effectuée.
Dans la seconde, on propose une méthode basée sur l’intelligence artificielle (les Réseaux de
Neurones Artificielles RNA) permettant une utilisation améliorée et fiabilisée des caractéristiques
des eaux usées. On vise donc à modéliser et optimiser les processus d’épuration

2
Chapitre 1 Diagnostic du Système Actuel

Chapitre 1 : Diagnostic du
Système Actuel

3
Chapitre 1 Diagnostic du Système Actuel

I.1. INTRODUCTION
Les eaux usées transportent des résidus potentiellement polluants pour les écosystèmes dans
lesquels elles sont rejetées. Dans un engagement envers la préservation environnementale, il est
impératif de procéder au traitement de ces eaux.
Elles sont le produit des activités humaines qui impliquent l'utilisation de l'eau, ce sont des
mélanges très complexes. Elles proviennent de diverses sources dont la composition varie
suivant leur provenance : industrielle, agricole et urbaine.

I.2. ORIGINE DES EAUX USÉES

I.2.1. Les eaux usées urbaines

Ces eaux se divisent en deux catégories principales : l'eau ménagère, issue des déchets
domestiques tels que ceux provenant des salles de bain, cuisines et toilettes, généralement
chargée de détergents, graisses, solvants, matières organiques azotées et germes fécaux ; et les
eaux de pluie ou de ruissellement, issues du lavage de l'atmosphère et du lessivage des surfaces
imperméables comme les routes, parkings et bâtiments. Bien que souvent perçue comme
propre, l'eau de pluie est en réalité polluée, provenant des gaz et particules rejetés dans
l'atmosphère par les véhicules, usines et centrales thermiques, ainsi que des hydrocarbures,
papiers, plastiques et débris végétaux qu'elle transporte en ruisselant sur le sol. De plus, dans
certains systèmes d'assainissement comme le système unitaire, les eaux usées domestiques se
mélangent aux eaux pluviales dans un même réseau, entraînant une pollution systématique de
ces dernières. [2]

I.2.2. Les eaux usées agricoles

L'industrialisation de l'agriculture a considérablement rendu ce type de pollution plus important.

Les activités agricoles sont à l'origine de pollutions provenant à la fois des pratiques culturales
(utilisation de pesticides et d'engrais) et de l'élevage. Cependant, la pollution agricole présente
une particularité : elle atteint les stations d'épuration de manière accidentelle et indirecte. C'est
notamment le cas des engrais et des pesticides, qui traversent d'abord les milieux naturels tels
que les nappes phréatiques et les cours d'eau. De même, les déchets solides issus des industries
agroalimentaires et la concentration des élevages entraînent un surplus de déjections animales
par rapport à la capacité d'absorption des sols agricoles. Ces déjections, entraînées par le
ruissellement et l'écoulement souterrain, enrichissent les cours d'eau et les nappes phréatiques
en dérivés azotés, tout en constituant une source de pollution bactériologique. [3]

4
Chapitre 1 Diagnostic du Système Actuel

I.2.3. Les eaux usées industrielles

La pollution engendrée par les rejets industriels varie en fonction de la nature spécifique de
chaque activité. Outre les matières organiques et azotées, ces rejets contiennent une diversité
de substances chimiques, organiques et métalliques selon leur origine. Certains de ces
déversements altèrent la clarté et le niveau d'oxygène de l'eau, pouvant avoir des conséquences
néfastes sur les organismes vivants et perturber le processus d'autoépuration de l'eau. De plus,
ils peuvent entraîner l'accumulation de certains éléments dans la chaîne alimentaire, tels que les
métaux, les pesticides ou les éléments radioactifs. [2]

Tableau Ⅰ.1 : Pollution prédominante dans les différentes sources d’eau industrielle [2]

Type d'industrie Type de polluants

Mines: métallurgie, chimie Caractère minéral dominant

minérale ... etc.
Hautes températures

MES
pH très acide ou très basique
Eléments toxique:cyanure,plomb,arsenic...etc.

MES
Textile, cellulose,
caoutchoue, cuir, Produits savonneux en solution
tanneries...etc. Graisses diverses
Hydrocarbures
Colorants chimiques
Agroalimentaires, abottoir, DBO très élevée, pollution à caractères majoritairement organique
charcuteries...etc.
Déchets végétaux et animeaux
Produits fermentescibles
Sels divers

5
Chapitre 1 Diagnostic du Système Actuel

I.3. PARAMÈTRES DE POLLUTION

Les eaux usées sont des milieux extrêmement complexes, aussi se réfère-t-on à quelques
paramètres pour les caractériser :
Tableau Ⅰ.2 : Quelques paramètres de pollution

Les paramètres Couleur

organoleptiques

Odeur

Les paramètres Température

physico-
chimiques pH
Les matières en suspension (MES)
Conductivité
Les paramètres Demande biologique en oxygène (DBO)
chimiques Demande chimique en oxygène (DCO)
Azote
Phosphore

I.3.1. Matières en suspension (MES)

C'est la fraction non dissoute de la pollution dans l'eau, c’est à dire les matières qui ne sont ni à
l’état soluble ni à l’état colloïdal. Elles incluent les argiles, les sables, les limons, les matières
organiques et minérales de faible dimension. Elles représentent la cause essentielle de la
turbidité de l’eau.
Par leurs effets obscurcissant, les MES présentes dans les eaux diminuent l’efficacité de la
photosynthèse qui contribue à l’aération de l’eau. Les organismes vivants peuvent alors
manquer d’oxygène ce qui baisse la productivité du milieu récepteur. Par ailleurs, les MES
donnent à l’eau un aspect sale et trouble, elles peuvent aussi accumuler des quantités élevées
de matières toxiques (métaux, pesticides, huiles minérales, hydrocarbures aromatiques
polycycliques…). [4]

I.3.2. Demande biochimique en oxygène (DBO)

Est un paramètre global qui exprime la quantité d’oxygène qu’une biomasse épuratrice va
consommer pour décomposer les matières organiques contenues dans l’effluent. Elle est donc
représentative de la somme des matières organiques biodégradables et généralement mesurée
en 5 jours. [5]

6
Chapitre 1 Diagnostic du Système Actuel

La DBO5 constitue un bon indicateur de la teneur en matières organiques biodégradables d’une

eau, et donne une indication indirecte de l’activité bactérienne. [6]

I.3.3. La demande chimique en oxygène (DCO)

La DCO permet d’évaluer la concentration en matières organiques ou minérales, dissoutes ou

en suspension dans l’eau, à travers la quantité d’oxygène nécessaire à leur oxydation chimique
totale, cette dernière est réalisée par un réactif ayant un pouvoir d’oxydation puissant (le
permanganate de potassium ou le bichromate de potassium à chaud en milieu acide), la quantité
de réactif consommée pour l’oxydation des matières organiques présentes, rapportée en mg/l
d’oxygène, correspond à la DCO. [7]
I.3.4. Le pH

Le pH (potentiel Hydrogène), est un paramètre fondamental de caractérisation des eaux usées,

permet de mesurer l’acidité de l’eaux c’est-à-dire la concentration en ions H+ de l’eau, il traduit
ainsi la balance entre acide et base sur une échelle de 0 à 14.
Le pH joue un rôle primordial à la fois :
- Dans les propriétés physico-chimiques (acidité, alcalinité).
- Dans les processus biologiques dont certains exigent des limites très étroites de pH.
- Dans l’efficacité de certains traitements.
Il influence la plupart des mécanismes chimiques et biologiques dans les eaux, son rôle est
capital pour la croissance des microorganismes qui ont généralement un pH optimum variant
de 6,5 à 7,5. Lorsque le pH est inférieur à 5 ou supérieur à 8,5, la croissance des
microorganismes est directement affectée. [4]
I.3.5. Conductivité
La conductivité d'une substance évalue sa capacité à conduire le courant électrique entre deux
électrodes. Dans l'eau, la plupart des substances dissoutes se présentent sous forme d'ions
chargés électriquement. Ainsi, mesurer la conductivité permet d'estimer la concentration de sels
dissous dans l'eau. Cette mesure dépend également de la température de l'eau : elle augmente
généralement avec la température. Par conséquent, les résultats de la mesure sont souvent
exprimés en termes de conductivité équivalente à 20 ou 25°C. Les instruments de mesure sur
le terrain effectuent généralement cette conversion automatiquement. Il est crucial de réaliser
cette mesure sur le terrain, car elle fournit une information précieuse pour caractériser l'eau. De
plus, comme la température, les variations de conductivité peuvent révéler des pollutions, des
zones de mélange ou d'infiltration. La conductivité sert également à valider les analyses
physico-chimiques de l'eau : la valeur mesurée sur le terrain doit correspondre à celle mesurée
en laboratoire. [8]

7
Chapitre 1 Diagnostic du Système Actuel

I.3.6. Azote
L’azote présent dans l’eau peut avoir un caractère organique ou minéral. L’azote organique est
principalement constitué par des composés tels que des protéines, des polypeptides, des acides
aminés. Le plus souvent ces produits ne se trouvent qu’à de très faibles concentrations. Quant
à l’azote minéral, il constitue la majeure partie de l’azote total. [1]
Les différentes formes de l’azote qui existent dans les eaux usées sont :
− L’azote de Kjeldahl : il comprend l’azote sous les formes organiques et ammoniacales (NH4+),
à l’exclusion des formes nitrites et nitrates. La présence d’azote organique est un signe de
pollution des eaux usées.
NTK (Azote Kjedahl) = N organique + N ammoniacal (NH4+)
− L’azote ammoniacal : la présence d’ammoniaque en quantités importantes est l’indice de
contamination par des rejets d’origine humaine ou industrielle. L’ammoniaque présente une
forte toxicité pour tous les organismes d’eau douce. La proportion de
NH3 augmente en fonction croissante du pH et de la température.
NH3 + H2O → NH4OH → NH4+ + OH-
− Les nitrates NO3- : ils constituent le stade final de l’oxydation de l’azote. Leur présence
associée aux autres éléments nutritifs stimule le développement de la faune aquatique.
− Les nitrites NO2- : ils constituent le stade intermédiaire entre les ions ammonium (NH4+) et
les nitrates. Peu stable en rivière on les rencontre que lorsqu’il existe un déséquilibre au niveau
de l’oxygénation de la flore bactérienne

I.3.7. Phosphore
Les composés phosphorés peuvent être d'origine naturelle mais leur présence dans les eaux est
plus souvent d'origine artificielle (engrais, détergents, lessives, produits chimiques, etc.). [9]
Les composés phosphorés existent dans les eaux naturelles et les eaux usées sous différentes
formes à savoir : [7]
- Les ortho-phosphates : PO43-
- Les poly-phosphates : (PO43-)n
La somme de ces diverses formes constitue le phosphore total (PT).
Les composés phosphorés favorisent la croissance des végétaux dans l'eau et la prolifération
des algues, étouffant les autres organismes vivant dans l'eau, générant des odeurs et contribuant
au phénomène d'eutrophisation.

8
Chapitre 1 Diagnostic du Système Actuel

I.4. EXPLORATION DE LA STATION D’EPURATION

La visite approfondie de la station d'épuration nous offre une vue d'ensemble complète de son
fonctionnement.
I.4.1. Présentation de la station d’épuration
La station d'épuration de Reghaia a été construite en 1997 et s'étend sur une superficie de 17
hectares sur un terrain relativement plat.
Elle est destinée à traiter une partie des eaux usées de la métropole algérienne. Plus précisément,
les eaux usées mixtes municipales et industrielles. Ils sont originaires des zones suivantes :
Rouïba, Reghaia, Bordj EL Kiffan, Bordj EL Bahri, Ain-Taya, Heuraoua et EL Marsa.
La mission de la station d’épuration de Reghaia est de réduire la charge polluante grâce à des
processus physico-chimiques et biologiques et de rejeter une eau pure répondant à des normes
précises.
La station d'épuration de Reghaia est située à l'est d'Alger (à 35 kilomètres du centre d'Alger).
Située à la frontière nord-est de la plaine de la Mitidja, à 17 kilomètres de Boumerdès ; elle est
délimitée par le lac reghaia au nord, la route nationale N24 reliant Constantine au sud, la ville
d'Aïn taya à l'est et la route goudronnée menant à El kadous à l'ouest
La STEP actuelle de Reghaia a une capacité épuratoire de 720 000 EH, pour un débit moyen
théorique de 152.000 m3 /j.
La station a été construite en 2 tranches. La première tranche (T1) d’une capacité de traitement
d’un débit nominal de 80.000 m3 a été mise en service en 1997, avec un traitement primaire
uniquement, puis en 2009 un traitement biologique et un traitement tertiaire ont été réalisés.
La deuxième tranche (T2) d’une capacité de traitement d’un débit nominal de 72.000 m3/j a été
mise en service en décembre 2021.

9
 Chapitre 1 Diagnostic du Système Actuel

Figure Ⅰ.1 : Plan de situation de la station d’épuration de REGHAIA [10]

File eau :

Tranche 01
Tranche 02
1. Entrée / Bassin d’orage
2. Prétraitement 10. Entrée / Bassin d’orage
3. Décantation primaire (deux décanteurs) 11. Prétraitement
4.Bassin biologiques (deux 12. Décantation primaire (quatre décanteurs)
bassins d’aération) 13.Bassin biologiques (Quatre
5. Clarification (trois clarificateurs) bassins d’aération)
6. Filtration (Dix filtres) 14. Clarification (quatre clarificateurs)
15. Filtration (quatre filtres

File boues :

Tranche 01 Tranche 02

7. Épaississement (deux épaississeurs) 16. Épaississement (deux épaississeurs)

8. Stockage des boues (deux bâches) 17.Bio filtre
9.Déshydratation (04 centrifugeuse

10
Chapitre 1 Diagnostic du Système Actuel

I.4.2. Performance de la station d’épuration

Malgré les progrès réalisés dans le traitement des eaux usées au fil des années, plusieurs défis
majeurs persistent au sein des stations d'épuration (STEP), représentant des obstacles
significatifs dans la gestion efficace des eaux résiduaires. Parmi ces défis non résolus, nous
pouvons citer :
- Difficulté de traiter le phosphore biologiquement sans traitement chimique
- L’Azote est toujours non conforme à la sortie de la station à cause de la charge entrante en
azote qui dépasse le nominal de la station
-Problème de filasse qui impacte les équipements notamment les pompes et les filtres à bandes.

• Normes des effluents en Algérie :

D’après le décret exécutif nA 06-141 du 20 Rabie El Aouel 1427 correspondant au 19 avril

2006 OMS définissant les valeurs limites des rejets d'effluents liquides industriels qui fixent les
valeurs limites de rejets d'effluents liquides industriels et obligent toutes les installations
générant des rejets d’effluents liquides industriels à assurer un traitement aboutissant à des
rejets définis dans le tableau suivant [2] :

Tableau Ⅰ.3 : Valeurs limites des paramètres de rejets d’effluents liquides industriels [11]

STEP Normes de rejet

pH 8 ± 0,3 [ 6,5 – 8,5 ]
Conductivité (μS/cm) 1636,8 ± 378,1 2700
MES (mg/l) 13,73 ± 10,38 30
DBO (mg/l) 8,52 ± 5,57 30
DCO (mg/l) 42 ± 42 90
Ammonium (mg/l) 12,5 ± 14,42 5
Les nitrates (mg/l) 3,66 ± 3,68 10
Phosphore(mg/l) 2,12 ± 1,3 2

Dans les eaux épurées de la station, il y a un excès d’ammonium provenant soit d’un retard
d’ammonification dans le réseau, une oxygénation inadaptée et ainsi, une nitrification
incomplète.
En outre, selon l’étude menée par Nakib et al., les boues de la station de l’épuration de Reghaia
ont toujours eu un excès de chrome limitant la capacité d’épandage agricole. Cela a pour origine
les rejets du complexe industriel de montage des véhiculez poids lourds SNVI pratiquement le
traitement de surface des métaux. [11]

11
Chapitre 1 Diagnostic du Système Actuel

I.5. ÉTAPES DU TRAITEMENT

Les procédés de traitement sont mis en œuvre selon plusieurs niveaux de traitements. Les
niveaux de traitement d'une station sont définis selon la succession suivante : Les
prétraitements, le traitement primaire, le traitement secondaire et le traitement tertiaire. [3] [7]
[6]
I.5.1. Prétraitement

Tout traitement de dépollution doit subir un prétraitement qui consiste en un certain nombre
d’opérations mécaniques ou physiques afin d’extraire le maximum d’éléments et de matières
pouvant gêner les traitements ultérieurs. Ces opérations sont :

a. Le dégrillage (grossier et fin) : L'objectif principal du dispositif est de se débarrasser

des déchets solides non dissous de différentes tailles (comme des bouteilles en plastique, des
bouchons, des feuilles, des branches, etc.). Son fonctionnement repose sur le passage de l'eau
usée à travers une série de grilles dont les mailles se resserrent progressivement, avec un
espacement d'environ un centimètre entre chaque maille. Ces grilles sont généralement
équipées de systèmes de nettoyage automatiques pour prévenir leur obstruction et éviter les
pannes éventuelles de la pompe, lorsque celle-ci est utilisée.

b. Le dessablage : permet d'éliminer les particules de sable présentes dans les eaux usées.
Sans cette élimination, le sable se déposerait plus loin dans le système, perturbant le
fonctionnement de la station et accélérant l'usure des composants mécaniques tels que les
pompes. Les particules de sable extraites peuvent être lavées avant d'être éliminées, ce qui
permet de réduire le taux de matières organiques. Habituellement, l'élimination des particules
de sable se fait par gravité, grâce à un processus de décantation.

c. Dégraissage-Déshuilage : pour éliminer les huiles et les graisses, on utilise

principalement le procédé de flottation. Ce processus consiste à injecter de fines bulles d'air
dans le bassin de déshuilage, ce qui permet de faire rapidement remonter les graisses à la surface
(étant hydrophobes, les graisses ont une densité différente de celle de l'eau). Une fois en surface,
les graisses sont ensuite éliminées par raclage.
Il est crucial de minimiser au maximum la présence de graisses dans les installations en aval
afin d'éviter tout problème éventuel dans les équipements suivants, pouvant entraîner un
colmatage des canalisations. En outre, leur élimination est essentielle pour réduire les risques
de rejets de particules graisseuses, les difficultés de décantation et les perturbations des
échanges gazeux.

• En général, les opérations de dessablage et de déshabillage sont effectuées dans un

même bassin afin de réaliser des économies d'argent et d'espace. Dans ce bassin, les particules
de sable se déposent au fond, tandis que les graisses remontent à la surface.

12
Chapitre 1 Diagnostic du Système Actuel

Figure Ⅰ.2 : Schéma représentant le prétraitement de l’eau usée. [7]

I.5.2. Traitement primaire

Le traitement primaire repose sur des méthodes et procédés physico-chimiques, il consiste en

une décantation primaire qui est une opération réalisée dans des bassins de décantation dont la
taille dépend de la configuration de l'installation et du volume d'eau à traiter. Cette dernière
peut être précédée d’un traitement de coagulation floculation afin de réduire le maximum de
pollution pour faciliter et soulager le processus biologique ou physico-chimique du traitement
secondaire.
Le traitement primaire n’est pas toujours présent dans stations d’épuration, il dépendant de la
charge de la pollution à traiter, mais lorsqu’il est présent, il permet un abattement de la pollution
organique important ; environ 30% de la demande biochimique en oxygène (DBO) et 30% de
la demande chimique en oxygène (DCO).

I.5.3. Traitement secondaire

Le traitement secondaire à pour but d’éliminer la majeure partie des matières polluantes
organiques biodégradables, dissoutes ou dispersées dans l'eau. On identifie deux types de
traitement des eaux usées : le traitement biologique et le traitement physico-chimique.

a. Traitement physico-chimique : est la combinaison de méthodes physiques d’épuration

(floculation, coagulation) et de produits chimiques (coagulant, floculant : FeCl3, Al2SO4, etc.).
Ces traitements sont plus couramment utilisés pour traiter les effluents d’origine industrielle
contenant des éléments toxiques qui risquent d’inhiber les micro-organismes du traitement
biologique.

b. Traitement biologique : se base sur les activités des espèces des micro-organismes
pour l’oxydation et la minéralisation de substances organiques se trouvent dans les eaux
polluées. La dégradation peut se réaliser par voie aérobie (en présence d’oxygène) ou
anaérobie (en l’absence d’oxygène)

13
Chapitre 1 Diagnostic du Système Actuel

I.5.4. Traitement tertiaire

Le traitement tertiaire est un procédé spécifique d’affinage, intervient quand on constate que le
milieu récepteur exige une épuration meilleure et que l’eau qui sort du clarificateur ne répond
aux normes de rejet, ce qui nécessite un appel aux traitements complémentaires tels que
l’élimination de l’azote et du phosphore.

a. Nitrification- Dénitrification : (L’élimination de l’azote)

La STEP possède un bassin dit bassin de nitrification-dénitrification, (la nitrification autotrophe

aérobie et la dénitrification hétérotrophe anaérobie) il a pour objectif d’éliminer les composés
azotés par voie biologique. [12]
Son élimination biologique se réalise en deux étapes :
1) La nitrification consiste à l'oxydation de l'azote organique sous forme d'un ammoniac
(NH4+) en nitrite (NO2- ) puis en nitrate (NO3- ) par l'intermédiaire de micro-organismes
autotrophes et en phase aérobie :
NH4++ 2O2 → NO3- + 2H+ + H2O
La dénitrification est un processus dans lequel des bactéries hétérotrophes réduisent l'azote
nitrique en azote gazeux et cela en phase d’anoxie.
NO3- + 6H+ + 3 e- → ½ N2 + 3 H2O
L’azote est considéré comme le second polluant des eaux après le carbone et avant le phosphore.
Il est présent surtout sous forme ammoniacale.

b. Déphosphatation

Le phosphore représente le troisième polluant majeur dans les eaux usées urbaines, après le
carbone et l'azote. Son élimination est principalement réalisée par des méthodes physico-
chimiques plutôt que biologiques. Plusieurs approches de traitement sont envisageables :

- Le traitement physique, qui utilise des filtres ou des membranes pour éliminer le phosphore.
- Le traitement chimique, impliquant la formation de précipités insolubles dans le bassin à
travers des réactions avec des sels, souvent avec l'ajout de composés comme le calcium ou le
fer. Bien qu’efficace, cette méthode peut être coûteuse et augmente le volume à traiter.
- Des méthodes combinant des approches chimiques et physiques.

Le traitement du phosphore au niveau de la STEP se fait par voie physico-chimique consiste à

« piéger » le phosphore dissous sous forme particulaire. Ce changement de phase a lieu au
contact de cations, par ajout de réactifs à base de fer (précipitation forcée). Les principaux
mécanismes intervenants sont [12]:

14
Chapitre 1 Diagnostic du Système Actuel

-Précipitation chimique de complexes hydroxo-métalliques ;

-Floculation et co-précipitation de matière colloïdale finement dispersée.
Ces mécanismes ont normalement lieu simultanément, et leur action combinée est responsable
des hautes performances de déphosphatation généralement atteintes dans les stations de
traitement chimiques. La séparation du phosphore particulaire de l'eau aura lieu lors de la
décantation en partie et au niveau de la filtration.
Le chlorure ferrique est le coagulant de choix pour de nombreuses applications de traitement
des eaux usées industrielles et sanitaires, en raison de sa grande efficacité dans la clarification
et de son utilité en tant qu’agent de déshydratation des boues. Bien qu’il laisse une légère
couleur résiduelle, ce produit chimique offre une excellente élimination de la turbidité.
On le retrouve dans de nombreuses applications, aussi bien biologique (élimination du sang)
qu’environnementale (traitements des eaux usées industrielles et sanitaires, déshydratation des
boues, précipitation des métaux, etc.)
Voici également quelques propriétés physico-chimiques de ce coagulant. Il est disponible sous
forme liquide, il possède une odeur légèrement âcre, couleur rougeâtre, un pH inférieur à 1, il
est donc très acide.
Afin de remédier à ce problème de pollution et protéger notre environnement, on procède
au traitement de ces eaux par l’intermédiaire d’ouvrages spécifiques appelés Station d’épuration
(STEP) ; qui a pour rôle de débarrasser ses dernières des substances nocives et les contaminants,
avant de les rejeter dans le milieu naturel. Ce processus est essentiel pour préserver la qualité
de l'eau, la santé humaine, la faune et la flore.
La réaction chimique dominante entre les ions fer et les phosphates est :
FeCl3 + NaH2PO4 ----- FePO4 + NaCI + 2 HCl
La solubilité du précipité obtenu, FePO4 est fonction du pH.
▪ Fonction principale
Un procédé physico-chimique est mis en place pour éliminer la quantité de phosphore contenu
dans l'eau brute sous forme de phosphate P2O5. Pour cela une installation de préparation et
dosage d'une solution de chlorure ferrique FeCL3 est prévue
▪ Description de l'installation
La station de préparation de chlorure ferrique FeCl3 est composée de deux cuves de stockage
du produit, chacune ayant une capacité de 25 m3. Un indicateur de niveau est installé avec
trois contacts de niveau (bas, très bas et haut). Un Skid de dosage est également présent,
comprenant six pompes avec variateur de vitesse. Pour l'alimentation électrique, un coffret
de puissance et de commande local (CPE) est utilisé, avec une alimentation de 230/400 V.
Les signaux de défauts, tant regroupés (pour les moteurs) qu'individuels (pour les niveaux,
manque d'eau, manque de chlorure ferrique, etc.), sont transmis via une interface d'automate
intégrée dans le coffret de commande local.

15
Chapitre 1 Diagnostic du Système Actuel

Figure Ⅰ.3 : Station dosage FeCl3

▪ Principe de fonctionnement
Remplissage de la solution FeCl3
Détecteur de niveaux chlorure ferrique FeCl3
Un détecteur de niveau permet de déterminer trois niveaux dans la cuve : Niveau Bas (protection
marche à sec des pompes doseuses) et pour permettre le remplissage manuel des cuves de
stockage à l'aide d'une pompe. Niveau Haut sert aussi à assurer l'arrêt de la pompe et éviter le
trop plein.
Dosage de la solution du sulfate
Un skid de dosage est installé dans le local et commandé par un coffret local comprend six
pompes doseuses avec un débit unitaire de 2601 litres par heure, ainsi que d'une gamme
complète de vannes, clapets et soupapes de sécurité pour la régulation et la sûreté du système.
Un débitmètre électromagnétique est inclus pour mesurer précisément le débit des fluides. La
tuyauterie est spécifiquement conçue pour l'aspiration et le refoulement des liquides à travers
le système.

16
Chapitre 1 Diagnostic du Système Actuel

Figure Ⅰ.4 : Pompes doseuses

I.6. COLLECTE DES DONNEES
En vue d'appréhender les défis mentionnés précédemment, une étape importante consiste à
recueillir des données sur les performances actuelles pour la période Décembre 2018 à
Novembre 2023. La base de données collectée de la station sera analysée, prétraitée et décrite
et visualisée graphiquement

Eau brute : L’évolution temporelle des paramètres d’eau brute de la station est
représentée sur la figure Ⅰ.5

1400
1200
1000
800
600
400
200
0
02/01/2019
06/02/2019
04/03/2019
21/04/2019
21/05/2019
14/07/2019
08/09/2019
15/10/2019
26/12/2019
02/02/2020
16/03/2020
04/10/2020
10/05/2021
24/06/2021
25/07/2021
29/09/2021
01/12/2021
28/03/2022
05/06/2022
06/07/2022
22/08/2022
26/10/2022
19/12/2022
07/05/2023
07/06/2023
19/10/2023

MES E.B (mg/l) DBO5 E.B (mg O2 /L) DCO E.B (mg O2 /L)

Figure Ⅰ.5 : L’évolution temporelle des paramètres d’eau brute

17
Chapitre 1 Diagnostic du Système Actuel

Eau décantée : L’évolution temporelle des paramètres d’eau brute de la station est
représentée sur la figure Ⅰ.6

1600
1400
1200
1000
800
600
400
200
0

29/09/2021
02/01/2019
06/02/2019
04/03/2019
21/04/2019
21/05/2019
14/07/2019
08/09/2019
15/10/2019
26/12/2019
02/02/2020
16/03/2020
04/10/2020
10/05/2021
24/06/2021
25/07/2021

01/12/2021
28/03/2022
05/06/2022
06/07/2022
22/08/2022
26/10/2022
19/12/2022
07/05/2023
07/06/2023
19/10/2023
MES E.D (mg/L) DBO5 E.D (mg O2 /L) DCO E.D (mgO2 /L)

Figure Ⅰ.6 : L’évolution temporelle des paramètres d’eau décantée

Eau épurée : L’évolution temporelle des paramètres d’eau brute de la station est
représentée sur la figure Ⅰ.7

140
120
100
80
60
40
20
0
02/01/2019 02/01/2020 02/01/2021 02/01/2022 02/01/2023

MES E.E (mg/L) DBO5 E.E (mg O2 /L) DCO E.E (mg O2 /l) N-NO3 E.E (mg/L)
N-Nh4 E.E (mg/L) P T E.E (mg/L) FeCl3 (mg/L)

Figure Ⅰ.7 : L’évolution temporelle des paramètres d’eau épurée

18
Chapitre 1 Diagnostic du Système Actuel

I.7. CONCLUSION

En conclusion, ce chapitre a permis d'évaluer le système actuel de la station d'épuration (STEP).

La présentation initiale de la STEP a fourni un cadre contextuel essentiel, mettant en lumière
les principales infrastructures et procédés utilisés.
L'analyse détaillée des étapes de traitement, incluant la déphosphatation et la réduction d'azote,
a permis d'identifier les procédés spécifiques en place. Cette analyse a révélé plusieurs points
critiques et inefficaces, compromettant l'efficacité globale du système actuel.
La collecte de données sur les performances actuelles a fourni une base solide pour comprendre
les faiblesses existantes. Les paramètres analysés ont mis en évidence des variations
significatives et des tendances qui orienteront les améliorations nécessaires.
Ces informations seront importantes pour formuler des recommandations spécifiques et
développer des stratégies optimisées dans les chapitres suivants, afin de renforcer la
performance et la durabilité de la STEP.

19
Chapitre 2 Indicateurs de performance

Chapitre 2 :Indicateurs de
Performance

20
 Chapitre 2 Indicateurs de performance

II.1. INTRODUCTION

Les méthodes d’analyse de données consistent à regrouper, de façon non supervisée, un

ensemble d’objets ou plus large d’éléments. Ce sont des méthodes multidimensionnelles qui
traitent plus de deux variables à la fois, ainsi qu’elles permettent la confrontation entre les
liaisons statistiques d’un ensemble d’informations, ce qui est infiniment plus riche que leur
examen séparé. Ce processus permet d’obtenir des résultats remarquables représenter et
simplifier dans de grands tableaux afin de nous aider à faire un choix judicieux.
Dans ce chapitre, on va présenter l’une des méthodes de l’analyse de données, c’est l'analyse
en Composantes Principales, ses notions de base ainsi que son intérêt. Une application pour le
diagnostic de la STEP de Reghaia a été effectuée.

II.2. DESCRIPTION DE LA MÉTHODE

L'Analyse en Composantes Principales (ACP) est une méthode descriptive multidimensionnelle

faisant partie du groupe des méthodes factorielles. Elle vise à représenter géométriquement un
ensemble de données composé de m variables quantitatives pour p unités (également appelées
individus). Ces données peuvent être obtenues soit par échantillonnage, soit par observation de
toute une population.
Les représentations des unités permettent de détecter d'éventuelles structures inconnues a priori
parmi celles-ci, tandis que les représentations des variables permettent d'étudier les structures
de liaisons linéaires entre les variables considérées.
Ainsi, l'objectif est d'identifier d'éventuels groupes parmi les unités en observant celles qui se
ressemblent et celles qui se distinguent des autres. Concernant les variables, l'accent est mis sur
l'identification des corrélations entre elles, ainsi que sur celles qui ne présentent pas de
corrélations significatives avec les autres variables. [13] [7]
II.3. DÉFINITIONS
Voici quelques notions et définitions nécessaires [14]

II.3.1. Notions d’individu et de caractère

● Individu :

L’individu peut désigner selon les cas : une année d’observations ou une autre unité de temps.
L’ensemble des individus peut provenir d’un échantillonnage dans une population ou, il peut
être de la population toute entière.
L'individu "i" est décrit par le vecteur appartenant à RP :
Xi = {Xij / j = 1 à P} (1)

Le terme Xij est un nombre réel qui représente la mesure de la variable Xj sur l’individu i.
Si l'ensemble des individus doit être homogène, l'ensemble des variables peut être hétérogène.

21
 Chapitre 2 Indicateurs de performance

● Caractère :

Sur un individu, on relève un certain nombre de caractères, dits aussi variables, désignant en
général un paramètre intervenant dans un phénomène complexe à étudier.
Le caractère (ou variable) "j" est décrit par le vecteur de RN :
X j = {X i j / i = 1 à N} (2)
Ainsi, si l'ensemble des individus doit être homogène, l’ensemble des variables peut être
hétérogène.

II.3.2. Définition algébrique

L'ACP considère P variables pour lesquelles on dispose de N individus, donc la matrice [X]
résultant du croisement « N x P » est la matrice de données [X] tel que :

Définissons les paramètres statistiques des variables :

• Moyenne:

1
̅̅̅̅
Xj = ∑N
i=1X ij (3)
N

X j : Moyenne de la Jième variable X

• Écart type:

1
1 2 2
Sj = [N ∑Ni= 1(X i j − ̅̅̅
X j) ] (4)

S j : Écart type de la J ième variable.

N : Nombre d’individus.

● Covariance :
Le coefficient de covariance entre les variables X j et X k est donné par

1
Cov (X j , X k ) = ∑N ̅̅̅̅ ̅̅̅̅̅
i = 1(X i j − X j ) × (X i k − X i k ) (5)
N

22
 Chapitre 2 Indicateurs de performance

● Corrélation :
Le coefficient de corrélation entre les variables X j et X k est donné par :

Cov (Xj ,Xk ) ∑N ̅ ̅̅̅

i=1(Xij -Xj )*(Xik -Xk )
Cor (Xj ,Xk ) = = 1 ⁄
(6)
Sj *Sk
[∑N ̅ 2 N ̅̅̅ 2 2
i=1 (Xi -Xj ) * ∑i=1 (Xik -Xk ) ]

Une fois ces paramètres statistiques calculés, on remplace la matrice de données [X] par une
nouvelle matrice définie par le croisement (individus x CP).
Avec :
CP: composantes principales
Calculer les composantes principales notées C j revient à déterminer P relations linéaires entre
les variables X j :
C j = a j0 + a j,1 X1 + … + a Jn XN 1≤ j ≤ N (7)

Avec :
C j : J ième Composante principale.
X j : Vecteur variable initial.
a j,k : Coefficient du système.
Notons au passage que les termes aj0 désignent le vecteur permettant la translation de l'origine
de l'ancien repère vers le centre de gravité du nuage de points. Un centrage des données initiales
annule les coefficients a j0.

II.3.3. Définition géométrique

L’Analyse en Composantes Principales est puissante par son support géométrique : la méthode
consiste à rechercher un premier axe qui soit le plus près possible de tous les points au sens des
moindres carrés : tel que la somme des moindres carrés des distances des N points à cet axe soit
minimale, ou encore la projection de ces derniers sur cet axe ait une dispersion maximale. Cet
axe est appelé « axe factoriel »
Un second axe est obtenu après projection des N points sur un hyperplan orthogonal au premier
axe, tel que la dispersion des projections des N points sur celui-ci soit toujours maximale, et le
processus se réitère P fois.
On obtient ainsi un nouveau système d’axes défini par les nouvelles variables dites composantes
principales.

II.4. APPLICATION ET INTERPRÉTATION DES RÉSULTATS

Plusieurs variantes sont testées par l’analyse en composantes principales par le logiciel SPSS,
afin d’extraire l’information du tableau des données (tableau des analyses) de la station
d’épuration de REGHAIA.
Comme déjà cité dans le chapitre précédent, on dispose d’une série de données brutes (lues sur
l’appareil, ou résultats d’analyse directe) des paramètres de pollution en (mg/l) : MES, DBO5,
DCO, NH4+, NO3-, Ph, Conductivité et FeCl3 des eaux brute, épurée, décantée (Entrée-Sortie)
ainsi que les boues primaires et en excès, du débit de l’effluent (m3/j), de Décembre 2018 à
Novembre 2023.

23
 Chapitre 2 Indicateurs de performance

II.4.1. Étapes de l’ACP normée

L’application de l’analyse en composantes principales (ACP) passe par les étapes suivantes [7]:
-Mise en forme des données brutes (Matrice m × n, m : variables, n : observations).
-Calcul des paramètres statistiques : moyenne et écart type
𝑥𝑖 −𝑥̅
-Calcul des variables centrées réduites : XCR = (8)
𝜎
-Calcul des coefficients de corrélation (à partir des données centrées réduites).
-Détermination des valeurs propres (m valeurs) et vecteurs propres (matrice m×n) à partir de la
matrice de corrélation.
-Calcul des composantes principales.
-CP = Matrice des variables centrées réduites ×Matrice des vecteurs propres
𝐶𝑃
-Calcul des composantes principales centrées réduites (CP’) : CP’ = (9)
√𝜆
-Calcul de la matrice des coefficients de corrélation entre CP’ et variables centrées réduites
COR (CP’, XCR).
-Tracé des cercles de corrélation.

Note : on a opté dans cette étude pour une ACP normée (transformation des variables brutes en
variables centrées réduites) pour homogénéiser les variables.

II.4.2. Résultats de l’ACP

Après application de l’ACP, on obtient les tableaux suivants :

-Matrice de corrélation.
-Variance totale expliquée par les valeurs propres.
-Matrice de corrélation entre les composantes principales centrées réduites et les variables.
-Tracé des composantes.

II.5. APPLICATION ET INTERPRÉTATION

Cette section traite de l'application pratique et de l'interprétation des concepts

abordés précédemment.

II.5.1. Présentation des données

On dispose d’un tableau de données journalière des paramètres mentionnés avant de la STEP :
208 observations× 21 variables, après le traitement des données.
Pour faciliter la manipulation des variables, on affecte à chacune d’elle un code qui l’identifie
citer dans la liste des codes.

24
Chapitre 2 Indicateurs de performance

Tableau Ⅱ.1 : Codification des variables

Variable Code

Conductivité (Eaux Brute) Conductivité E.B

Ph (Eaux Brute) Ph E.B

MES (Eaux Brute) MES E.B

DBO5 (Eaux Brute) DBO5 E.B

DCO (Eaux Brute) DCO E.B

N-NO3- (Eaux Brute) N-NO3- E.B

N-NH4+ (Eaux Brute) N-NH4+ E.B

MES (Eaux Décantée) MES E.D

DBO5 (Eaux Décantée) DBO5 E.D

DCO (Eaux Décantée) DCO E.D

Conductivité (Eaux Épurée) Conductivité E.E

Ph (Eaux Épurée) Ph E.E

MES (Eaux Épurée) MES E.E

DBO5 (Eaux Épurée) DBO5 E.E

DCO (Eaux Épurée) DCO E.E

N-NO3- (Eaux Épurée) N-NO3- E.E

N-NH4+ (Eaux Épurée) N-NH4+ E.E

MES (Boue Primaire) MES B.P

MES (Boue en Excès) MES B.E

II.5.2. Analyse des Résultats de l’ACP

Les résultats de l’analyse sont présentés dans L’ANNEXE 1.

La matrice de corrélation est une matrice symétrique et diagonale, elle permet après
diagonalisation de calculer les valeurs propres (en tenant compte des 208 observations ×21
variables), ainsi que la contribution à la variance en termes de pourcentage. Les résultats
obtenus sont résumés dans le tableau suivant :

25
Chapitre 2 Indicateurs de performance

Tableau Ⅱ.2 : Variance totale expliquée E.B, E.D, E.E, B.P, B.E.
Composante Valeurs propres initiales Sommes extraites du carré
des chargements

Total % de la % cumulé Total % de la %

variance varianc cumulé
e

1 4,764 19,849 19,849 4,764 19,849 19,849

2 4,414 18,391 38,241 4,414 18,391 38,241

3 2,540 10,583 48,824

4 1,940 8,084 56,907

5 1,472 6,133 63,040

6 1,204 5,016 68,056

7 1,131 4,714 72,770

8 1,003 4,180 76,950

9 0,978 4,073 81,023

10 0,805 3,356 84,379

11 0,597 2,489 86,868

12 0,551 2,295 89,163

13 0,449 1,871 91,034

14 0,433 1,805 92,839

15 0,379 1,577 94,417

16 0,314 1,310 95,727

17 0,306 1,273 97,000

18 0,226 0,943 97,943

19 0,160 0,667 98,609

20 0,133 0,553 99,162

21 0,111 0,464 99,626

22 0,090 0,374 100,000

23 4,917E-16 2,049E-15 100,000

24 -2,811E-16 -1,171E-15 100,000

26
Chapitre 2 Indicateurs de performance

NB : En examinant l’apport de chaque composante, on remarque qu’avec deux (2) CP

seulement, on peut expliquer 39% de la variance totale.

Tableau Ⅱ.3 : Matrice des composantes E.B, E.D, E.E, B.P, B.E.

Composante

1 2

FeCl3 0,188 0,217

Entrant E.B -0,122 -0,278

Ph E.B 0,360 0,147

Conductivité E.B 0,384 0,239

MES E.B 0,371 0,289

DBO5 E.B 0,432 0,433

DCO E.B 0,386 0,469

N-NO3- E.B -0,071 0,049

N-NH4+ E.B 0,422 0,338

MES E.D 0,422 0,494

DBO5 E.D 0,444 0,538

DCO E.D 0,513 0,588

Ph E.E 0,361 -0,057

Conductivité E.E 0,605 -0,100

MES E.E 0,396 -0,501

DBO5 E.E 0,661 -0,502

DCO E.E 0,669 -0,480

N-NO3- E.E -0,365 0,586

N-NH4+ E.E 0,649 -0,487

P T E.E -0,224 0,507

MES B.P 0,028 -0,170

MES B.E 0,005 -0,334

REGR factor score 1 for analysis 1 1,000 0,000

REGR factor score 2 for analysis 1 0,000 1,000

27
 Chapitre 2 Indicateurs de performance

NB : En analysant la matrice de corrélation des variables centrées réduites, on remarque que:

-Les variables DBO5 E.D, DCO E.D, conductivité E.E, DBO5 E.E, DCO E.E et N-NH4+ E.E,
sont corrélées avec la 1ere composante
-Les variables DBO5 E.D, DCO E.D, MES E.E, DBO5 E.E, DCO E.E, N-NO3 E.E et N-NH4+
E.E, sont mieux corrélées avec la 2éme composante.

Pour visualiser les résultats tirés à partir de la matrice de corrélation, on passe aux
représentations graphiques en traçant le cercles de corrélation.

Figure Ⅱ.1 : Paramètres de pollution. E.B, E.D, E.E, B.P, B.E.

NB : En examinant le cercle, on constate deux regroupements denses de variables composés de :

-MES E.D, DCO E.D, DBO5 E.D, DCO E.B et DBO5 E.B, MES E.B, N-NH4+ E.B;
-N-NH4+ E.E, DBO5 E.E et DCO E.E ainsi qu’un rapprochement de la variable : MES E.E
notamment par rapport à la deuxième composante.
On constate aussi :
-Un alignement de N-NH4+, conductivité E.B, pH E.B et un rapprochement de FeCl3
notamment par la deuxième composante ;
-Un regroupement moins dense des variables : N-NO3-, MES B.P, MES B.E, Entrant E.B.

28
Chapitre 2 Indicateurs de performance

Le premier regroupement dense concerne les éléments de l’eau brute et l’eau décantée. Ces
valeurs montrent un rapprochement entre l’eau brute et l’eau décantée par rapport à la deuxième
composante. Ce qui s’explique par un taux d’élimination stable notamment pour la DBO5.
Cependant, ce rapprochement n’est pas stable au cours du temps. Ce qui s’explique par la
dilution instable liée à la nature du réseau unitaire.
Le coefficient de dilution moyen calculé pour l’effluent de Reghaia est de 2,23 avec une
dispersion de 0,9 qui est légèrement élevée mais qui s’explique par la variabilité de l’activité
industrielle assainie par la STEP.

Le deuxième regroupement est assez usuel notamment pour la DBO5 et DCO vu qu’elles sont
de constitutions liées. L’azote ammoniacal rémanent est lié à ces deux paramètres car
l’éradication de la matière organique (y compris l’ammonification de l’azote organique)
s’effectue par voie biologique. Le rapprochement des MES n’est pas stable au cours du temps
également à cause de la variabilité de dilution. Le chlorure ferrique a un rapprochement instable
de l’azote-ammoniacal car elle est injectée à une dose stable qui n’est pas toujours optimale par
rapport à la pollution azotée et phosphorée entrantes.
L’alignement entre l’azote ammoniacal et le pH et la conductivité de l’eau brute est expliqué
par la forte relation existante entre la forme de l’azote prédominante régit le pH de l’eau ou elle
se trouve. Les sels d’ammoniac éventuellement présents ont aussi un impact sur la conductivité.
Le dernier groupe n’a pas de signification importante à soulever.
L'analyse des résultats a permis de conclure que lorsqu'on a examiné la matrice complète dans
son ensemble, on n'a pas identifié de liens forts de corrélation entre les différentes matrices
chimiques (eau brute, épurée et boue) qui la composent. Donc, nous avons opté pour une
analyse séparée pour chaque eau/boue, afin d’avoir une meilleure appréciation et de clarté.

29
 Chapitre 2 Indicateurs de performance

II.5.2.1. Application de l’ACP sur les paramètres de pollution (Eau brute) :

Les résultats de l’analyse sont présentés dans le tableau suivant :
Tableau Ⅱ.4 : Matrice de corrélation E.B

REGR factor REGR factor

MES DBO5 DCO N-NO3 N-Nh4
Entrant E.B Ph E.B Conductivité E.B score 1 for score 2 for
E.B E.B E.B E.B E.B
analysis 1 analysis 1

Entrant E.B 1,000 -0,024 -0,358 0,090 0,055 -0,065 0,105 -0,358 -0,141 0,615

Ph E.B -0,024 1,000 0,577 0,097 0,142 0,140 -0,031 0,173 0,388 -0,502

Conductivité
-0,358 0,577 1,000 -0,031 0,104 0,082 -0,086 0,318 0,351 -0,759
E.B

MES E.B 0,090 0,097 -0,031 1,000 0,604 0,668 0,136 0,056 0,754 0,408

DBO5 E.B 0,055 0,142 0,104 0,604 1,000 0,764 0,083 0,171 0,847 0,272

DCO E.B -0,065 0,140 0,082 0,668 0,764 1,000 0,036 0,227 0,880 0,227
Corrélation
N-NO3 E.B 0,105 -0,031 -0,086 0,136 0,083 0,036 1,000 -0,115 0,067 0,330

N-Nh4 E.B -0,358 0,173 0,318 0,056 0,171 0,227 -0,115 1,000 0,400 -0,527

REGR factor
score 1 for -0,141 0,388 0,351 0,754 0,847 0,880 0,067 0,400 1,000 0,000
analysis 1

REGR factor
score 2 for 0,615 -0,502 -0,759 0,408 0,272 0,227 0,330 -0,527 0,000 1,000
analysis 1

NB : Les corrélations supérieures à 0,5 sont entre la conductivité et pH et les corrélations supérieures à 0,6 sont la DBO5, DCO et MES

30
Chapitre 2 Indicateurs de performance

Tableau Ⅱ.5 : Variance totale expliquée E.B

Composante Valeurs propres initiales Sommes extraites du carré des

chargements

Total % de la % cumulé Total % de la % cumulé

variance variance

1 3,518 35,184 35,184 3,518 35,184 35,184

2 2,885 28,850 64,034 2,885 28,850 64,034

3 1,107 11,069 75,104

4 0,927 9,268 84,372

5 0,625 6,254 90,626

6 0,408 4,085 94,711

7 0,323 3,232 97,943

8 0,206 2,057 100,000

9 3,725E-16 3,725E-15 100,000

10 -3,413E-16 -3,413E-15 100,000

NB : En examinant l’apport de chaque composante, on remarque qu’avec deux (2) CP

seulement, on peut expliquer 64% de la variance totale.

Tableau Ⅱ.6 : Matrice des composantes E.B

Composante

1 2

Entrant E.B -0,141 0,615

Ph E.B 0,388 -0,502

Conductivité E.B 0,351 -0,759

MES E.B 0,754 0,408

DBO5 E.B 0,847 0,272

DCO E.B 0,880 0,227

N-NO3- E.B 0,067 0,330

N-NH4+ E.B 0,400 -0,527

REGR factor score 1 for analysis 1 1,000 0,000

REGR factor score 2 for analysis 1 0,000 1,000

31
Chapitre 2 Indicateurs de performance

NB : En analysant la matrice de corrélation des variables centrées réduites, on remarque que:

-Les variables MES E.B DBO5E.B, DCO E.B, sont bien corrélées avec la 1ere composante
-Les variables Q E.B, PH E.B, Conductivité E.B et N-NH4+ E.B, sont mieux corrélées avec la
2éme composante.

Figure Ⅱ.2 : Paramètres de pollution E.B

NB : En examinant la figure, on constate deux regroupements de variables composé de :

- Un alignement des MES, DCO et DBO5
- N-NH4+ E.B et PH E.B et un rapprochement de la conductivité par rapport à la première
composante.
L’alignement des MES, DBO5 et DCO est expliqué par la composition liée de ces trois polluants
dans l’effluent surtout que le ratio MES/DBO est moyennement proche de 1 indiquant un
équilibre entre la pollution dissoute et particulaire.
La relation de la prédominance de l’azote ammoniacal de l’effluent avec le pH et la conductivité
a déjà été expliquée puisque à un pH basique l’ammonium se transforme en ammoniac.
Ces regroupements permettent éventuellement de synthétiser encore d’avantage les paramètres
de pollution.

32
 Chapitre 2 Indicateurs de performance

II.5.2.2. Application de l’ACP sur les paramètres de pollution (Eaux décanté) :

Les résultats de l’analyse sont présentés dans le tableau suivant :

Tableau Ⅱ.7 : Matrice de corrélation E.D

REGR REGR
MES DBO5 DCO factor score factor score
E.D E.D E.D 1 for 2 for
analysis 1 analysis 1

MES E.D 1,000 0,765 0,824 0,921 0,374

DBO5 E.D 0,765 1,000 0,853 0,932 -0,306

DCO E.D 0,824 0,853 1,000 0,954 -0,063

Corrélati
on REGR factor score 1
0,921 0,932 0,954 1,000 0,000
for analysis 1

REGR factor score 2

0,374 -0,306 -0,063 0,000 1,000
for analysis 1

NB : Des coefficients de corrélation très importants entre les MES, DBO5 et DCO sont
constatés pour l’eau décantée.

Tableau Ⅱ.8 : Variance totale expliquée E.D

Sommes extraites du carré des

Valeurs propres initiales
chargements
Composante
% de la % % de la
Total Total % cumulé
variance cumulé variance

1 3,628 72,561 72,561 3,628 72,561 72,561

2 1,238 24,753 97,314 1,238 24,753 97,314

3 0,134 2,686 100,000

4 1,769E-15 3,538E-14 100,000

5 2,188E-16 4,377E-15 100,000

NB : En examinant l’apport de chaque composante, on remarque qu’avec deux (2) CP

seulement, on peut expliquer 97% de la variance totale.

33
Chapitre 2 Indicateurs de performance

Tableau Ⅱ.9 : Matrice des composantes E.D

Composante

1 2

MES E.D 0,921 0,374

DBO5 E.D 0,932 -0,306

DCO E.D 0,954 -0,063

REGR factor score

1,000 0,000
1 for analysis 1

REGR factor score

0,000 1,000
2 for analysis 1

NB : En analysant la matrice de corrélation des variables centrées réduites, on remarque que :

-Les variables MES E.D DBO5 E.D, DCO E.D, sont bien corrélées avec la 1ere composante.
- Pour la 2éme composante l’absence de corrélation avec les variables.

Figure Ⅱ.3 : Paramètres de pollution E.D

NB : En examinant la figure, on constate une absence de regroupements de variables.
Cependant, les MES et la DBO5 sont placées sur un même arc de cercle. De plus, les trois
variables sont très rapprochées par rapport à la première composante. La DCO est aussi
relativement proche à la DBO5 par rapport à la deuxième composante.

34
 Chapitre 2 Indicateurs de performance

II.5.2.3. Application de l’ACP sur les paramètres de pollution (Eaux épurée) :

Les résultats de l’analyse sont présentés dans le tableau suivant :
REGR REGR
N- factor factor
Ph Conductivi MES DBO5 DCO N-NO3 PT
Nh4 FeCl3 score 1 score 2
E.E té E.E E.E E.E E.E E.E E.E
E.E for for
analysis 1 analysis 1

Ph E.E 1,000 0,256 -0,070 0,158 0,084 -0,200 0,348 -0,130 -0,164 0,307 -0,574

Conductivité
0,256 1,000 0,130 0,295 0,372 -0,237 0,460 -0,160 0,209 0,533 -0,014
E.E

MES E.E -0,070 0,130 1,000 0,558 0,651 -0,251 0,326 -0,213 0,006 0,637 0,406

DBO5 E.E 0,158 0,295 0,558 1,000 0,823 -0,387 0,572 -0,242 0,035 0,834 0,247

DCO E.E 0,084 0,372 0,651 0,823 1,000 -0,340 0,563 -0,161 0,141 0,835 0,402

N-NO3 E.E -0,200 -0,237 -0,251 -0,387 -0,340 1,000 -0,511 0,503 0,086 -0,647 0,376

Corrélation N-Nh4 E.E 0,348 0,460 0,326 0,572 0,563 -0,511 1,000 -0,379 -0,029 0,811 -0,200

P T E.E -0,130 -0,160 -0,213 -0,242 -0,161 0,503 -0,379 1,000 0,136 -0,492 0,464

FeCl3 -0,164 0,209 0,006 0,035 0,141 0,086 -0,029 0,136 1,000 0,026 0,579

REGR factor
score 1 for 0,307 0,533 0,637 0,834 0,835 -0,647 0,811 -0,492 0,026 1,000 0,000
analysis 1

REGR factor
score 2 for -0,574 -0,014 0,406 0,247 0,402 0,376 -0,200 0,464 0,579 0,000 1,000
analysis 1

Tableau Ⅱ.10 : Matrice de corrélation E.E

35
Chapitre 2 Indicateurs de performance

NB : Des corrélations supérieures à 0,5 sont observées entre les MES, DBO5 et DCO et
supérieures à 0,8 entre la DCO et la DBO5.
En outre, pour les produits azotés, on constate une corrélation supérieure à 0,5 entre
l’ammonium et les nitrates et entre l’ammonium et la DBO5 et DCO.

Tableau Ⅱ.11 : Variance totale expliquée E.E

Sommes extraites du carré des

Valeurs propres initiales
chargements
Composante
% de la % de la
Total % cumulé Total % cumulé
variance variance

1 4,495 40,864 40,864 4,495 40,864 40,864

2 2,450 22,273 63,137 2,450 22,273 63,137

3 1,180 10,728 73,865

4 0,921 8,372 82,237

5 0,562 5,113 87,350

6 0,498 4,530 91,880

7 0,411 3,739 95,619

8 0,335 3,046 98,665

9 0,147 1,335 100,000

10 1,127E-15 1,024E-14 100,000

11 4,942E-16 4,493E-15 100,000

NB : En examinant l’apport de chaque composante, on remarque qu’avec deux (2) CP

seulement, on peut expliquer 63 % de la variance totale.

36
Chapitre 2 Indicateurs de performance

Tableau Ⅱ.12 : Matrice des composantes E.E

Composante

1 2

Ph E.E 0,307 -0,574

Conductivité E.E 0,533 -0,014

MES E.E 0,637 0,406

DBO5 E.E 0,834 0,247

DCO E.E 0,835 0,402

N-NO3- E.E -0,647 0,376

N-NH4+ E.E 0,811 -0,200

P T E.E -0,492 0,464

FeCl3 0,026 0,579

REGR factor score 1 for analysis 1 1,000 0,000

REGR factor score 2 for analysis 1 0,000 1,000

NB : En analysant la matrice de corrélation des variables centrées réduites, on remarque que:

-Les variables Conductivité E.E, MES E.E, DBO5 E.E, DCO E.E, N-NO3- E.E et N-NH4+ E.B,
sont très bien corrélées avec la 1ere composante.
-La variable PH E.E est très bien corrélée avec la 2éme composante.

Figure Ⅱ.4 : Paramètres de pollution E.E

37
 Chapitre 2 Indicateurs de performance

En examinant la figure, on constate :

- Un rapprochement de la DCO E.E et DBO5 E.E. Ce rapprochement est très usuel surtout après
éradication aérobie maximale de ces paramètres.
- Deux alignements :
▪ L’alignement orange des trois paramètres DCO, DBO5 et l’azote ammoniacal est
expliqué par le fait que l’élimination de ces variables à la sortie soient régie par le
processus biologique.
▪ L’alignement jaune imparfait des MES, conductivité et pH dévie progressivement de la
ligne orange. Ceci s’explique par le caractère physico-chimique des procédés qui ont un
impact sur ces paramètres.
▪ Le rapprochement du PT et N-NO3- est expliqué par le fait que leur élimination soit
régie par les conditions d’anoxie post traitement aérobie
II.5.2.4. Application de l’ACP sur les paramètres de pollution Boues :
Les résultats de l’analyse sont présentés dans le tableau suivant :
Tableau Ⅱ.13 : Matrice de corrélation B.P et B.E

REGR factor REGR factor

MES MES
score 1 for score 2 for
B.P B.E
analysis 1 analysis 1

MES B.P 1,000 -,019 0,714 0,700

MES B.E -,019 1,000 -0,714 0,700

Corrél REGR factor score
ation 0,714 -0,714 1,000 0,000
1 for analysis 1

REGR factor score

0,700 0,700 0,000 1,000
2 for analysis 1

Tableau Ⅱ.14 : Variance totale expliquée B.P et B.E

Sommes extraites du carré des
Valeurs propres initiales
Composan chargements
te % de la % de la %
Total % cumulé Total
variance variance cumulé

1 2,019 50,472 50,472 2,019 50,472 50,472

2 1,981 49,528 100,000 1,981 49,528 100,000

3 1,370E-15 3,426E-14 100,000

4 -1,065E-15 -2,661E-14 100,000

38
Chapitre 2 Indicateurs de performance

NB : En examinant l’apport de chaque composante, on remarque qu’avec deux (2) CP

seulement, on peut expliquer 100 % de la variance totale

Tableau Ⅱ.15 : Matrice des composantes B.P et B.E

Composante

1 2

MES B.P 0,714 0,700

MES B.E -0,714 0,700

REGR factor score

1,000 0,000
1 for analysis 1

REGR factor score

0,000 1,000
2 for analysis 1

NB : En analysant la matrice de corrélation des variables centrées réduites, on remarque que:

-Les variables MES B.P et MES B.E sont très bien corrélées avec la 1ere composante
-Les variables MES B.P et MES B.E sont très bien corrélées avec la 2éme composante.

Figure Ⅱ.5 : Paramètres de pollution. B.P et B.E

NB : En examinant le cercle, on constate aucun regroupement de variables composées.

39
Chapitre 2 Indicateurs de performance

II.6. CONCLUSION :
A travers les résultats obtenus en analysant les différents tracés des composantes, et les matrices
de corrélation, on peut dire que l’élimination de la pollution organique par voie biochimique
aérobie est un indicateur de performance prévisible pour la STEP de Reghaia. Ainsi, ce volet
n’indique pas un dysfonctionnement quelconque.
Pour ce qui est de l’élimination par décantation, le taux de dilution de la STEP et sa fluctuation
baissent la corrélation existante pour les paramètres concernés entre les différentes phases du
traitement.
Pour ce qui est des produits azotés, la prédominance de la forme ammoniacale reste intimement
liée au pH dans l’effluent. Dans l’eau épurée, l’ammonium suit la même allure d’éradication
que les autres paramètres réduits par voie aérobie (DCO et DBO5). Les nitrates à la sortie
suivent aussi cette allure. Ceci est largement appuyé par la matrice des composantes pour l’eau
épurée. On peut conclure que les nitrates suivent la même allure d’élimination avec les autres
paramètres éradiqués par voie biologique.
Cependant, les concentrations des produits azotés à la sortie restent supérieures aux normes de
rejet requises. Ceci indique une fraction réfractaire importante résistante à la chaine biologique
du traitement.
Le chlorure ferrique et les MES ayant une corrélation proche de 0,5 avec la deuxième
composante pour les eaux épurées indiquent une contribution légère de cet additif dans
l’élimination de la pollution particulaire. Sachant que le phosphore se fixe sur les sédiments
dans les effluents notamment dans les eaux grises, cet additif a alors contribué à l’élimination
du phosphore.
Le chapitre suivant fera l’objet d’une mise en œuvre des techniques de l’intelligence artificielle
basées sur l’apprentissage statistique et appliquées sur des données
brutes. L’objectif, rappelons-le encore une fois, est l’application de ces techniques comme étant
une solution dans la Modélisation des processus de traitement des eaux usées en utilisant
le FeCl3 dans la déphosphatation et réduction d'azote.

40
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

Chapitre 3 : Modélisation et
optimisation par les Réseaux
de Neurones des processus
d’épuration

41
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

III.1. INTRODUCTION

Au cours des récentes décennies, les chercheurs ont puisé leur inspiration dans le
fonctionnement biologique, en se concentrant notamment sur celui du cerveau. Il est bien établi
que le cerveau représente la machine de calcul et de stockage la plus complexe et sophistiquée.

Les réseaux de neurones artificiels (RNA) sont inspirés de la structure naturelle du cerveau
humain. Les neurologues “Warren McCulloch” et “Pitts” 1943 ont été parmi les premiers à
travailler sur ces réseaux neuronaux. [15] Ils représentent une approche nouvelle pour
l'approximation de systèmes complexes, particulièrement bénéfique lorsque ces systèmes sont
ardus à modéliser avec les méthodes statistiques traditionnelles, Ces réseaux représentent une
famille de fonctions non linéaires utilisées et appliquées dans divers domaines tels que la
biologie, l'informatique, la chimie, etc.

Dans ce chapitre, une approche de modélisation par réseau de neurones artificielle (RNA) va
être utilisée pour prédire, selon la disponibilité des données collectées, la demande biochimique
en oxygène (DBO5), la demande chimique en oxygène (DCO) et les matières en suspension
(MES) des eaux décantées (DBO5 E.D ; DCOE.D ; MESE.D), des eaux épurées (DBO5 E.E ;
DCOE.E ; MES E.E) et les MES des boues primaire (MES B.P). Ces prévisions par les réseaux de
neurones sont basées sur trois entrées d’eau brute, à savoir DBO5 E.B ; DCO E.B ; MES E.B. La
dose optimale de coagulant (Fecl3) a été aussi modélisée pour avoir un modèle capable de
prédire cette dose en fonction des paramètres d’entrés d’eau traitée, à savoir l’azote(N-NO3-EE),
l’azote ammoniacal (N-NH4+ E.E) et le phosphore total (PT E.E). Les modèles développés
pourraient être utilisés pour prévoir les différents paramètres d’eau et contribuer ainsi au
contrôle du processus et à l’automatisation de la STEP de Reghaia.

III.2. RÉSEAUX DE NEURONES BIOLOGIQUES (FONDEMENTS BIOLOGIQUES)

Un neurone est une cellule nerveuse du cerveau, est capable de transmettre des informations à
d’autres neurones à travers de ses différentes connexions (synapses), Les neurone sont
interconnectés et forment des réseaux ce qui représentent les éléments fondamentaux et l'unité
fonctionnelle dans le traitement de l'information qui entre ou sort du système nerveux central
et chargés de son transport. [8]

42
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

Figure III.1 : Réseaux de neurones biologiques et artificiel

III.3. NEURONE FORMEL (ARTIFICIEL)

Un neurone formel est une représentation mathématique et informatique d'un neurone

biologique. Contrairement à son homologue biologique, un neurone formel comporte
généralement plusieurs entrées et une sortie, qui correspondent respectivement aux dendrites et
au cône d'émergence du neurone biologique (point de départ de l'axone). Les interactions
excitatrices et inhibitrices des synapses sont représentées par des coefficients numériques,
généralement appelés poids synaptiques, associés aux différentes entrées. Ces poids
synaptiques sont ajustés au cours d'une phase d'apprentissage. Dans sa forme la plus simple, un
neurone formel calcule la somme pondérée des entrées reçues, puis applique à cette somme une
fonction d'activation, généralement non linéaire. La valeur obtenue après l'application de cette
fonction est la sortie du neurone. Le neurone formel constitue l'unité de base des réseaux de
neurones artificiels, où il est associé à d'autres neurones similaires pour calculer des fonctions
extrêmement complexes, utilisées dans diverses applications en intelligence artificielle.
Mathématiquement, un neurone formel peut être représenté comme une fonction à plusieurs
variables, produisant des valeurs réelles. [15] [13]

III.3.1. Principe du neurone artificiel

Les réseaux de neurones artificiels appelé aussi neurone connexionniste, peuvent être définis
comme une structure de traitement parallèle qui sont capables de stocker des connaissances
expérimentales et de les rendre utilisables pour l’extrapolation dans des situations nouvelles
(simulé par logiciel ou réalisé matériellement).

Les principaux composants qui caractérisent un réseau de neurone sont :

- Un ensemble de neurones.

- Un état d’activation de sortie pour chaque neurone.

- Une fonction de sortie pour chaque neurone.

43
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

- Un modèle de connectivité entre les neurones.

- Une règle de propagation afin de propager les valeurs d’entrées (le signal) à travers le réseau
vers la sortie.

- Une règle d’activation (désignée par une somme pondérée).

- Une règle d’apprentissage.

- Un environnement d’opération.

- Le changement de l’un de ces paramètres change complètement le comportement du neurone

ainsi que les possibilités de son application

III.4. TYPES DES RÉSEAUX DE NEURONE

La configuration d'un réseau de neurones artificiel repose sur la disposition de ses neurones et
leurs interconnexions. Elle est caractérisée par le nombre d'entrées, de sorties et de nœuds, ainsi
que par la manière dont ces nœuds sont organisés et reliés. Une architecture courante dans les
réseaux de neurones est celle qui utilise des couches où les nœuds d'une même couche ne sont
pas connectés entre eux. [13] [8] [15]

III.4.1. Réseaux de neurones non bouclés

Un réseau de neurones non bouclé réalise une ou plusieurs fonctions algébriques de ses entrées,
par composition des fonctions réalisées par chacun de ses neurones. Il est représenté
graphiquement par un ensemble de neurones connectés entre eux, l'information circulant des
entrées vers les sorties sans retour en arrière

III.4.1.1. Réseaux de neurones monocouches :

Un réseau de neurones est une structure composée d'un ensemble de nœuds interconnectés par
des liaisons directionnelles. Chaque nœud représente une unité de traitement, tandis que les
liaisons représentent les relations causales entre les nœuds. Le perceptron est le réseau le plus
simple, constitué d'une seule couche, et il se caractérise comme suit :

– Il possède N informations en entrée ;

– Il est composé de p neurones, que l’on représente généralement alignés verticalement.

Chacun peut en théorie avoir une fonction d’activation différente. En pratique, ce n’est
généralement pas le cas ;

– Chacun des p neurones est connecté aux N informations d’entrée.

44
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

Figure III.2: Schéma d'un Réseaux de neurones monocouches [16]

Dans un réseau de neurones, il y a N informations en entrée et P sorties, avec chaque neurone

produisant une sortie. Une pratique courante consiste à attribuer à chaque neurone de la couche
une classe. Ainsi, pour un exemple donné X, on détermine sa classe en choisissant la sortie la
plus élevée parmi les P sorties.

III.4.1.2. Réseaux de neurones multicouches :

Dans ce schéma, les neurones de la première couche reçoivent toutes les informations d'entrée,
tandis que ceux de la deuxième couche reçoivent les sorties des neurones de la première couche,
et ainsi de suite jusqu'à ce que les informations parviennent au neurone de sortie de la dernière
couche. Les couches 1 et 2 sont appelées couches cachées, tandis que la couche 3 est la couche
de sortie.

Figure III.3 : Schéma d'un réseau de neurones non bouclé (Perceptron multicouches). [16]

III.4.1.3. Réseau RBF (Radial Basis Functions) :

Le réseau RBF, introduit par Powell et Broomhead, est un type de réseau de neurones supervisé.
Il est composé de trois couches :

1. Une couche d'entrée qui transmet les entrées sans distorsion.

2. Une couche cachée contenant des neurones RBF, généralement des gaussiennes.

45
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

3. Une couche de sortie dont les neurones sont généralement activés par une fonction
d'activation linéaire.

Les réseaux RBF sont également moins sensibles aux pertes de mémoire résultant de la
destruction de leurs poids. Dans leur configuration de base, ils sont constitués de deux couches,
la première agissant comme la couche d'entrée avec des fonctions d'activation linéaires, et la
couche cachée étant composée de fonctions de type gaussien. Enfin, la couche de sortie
comporte des fonctions d'activation non linéaires.

La modélisation des réseaux RBF se divise généralement en deux étapes distinctes : la

paramétrisation des fonctions-noyaux et l'apprentissage des poids de la couche de sortie. Cette
dernière étape ne concerne qu'une seule couche de connexions et peut être réalisée par des
techniques d'apprentissage simples telles que la règle Delta ou de Widrow-Hoff.

Avec une seule couche cachée, les réseaux RBF agissent comme des approximateurs universels
et peuvent obtenir des performances comparables ou supérieures à celles des réseaux MLP dans
l'approximation de fonctions. Ils sont particulièrement adaptés pour les systèmes de
classification de signaux en raison de leur rapidité et de leur simplicité d'apprentissage.

Les réseaux RBF sont également moins sensibles aux pertes de mémoire résultant de la
destruction de leurs poids. Dans leur configuration de base, ils sont constitués de deux couches,
la première agissant comme la couche d'entrée avec des fonctions d'activation linéaires, et la
couche cachée étant composée de fonctions de type gaussien. Enfin, la couche de sortie
comporte des fonctions d'activation non linéaires.

III.4.1.4. Réseaux de propagation avant (Feed Forward Neural Networks-FFNN) :

Les réseaux de propagation avant (ou feedforward networks en anglais) sont une classe de
réseaux de neurones artificiels dans lesquels l'information circule de manière unidirectionnelle,
de l'entrée vers la sortie, sans boucles de rétroaction. Un réseau de propagation avant est
constitué de différentes couches de neurones, comprenant généralement une couche d'entrée,
une ou plusieurs couches cachées et une couche de sortie. Les réseaux FFNN sont souvent
utilisés pour des tâches de classification et de régression, ainsi que pour des tâches plus
complexes telles que la reconnaissance d'images et la compréhension du langage naturel.
III.4.1.5. Réseaux en cascade et à propagation avant (Cascade-Forward Artificial
Neural Networks- CFNN) :
Sont un type de réseau de neurones artificiels qui combinent les caractéristiques des réseaux de
neurones en cascade et des réseaux d'alimentation avant (FFNN). Les CFNN ont été proposés
pour résoudre les problèmes de classification et de régression. Le principe de base des CFNN
consiste à utiliser un réseau de neurones en cascade pour filtrer les données en entrée avant de
les transmettre à un réseau d'alimentation avant (FFNN) pour la classification ou la régression.
Dans le réseau de neurones en cascade, chaque couche est formée de neurones qui effectuent
une opération de seuillage sur les entrées. Cette opération permet de sélectionner les
caractéristiques les plus importantes pour la tâche à accomplir

46
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

Les avantages des CFNN sont qu'ils peuvent traiter des données complexes, tout en réduisant
le nombre de caractéristiques d'entrée. De plus, la structure en cascade permet d'obtenir une
architecture de réseau de neurones plus simple et plus efficace, réduisant ainsi les coûts de
calcul. [17]

III.4.2. Réseaux de neurones à connexions locales

Il s'agit d'une structure multicouche, mais qui à l'image de la rétine conserve une certaine
topologie. Chaque neurone entretient des relations avec un nombre réduit et localisé de
neurones de la couche avale. Les connexions sont donc moins nombreuses que dans le cas d'un
réseau multicouche classique

Figure III.4 : Schéma d'un réseau de neurones à connexions locales. [13]

III.4.3. Réseaux de neurones bouclés (dynamique, feedback ou récurrent)

Contrairement aux réseaux de neurones non bouclés dont le graphe de connexions est acyclique,
les réseaux de neurones bouclés peuvent avoir une topologie de connexions quelconque,
comprenant notamment des boucles qui ramènent aux entrées la valeur d'une ou plusieurs
sorties. Pour qu'un tel système soit causal, il faut évidemment qu'à toute boucle soit associé un
retard : un réseau de neurones bouclé est donc un système dynamique, régi par des équations
différentielles ; comme l'immense majorité des applications sont réalisées par des programmes
d'ordinateurs, on se place dans le cadre des systèmes à temps discret, où les équations
différentielles sont remplacées par des équations aux différences. Il s’agit donc de réseaux de
neurones avec retour en arrière (feedback network or recurrent network)

III.5. L’APPRENTISSAGE DES RÉSEAUX DE NEURONES

L’apprentissage est une opération et une phase du développement d’un réseau de neurones Il
s’agit d’une procédure adaptative par laquelle les connexions des neurones sont ajustées face à
une source d’information durant laquelle le comportement du réseau est modifié jusqu'à
l'obtention du comportement désiré. [15]

Nous pouvons distinguer trois types d’apprentissage : Apprentissage supervisé, apprentissage

non-supervisé et apprentissage renforcé.

III.5.1. Apprentissage supervisé :

47
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

Cet algorithme d’apprentissage ne peut être utilisé que lorsque les combinaisons d’entrées-
sorties désirées sont connues. Ce type d’apprentissage se compose de deux phases : la phase
d’apprentissage ; où nous fournissons au réseau des entrées et on lui impose, comme des
contraintes, des sorties que nous désirons associer aux entrées. La seconde phase est celle du
test ; où nous présentons au réseau de nouvelles données qui n’ont pas servi à l’apprentissage,
et nous observons les réponses. Le réseau est alors évalué par les erreurs. L’apprentissage est
alors facilité puisque l’ajustement des poids est fait directement à partir de l’erreur, soit la
différence entre la sortie obtenue par le ANN et la sortie désirée.

Figure III.5: schéma bloc Apprentissage supervisé [15]

III.5.2. Apprentissage non-supervisé

Au niveau de cet algorithme, il n'existe pas de connaissances à priori des sorties désirées pour
des entrées données. C’est-à-dire, nous disposons seulement d’un nombre fini de données
d’apprentissage. Donc, l’apprentissage consiste à détecter les similarités et les différences dans
l’ensemble d’apprentissage [18]. En fait, c’est de l’apprentissage par exploration où
l’algorithme d’apprentissage ajuste les poids des liens entre neurones de façon à maximiser la
qualité de classification des entrées.

Figure III.6 : Schéma bloc de l’apprentissage supervisé

III.5.3. Apprentissage renforcé (ou par renforcement)

L’apprentissage renforcé ressemble à l’apprentissage supervisé mais au lieu de présenter des

résultats désirés au réseau nous lui accordons plutôt un grade qui désigne le degré de
performance du réseau après quelques itérations [19].

48
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

Figure III.7 : Schéma bloc Apprentissage renforcé

III.6. METHODOLOGIE ET APPROCHE

Ce chapitre se concentrera sur une modélisation appropriée liée à la performance de la station

d’épuration de Reghaia. Cette modélisation sera principalement basée sur les réseaux de
neurones type FFBP (Feedforward back propagation) et CFBP (Cascade forwar
backpropagation). Une étude comparative sera menée pour choisir la méthode la plus pertinente
à l'application spécifique.

Enfin, une discussion des résultats conclura cette étude de simulation, permettant de
sélectionner la technique la mieux adaptée pour les applications envisagées.

III.6.1. Description de la base de données

La base de données collectée de la station d’épuration de Reghaia déjà définie, analysée et

traitée dans les chapitres précédents. Les données issues s’étalent sur des valeurs journalières
(du décembre 2018 au novembre 2023) en tenant compte de 208 valeurs.
III.6.2. Quelques critères de performances pour le choix des modèles

La comparaison des valeurs simulées par le modèle et les valeurs de base observées se fait via
une analyse de régression. Pour évaluer la performance des modèles de prédiction, plusieurs
indices et critères de performance ont été énumérés, testés et approuvés par des chercheurs
spécialisés en modélisation [20] [21] [22] [23]. On se limitera dans cette contribution aux
notions de : coefficients de corrélation (R) et la racine de la moyenne des erreurs quadratique
RMSE. Ces paramètres sont calculés comme suit :

R : Coefficient de corrélation

1 N
∑ (Mi
N i
− Mm )(Pi − Pm )
R= (10)
1 1
√ ∑N (Mi − Mm )2 √N ∑N
i=1(Pi − Pm )2
N i=1

49
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

RMSE : Erreur quadratique moyenne (Root Mean Square Error),

N 2
1 XEst, i − XMeas, i
RMSE (%) = 100 × √ ∑ ( ) (11)
𝑁 XMeas, i

III.6.3. Modélisation par réseau de neurones

La création d’un modèle passe par plusieurs étapes essentielles pour parvenir à une
modélisation efficace et fiable, notamment dans le domaine de l'intelligence artificielle. Les
réseaux de neurones effectuent des transformations paramétrées non linéaires. Leur mise en
œuvre requiert :
- L'identification des entrées et sorties pertinentes, c'est-à-dire les variables qui influencent de
manière significative le phénomène à modéliser.
- La collecte des données nécessaires pour l'apprentissage et l'évaluation des performances du
réseau.
- La détermination du nombre optimal de neurones dans la couche cachée pour obtenir une
approximation satisfaisante.
- L'exécution de la phase d'apprentissage.
- L'évaluation des performances du réseau neuronal une fois l'apprentissage terminé

III.6.3.1. Modèles FFBP et CFBP :

L’apprentissage d’un réseau de neurones de FFBP ou CFBP passe par trois étapes : le « feed /
cascade forward » des échantillons d’entrée, le « backpropagation » de l’erreur associée et
l’ajustement des poids [24].
Le CFBP est similaire à FFBP mais inclut les connexions des entrées et de chaque couche
précédente vers les couches suivantes. La seule différence de CFBP est que chaque neurone
du nœud d'entrée est attaché à chaque neurone des nœuds cachés et de sortie [25].

III.6.3.2. Fonction d'activation :

Le choix de la fonction d'activation pour les couches cachées des réseaux neuronaux est
essentiel pour introduire la non-linéarité, nécessaire à la représentation de fonctions complexes.
Sans cette non-linéarité, les couches cachées se comportent comme des perceptrons simples.
Pour faciliter l'apprentissage par rétropropagation, la fonction d'activation doit être
différentiable et de préférence bornée. Dans cette étude, les fonctions d'activation TANGSIG
et LOGSIG ont été évaluées pour les couches cachées, tandis qu'une fonction linéaire a été
utilisée pour la couche de sortie. Le choix de la meilleure fonction d'activation a été déterminé
en fonction des performances du modèle.

50
 Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

III.7. Modélisation de la performance de la STEP

Afin d’évaluer et prédire l’efficacité de la STEP on opte pour une modélisation de ces
performances

III.7.1. Taille de la base des données

Dans le cas de notre étude, on a choisi d'utiliser, selon la disponibilité de données, l'ensemble
des paramètres représentés dans le tableau Ⅲ.1.

Tableau Ⅲ.1 : Données d’entrées – sorties

Échantillon Année Modèle Données d'entrées Données de sorties

1 MES E.D
2 DBO5 E.D
3 DCO E.D
4 MES E.B, DBO5 E.B et DCO E.B MES E.E
208 2018-2023
5 DBO5 E.E
6 DCO E.E
7 MES B.P
8 N-NO3- E.E, N-NH4+ E.E et PT E.E FeCl3

III.7.2. Partage de l'ensemble des données

Il est conseillé de partager l'ensemble des données en sous-ensembles à savoir :

➢ Le premier sous ensemble servira lors de la construction du modèle RNA à

l’apprentissage, il représentera 70% de l'ensemble des données.
➢ Le deuxième sous ensemble qui représente les 15% de l'ensemble des données aura pour
mission d'effectuer la validation.
➢ La troisième sous ensemble qui représente les 15% de l'ensemble des données aura pour
mission d'effectuer le test.

51
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

III.8. ELABORATION DES MODÈLES

D’une manière générale, les étapes à suivre pour la modélisation neuronale consiste en la
détermination de l'architecture de ce dernier basé sur le choix de l'algorithme d’apprentissage,
la fonction de transfert, le nombre de couches cachées et le nombre de neurones dans chacune.
Une tâche difficile avec la méthode du FFBP et CFBP, adopté dans la présente contribution, est
de choisir le nombre de couches cachées. Pourtant, il n'y a pas de théorie pour dire combien
d'unités cachées sont nécessaires pour rapprocher toute fonction donnée.
Généralement les modèles neuronaux adoptés, inclut une couche à trois entrées, trois couches
cachées avec 08 neurones et une couche de sortie. Les entrées et la sortie de chaque modèle
sont illustrées dans le tableau III.1.
Des fonctions de transfert type LOGSIG et TANSIG ont été testées dans ces modèles et on a
représenté uniquement la meilleure fonction représentative.
La base de données utilisée est formée de 208 valeurs pour chaque paramètre d’étude. Cette
dernière est subdivisée en 70 % (146 valeurs) pour l’apprentissage, 15 % (31 valeurs) pour la
validation et 15% (31 valeurs) pour le test.

52
 Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

III.8.1. Modèle 1 MES E.D

Dans cette simulation on a élaboré le meilleur modèle des réseaux de neurones artificiels (RNA),
type FFBP et CFBP, pour simuler et prédire les valeurs des MES E.D de la station d’épuration de
Regahia. La simulation des deux modèles est représentée sur la figure III.8 et figure III.9

Figure Ⅲ.8 : Droites de régression du Figure Ⅲ.9 : Droites de régression du

model 1 par CFBP model 1 par FFBP

Dans cette modélisation, on constate que le modèle CFBP est mieux représentatif que le modèle FFBP.
Pour le modèle CFBP, les coefficients de corrélation lors de training, de validation et de test sont
respectivement 0,51 ; 0,67 et 0,55 par contre pour le modèle FFBP, les coefficients de corrélation sont
respectivement -0,07 ; 0,06 et 0,12. Les valeurs de paramètre RMSE pour le modèle CFBP lors de
training, validation et test sont respectivement 240,179 et 1382 et pour le modèle FFBP sont
respectivement 1809, 3219 et 1345 Cela signifie que le modèle des MES de l’eau décantée avec CFBP
est moyen tandis que le modèle FFBP est médiocre.

53
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

III.8.2. Modèle 2 DBO5 E.D

L’élaboration du deuxième modèle par les réseaux FFBP et CFBP est pour prédire au niveau de la
station de Reghaia, la demande biochimique en oxygène des eaux décantées (DBO5 E.D).

Les résultats de modélisation sont représentés sur les figures III.10 et III.11.

Figure Ⅲ.10 : Droites de régression du Figure Ⅲ.11 : Droites de régression du

model 2 par CFBP model 2 par FFBP

Les figures III.10 et III.11 montrent les résultats du modèle CFBP et FFBP avec la combinaison entre
les paramètres d'entrés (MES E.B, DBO5 E.B et DCO E.B) avec le paramètre de sortie DBO5 E.D. Plusieurs
tentatives ont été effectuées pour élaborer ce modèle, la meilleure architecture qui nous a donné le
meilleur résultat et celle de 3 couches cachées avec 8 neurones chacune. Les résultats obtenus par le
modèle CFBP sont plus représentatif que ceux obtenus par FFBP. On constate que, pour le modèle CFBP
les coefficients de corrélation lors de training, de validation et de test sont respectivement 0,50 ; 0,54 et
0,64 par contre pour le modèle FFBP, les coefficients de corrélation sont respectivement 0,34 ; 0,52 et
0,024. Les valeurs de paramètre RMSE pour le modèle CFBP lors de training, validation et test sont
respectivement 225, 169 et 130 et pour le modèle FFBP sont respectivement 908,5004 et 275. Cela
suggère que le modèle obtenu par CFBP est moyen, tandis que celui obtenu par FFBP est médiocre.

54
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

III.8.3. Modèle 3 DCO E.D

Les valeurs prédites de la demande chimique en oxygène des eaux décantée (DCOE.D) en fonction
des paramètres d’eau brute (MES E.B, DBO5 E.B et DCO E.B) par les modèles CFBP et FFBP sont
représentées sur les figures III.12 et III.13.

Figure Ⅲ.12 : Droites de régression du Figure Ⅲ.13 : Droites de régression du model

model 3 par CFBP 3 par FFBP

D’après les résultats des figures III.12 et III.13, on constate que les valeurs prédites de DCO E.D par le
modèle CFBP sont nettement meilleurs que celles prédites par le modèle FFBP. On remarque que le
modèle CFBP, lors de training, de validation et de test, peut être utilisé pour prédire respectivement la
DCO E.D précisément avec des coefficients de corrélation 0.51, 0.53 et 0.56. Par contre, le modèle
FFBP, lors de training, de validation et de test, peut être utilisé pour prédire respectivement la DCO E.D
avec des coefficients de corrélation 0.62, 0.22 et 0.18. Les valeurs de paramètre RMSE pour le modèle
CFBP lors de training, validation et test sont respectivement 269,274 et 275 et pour le modèle FFBP
sont respectivement 179, 1220 et 532 Le réseau de neurone CFBP a engendré un modèle qui peut
prédire des résultats moyens, tandis que le FFBP a engendré un modèle médiocre.

55
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

III.8.4. Modèle 4 MES E.E

Cette simulation sert à l’élaboration d’un modèle neural de type CFBP et FFBP pour prédire les
valeurs des matières en suspension de l’eau épurée (MES E.E) en fonction des paramètres d’eau
brute (MES E.B, DBO5 E.B et DCO E.B) de la STEP Reghaia. La simulation des deux modèles est
représentée sur la figure III.14 et III.15.

Figure Ⅲ.14 : Droites de régression Figure Ⅲ.15 : Droites de régression du

du model 4 par CFBP model 4 par FFBP

D’après les figures III.14 et III.15, on remarque que le modèle CFBP est mieux représentatif que le modèle
FFBP. Pour le modèle CFBP, les coefficients de corrélation lors de training, de validation et de test sont
respectivement 0,51 ; 0,60 et 0,51 par contre pour le modèle FFBP, les coefficients de corrélation sont
respectivement 0,37 ; 0,027 et 0,30. Les valeurs de paramètre RMSE pour le modèle CFBP lors de training,
validation et test sont respectivement 53 , 41 et 29 et pour le modèle FFBP sont respectivement 175,93 et
120 Cela indique que le modèle des MES de l’eau épurée avec CFBP est moyen tandis que le modèle FFBP
est médiocre.

56
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

III.8.5. Modèle 5 DBO5 E.E

L’élaboration du cinquième modèle par les réseaux FFBP et CFBP est pour prédire au niveau de la
station de Reghaia, la demande biochimique en oxygène des eaux épurée (DBO5 E.E). Les résultats
de modélisation sont représentés sur les figures III.16 et III.17.

Figure Ⅲ.16 : Droites de régression du Figure Ⅲ.17 : Droites de régression du

model 5 par CFBP model 5 par FFBP

Les figures III.16 et III.17 montrent les résultats du modèle CFBP et FFBP avec la combinaison
entre les paramètres d'entrés (MES E.B, DBO5 E.B et DCO E.B) avec le paramètre de sortie DBO5EE.
Les résultats obtenus par le modèle CFBP sont plus représentatif que ceux obtenus par FFBP. On
constate que, pour le modèle CFBP les coefficients de corrélation lors de training, de validation et
de test sont respectivement 0,56 ; 0,50 et 0,59 par contre pour le modèle FFBP, les coefficients de
corrélation sont respectivement 0,56 ; 0,57 et 0,15. Les valeurs de paramètre RMSE pour le modèle
CFBP lors de training, validation et test sont respectivement 40, 45 et 54 et pour le modèle FFBP
sont respectivement 40,57 et 43 Cela suggère que le modèle obtenu par CFBP est moyen, tandis
que celui obtenu par FFBP est médiocre.

57
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

III.8.6. Modèle 6 DCO E.E

Les valeurs prédites de la demande chimique en oxygène des eaux traitée (DCO E.E) en fonction des
paramètres d’eau brute (MES E.B, DBO5 E.B et DCO E.B) par les modèles CFBP et FFBP sont
représentées sur les figures III.18 et III.19.

Figure Ⅲ.18 : Droites de régression du Figure Ⅲ.19 : Droites de régression du

model 6 par CFBP model 5 par FFBP

D’après les résultats des figures III.18 et III.19, on constate que les valeurs prédites de DCO E.E par
le modèle CFBP sont nettement meilleurs que celles prédites par le modèle FFBP. On remarque que
le modèle CFBP, lors de training, de validation et de test, peut être utilisé pour prédire
respectivement la DCO E.E précisément avec des coefficients de corrélation 0.50, 0.70 et 0.51. Par
contre, le modèle FFBP, lors de training, de validation et de test, peut être utilisé pour prédire
respectivement la DCO E.E avec des coefficients de corrélation 0.23, 0.52 et 0.04. Les valeurs de
paramètre RMSE pour le modèle CFBP lors de training, validation et test sont respectivement 126,
146 et 62 et pour le modèle FFBP sont respectivement 42,626 et18 Le réseau de neurone CFBP a
engendré un modèle qui peut prédire des résultats moyens, tandis que le FFBP a engendré un modèle
médiocre.

58
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

III.8.7. Modèle 7 MES B.P

Cette simulation sert à l’élaboration d’un modèle neural de type CFBP et FFBP pour prédire les valeurs
des matières en suspension de boue produite (MES B.P) en fonction des paramètres d’eau brute (MES E.B,
DBO5 E.B et DCO E.B) de la STEP Reghaia. La simulation des deux modèles est représentée sur la figure
III.20 et III.21

Figure Ⅲ.20 : Droites de régression du Figure Ⅲ.21 : Droites de régression du

model 7 par CFBP model 7 par FFBP

D’après les figures III.20 et III.21, on remarque que le modèle CFBP est mieux représentatif que le
modèle FFBP. Pour le modèle CFBP, les coefficients de corrélation lors de training, de validation et
de test sont respectivement 0,56 ; 0,63 et 0,58 par contre pour le modèle FFBP, les coefficients de
corrélation sont respectivement 0,41 ; 0,36 et 0,10. Les valeurs de paramètre RMSE pour le modèle
CFBP lors de training, validation et test sont respectivement 2572, 116 et 112 et pour le modèle FFBP
sont respectivement 18,34 et 19 Cela indique que le modèle des MES de l’eau épurée avec CFBP est
moyen tandis que le modèle FFBP est médiocre.

59
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

III.8.8. Modèle 8 FeCl3

Le huitième modèle par les réseaux FFBP et CFBP est pour prédire au niveau de la station de Reghaia,
la dose optimale de coagulant de FeCl3. Les résultats de modélisation sont représentés sur les figures
III.22 et III.23.

Figure Ⅲ.22 : Droites de régression du Figure Ⅲ.23 : Droites de régression du

model 8 par CFBP model 8 par FFBP

Les figures III.20 et III.21 montrent les résultats du modèle CFBP et FFBP avec la combinaison entre
les paramètres d'entrés, l’azote (N-NO3- E.E), l’azote ammoniacal (N-NH4+ E.E) et le phosphore total
(PTE.E) avec le paramètre de sortie Fecl3. Plusieurs tentatives ont été effectuées pour élaborer ce modèle,
la meilleure architecture qui nous a donné le meilleur résultat et celle de 3 couches cachées avec 8
neurones chacune. Les résultats obtenus par le modèle CFBP sont plus représentatif que ceux obtenus
par FFBP. On constate que, pour le modèle CFBP les coefficients de corrélation lors de training, de
validation et de test sont respectivement 0,51 ; 0,62 et 0,56 par contre pour le modèle FFBP, les
coefficients de corrélation sont respectivement 0,54 ; 0,42 et 0,38. Les valeurs de paramètre RMSE pour
le modèle CFBP lors de training, validation et test sont respectivement 19,16 et 14 et pour le modèle
FFBP sont respectivement 19,22 et 21 Cela suggère que le modèle obtenu par CFBP est moyen, tandis
que celui obtenu par FFBP est médiocre.

60
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

III.8.9. Paramètres de performance des modèles établis

Les paramètres de performance de différents modèles pour le réseau de neurone CFBP et FFBP lors de
training, de validation et de test sont récapitulés respectivement dans le tableau III.2 et III.3.

Tableau Ⅲ.2 : Paramètres de performance des modèles établis en CFBP

Paramètres Training Validation Test

Modèles R RMSE % R RMSE % R RMSE %
Model 1 0 ,51 240 0 ,67 179 0 ,55 1382
Model 2 0 ,50 225 0 ,54 169 0 ,64 130
Model 3 0 ,51 269 0 ,53 274 0 ,56 275
Model 4 0 ,51 53 0 ,60 41 0 ,51 29
Model 5 0 ,50 40 0 ,50 45 0 ,59 54
Model 6 0 ,50 126 0 ,70 146 0 ,51 62
Model 7 0 ,59 2572 0 ,63 116 0 ,58 112
Model 8 0 ,51 19 0 ,62 16 0 ,56 14

Tableau Ⅲ.3 : Paramètres de performance des modèles établis en FFBP

Paramètres Training Validation Test

Modèles R RMSE % R RMSE % R RMSE %
Model 1 0 ,06 1809 0 ,06 3219 0 ,12 1345
Model 2 0 ,33 908 0 ,52 5004 0 ,02 275
Model 3 0 ,62 179 0 ,22 1220 0 ,18 532
Model 4 0 ,37 175 0 ,02 93 0 ,30 120
Model 5 0 ,56 40 0 ,57 57 0 ,15 43
Model 6 0 ,23 42 0 ,52 626 0 ,04 18
Model 7 0 ,41 18 0 ,36 34 0 ,10 19
Model 8 0 ,54 19 0 ,42 22 0 ,38 21

61
Chapitre 3 Modélisation et optimisation par RNA des processus d’épuration

Les résultats représentés dans le tableau III.2 du modèle CFBP semblent moyens. Pour tous les modèles
de simulation, les valeurs des coefficients R de l’ensemble de calage est de l’ordre de 0.5 et lors de
validation et de test varient respectivement entre 0.50 à 0.67 et 0.51 à 0.64. Ces valeurs indiquent que
les résultats sont peu significatifs et que les valeurs simulées sont légèrement proches des valeurs
observées. Pour les valeurs de RMSE, certains cas semblent bons où les valeurs varient entre 14 et 53%
et d’autre cas les erreurs sont très élevées, varient entre 116 et 2572 %.
D’une autre part, les résultats représentés dans le tableau III.3 du modèle FFBP semblent médiocres.
Pour tous les modèles de simulation, les valeurs des coefficients R de l’ensemble de calage varient entre
0.06 et 0.57 et lors de validation et de test varient respectivement entre 0.02 à 0.57 et 0.02 à 0.38. Ces
valeurs indiquent que les résultats ne sont pas significatifs. Pour les valeurs de RMSE, certains cas
semblent bons où les valeurs varient entre 18 et 57% et d’autre cas les erreurs sont très élevées, varient
entre 93 et 5004 %.
Il est important de signaler ces résultats et doivent être améliorer en utilisant d’autre modèles de
maching learning à savoir, les forets aléatoire (Random Forest FR), Random Tree (TR), machine à
vecteurs de support (Support Vector Machine SVM). En améliorant d’avantage ces modèles, les valeurs
prédites seront très proches des valeurs observées le modèle développé pourrait être utilisé pour prévoir
différents paramètres de pollution et contribuer ainsi au contrôle du processus et à l’automatisation de la
STEP.

III.9. CONCLUSION
Le présent chapitre traite essentiellement la modélisation des performances de la station d’épuration de
Reghaia par les réseaux de neurones à savoir le FFBP et le CFBP. Ces modèles neuronaux présentent un
intérêt spécial vue leurs simplicité et leur facilité d’utilisation pour modéliser des phénomènes non
linéaires très complexes qui mettent en contribution un grand nombre de paramètres.
Globalement, les résultats obtenus par CFBP et FFBP montrent que l’efficacité des modèles est moyenne
à médiocre. Le coefficient de corrélation varié entre 0.5 à 0.67 et le RMSE varié entre 14% à 53%.
D’autres modèles alternatifs peuvent être utilisés pour élaborer des modèles très performants afin
d’améliorer les performances de la station d’épuration. Ainsi, le modèle neuronal représentera un outil
efficace d'analyse et de diagnostic pour comprendre et simuler le comportement de la station d'épuration.
Il pourrait constituer comme un outil d'évaluation de la performance pour les exploitants des stations
d'épuration.

62
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

Chapitre 4 :
Redimensionnement des
Ouvrages et Propositions
d'Amélioration

63
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

IV.1. INTRODUCTION
La Station d'Épuration des eaux usées de la ville de Reghaia a pour objectif de traiter les eaux
usées de la ville avec une capacité nominale journalière de 72 000 m3. Il convient de noter que
toutes ces eaux proviennent principalement de foyers domestiques et que le réseau est de type
unitaire.
Le système choisi pour le traitement des eaux est l'aération à moyenne charge et à boucs activée.
La configuration de la station comprend deux lignes de traitement en chaîne parallèles et
identiques. Cette disposition permet de répartir le débit de manière équitable sur l'ensemble des
ouvrages des deux lignes, ce qui améliore la fiabilité du traitement, facilite les opérations de
maintenance et accroît la souplesse de fonctionnement de la station.
La filière de traitement comprend ainsi en totalité et successivement : [12]

• Zone 1 :
La zone 1 du système de traitement des eaux comporte un prétraitement mécanique complet. Ce
processus inclut la réception des eaux usées brutes, la mesure du débit avec un canal Venturi, et
l'échantillonnage de l'eau influente. Pour le dégrillage, il y a des dégrilleurs automatiques grossiers
et fins par ligne, avec des systèmes d'évacuation des débris. Chaque ligne est également équipée
de grilles manuelles grossières et fines. De plus, des dispositifs de dessablage et déshuilage sont
utilisés pour évacuer le sable et les flottants, assurant une purification efficace des eaux avant
traitement ultérieur.
• Zone 2 :
04 Décanteurs primaires type lamellaires avec raclage de fond et station d'évacuation de boue
primaire.
• Zone 3 :
Le traitement biologique comprend plusieurs étapes essentielles. Il débute par un ouvrage de
répartition équipé de quatre déversoirs munis de vannes murales manuelles. Chaque ligne de
traitement comporte deux bassins biologiques équipés d'un système d'aération à fines bulles, avec
quatre mélangeurs immergés par bassin et une mesure d'oxygène dissous par bassin. De plus, il y
a deux bassins anoxiques par ligne de traitement, chacun équipé de deux mélangeurs immergés,
deux pompes de recirculation de liqueur mixte du bassin biologique, et une mesure de Redox par
bassin. Ces installations permettent un traitement biologique efficace des eaux avant leur
purification ultime.

• Zone 4 :
La phase de décantation secondaire et de pompage des boues de retour comprend plusieurs
équipements spécifiques. Chaque ligne de traitement est équipée de deux clarificateurs circulaires
pour faciliter la séparation des particules solides des eaux traitées. Un système de récupération des
écumes est également en place pour éliminer les substances flottantes. De plus, il y a une station
de pompage dédiée aux boues de retour et aux boues excédentaires, équipée de dispositifs de
mesure des débits respectifs pour chacune de ces fractions

64
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.
Quant à la ligne de boue, désignée par la Zone 7, elle est constituée précisément de :
• Zone 7 :

La phase de décantation secondaire et de pompage des boues de retour comprend plusieurs

équipements spécifiques. Chaque ligne de traitement est équipée de deux clarificateurs circulaires
pour faciliter la séparation des particules solides des eaux traitées. Un système de récupération des
écumes est également en place pour éliminer les substances flottantes. De plus, il y a une station
de pompage dédiée aux boues de retour et aux boues excédentaires, équipée de dispositifs de
mesure des débits respectifs pour chacune de ces fractions

• Zone 8 et 9 :

Il y a une station de pompage dédiée au transfert des boues vers des filtres-presse. Les boues sont
ensuite déshydratées mécaniquement à l'aide de cinq filtres-presse à bande. En parallèle, les odeurs
sont traitées par des bio-filtres, assurant ainsi un traitement efficace des boues tout en minimisant
les nuisances olfactives.

Figure IV.1 : Schéma de la STEP de Reghaia.

65
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

IV.2. CARACTÉRISTIQUES DE LA STATION :

IV.2.1. Charge hydraulique :

Charge hydraulique de la STEP est représenter dans le tableau suivant
Tableau IV.1 : Charge hydraulique de la STEP
Valeur du paramètre
Paramètres
152 000 m3/j
Débit nominal journalier
47 000 m3/J
Débit moyen journalier de fonctionnement (pour l'année
2023)

Débit de pointe horaire nocturne Non spécifié dans la note de

calcul
9 500 m3/h
Débit de pointe horaire diurne
11 547 m3/h
Débit de pointe par temps sec
15 618 m3/h
Débit de pointe par temps de pluie

IV.2.2. Charges polluantes :

Charges polluantes de la STEP est représenter dans le tableau suivant

Tableau IV.2 : Charges polluantes

Désignation Unité Valeurs

Charge massique de DBO5 à l’entrée de la STEP Kg/j 35800

Charge massique de DCO à l’entrée de la STEP Kg/j 76600

Charge massique de NTK à l’entrée de la STEP Kg/j 6000

Charge massique de P tot à l’entrée de la STEP Kg/j 1500

Charge massique de MES à l’entrée de la STEP Kg/j 48000

IV.3. REDIMENSIONNEMENT DE LA STEP :

La mise à l'échelle d'une station d'épuration commence généralement par l'évaluation des débits
d'eaux usées et des volumes d'eaux pluviales. Cette évaluation est suivie par une analyse détaillée
des eaux usées et le calcul des charges polluantes sont des étapes importantes dans la conception
efficace d'une station d'épuration

66
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

La STEP sera redimensionnée pour répondre aux besoins de notre étude dans le but de faire une
comparaison avec la situation actuelle jusqu’à 2030.
IV.3.1. Estimation de la population :
Le calcul de la population a été réalisé en se basant sur le recensement des populations de
différentes communes raccordées à la STEP à diverses périodes, avec un taux d'accroissement de
2 %.
Les résultats sont déterminés par la formule ci-dessous et consignés dans le tableau IV.3
P n = P0 × (1+ tx) n. (12)
Avec :
P : population future
P0 : population résidente à l'année considérée comme référence.
n : nombre d'années séparant l'année de référence et l'année prise en compte.
tx : taux d'accroissement.
Tableau IV.3 : Estimation de la population

Bordj El Bordj El Ain El

Commune Rouiba Reghaia Hraoua
Kiffan Bahri Taya Marsa

Date du dernier
2020 2015 2008 2008 2008 2016 2008
recensement

P0 (Habitants) 68 680 90 248 151 950 52 816 34501 50565 12 100

Pn 2030
83721 121462 234912 81652 53338 66719 18706
(Habitants)

Population estimée 2030 = ⅀ Pn = 660510 hab.

La valeur calculée est inférieure à celle que la STEP pourra prendre en charge donc dans cette
présente étude la population avec laquelle la STEP sera :
-Redimensionnée pour 2030 soit P = 720000 habitants

IV.3.2. Calcul de débit des eaux usées

Pour calculer le debit des eaux usees on doit calculer [26]:

67
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

IV.3.2.1. Débit moyen journalier consommé

D×N
Qmoyj = (13)
1000

Avec :
Qmoyj : débit moyen journalier consommé en m3/j
D : dotation journalière en l/j/hab,
N : la population

IV.3.2.2. Débit moyen journalier rejeté

Le débit des eaux usées est calculé sur la base du débit de consommation en eau potable. Il est
donné par la relation suivante :
Q moyj (rejeté) = C rj × Q moyj (consommé) (14)
Avec :
Q moyj (rejeté) : débit moyen journalier des eaux usées (m3/j)
Q moyj (consommé) : débit moyen journalier de la consommation (m3/j)
C rj : coefficient de rejet (0,8-1), pris égal à 80%.

IV.3.2.3 Débit de pointe des eaux usées

Le débit de pointe est donné par la relation suivante :
Q p = C p × Q moyj (rejeté) (15)
Avec :
Q p : débit de pointe des eaux usées (m3/j)
Q moyj (rejeté) : débit moyen journalier des eaux usées (m3/j)
C p : coefficient de pointe donné par :
2,5
CP = 1,5 × (16)
√Qmoyj (rejeté)

Les résultats des calculs sont résumés dans le tableau IV.4:

Tableau IV.4 : Calculs des débits

Dotation Q moyj (consommé) Q moyj (rejeté)

Horizon Cp QP (m3/j)
(l/hab/j) (m3/j) (m3/j)

2030 200 144000 115200 1,56 179855

68
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

IV.3.3. Estimation des charges polluantes

Pour calculer les charges polluantes on doit calculer [26] :

IV.3.3.1. Calcul de la concentration des polluants

Les flux de pollution et les teneurs en polluants sont déterminés à partir des relations suivantes:
LX
LX = P jmoy × NEH (17) et CX = (18)
Qmoyj

Avec :
LX : la charge moyenne journalière du polluant x (Kg/j)
Pjmoy : pollution journalière moyenne par habitant (g/EH/j)
NEH : le nombre d’équivalent habitant
CX : la concentration moyenne du polluant x (Kg/m3)
Q moyj (rejeté) : débit moyen journalier des eaux usées (m3/j).
Les résultats de calcul sont résumés dans les tableaux suivants :

Tableau IV.5: Flux de pollution et teneurs en polluants

Les polluants Pjmoy (g/EH/j) LX (Kg/j) CX (mg/l)

MES 70 50400 437,5

DBO5 54 38880 337,5

DCO 120 86400 750

NTK 15 10800 93,75

P 4 2880 25

69
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.
Tableau IV.6: Base de dimensionnement de la STEP

Paramètres Unité Valeurs

Capacité de la station Eq.hab 72000

Dotation journalière l/EH/j 200

Débit moyen consommé m3/j 144000

Débit moyen journalier rejeté m3/j 1667

Débit de pointe m3/j 179855

DBO5

Charge spécifique g/EH/j 54

Charge totale population Kg/j 38880

Concentration prévue mg/l 337,5

DCO

Charge spécifique g/EH/j 120

Charge totale population Kg/j 86400

Concentration prévue mg/l 750

MES

Charge spécifique g/EH/j 70

Charge totale population Kg/j 50400

Concentration prévue mg/l 437,5

NTK

Charge spécifique g/EH/j 15

Charge totale population Kg/j 10800

Concentration prévue mg/l 93,75

Charge spécifique g/EH/j 4

Charge totale population Kg/j 2880

Concentration prévue mg/l 25

70
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

NB : La station d'épuration repose sur une série d'étapes de prétraitement, de traitement biologique
et de désinfection, avec une attention particulière portée à la répartition équilibrée du débit et à la
fiabilité opérationnelle.
IV.4. REDIMMENTIONNEMENT DES OUVRAGES DE PRETRAITEMENT :
Le dimensionnement des ouvrages de prétraitement (zone 1) se fait comme suit [26] :
IV.4.1. Dégrillage
La station d'épuration de Reghaia est équipée de deux types de dégrilleurs automatiques, l’eau
passe en premier par le dégrilleur grossier en suite par le dégrilleur fin.
Cette opération vise à protéger les structures en aval de la station.

Figure IV.2 : Dégrilleur grossier

Pour le calcul de dégrilleur, on opte pour la méthode de KIRSCHMER [27] :
˗ La section de la grille est donnée par l’expression suivante :
QP d
Sg = (19) ; β= (20)
V×(1−β) × σ d +e

˗ La largeur de la grille est donnée par la formule suivante :

Sg 𝑠𝑖𝑛 α
Lg = (21)
hmax

˗ Le nombre des barreaux :

Lg = Nb × d+ Ne × e (22) ; Nb = Ne – 1 (23)

71
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.
Avec :
Sg : section de grille (m)
Qp : débit de pointe (m3/s)
Lg : largeur de la grille (m)
α : angle d’inclinaison de la grille avec l’horizon (60° < α < 90°). Dans le cas de notre étude on le
prend égal à 60° du fait que cet angle donne une meilleure efficacité pour le dégrilleur) [28].

𝜎 : coefficient de colmatage de la grille (σ = 0,25 pour une grille manuelle et 0.5 pour une grille
mécanique) [28]
β: fraction de surface occupée par les barreaux
e : espacement entre les barreaux (m)
d : diamètre des barreaux (m)
h max: hauteur d’eau maximale dans le canal 0,5 ≤ h max ≤ 1,5 m [28]
V : vitesse de passage à travers la grille (m/s)
Ne : nombre d’espacement
Nb : nombre des barreaux.
La vitesse de passage à travers la grille doit être suffisante pour obtenir l’application des matières
sur la grille sans provoquer une perte de charge importante ni entraîner un colmatage et un dépôt
en profondeur des barreaux ou un départ des matières avec l’effluent, les vitesses moyennes de
passage admises sont de l’ordre de 0,6 m/s à 1,0 m/s [29] [28].
Tableau IV.7 : Espacement et épaisseurs des barreaux

Paramètres Grille grossière Grille fine

d (m) 0,02 0,01

e (m) 0,03 à 0,1 0,003 à 0,01

QP
˗ Section mouillée du canal (SC) est donnée par : SC = (24)
V
SC
˗ Hauteur mouillé du canal (H) est donnée par : H = (25)
LC

˗ Pertes de charge :
Selon Qasim et Eckenfelder, les pertes de charge au niveau de la grille, sont fonction de la forme
des barreaux, l’espacement entre les barreaux, la largeur des barreaux, la vitesse d’approche et
l’inclinaison de la grille [30] [31]. Elles sont données par l’expression suivante de KIRSCHMER
4
d 3 V2
∆H = β' × (e ) × 2 g × 𝑠𝑖𝑛 ∝ (26)

72
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.
Avec :
ΔH : perte de charge (m)
g : accélération de la pesanteur (m2/s)

β' : coefficient dépendant de la forme des barreaux.

Tableau IV.8 : Valeurs de β' en fonction de type des barreaux [30]

Type des barreaux 𝛃′

Rectangulaire 2,42

Rectangulaire avec une face amont circulaire 1,83

Circulaire 1,79

Rectangulaire avec une face amont et aval semi- circulaire 1,67

Forme de lame 0,76

Tableau IV.9 : Résultats de dimensionnement du dégrilleur

Redimensionnement Dimensionnement actuel

Paramètres Unité Grossier Fin Grossier Fin

Débit de pointe m3/s 2,08 3,07

Vitesse de passage m/s 0,6 0,6 1,08 1,08

Épaisseur du barreau (d) mm 20 10 8 -

Espacement du barreau (e ) mm 20 10 20 6

Inclinaison ° 60 60 70 70

Nombre des barreaux - 100 100 53 -

Section de la grille m2 6,94 3,47 - -

Largeur de la grille m 4,01 2 1,5 1,8

Longueur m 1,73 1,73 - -

Nbr de grille 2 4 2 4

Section moullée du canal m2 3,47 3,47 - -

Hauteur moullée du canal m 1,5 1,5 - -

Perte de charge m 0,038 0,038 - -

73
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

NB : Des différences ont été trouvées pour les dimensions des grilles notamment pour le dégrillage
grossier. Cependant, puisque l’eau usée est relevée par pompage, ces changements n’auront pas
un impact signifiant sur l’efficacité du dégrilleur.

IV.4.2. Dessableur-déshuileur

Le processus de dessablage vise à retenir les graviers, le sable et les particules minérales en
suspension par sédimentation, afin d'éviter tout dépôt dans les canaux et les conduites, et de
protéger ainsi les pompes et autres équipements contre l'abrasion. Il consiste à faire circuler l'eau
dans une chambre à une vitesse constante, favorisant ainsi le dépôt de la majeure partie du sable
[6].

Quant au déshuilage, il facilite la remontée à la surface des huiles et graisses, plus légères que l'eau
en raison de leur poids spécifique, en les aidant à former des bulles d'air qui les transportent. Ces
substances sont ensuite séparées par raclage en surface.

Figure IV.3 : Remonté des graisses

Condition de dimensionnement
Pour qu’il y ait sédimentation des particules il faut que le régime soit laminaire et que le nombre
de Reynolds de particule Nr soit inferieur ou égale à 1 [32] :
-Première condition : le temps de décantation doit être inférieur au temps de séjour (ts), cela
implique :
H Q H×L×l Ve L
≤ = → ≤ (27)
VS V Ve ×l × H VS H

Avec : [33]
L
10 ≤ ≤ 15 (28)
H

74
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

-Deuxième condition : la vitesse horizontale doit être inférieure ou égale à 15 fois la vitesse de
sédimentation :

Ve ≤ 15 × Vs (29)
Avec:
Ve : vitesse horizontale
Vs : vitesse de sédimentation égale à 15 m/h [34]
L : longueur de bassin (m),
l : largeur du bassin (m)
H : hauteur d’eau ( 1 ≤ H ≤ 2,5) (m) [34] [35]
t s: temps de séjour est compris entre 3 et 10 minute au débit de pointe
Pour le dimensionnement du dessableur- dégraisseur, on a :
-Volume du bassin de dessableur–dégraisseur :
V = QP × ts (30)
QP
-Surface horizontale du bassin : Sh = (31)
VS

V
˗ Hauteur de l’eau : H= (32)
Sh

˗ Longueur et largeur du bassin :

Sh
L = 12,5 × H (33) ; l= (34)
L

QP
˗ Vitesse horizontale : Ve = (35)
H×l

Les dimensions obtenues doivent obéir aux conditions de dimensionnement suivantes :

Ve L
Première condition : ≤ → 12 ≤ 12,5
VS H

Ve
Deuxième condition : Ve ≤ 15 × Vs → = 12 < 15
VS

Les conditions de dimensionnement sont bien vérifiées.

Débit volumique d’air à injecter dans le dessableur

Une quantité d’air est nécessaire, afin de permettre l’aération ainsi que la remontée des huiles en
surface, est en fonction de la longueur du bassin. En général, le volume d’air à injecter est de 0,35
m3 /m/min [26]

Q air = L × Vair (36)

75
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

Les résultats de calcul sont résumés dans le tableau IV.10 :

Tableau IV.10 : Résultats dimensionnement du dessableur – déshuileur
Dimensionnement
Paramètres Unité Redimensionnement
actuel
QP m3/h 179855
Vs m/h 15 -
Ve m/h 0,05 0,06
b- largeur inférieure m 2,66 1,2
B- largeur supérieure m 5,33 2,8
ts min 10 8,2
Volume total m3 1249 1256
Volume/ couloir (4 couloirs) m3 312 314
Surface horizontale m2 125 116
Hauteur d’eau m 2,5 3,5
Longueur m 31,25 29
Section verticale m2 10 -
Largeur moyenne m 4,00 -
Qair m3/h 656 -

NB : Le redimensionnement a montré que la surface horizontale pourrait être optimisée en

élargissant la section verticale. Ainsi, l’ascension des graisses sera facilitée, la couche flottante
sera plus facile à racler et la partie sédimentée sera moins épaisse, ce qui évitera la remise en
suspension des particules.

IV.4.3. Décanteur primaire

Les effluents prétraités sont dirigés vers quatre décanteurs lamellaires, Ces structures comportent
des plaques lamellaires inclinées qui augmentent la surface de contact, accélérant ainsi le processus
de dépôt des particules et améliorant le rendement de la décantation. [1] [6] [26]

Les boues s’écoulent vers le bas par gravité et sont collectées par un racleur circulaire qui les dirige
vers la fosse centrale. Une herse facilite la séparation eau/boue, contribuant ainsi à l’épaississement
des boues. Ces boues, souvent très fermentescibles, peuvent être dirigées directement vers la
déshydratation sans passer par l’épaississement.

76
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

Figure IV.4 : Décanteur lamellaire

-Volume total : Vt = Q P × t s (37)

Avec :
Q P : débit de pointe horaire
t s : temps de séjour

Vt
-Volume par décanteur : Vd = (38)
4

Vt
-Section horizontale : Sh = (39)
Vs

Avec :
Vs : vitesse de sédimentation
-Longueur et largeur : on a une section carrée (L = l)

Sh = L × l → L = √Sh (40)

Vd
-Hauteur: H= (41)
Sh

-Section vertical: Sv=L×H (42)

77
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

Calculs des lamelles :

50
-Distance entre lamelles : dl= (43)
100

L
-Rangées de lamelles : (44)
ll+dl

L
-Nombre par rangée : (45)
e+dl

Avec :
e : épaisseur standard (constructeur) de la lamelle
-Nombre total par décanteur : = Rangées de lamelles × Nombre par rangée
-Nombre total : = Nombre total par décanteur × 4

-Débit par lamelle :

ts ×QP
Ql= (46)
𝑁𝑜𝑚𝑏𝑟𝑒 𝑡𝑜𝑡𝑎𝑙 𝑝𝑎𝑟 𝑑é𝑐𝑎𝑛𝑡𝑒𝑢𝑟

-Surface projetée par lamelle :

S l = L l × l l ×𝑐𝑜𝑠 (60) (47)

-Vitesse de Hazen :
Ql
V= (48)
Sl

Les résultats de calcul sont résumés dans le tableau IV.11.

78
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

Tableau IV.11 : Résultats dimensionnement du Décanteur primaire

Dimensionnement
Paramètre Unité Redimensionnement
actuel
Débit de pointe horaire m3/h 7494
Vitesse de sédimentation m/h 15 15
Temps de séjour min 15 18
Volume total m3 1873 -
Volume par décanteur (4) m3 468 576
Section horizontale m2 125 144
Longueur et largeur
m 11,18 12
(section carrée)
Hauteur m 3,75 4
Section verticale m2 42 48
Rangées de lamelles U 7 7
Longueur lamelle m 2,5 2,5
Largeur lamelle m 1,5 1
Distance entre lamelles mm 50 50
Angle (60) ° 60 55
Épaisseur standard
(constructeur) de la mm 3 -
lamelle
Nombre par rangée U 211 190
Nombre total par
U 1476 1333
décanteur
Nombre total U 5904 5330
Débit par lamelle m3/h 1,27 -
Surface projetée par
m2 1,88 -
lamelle
m/h
Vitesse de Hazen 0,7 0,98

79
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

NB : Les différences remarquées pour le décanteur lamellaire entre le dimensionnement actuel de

la STEP et le redimensionnement proposé ne sont pas très signifiants mis à part pour la vitesse de
Hazen corrigée et la largeur des lamelles augmentée.

IV.5. REDIMENSIONNEMENT DES OUVRAGES DU TRAITEMENT BIOLOGIQUE

(SECONDAIRE)

Le traitement secondaire des eaux usées est une étape visant à éliminer les matières organiques
restantes après le traitement primaire. Cette élimination est généralement réalisée par l'action de
micro-organismes, principalement des bactéries. [1] [26]
En Algérie, le procédé le plus courant est la "boue activée", une méthode biologique à culture libre.
Ce procédé classique consiste à épurer les eaux usées dans un bassin aérobie, où la matière
organique biodégradable, le carbone organique, le phosphore et les formes azotées sont dégradés.
Ce traitement implique le développement et la croissance d'une culture bactérienne dispersée sous
forme de boue. Les bactéries sont exposées à des conditions favorables dans un bassin d'aération,
où l'eau à épurer est brassée et aérée. Les bactéries consomment et dégradent la matière organique,
formant une biomasse décantable. Elles contribuent également à l'élimination de l'azote et du
phosphore. Les matières solides sont ensuite décantées au fond du bassin pour former des boues
secondaires, qui sont traitées de la même manière que les boues primaires.
Le traitement à boues activées à faible charge est régi par :
Charge massique Cm :
0,1 ≤ Cm ≤ 0,2
Charge massique Cv :
0,35 ≤ Cv ≤ 0,6

Nous préconisons un traitement biologique réalisé dans les ouvrages suivants : un bassin
d'anaérobie, un bassin d'anoxie, un bassin d'aération, et un décanteur.

IV.5.1. Bassin biologique

-Volume totale :
En considérant une élimination antérieure de 40/100 de DBO5

0,6 × Charge totale population en DBO5

VT = (49)
CB × Cm

Avec :
CB : Concentration boues

80
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

VT
-Volume unitaire : VU = (50)
4
VU
-Et le temps de séjour est donné par : t s = (51)
0,25 × Q moy h

0,25 × QP moy h
-Section horizontale Sh = (52)
Vasc

Avec :
Vasc : Vitesse ascensionnelle pour les STEP d’un effluent urbain/mixte [36]

-Longueur et largeur : Section carré → L = l = √Sh (53)

VU
-Hauteur : H= (54)
L×l

Les résultats de calcul sont résumés dans le tableau

Tableau IV.12 : Résultats dimensionnement du Bassin biologique

Dimensionnement
Paramètre Unité Redimensionnement
actuel
Volume total (on considérant une
élimination antérieure de 40/100 de m3 39207 33800
DBO5
Concentration boues g/l 3,5 4
Kg
Charge massique DBO5/Kg 0,17 0,07
MVS /J
Volume unitaire (4 bassins) m3 9802 8450
Temps de séjour H 5 13
Section horizontale m2 1499 1225
Longueur et largeur M 38,7 35
Vitesse ascensionnelle pour les
m/h 1,25 -
STEP d'un effluent urbain/mixte
Hauteur M 6,54 6,9

NB : Le redimensionnement du bassin biologique a indiqué que le temps de séjour n’est pas adapté
à la charge massique réelle calculée de la STEP qui est de 0,17 Kg DBO5/Kg MVS /J.
En outre, les besoins en Oxygène ont été calculées en se basant sur les charges journalières de base
du dimensionnement en DBO5, la charge massique et l’azote Kjeldahl [37].

81
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

Besoins journaliers en O2 = 0,6 DBO5 (à être éliminé pendant l’aération)

+ 0,1 MVS (dans le bassin d’aération) + 4,25 NTK (à nitrifier)

En prenant en considération que 65% de la DBO5 seulement est rémanente après décantation
primaire et 85% de l’azote NTK [38].
Besoins journaliers en O2 = 69044,08 kg/j à l’horizon 2030. Si on divise cette valeur par le débit
de pointe à cet horizon :
Donc les besoins unitaires en Oxygénation = 0,38 kg O2/m3 d’eau brute.
Cette valeur est plus haute que les valeurs usuelles de ce besoin pour les STEP à boues activées
urbaines ou elle avoisine la valeur 0,32 kg O2/m3. Ceci est principalement due à la nature de
l’effluent de provenance semi-industrielle.

IV.5.2. Décanteur secondaire (Clarificateur)

Le clarificateur est une structure de forme circulaire avec une base cylindro-conique. Son rôle
principal est de séparer les boues de l'eau traitée après le processus de traitement biologique et de
concentrer les boues en vue de leur réutilisation ou de leur élimination. [39]
En outre, il permet également de récupérer les eaux clarifiées grâce à une double goulotte située
dans la partie supérieure, ces eaux peuvent ensuite être rejetées dans l'environnement ou dirigées
vers des filtres à sable pour un traitement tertiaire.

• Pour calculer les différents éléments du clarificateur, il est nécessaire de déterminer

certains paramètres à partir des figures et des tableaux.
On a Cm = 0,17
D’après la figure et le tableau présenter si dessous on définit un indice de MOHLMAN IM en
fonction de Cm

Figure IV.5 : Estimation de IM en fonction de Cm [39]

82
 Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.
Tableau IV.13 : Variables a’, b’ IM et % MVS en fonction de Cm [39]
Besoin
Cm (kg DBO5/kg Besoin respiration M de référence % MVS dans
métabolisme a’ (kg C ba (g/l)
MVS) endogène b’ (kg O2) (ml/g) le réacteur
O2)

0,035 0,7 0,055 150 60 3,5 ou 5 *

0,065 0,7 0,06 150 63 3,5 ou 5 *

0,09 0,7 0,07 150 65 3,5 ou 5 *

0,15 0,68 0,075 170 70 3,5

0,30 0,65 0,085 200 75 3

0,60 0,6 0,1 250 78 2,5

0,90 0,5 0,14 300 82 2

On prend IM = 150 au lieu de 175 pour éviter le bulkin

En fonction de IM, on déduit une vitesse ascensionnelle
Tableau IV.14 : Vitesse ascensionnelle max pour niveau « e » (30 mg DBO5/l) max)

IM (ml/g) 100 150 175 200 250 300

Vasc max (m/h) 1,05 0,88 0,8 0,72 0,68 0,64

Q max
-Calculer la surface utile minimale du clarificateur : S Hu = (55)
Vasc

VU
-Débit horaire : Qh= (56)
ts

Avec :
Vu : Volume utile par bassin
ts : Temps de séjour

Figure IV.6 : Temps de séjour maximum des boues dans le clarificateur [39]

83
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

π D2 4×S
-Diamètre S Hu = →D=√ (57)
4 π

-Hauteur totale d’eau est donnée par :

H t = h1 + h2 + h3 + h4 (58)
Avec :
h1 = Zone d’eau clarifiée ≥ 0,5 m (en pratique h1 = 0,5 m)

h2 = Zone de sédimentation = 0,8 ( réseaux unitaire )

C b a × IM
h3 = Zone d’épaississement → h3 = (59)
1000

C'ba × V U × IM
h4 = Zone de stockage → h4 = ( réseau unitaire ) (60)
100 × SHu

Avec :
C’ba = 1 g/l = Variation de concentration dans le bassin d’aération par temps de pluie
-Volume du clarificateur : V = S Hu × H t (61)

Conditions de hauteur à vérifier

• Source SUEZ :
h ≥ 3 m → Ouvrages de D ≥ 20 m
h ≥ 2,5 m → Ouvrages de D < 20 m
Pour ouvrages circulaires → h mesurée au 1/3 du rayon à partir de la périphérie.

-D’après SUEZ la hauteur d’eau corrigée H Corrigée = 3 m

Qh ×ts
- Surface horizontale corrigée : S Hu corrigée = (62)
H Corrigée

- Diamètre corrigé :

4 × S Hu corrigée
D Corrigé = √ (63)
π

- Volume corrigé :
V Corrigé = H Corrigée × S Hu corrigé

Les résultats de calcul sont résumés dans le tableau

84
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

Tableau IV.15 : Résultats dimensionnement du clarificateur

Dimensionnement
Paramètre Unité Redimensionnement
actuel

Kg DBO5/Kg
Charge massique 0,17 0,07
MVS /J

Concentration des boues

g/l 3,5 4
activées

Indice de MOHLMAN - 150 100

Vitesse ascensionnelle m/h 0,88 -

Surface utile minimale du

m2 7862 -
clarificateur

Volume utile par bassin m3 9802 -

Temps de séjour h 1,42 -

Débit horaire m3/h 6919 7500

Diamètre m 100 -

Hauteur Zone d’eau clarifiée m 0,5 0,5

Hauteur Zone de sédimentation m 0,8 1,4

Hauteur Zone d’épaississement m 0,53 0,6

Hauteur Zone de stockage m 0,19 1,1

Hauteur totale d’eau m 2,01 -

Volume du clarificateur m3 15802 -

Hauteur d’eau corrigée m 3 3,6

Surface horizontale corrigée m2 3267 -

Diamètre corrigé m 64 58

Volume corrigé m3 23587 -

NB : La charge massique a également induit un ajustement dans le décanteur secondaire comme

le taux de boues produits ajustant ainsi les hauteurs partielles du clarificateur et par conséquent
cela a élargi le diamètre.

85
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.
IV.5.3. Dégazage
L'ouvrage de dégazage est positionné en aval du bassin d'aération pour faciliter l'élimination des
bulles d'air présentes dans la liqueur en transit vers le décanteur secondaire. Cette action vise à
réduire les bouchons d'air susceptibles de provoquer des à-coups hydrauliques préjudiciables au
bon fonctionnement du clarificateur. De plus, lors de ce processus de dégazage, des mousses
peuvent être récupérées et extraites de la file d'eau. Ce dispositif est essentiel pour prévenir toute
remontée indésirable de boues dans le clarificateur, ce qui compromettrait inévitablement la
décantation des boues. Positionné entre le bassin d'aération et le clarificateur, il permet de désaérer
l'effluent après son traitement dans les réacteurs biologiques. [26]

-Concentration en recirculation des boues :

1000
Cb r = 1,2 × (64)
IM

Avec :
1000 : Coefficient d’homogénéité des unités
1,2 : Coefficient qui tient compte de l’épaississement des boues dans le clarificateur
-taux de recirculation :
Cba
R br= (65)
Cbr × Cba

-Débit boues recirculées total :

QB = R b r × Q j rejeté (66)
-Surface horizontale /bassin :
0,25 × (QB + QP )
S h/b = (67)
Ch × 24

Avec :
Q P : Débit de pointe
C h : Charge hydraulique
QP + QB
-Débit total horaire : Q ht = (68)
24
- Volume total : V t = Q P× t s (69)

Vt
- Volume unitaire : VU = (70)
4

- Hauteur : VU
H= (71)
Sh/b

Les résultats de calcul sont résumés dans le tableau

86
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

Tableau IV.16 : Résultats dimensionnement du Bassin de Dégazage

Dimensionnement
Paramètre Unité Redimensionnement
actuel

Concentration boues en
g/l 8 -
excès

Taux de recirculation - 77,78 -

Débit de pointe m3/j 179855

Débit boues recirculées

m3/j 89600 -
total

Vitesse ascensionnelle m/h 70 70

Surface horizontale /bassin m2 40 53,6

Charge hydraulique m3/m2.h 70 70

Temps de séjour min 5 5

Débit total horaire m3/h 11227 15000

Volume total m3 936 1243,52

Volume unitaire m3 234 310,28

Hauteur m 5,8 5,8

NB : C’est dans le bassin de dégazage que l’on détecte une différence de dimensions importante.
Un rétrécissement de la section horizontale resurgit.
Ceci indique clairement que le taux de recirculation sur lequel s’est basé le dimensionnement
actuel est plus faible que le taux calculé selon les valeurs réelles et la nature de l’effluent.
Ce rétrécissement peut favoriser et accélérer l’ascension de l’azote gazeux et rétrécir la surface
aérobie favorisant ainsi la dénitrification.
IV.6. REDIMENSIONNEMENT DES OUVRAGES DU TRAITEMENT TERTIAIRE

IV.6.1. Épaississeur

• Produits de la déphosphatation chimique

Le réactif retenu est le chloro-sulfate ferrique sous forme liqueur, connu sous la dénomination
commerciale de clairtan dont la composition est la suivante :
-Fe3+ : environ 200 g/l ou 13 %
-SO2- : environ 360 g/l ou 23,4 %
-Cl- : environ 120 g/l ou 7,8 % [34]

87
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

Le rapport molaire retenu pour atteindre un rendement d’élimination de 80% est :

Fe
= 1,2 (72)
P

Avec, la masse moléculaire de Fe égale à 56 et la masse moléculaire de P égale à 31.

La quantité de Fe nécessaire pour la déphosphatation est donnée par :
56
LFe nécessaire = 1,2 × P à précipiter × (73)
31

La quantité nécessaire de clairtan est donnée par :

L Fe
Clairtan = (74)
0,200

• Production de boues supplémentaires

Le phosphore est éliminé sous forme de FePO4 (M FePO4 = 151g) avec le Fe (OH) 3 (M Fe (OH)3
=107g) [34]
151
FePO4 = P à précipiter × (75)
31

Fe utilisé dans FePO4 :

56
F eutilisé en FePO4 = P à précipiter × (76)
31

Fe restant qui va se combiner en Fe (OH)3

Fe combiné en Fe (OH)3 = L Fe nécessaire – F eutilisé en FePo4 (77)

Fe (OH)3 formé :
107
Fe (OH)3 formé = Fe combiné en Fe (OH)3 × (78)
56

Dont 25% partent dans l’effluent, soit 155,95 Kg/j qui forment des boues :
Fe (OH)3 qui forme des boues = (1 - 0,25) ×Fe (OH)3 formé (79)
Quantités des boues chimiques produites à base de phosphore :
∆X1 = FePO4 + Fe (OH)3 qui forme des boues (80)

Les résultats de calcul sont résumés dans le tableau : IV.17

88
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

Tableau IV.17 : Calculs des boues chimiques produites

Paramètres Unité Valeurs

Produit nécessaire
Quantité de Fe nécessaire Kg/j 5307
Quantité nécessaire de clairtan L/j 26533
Production de boues
FePO4 Kg/j 11924
Fe utilisé dans FePO4 Kg/j 4422
Fe combiné en Fe(OH)3 Kg/j 884
Fe(OH)3 formé Kg/j 1690
Fe(OH)3 qui forme des boues Kg/j 1267
Les quantités des boues chimiques produites
∆X1 Kg/j 13192

Calcul de la quantité des boues en excès

Les boues en excès sont proportionnelles à la quantité de la DBO5 éliminée (Le), et dépendent de
la charge massique dans le bassin d’aération. La quantité de boues en excès est déterminée par la
formule d’Eckenfelder :
∆X2 = X min + X dur + a m Le – b m Xa – X eff (81)
Avec :

X min : boues minérales (30% de MES)

X dur : boues difficilement biodégradables, elles représentent 0,35 des MVS
a m : coefficient de rendement cellulaire (cellulaires formées /g DBO5 éliminées), varie entre 0, 55
< a m < 0, 65.
Le : quantité de DBO5 à éliminer
b′ : coefficient cinétique de respiration endogène
b'
b m= : fraction de la masse cellulaire éliminée par jour en respiration endogène [33]
1,42

X a : masse totale de MVS dans le bassin

X eff : fuite de MES avec l’effluent (30 mg /L) [40]

Les résultats de calcul sont résumés dans le tableau : IV.18

89
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

Tableau IV.18 : Calculs de la quantité totale de boues en excès

Paramètres Unité Valeurs

Boues minérales (30% de MES) Kg/j 15120
Charge totale population des MES Kg/j 50400
Charge totale population des MVS Kg/j 10584
Boues difficilement biodégradables Kg/j 3704,4
Coefficient de rendement cellulaire - 0,6
Quantité de DBO5 à éliminer Kg/j 25272
Coefficient cinétique de respiration endogène - 0,075
Fraction de la masse cellulaire éliminée par jour en respiration endogène - 0,053
Volume total m3 39207
Concentration boues g/l 3,5
Masse totale de MVS dans le bassin Kg 137224
Fuite de MES avec l’effluent 5395,64
Quantité totale de boues en excès Kg/l 21344 ,24

˗ Quantité totale de boues en excès :

∆Xt = ∆X1 + ∆X2 (82)
˗ Concentration de boues en excès : [41]
1200
Xm= (83)
IM

Avec :
X m : concentration de boues en excès
I M : indice de Mohlman.

Une boue activée de bonne structure à un indice de Mohlman compris entre 80 à 150 ml/g.

Pour un Cm égal à 0.1 → IM = 125 mg/L [42]

∆X t
˗ Débit de boues en excès : Q b excès = (84)
Xm
˗ Volume de l’épaississeur : V épaississeur = Q b excès × t s (85)

V
˗ Surface horizontal : Sh = (86)
H

4 × Sh
-Diamètre : D=√ (87)
𝜋

90
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

˗ Caractéristiques des boues épaissies :

La concentration des boues après épaississement par décantation est de l’ordre de 20 à 30 g/l [35]
[42].
˗ Débit des boues épaissies : On adopte une concentration de 30 g/l :
∆ Xt
Q épaissi = (88)
30

Les résultats de calcul sont résumés dans le tableau IV.19

Tableau IV.19 : Résultats dimensionnement du l'épaississeur

Paramètres Unité Redimensionnement Dimensionnement actuel
Quantité totale de boues en excès Kg/j 34535,8 -
3
Q boues excès m /j 4317 -
Temps de séjour jour 1 1,2
3
Volume total m 4317 -
Volume / bassin (2 bassins) m3 2158,5 -
H m 4 4,1
2
Surface horizontale m 539,6 314
Diamètre m 26,2 20
3
Q épaissi m /j 1151 815

NB : On constate également la répercussion de la différence de charge massique sur la production

des boues et par conséquent sur la quantité des boues en excès.

IV.6.2. Déshydratation

Le calcul de la déshydratation est comme suite [26]

˗ Débit de déshydratation : Q déshy = Q épaissi (89)

Q déshy
˗ Débit par temps de fonctionnement : Q déshy / h = (90)
tf

Les résultats de calcul sont résumés dans le tableau IV.20

Tableau IV.20 : Résultats dimensionnement du bassin de déshydratation

Paramètres Unité Redimensionnement Dimensionnement actuel

Q déshy horaire m3/h m3/h 48 48
Temps de fonctionnement h 24 -

91
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

IV.6.3. Filtre à sable

Les eaux épurées sont dirigées vers une unité de traitement avancé appelée "traitement tertiaire"
dans le but de réduire la contamination microbiologique. Ce traitement consiste en une opération
de filtration où les eaux épurées passent à travers un lit filtrant composé de sable. Les impuretés
sont ainsi capturées entre les espaces intergranulaires du sable. [26]
Le degré d'encrassement est surveillé à l'aide d'un manomètre afin de déterminer le moment
opportun pour procéder à un lavage du filtre.
Les particules en suspension seront éliminées du matériau filtrant grâce à l'action combinée de l'air
et de l'eau propre, envoyée en sens inverse du flux initial des eaux destinées à être filtrées, puis
redirigées vers les clarificateurs.

Ce type de traitement apporte une élimination quasi totale de MES, ce qui assure un bon
fonctionnement pour l’étape de désinfection.
Un filtre à sable gravitaire est retenu, avec les critères de conception suivants [35] :
-Épaisseur de la couche filtrante comprise entre 0,7 à 1,5 m ;
-Une taille effective des matériaux filtrante de 0,4 mm à 1,2 mm selon le degré de traitement désiré
et la qualité d’eau de rejet ;
-La hauteur d’eau suffisante pour la percolation comprise entre 0,8 à 2 m ;
-La vitesse de filtration courante est de 2 à 10 m/h ;
-Hauteur de filtre doit tenir compte de l’épaisseur du filtre, de la hauteur d’eau et du support du
filtre sur lequel repose et elle est comprise entre 3 et 4 m [35]

˗ Surface horizontale :
Q moy h − Q b excès h
Sh = (91)
Vitesse de filtration

˗ Volume du bassin :
V = Sh × H (92)

Les résultats de calcul sont présentés dans le tableau IV.21.

92
Chapitre 4 Redimensionnement des ouvrages et propositions d’amélioration.

Tableau IV.21 : Résultats dimensionnement du Filtre à sable

Paramètres Unité Redimensionnement Dimensionnement actuel
Q moy horaire m3/h 4800 -
3
Q boues excès horaire m /h 180 -
Vitesse de filtration m/h 10 10,3
Surface horizontale filtrante totale m2 462 364
3
Volume du bassin m 1848 -
Hauteur de l'ouvrage m 4 4
2
Surface filtrante Aqua /filtre (14*6,5) m 91 91
Nombre de filtres - 5 4
3
Volume total m 1848 -

NB : Le redimensionnement a aussi indiqué la nécessité d’un cinquième filtre afin de couvrir la

totalité de la charge hydrique à l’horizon 2030.

IV.7. CONCLUSION
Le redimensionnement théorique a aidé à apporter quelques améliorations comme pour le
dessableur-déshuileur mais surtout à détecter une certaine inadaptation des proportionnalités de la
boue injectée à la nature de l’effluent. En outre, dans ce cas, le processus d’aération doit être ajusté
selon le besoin unitaire calculé tout en respectant le temps de séjour nécessaire. Une injection de
biomasse avec oxygénation inadaptée pourrait appauvrir l’influent d’oxygène par catabolisme.

93
 Conclusion générale

Conclusion générale

94
 Conclusion générale

Le diagnostic du système actuel de la station d’épuration de Reghaia a permis tout d’abord de

se familiariser avec la chaine épuratoire, l’effluent et l’influent de la station. Ainsi, des
inefficiences ont été décelées tout d’abord dans la non-conformité de l’eau traitée aux normes
de rejet surtout en ce qui concerne l’azote ammoniacal. Ce phénomène se produit quand
l’ammonification est retardée dans les réseaux d’assainissement et retarde par la suite toute la
chaine aérobie qui suit.
En outre, l’historique de la station indique également la non-conformité de la boue produite à
l’épandage à cause de l’excès de Chrome.
Une approche complémentaire a été faite en se basant sur l’analyse par composantes
principales. Ceci nous a mené à réduire le nombre de paramètres signifiants ayant le plus
d’impact sur les paramètres de sortie.
Les résultats de l’analyse ACP ont montré que l’élimination de la pollution organique par voie
biochimique aérobie est un indicateur de performance prévisible pour la STEP de Reghaia ne
présentant pas un dysfonctionnement entre les paramètres disponibles concernés. En outre, dans
l’eau épurée, l’ammonium suit la même allure d’éradication que les autres paramètres réduits
par voie aérobie (DCO et DBO5). Les nitrates à la sortie suivent aussi cette allure. On peut
conclure que la formation des nitrates suit la même allure d’élimination avec les autres
paramètres éradiqués par voie biologique aérobie.
Cependant, dans ce volet, Le redimensionnement du bassin biologique a indiqué que le temps
de séjour n’est pas adapté à la charge massique réelle calculée de la STEP et cela a bien
évidemment affecté le taux de recirculation des boues. Cela indique une certaine inadaptation
des proportionnalités de la boue injectée à la nature de l’effluent. En outre, si l’injection de
biomasse a lieu avec oxygénation inadaptée, cela pourrait appauvrir l’influent d’oxygène par le
biais du catabolisme.
La modélisation CFBP et FFBP a généré des corrélations acceptables allant de 0.5 à 0.67 avec
un écart quadratique moyen entre 14% et 53%.
L’exploration de divers modèles est une voie nécessaire pour optimiser le fonctionnement de la
station. Ainsi, il servira d’outil de monitoring et d’inspection régulière des processus de
traitement et leur fiabilité.
Ainsi, quelques recommandations procureraient un appui pour renforcer les résultats obtenus
dans cette étude et contribueraient ainsi à la réhabilitation de la station de Reghaia.
Tout d’abord, le problème des métaux lourds doit être traité en amont. C’est à dire qu’il faudra
imposer aux industries responsables de respecter la conformité imposée. Cela protègera les
milieux réceptifs de l’effet différé de ces polluants sans parler de leur effet perturbateur sur le
processus biologique.
En outre, les apports en oxygénation ainsi que le taux de recirculation de la boue doivent être
ajustés au besoin et selon la charge de l’effluent.

95
 Conclusion générale

Une autre voie à exploiter est l’inspection du réseau d’assainissement afin de trouver une façon
de remédier au temps de parcours court qui implique l’ammonification retardée.
La modélisation pourrait être beaucoup plus fructueuse s’il y avait un suivi régulier de tous les
paramètres en liaison avec la chaîne biochimique de l’élimination de l’azote.
Le dosage des réactifs devrait aussi faire objet d’un monitoring pour optimiser l’efficacité.
Ces perspectives de réhabilitation et d’ajustement pourraient largement contribuer à trouver des
voies de préservation des milieux de rejets affectés à cette station et de maximiser son
rendement environnemental et économique.

96
 Références bibliographiques

Bibliographie
[1] S. I. Bouarab et N. Chourar, Projet fin d'étude, ALGER: Ecole supérieure des sciences
appliquées, 2022.

[2] H. Bouanani, Thése de doctorat en hydraulique, Alger: Ecole nationale polytechnique, 2021.

[3] C. GAHGAH et H. TAZI, Mémoire de fin d'études, Boumerdes: Université M'Hamed Bougara ,
2020.

[4] K. MEDARBEL et S. AMAROUCHE, Projet de fin d'études, Alger: Ecole nationale polutechnique,
2012.

[5] A. MAALIOU, Alger: USTHB.

[6] I. MALEK, Projet de fin d'études, Alger: Ecole nationale polytechnique, 2014.

[7] N. LAREDJ, Projet de fin d'études, Alger: Ecole nationale polytechnique, 2013.

[8] S. DJERARDA et K. HEDLI, Projet fin d'études, M'sila: Univérsité de Mohamed Boudiaf,
2017/2018.

[9] A. GAID, Technique de l'ingénieur, J. SIBONY et B. BIGOT, Éds., 1993.

[10] SEEAL, Alger, 2022.

[11] Nakib, Thése de doctorat en sciences, Alger: Ecole nationale polytechnique, 2015.

[12] Notice d'éxploitation, Alger, 2021.

[13] O. BENSALEM et R. FERRAOUN, Projet fin d'études, Alger: Ecole nationale polytechnique, 2018.

[14] A. HAMRICHE et K. TACHET. [En ligne]. Available: https://repository.enp.edu.dz.

[15] A. FOUCHEL, Thése de doctorat, Alger: Univérsité des sciences et de la technologie Houari
Boumediene, 2019.

[16] A. DJEFFAL. [En ligne]. Available: http://www.abdelhamid-

djeffal.net/web_documents/coursna.pdf.

[17] BELKBIR. [En ligne]. Available: https://dspace.univ-

ouargla.dz/jspui/bitstream/123456789/35099/1/belkbir.pdf.

[18] K. FUKUSHIMA, A neural network for visual pattern recognition, 1998.

[19] P. COULIBALY, F. ANCTIL et B. BOBEE, «Prévision hydrologique par réseaux de neurones

artificiels,» 1999.

[20] Althouff et Rodrigues, 2021.

97
 Références bibliographiques

[21] Ghorbani, 2021.

[22] He, 2022.

[23] Ikram, 2022.

[24] Fausset, 1994.

[25] Karaca, 2016.

[26] A. TALHI et F. Z. TALBI, Alger: Ecole nationale polytechnique, 2019.

[27] A. GAID, Epuration biologique des eaux usées urbaines, Offices des publications universitaires
éd., vol. Tome 1 / Tome 2, Alger, 1984.

[28] M. SATIN, B. SELMI et B. REGIS, Gidue technique de l'assainissement, Paris, 1999.

[29] R. THOMAZEAU, Station d'épuration : eaux potables-eaux usées, précis téorique et

technologique, Paris, 1981.

[30] S. QASIM, Wastwater treatment and reuse: principles and basic treatment, Etats-Unis, 1999.

[31] W. ECKENFELDER, Gestion des eaux usées urbaines et industrielles, Paris, 1982.

[32] S. DEGREMENT, Mémento technique de l'eau, Paris, 1989.

[33] P. BECHAC, P. BOUTIN, B. MERCIER et P. NUER, Traitement des eaux usées, Paris, 1987.

[34] M. SATIN, B. SELMI et B. REGIS, Guide technique de l'assainissement, Paris, 2010.

[35] S. DEGREMONT, Mémonto technique de l'eau, Paris, 2005.

[36] [En ligne]. Available: http://fndae.fr/documentation/PDF/fndae08-b.pdf.

[37] ADLER, 2005.

[38] Nakib, 2012.

[39] M. CHERRARED, Master 2 Hydraulique Hurbaine, Alger, 2024.

[40] JO, «Journal officiel de la république algérienne N° 41,» 2012.

[41] R. SALGHI, Dimensionnement d'une station d'épuration par boues activées, Agadir, 2009.

[42] A. SADOWSKI, Méthode de calcul d'une filiére de traitement : boues activées- tres faible
charge, nitrification et dénitrification, traitement du phosphore, France, 2002.

[43] E. e. Metcalf, Wastwater engineering treatment and reuse, New York, 2002.

[44] Réalisation et équipement de la 2 éme tranche de la station d'épuration de Réghaia, Alger,

2021.

98
 Références bibliographiques

[45] G. SOUAG, Thése de doctorat, Alger: Université des sciences et de la téchnologie Houari
Boumediene, 2007.

99