Desempenho de uma língua eletrônica impedimétrica com algoritmo de aprendizado de máquina na análise de águas residuais

Abstract

A água é crucial para uma variedade de atividades humanas e, portanto, deve ser tratada após o uso para garantir que retorne ao meio ambiente em condições adequadas, evitando danos à saúde humana e/ou desequilíbrios ecológicos. As águas despejadas na rede de esgoto, águas residuais, são direcionadas para estações de tratamento, onde são retirados excessos de resíduos e contaminantes. O controle da eficiência do tratamento é feito por análises laboratoriais de diferentes parâmetros, que por muitas vezes demandam muitos recursos. Assim, é importante a pesquisa e inovações tecnológicas que possam assistir ao processo de controle da qualidade de água. Os sensores químicos são uma tecnologia promissora, sendo dispositivos portáteis capazes de detectar várias substâncias químicas de interesse, o que auxilia no monitoramento em tempo real e in loco. Nessa linha, o presente projeto propõe o desenvolvimento e avaliação de um sistema multissensorial tipo língua eletrônica para o auxílio no processo de controle de qualidade de tratamento de água residual. A língua eletrônica a ser desenvolvida é composta de um arranjo de sensores impedimétricos inespecíficos, formados por eletrodos interdigitados modificados com filmes ultrafinos de nanomateriais diversos, um analisador de impedância e um ou mais algoritmos de classificação. As amostras de água residuais foram fornecidas pela Companhia de Saneamento Ambiental do Distrito Federal (CAESB), obtidas de diferentes estações de tratamento de esgoto da região do Distrito Federal. Foram analisadas 212 amostras de 7 estações diferentes, coletadas entre os meses de novembro e dezembro de 2022, em janeiro e de setembro a dezembro de 2023. Verificou-se que a língua eletrônica desenvolvida consegue distinguir as amostras de acordo com o tipo do processo de tratamento operado pela estação e não, necessariamente, pela sua localização geográfica, usando algoritmos classificatórios supervisionados e não supervisionados. A implementação de aprendizado de máquina para quatro parâmetros de qualidade: demanda química de oxigênio (DQO), sólidos suspensos totais (SST), nitrogênio total (NT) e fósforo total (PHOSP), permitiu que a língua eletrônica alacançasse índices de acertos superiores a 50% para a maioria dos parâmetros, chegando a mais de 70% para o caso de NT, mesmo com um banco de dados baixo para a complexidade do projeto. A língua eletrônica desenvolvida mostrou resultados promissores, com leituras estáveis e sensores duráveis para amostras de grande complexidade.