ABSTRAIT

Le passage croissant à l'incinération des déchets solides municipaux (DSM) à Taïwan a

conduit à une demande croissante de connaissances sur les caractéristiques des DSM,
en particulier leur contenu énergétique. La LHV (pouvoir calorifique inférieur) des
DSM est un paramètre important dans le choix de la capacité de l'incinérateur. Dans
ce travail, les DSM de 55 sites d'échantillonnage ont été échantillonnés et analysés
pour déterminer leurs caractéristiques. Les résultats ont été utilisés pour prédire la
LHV des DSM à Taïwan en utilisant des modèles de réseaux de neurones du
perceptron multicouche (MLP). Les paramètres d'entrée utilisés dans les modèles
étaient l'analyse élémentaire et les compositions physiques à base sèche ou humide.

Les résultats ont montré que le modèle d'analyse élémentaire a fourni la prédiction la
plus précise des valeurs LHV des DSM à Taïwan. De plus, le modèle de composition
physique de la base humide était le plus simple et le plus économique. Les
opérateurs de traitement des déchets peuvent donc choisir la méthode d'analyse la
plus appropriée en fonction de leur situation. Les résultats de cette étude peuvent
être utilisés pour aider à concevoir des incinérateurs efficaces et économiques pour
les DSM à Taïwan, tout en réduisant les émissions polluantes résultant de la
combustion de ces déchets

L'utilisation de modèles de réseaux de neurones MLP pour la prédiction du pouvoir

calorifique des déchets solides municipaux (MSW) à Taïwan est une méthode utile pour faire
fonctionner correctement les incinérateurs. Trois modèles différents ont été développés dans
cette étude, en utilisant les données mesurées des compositions élémentaires et l'analyse de
la composition physique à base sèche et humide. Les résultats ont montré que le modèle
basé sur les compositions élémentaires offrait une prédiction plus précise pour les
incinérateurs équipés d'analyseurs d'éléments. Cela est important car les caractéristiques des
MSW à Taïwan sont influencées par divers facteurs tels que le lieu, la saison, la répartition de
la population et les facteurs socio-économiques, et une mesure et une prédiction précises du
pouvoir calorifique sont nécessaires pour éliminer correctement les déchets.

Les modèles mathématiques peuvent aider à prédire avec précision le contenu

énergétique des déchets à incinérer, ce qui peut aider à optimiser le processus de
combustion et à améliorer le rendement énergétique.

Cependant, il convient également de noter que l'incinération des déchets solides

municipaux peut également entraîner des problèmes environnementaux, tels que la
production de dioxines et de furanes, qui sont des polluants atmosphériques
dangereux. Les incinérateurs modernes sont équipés de systèmes de contrôle des
émissions pour réduire la libération de ces polluants, mais leur efficacité peut varier
en fonction de la conception et de la maintenance de l'incinérateur. En outre, les
incinérateurs peuvent également produire des cendres toxiques et nécessitent une
gestion appropriée pour éviter la contamination de l'environnement. Par conséquent,
il est important de prendre en compte tous les aspects environnementaux, sociaux et
économiques avant de choisir une stratégie de gestion des déchets solides.

Cette section décrit plusieurs études qui ont été menées pour évaluer la quantité
d'énergie produite à partir de déchets solides municipaux (MSW). Les études ont été
menées dans différents pays et ont utilisé différentes méthodes d'analyse pour
évaluer le potentiel énergétique des déchets. Par exemple, une étude menée par
Cooper et al. a utilisé une régression non linéaire pour évaluer le potentiel
énergétique de 20 déchets dangereux et 20 déchets non dangereux. Une autre étude
menée en Malaisie par Kathirvale et al. a supposé que le potentiel de conversion
énergétique des déchets était de 1540-2640 kcal/kg. Eleftheriou a également évalué
la quantité d'énergie produite à partir de déchets dans les îles de Chypre en mesurant
la valeur calorifique nette et la composition pondérale des MSW de toutes les villes
de l'île.

D'autres études ont utilisé des modèles de réseaux de neurones du perceptron

multicouche (MLP) pour prédire la quantité d'énergie produite à partir de déchets.
Ces études ont montré que le modèle MLP peut être utilisé avec succès pour prédire
la quantité d'énergie produite à partir de déchets, bien que l'un des inconvénients
soit l'absence de signification profonde des phénomènes physiques entre les
variables prédictives et prédictives. L'objectif principal de l'étude mentionnée dans
cette section était d'utiliser les prédicteurs tels que la composition physique de base
sèche et humide et la composition élémentaire correspondante pour prévoir la LHV
des MSW avec le modèle des réseaux de neurones MLP.

CONTEXTUALISATION DU PROBLEME DE L’EXPOSE

Pouvez-vous expliquer le fonctionnement des réseaux de neurones du perceptron

multicouche (MLP) utilisés dans les études pour prédire la quantité d'énergie produite
à partir de déchets solides municipaux ?

Les réseaux de neurones du perceptron multicouche (MLP) sont des modèles

d'apprentissage automatique qui imitent le fonctionnement du cerveau humain. Ils
sont composés de couches de neurones interconnectés qui traitent des données en
entrée pour produire des résultats en sortie. Dans le cas des études pour prédire la
quantité d'énergie produite à partir de déchets solides municipaux, le MLP est utilisé
pour apprendre à partir de données existantes sur la composition des déchets et leur
potentiel énergétique.

Le MLP est capable d'apprendre à partir d'un ensemble de données d'apprentissage

en ajustant les poids des connexions entre les neurones. Les données sont présentées
à la couche d'entrée du MLP, qui transmet ensuite ces données à travers plusieurs
couches cachées, avant d'aboutir à la couche de sortie qui fournit la prédiction.
Le processus d'apprentissage du MLP implique plusieurs itérations pour ajuster les
poids des connexions afin de minimiser l'erreur de prédiction entre les sorties
calculées et les sorties attendues. Une fois que le MLP a été entraîné sur un ensemble
de données d'apprentissage, il peut être utilisé pour prédire la quantité d'énergie
produite à partir de déchets solides municipaux pour de nouveaux ensembles de
données.

Les MLP sont souvent utilisés dans les domaines où les relations entre les variables
sont complexes et non linéaires, ce qui est le cas pour la quantité d'énergie produite
à partir de déchets solides municipaux. Les MLP ont l'avantage d'être capables
d'apprendre à partir de données bruyantes et peuvent être utilisés pour modéliser
des données multidimensionnelles, ce qui en fait un outil précieux pour la prédiction
de la quantité d'énergie produite à partir de déchets solides municipaux