JOURNAL OF HYDROCARBONS MINES AND ENVIRONMENTAL RESEARCH

__________________

© Journal of Hydrocarbons Mines and Environmental Research, ISSN: 2107-6510, Volume 3, Issue 2, December 2012, 31-36 __________________________________________________________________________________________________

Elaboration de modèles mathématiques stochastiques pour la prédiction des teneurs en métaux lourds des eaux superficielles en utilisant les réseaux de neurones artificiels et la régression linéaire multiple

Hicham El Badaoui 1, Abdelaziz Abdallaoui 1,*, Imad Manssouri 2 and Laurent Lancelot 3

1 Université Moulay Ismail, Faculté des Sciences, Equipe Chimie Analytique et Environnement, BP 11201, Zitoune, 50000 Meknès, Morocco
2 Université Moulay Ismail, École Nationale Supérieure d’Arts et Métiers, Département Génie Mécanique et Structures, BP 4042, 50000 Meknès, Morocco
3 Laboratoire Génie Civil et géo-Environnement, Polytech’Lille, 59655 Villeneuve d’Ascq, France
*Corresponding author: a.abdallaoui@gmail.com (A. Abdallaoui)

Received: 15 December 2012 - Accepted: 7 May 2013 - Available online: 7 May 2013

Résumé: Le but principal de cette étude étant de construire un modèle statistique neuronal pour la prédiction des teneurs en métaux lourds solubles des eaux de surface en s’appuyant sur leurs paramètres physico-chimiques. Nous avons pour cela réalisé une étude comparative: la méthode de régression linéaire multiple (RLM) et la méthode basée sur les réseaux de neurones artificiels (RNA). En effet grâce aux techniques de prédiction, cette étude nous a permis de sélectionner un certain nombre de paramètres jouant un rôle particulier dans la prédiction des teneurs en métaux lourds.
Mots clés:Métaux lourds, paramètres physico-chimiques, réseaux de neurones artificiels, régression linéaire multiple.

Development of stochastic mathematical models for prediction of heavy metal content of surface waters using artificial neural networks and multiple linear regression

Abstract: The main purpose of this study is to construct a statistical model for predicting the neuronal levels of heavy metals soluble in surface water based on their physico-chemical parameters. Therefore, we conducted a comparative study: method of multiple linear regression (MLR) and method based on artificial neural networks (ANN). Indeed, thanks to techniques of prediction, this study allowed us to select a number of parameters that play a special role in the prediction of heavy metal content.
Keywords: Heavy metals, physico-chemical parameters, Artificial Neural Networks, linear multiple regression.