Dans le secteur d’eau, en contexte industriel, les modèles mécanistes de traitement des eaux usées décrivant les procédés de boues activées sont reconnus comme des outils importants d’aide à la décision. Ils intègrent un grand nombre de paramètres et nécessitent une phase complexe de calibration préalable. Dans le cas du traitement par biofiltration, un procédé compact et largement appliqué en région urbanisée parisienne, la nécessité de modéliser les processus bio-physico-chimiques au sein du biofilm complexifie ces modèles mécanistes. Ces modèles pour la biofiltration nécessitent une puissance de calcul relativement élevée et ne sont pas encore bien établis. Des modèles de Machine Learning (ML) basés sur les données décrivent quant à eux le système uniquement sur les informations extraites des données. Ils présentent une force d'interpolation et sont beaucoup plus rapides en calcul, ce qui les rend très intéressants pour les applications en temps réel. ²Dans cette thèse, un modèle hybride parallèle coopérative est développé combine un modèle mécaniste qui intègre des connaissances pertinentes sur les processus, avec un modèle basé sur les données qui augmente la précision des estimations en incluant des informations sur des sous-processus mal décrits. Le but du modèle hybride est d'améliorer la précision d’estimation de qualité de l’effluent en sortie des biofiltres. Dans un premier temps, un modèle mécaniste précédemment développé a été recalibré dans le logiciel WEST (DHI) avec des données de l’étage de dénitrification amont de la filière de biofiltration de l’usine Seine aval. Une analyse de sensibilité globale préambule a identifié les paramètres les plus influents sur la réponse du modèle. Les résultats de simulation avec les paramètres calibrés montrent que le modèle arrive pendant la calibration à prédire les variations de N-NO3, DCO et MES avec des performances raisonnables. Sa robustesse d’estimation avec le jeu de données de validation de N-NO3 est cependant insuffisante sans l’apport de l’hybridation. Ensuite, un modèle hydride parallèle coopératif a été développé dans lequel le modèle mécaniste recalibré est soutenu par un modèle de ML qui est alimenté par les qualités d'effluent simulées par le modèle mécaniste, ainsi que par les informations de la qualité d’eau en entrée et les paramètres de traitement (tels les consignes). En phase d’entrainement, l’erreur résiduelle est fournie au modèle. Les meilleurs résultats ont été obtenus avec un réseau de neurones de trois couches. Le traitement des données brutes, le développement et l’entrainement des algorithmes de ML ont été réalisés dans le logiciel Matlab R2022a (MathWorks).Les résultats obtenus montrent que la précision du modèle hybride est largement supérieure à celle du modèle mécaniste seul. Les estimations du modèle hybride sont beaucoup plus proches des valeurs observées que celles du modèle mécaniste sur les deux périodes. Les performances du modèle hybride sont très bonnes et l’erreur moyenne (EM), l’erreur moyenne absolue (EMA) et la racine de l'erreur quadratique moyenne (REQM) sont très faibles. Le modèle hybride est ensuite appliqué pour améliorer le contrôle du dosage du méthanol dans un biofiltre. Compte tenu du processus de haute intensité et des perturbations importantes, le contrôle actuelle est sous-optimal et devrait être amélioré en appliquant un contrôle prédictif du modèle hybride. Ce contrôleur recherche d'abord un taux de dosage optimal en exécutant plusieurs scénarios avec le modèle de biofiltre corrigé en continu par le modèle de ML validé. Les premiers résultats sont prometteurs. Cette étude montre que l’hybridation permet de mieux décrire le comportement de dénitrification d'une usine d’épuration de très grande échelle qu’un modèle mécaniste seul, améliorant ainsi sensiblement la qualité des estimations. C’est une première étape vers la conception de jumeaux numériques intégrés aux filières d’assainissement.