Predicción de la Dosis Óptima de Policloruro de Aluminio para el Proceso de Coagulación en el Tratamiento de Agua Potable mediante Redes Neuronales Artificiales

Contenido principal del artículo

Cristopher Izquierdo
https://orcid.org/0000-0002-1382-5349
Braulio Pezántes
https://orcid.org/0000-0003-3929-1733
Edy Ayala
https://orcid.org/0000-0003-2528-4380

Resumen

Las plantas de tratamiento de agua potable (PTAPs) disponen de una etapa de dosificación de químicos coagulantes, la cual determina el éxito de la calidad del agua. La adición de estos compuestos comúnmente es un procedimiento manual realizado por personal capacitado. Esta resulta una tarea crítica debido a que requiere cierto nivel de experiencia para una correcta dosificación. Como posible solución, este estudio se basa en el análisis de datos recolectados de una fuente de agua cruda ubicada en Ecuador. Utilizando la información de los parámetros físico-químicos del agua cruda, se identifican la definición de las dosis de Policloruro de Aluminio (PAC), y las variables de entrada y salida del proceso. En consecuencia, se propone la implementación de un sistema de control inteligente basado en Redes Neuronales Artificiales (RNA). Estos experimentos comienzan con la recolección y análisis de datos para establecer las variables involucradas en el proceso. El modelo neuronal propuesto dispone de tres capas ocultas y utiliza algoritmos de gradiente adaptativo. Se realizó un análisis de los resultados utilizando el error porcentual absoluto medio (MAPE) y el error cuadrático medio (RMSE). El modelo predictivo de PAC en fase de entrenamiento da un valor MAPE de 0,0425 para los valores no ajustados y de 0,0262 para los valores numéricos ajustados. Sin embargo, en la fase de prueba el modelo neuronal alcanza un MAPE de 0,057 para los valores de PAC no ajustados y de 0,041 para los ajustados. Se puede concluir que esta alternativa brinda una solución eficiente a la hora de resolver problemas de dosificación en PTAPs, teniendo resultados confiables de las métricas RMSE y MAPE.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
Izquierdo, C., Pezántes, B., & Ayala, E. (2023). Predicción de la Dosis Óptima de Policloruro de Aluminio para el Proceso de Coagulación en el Tratamiento de Agua Potable mediante Redes Neuronales Artificiales. Revista Técnica "energía", 20(1), PP. 93–99. https://doi.org/10.37116/revistaenergia.v20.n1.2023.562
Sección
PRODUCCIÓN Y USO DE LA ENERGÍA

Citas

J. A. Rojas, Potabilización del agua, Mexico, DF: ALFAOMEGA GRUPO EDITOR, 1999.

K. P. Singh and S. Gupta, Artificial intelligence based modeling for predicting the disinfection by-products in water, Chemometrics and Intelligent Laboratory Systems, vol. 114, pp. 122-131, 2012.

D. W. Guan and L. L. Shang, Effects of data normalization and inherent-factor on decision of optimal coagulant dosage in water treatment by artificial neural network, Expert Systems with Applications, vol. 37, nº7, pp. 4974-4983, 2010.

H. Bae, S. Kim and Y. Kim, Decision algorithm based on data mining for coagulant type and dosage in water treatment systems, Water Science and Technology, vol. 53, pp. 321-329, 2006.

Q. J. Zhang and S. J. Stanley, Real-time water treatment process control with artificial neural networks., Journal of Environmental Engineering, vol. 125, pp. 153-160, 1999.

Z. Song, Y. Zhao, X. Song and C. Liu, Research on prediction model of optimal coagulant dosage in water purifying plant based on neural network, 2009 ISECS International Colloquium on Computing, Communication, Control, and Management, vol. 4, pp. 258-261, 2009.

H. Yoon, S.-C. Jun, Y. Hyun, G.-O. Bae and Kang-Kun Lee, A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer, Journal of Hydrology, vol. 396, pp. 128-138, 2011.

W. McCulloch S y W. Pitts, “A logical calculus of the ideas immanent in nervous activity”, The bulletin of mathematical biophysics, vol. 5, n.º4, pp. 115–133, 1943.

A. Romero Herrera, “Aproximacion de funciones con redes neuronales y algoritmos evolutivos”, Master’s thesis, Universidad Autonoma del Estado de Mexico.

D. E. Rumelhart, G. E. Hinton y J. L. McClelland, ”A general framework for parallel distributed processing”, Parallel distributed processing: Explorations in the microstructure of cognition, vol. 1, n.º 45-76, p. 26, 1986.