Uso de redes neuronales artificiales para optimizar la dosificación de coagulantes en la planta de tratamiento de agua potable, Huancayo

• Autor: Peña Rojas, Anieval Cirilo
• Formato: tesis doctoral
• Fecha de Publicación: 2016
• Institución: Consejo Nacional de Ciencia Tecnología e Innovación
• Repositorio: CONCYTEC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.concytec.gob.pe:20.500.12390/357
• Enlace del recurso: https://hdl.handle.net/20.500.12390/357
• Nivel de acceso: acceso abierto
• Materia: Tratamiento del agua; Agua potable; https://purl.org/pe-repo/ocde/ford#1.05.11

En la investigación se utilizaron las redes neuronales artificiales como herramienta para optimizar la cantidad de coagulante (Al2SO4) que se utiliza en el tratamiento del agua potable de la empresa SEDAM de la ciudad de Huancayo – Perú, donde la calidad del agua al ingreso a la planta de tratamiento tuvo variabilidad permanente de turbidez debido a las precipitaciones fluviales que se presentaron generalmente en los meses de octubre a marzo. Este fenómeno meteorológico alteró en corto tiempo las características físicas y químicas del agua dificultando su tratamiento. Se utilizó en el laboratorio el ensayo denominado Prueba de Jarras para determinar la dosis de coagulante a emplear durante un periodo de once meses, con muestreo aleatorio diario. Las variables consideradas para el estudio fueron la turbidez, el pH, la conductividad, el color y sólidos disueltos totales con una temperatura promedio de 10 ºC y un caudal promedio de 148 l/s. Los cálculos obtenidos fueron utilizados para entrenar y probar dosis óptimas de coagulante haciendo uso de redes neuronales artificiales con tres topologías específicas: Red de tres capas (entrada de cinco neuronas, oculta de cinco neuronas, salida una neurona), Red de cuatro capas (entrada de cinco neuronas, dos ocultas de seis y cinco neuronas, salida una neurona) y Red de cuatro capas con dos ocultas llamada también de regresión generalizada (una de entrada con cinco neuronas, dos capas ocultas, en la primera se adiciona una neurona por cada caso entrenado y en la segunda oculta dos neuronas receptoras para regresión y una capa de salida con una neurona). Se concluyó que la topología más adecuada fue la última con una asertividad de 96.9 por ciento frente a los datos reales y en su entrenamiento se obtuvo una correlación de 98.4 por ciento evidenciando además que los factores más influentes al modelo son: color, turbidez y pH. La red seleccionada finalmente permitió predecir la dosificación de coagulante óptimo con una probabilidad de error máximo de 1.6 por ciento y en tiempo real con nuevos valores de entrada en el agua a tratar sin necesidad de recurrir a la Prueba de Jarras el cual sólo se realiza posteriormente para enriquecer su aprendizaje.