Redes neuronales artificiales aplicadas a la remoción de cobre en agua utilizando quitosano entrecruzado con glutaraldehído
Descripción del Articulo
Con el objeto de estudiar un sistema inteligente capaz de predecir el comportamiento porcentual en la remoción de cobre en aguas desionizada, se ha diseñado una técnica de inteligencia artificial aplicado al problema químico de remoción de Cu (II) en aguas, teniendo como soporte de programación el s...
Autor: | |
---|---|
Formato: | tesis de maestría |
Fecha de Publicación: | 2018 |
Institución: | Universidad Nacional de Ingeniería |
Repositorio: | UNI-Tesis |
Lenguaje: | español |
OAI Identifier: | oai:cybertesis.uni.edu.pe:20.500.14076/19048 |
Enlace del recurso: | http://hdl.handle.net/20.500.14076/19048 |
Nivel de acceso: | acceso abierto |
Materia: | Redes neuronales artificiales Sistemas inteligentes Inteligencia artificial https://purl.org/pe-repo/ocde/ford#1.04.03 |
id |
UUNI_a3e9cd69139ed23f131b0cc33cb83f5f |
---|---|
oai_identifier_str |
oai:cybertesis.uni.edu.pe:20.500.14076/19048 |
network_acronym_str |
UUNI |
network_name_str |
UNI-Tesis |
repository_id_str |
1534 |
dc.title.es.fl_str_mv |
Redes neuronales artificiales aplicadas a la remoción de cobre en agua utilizando quitosano entrecruzado con glutaraldehído |
title |
Redes neuronales artificiales aplicadas a la remoción de cobre en agua utilizando quitosano entrecruzado con glutaraldehído |
spellingShingle |
Redes neuronales artificiales aplicadas a la remoción de cobre en agua utilizando quitosano entrecruzado con glutaraldehído Blanco Lecca, Manuel Enrique Redes neuronales artificiales Sistemas inteligentes Inteligencia artificial https://purl.org/pe-repo/ocde/ford#1.04.03 |
title_short |
Redes neuronales artificiales aplicadas a la remoción de cobre en agua utilizando quitosano entrecruzado con glutaraldehído |
title_full |
Redes neuronales artificiales aplicadas a la remoción de cobre en agua utilizando quitosano entrecruzado con glutaraldehído |
title_fullStr |
Redes neuronales artificiales aplicadas a la remoción de cobre en agua utilizando quitosano entrecruzado con glutaraldehído |
title_full_unstemmed |
Redes neuronales artificiales aplicadas a la remoción de cobre en agua utilizando quitosano entrecruzado con glutaraldehído |
title_sort |
Redes neuronales artificiales aplicadas a la remoción de cobre en agua utilizando quitosano entrecruzado con glutaraldehído |
dc.creator.none.fl_str_mv |
Blanco Lecca, Manuel Enrique |
author |
Blanco Lecca, Manuel Enrique |
author_facet |
Blanco Lecca, Manuel Enrique |
author_role |
author |
dc.contributor.advisor.fl_str_mv |
Jacinto Hernández, Christian Ronald |
dc.contributor.author.fl_str_mv |
Blanco Lecca, Manuel Enrique |
dc.subject.es.fl_str_mv |
Redes neuronales artificiales Sistemas inteligentes Inteligencia artificial |
topic |
Redes neuronales artificiales Sistemas inteligentes Inteligencia artificial https://purl.org/pe-repo/ocde/ford#1.04.03 |
dc.subject.ocde.es.fl_str_mv |
https://purl.org/pe-repo/ocde/ford#1.04.03 |
description |
Con el objeto de estudiar un sistema inteligente capaz de predecir el comportamiento porcentual en la remoción de cobre en aguas desionizada, se ha diseñado una técnica de inteligencia artificial aplicado al problema químico de remoción de Cu (II) en aguas, teniendo como soporte de programación el software MATLAB R2014a. Este sistema ha sido entrenado inicialmente con 74 datos ingresados como patrones de aprendizaje, teniendo como parámetros de ingreso para la red neuronal artificial 6 parámetros críticos de la experimentación: pH, masa de quitosano entrecruzado con glutaraldehído (g), concentración de glutaraldehído (GLA) (g/100mL), tiempo de agitación (min), frecuencia de agitación (rpm), y concentración inicial de cobre (ppm). Se verificó que el máximo error de predicción del modelo de red neuronal artificial del tipo perceptrón multicapa (14.15%) se obtiene a partir de 16 capas ocultas. Para comprobar la efectividad de la red neuronal, se hizo uso de 9 mediciones distintas a las de la matriz de experimentos, para así realizar la validación de este sistema, verificando así la efectividad de nuestra red neuronal (a un 98.79% de correspondencia entre los valores predictivos, respecto a los valores reales observados). La descontaminación se logra por captura del ion Cu (II) (analito de estudio en aguas) por las perlas de quitosano entrecruzado con glutaraldehído. La obtención de los datos experimentales se toma por diferencia porcentual entre la concentración inicial del agua (contaminada con CuSO4.5H2O) y la concentración obtenida después del proceso de descontaminación con las perlas de quitosano entrecruzadas con glutaraldehído, registrado por la técnica de espectrofotometría de absorción atómica. |
publishDate |
2018 |
dc.date.accessioned.none.fl_str_mv |
2020-07-21T16:02:07Z |
dc.date.available.none.fl_str_mv |
2020-07-21T16:02:07Z |
dc.date.issued.fl_str_mv |
2018 |
dc.type.es.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.14076/19048 |
url |
http://hdl.handle.net/20.500.14076/19048 |
dc.language.iso.es.fl_str_mv |
spa |
language |
spa |
dc.relation.ispartof.fl_str_mv |
SUNEDU |
dc.rights.es.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.uri.es.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
dc.format.es.fl_str_mv |
application/pdf |
dc.publisher.es.fl_str_mv |
Universidad Nacional de Ingeniería |
dc.publisher.country.es.fl_str_mv |
PE |
dc.source.es.fl_str_mv |
Universidad Nacional de Ingeniería Repositorio Institucional - UNI |
dc.source.none.fl_str_mv |
reponame:UNI-Tesis instname:Universidad Nacional de Ingeniería instacron:UNI |
instname_str |
Universidad Nacional de Ingeniería |
instacron_str |
UNI |
institution |
UNI |
reponame_str |
UNI-Tesis |
collection |
UNI-Tesis |
bitstream.url.fl_str_mv |
http://cybertesis.uni.edu.pe/bitstream/20.500.14076/19048/3/blanco_lm.pdf.txt http://cybertesis.uni.edu.pe/bitstream/20.500.14076/19048/2/license.txt http://cybertesis.uni.edu.pe/bitstream/20.500.14076/19048/1/blanco_lm.pdf |
bitstream.checksum.fl_str_mv |
8fc0675e949a76edf9a030e9070f200a 8a4605be74aa9ea9d79846c1fba20a33 433c50f811dceb19caf5fa0c81551f46 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Institucional - UNI |
repository.mail.fl_str_mv |
repositorio@uni.edu.pe |
_version_ |
1840085634436300800 |
spelling |
Jacinto Hernández, Christian RonaldBlanco Lecca, Manuel EnriqueBlanco Lecca, Manuel Enrique2020-07-21T16:02:07Z2020-07-21T16:02:07Z2018http://hdl.handle.net/20.500.14076/19048Con el objeto de estudiar un sistema inteligente capaz de predecir el comportamiento porcentual en la remoción de cobre en aguas desionizada, se ha diseñado una técnica de inteligencia artificial aplicado al problema químico de remoción de Cu (II) en aguas, teniendo como soporte de programación el software MATLAB R2014a. Este sistema ha sido entrenado inicialmente con 74 datos ingresados como patrones de aprendizaje, teniendo como parámetros de ingreso para la red neuronal artificial 6 parámetros críticos de la experimentación: pH, masa de quitosano entrecruzado con glutaraldehído (g), concentración de glutaraldehído (GLA) (g/100mL), tiempo de agitación (min), frecuencia de agitación (rpm), y concentración inicial de cobre (ppm). Se verificó que el máximo error de predicción del modelo de red neuronal artificial del tipo perceptrón multicapa (14.15%) se obtiene a partir de 16 capas ocultas. Para comprobar la efectividad de la red neuronal, se hizo uso de 9 mediciones distintas a las de la matriz de experimentos, para así realizar la validación de este sistema, verificando así la efectividad de nuestra red neuronal (a un 98.79% de correspondencia entre los valores predictivos, respecto a los valores reales observados). La descontaminación se logra por captura del ion Cu (II) (analito de estudio en aguas) por las perlas de quitosano entrecruzado con glutaraldehído. La obtención de los datos experimentales se toma por diferencia porcentual entre la concentración inicial del agua (contaminada con CuSO4.5H2O) y la concentración obtenida después del proceso de descontaminación con las perlas de quitosano entrecruzadas con glutaraldehído, registrado por la técnica de espectrofotometría de absorción atómica.To study an intelligent system capable of predicting the percentage behavior in the removal of copper in deionized waters, an artificial intelligence technique has been designed applied to the chemical problem of metal removal (specifically Cu (II)) in waters, taking MATLAB R2014a as software for to programming support. This system has been initially trained with 74 data entered as learning patterns, having as input parameters, for the artificial neural network, 6 critical parameters of the experiment: pH, mass of chitosan cross-linked with glutaraldehyde (g), concentration of glutaraldehyde (GLA) (g / 100mL), stirring time (min), stirring frequency (rpm), and initial copper concentration (ppm). It was verified that the maximum prediction error of the artificial neural network model of the multilayer perceptron type (14.15%) is obtained from 16 hidden layers. To check the effectiveness of the neural network, 9 different measurements were used to those of the experiment matrix, in order to validate this system, thus verifying the effectiveness of our neural network (at 98.79% correspondence between the predictive values, with respect to the actual values observed). Decontamination is achieved by capturing the Cu (II) ion (analyte studied in water) by the chitosan beads cross-linked with glutaraldehyde. Obtaining the experimental data is taken as a percentage difference between the initial water concentration (contaminated with CuSO4.5H2O) and the concentration obtained after the decontamination process with the chitosan beads cross-linked with glutaraldehyde, registered by the absorption spectrophotometry technique atomic.Submitted by luis oncebay lazo (luis11_182@hotmail.com) on 2020-07-21T16:02:07Z No. of bitstreams: 1 blanco_lm.pdf: 2942092 bytes, checksum: 433c50f811dceb19caf5fa0c81551f46 (MD5)Made available in DSpace on 2020-07-21T16:02:07Z (GMT). No. of bitstreams: 1 blanco_lm.pdf: 2942092 bytes, checksum: 433c50f811dceb19caf5fa0c81551f46 (MD5) Previous issue date: 2018Tesisapplication/pdfspaUniversidad Nacional de IngenieríaPEinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/Universidad Nacional de IngenieríaRepositorio Institucional - UNIreponame:UNI-Tesisinstname:Universidad Nacional de Ingenieríainstacron:UNIRedes neuronales artificialesSistemas inteligentesInteligencia artificialhttps://purl.org/pe-repo/ocde/ford#1.04.03Redes neuronales artificiales aplicadas a la remoción de cobre en agua utilizando quitosano entrecruzado con glutaraldehídoinfo:eu-repo/semantics/masterThesisSUNEDUMaestro en Ciencias con Mención en QuímicaUniversidad Nacional de Ingeniería. Facultad de Ciencias. Unidad de PosgradoMaestríaMaestría en Ciencias con Mención en QuímicaMaestríahttps://orcid.org/0000-0003-3749-63722574699844775264https://purl.org/pe-repo/renati/type#tesishttps://purl.org/pe-repo/renati/level#maestro531057Navarro Huamaní, Luis AlbertoMaza Mejía, Ily MarilúLópez Cisneros de Castillo, Rosario CristinaTEXTblanco_lm.pdf.txtblanco_lm.pdf.txtExtracted texttext/plain165994http://cybertesis.uni.edu.pe/bitstream/20.500.14076/19048/3/blanco_lm.pdf.txt8fc0675e949a76edf9a030e9070f200aMD53LICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://cybertesis.uni.edu.pe/bitstream/20.500.14076/19048/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52ORIGINALblanco_lm.pdfblanco_lm.pdfapplication/pdf2942092http://cybertesis.uni.edu.pe/bitstream/20.500.14076/19048/1/blanco_lm.pdf433c50f811dceb19caf5fa0c81551f46MD5120.500.14076/19048oai:cybertesis.uni.edu.pe:20.500.14076/190482024-10-22 16:22:32.35Repositorio Institucional - UNIrepositorio@uni.edu.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 |
score |
13.210282 |
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).