Determinación del modelo matemático basado en redes neuronales del sistema dedosificación de sulfato de aluminio y cal de la planta de tratamiento de agua potable Carigán / Determination of the mathematical model based on neural networks of the aluminum sulphate and lime dosing system of the Carigán drinking water treatment plant

Edgar Alberto Ochoa Vásquez, José Leonardo Benavides Maldonado, Diego Eduardo Jara Delgado, Jorge Santiago Tocto Maldonado, José Francisco Ochoa Alfaro

Abstract


En este artículo se pueden ver los resultados del diseño de un modelo matemático basado en redes neuronales de dosificación del sistema de dosificación de sulfato y cal. Para crear el modelo se consideraron métodos estrictamente no lineales basados en redes neuronales artificiales (RNA), dependiendo únicamente del número de datos históricos de la Planta de agua potable Carigán. Para poder determinar las bases de datos que servirán de entrada a la RNA se realizó un procesamiento completo de los datos proporcionados y un filtrado de la curva obtenida de los mismos, para el proceso de validación y prueba del modelo matemático, se comparó los resultados obtenidos de la RNA con las dosificaciones de los parámetros realizadas por el laboratorio en planta en el mismo periodo de tiempo.

 


Keywords


Dosificación de Sulfato, Modelo Matemático y Redes Neuronales.

References


Arbib, M. (2003). “The Handbook of Brain Theory and Neural Networks”: SegundaEdición. MIT Press.

Arboleda, J. (1992). “Teoría Y Práctica de la Purificación del Agua. Colombia”: ACODAL.

Bedoya, D. (2012). “Determinación de las dosis óptimas del coagulante sulfato de aluminio granulado tipo B en función de la turbiedad y el color para la potabilización del agua en la planta de tratamiento de villa Santana. Pereira”: Universidad Tecnológica de Pereira- Facultad de Tecnologías, Escuela de Química.

BVSDE. (2010). Recuperado de http://www.bvsde.paho.org/bvsatr/fulltext/operacion/cap8.pdf.

BVSDE. (2015). “Usos de la cal en tratamientos de Agua Potable”. Recuperado de anfacal.org/media/.../Usos...de_Aguas/USOS_DE_CAL_EN_AGUA_POTABLE.pd: http://anfacal.org

Tratamiento de agua, (1998). Recuperado de http://www.bvsde.paho.org/bvsatr/fulltext/operacion/cap8.pdf.

Cabrera, J. (2013). “Modelo de Predicción de Demanda del sector Residencial de la Ciudad de Loja”. Loja, Loja, Ecuador.

Desarrollo, A. (2014). “Ambiente y Desarrollo”. ISSN: 0121-7607, 109-116.

Duque, M., & Giraldo, E. (2014). “El uso de la Lógica difusa para la potabilización del agua”.

Flórez, R., & Fernández, J. (2008). “Las Redes Neuronales Artificiales”: Fundamentos Teóricos y Aplicaciones Prácticas. Netbiblo.

Graupe, D. (2007). “Principles of Artificial Neural Networks”. SegundaEdición. World Scientific.

Haykin, S. (2009). “Neural Networks”: A Comprehensive Foundation. Prentice Hall.

Chavarro, J., & Patiño, W. (2012). “Aplicación de modelos de redes neuronales artificiales en la predicción de los índices de calidad del agua en el rio Tunjuelito-Bogotá”: Clase de Seminario, Maestría en Hidrosistemas, Facultad de Ingeniería Pontificia Universidad Javeriana. Recuperado de https://www.academia.edu/6441227/Aplicaci%C3%B3n_de_modelos_de_redes_neuronales_artificiales_en_la_predicci%C3%B3n_de_%C3%ADndices_de_calidad_de_agua_en_el_R%C3%ADo_Tunjuelito_Bogot%C3%A1?auto=download

Kumar, S. (2004). “Neural Networks: A Classroom Approach”. Tata McGraw-Hill.

OPS, O. (2004). “Tratamiento de agua para consumo Humano-Lima”. Centro panamericano de ingeniería Sanitaria y ciencias ambientales CEPIS.

Priddy, K., & Keller, P. (2005). “Artificial Neural Networks”: An Introduction. SPIE Press.

Sivanandam, S., &Deepa, S. (2006). “Intro to Neural Net with MATLAB® 6.0”. Tata McGraw-Hill Education.

Tkacz, G., & Hu, S. (1999). “Forecasting GDP growth using Artificial Neural Networks”.

Yegnanarayana, B. (2004). “Artificial Neural Netwoks”. PHI Learning Pvt. Ltd.


Refbacks

  • There are currently no refbacks.