Predicción de la dosis de coagulante para el tratamiento de agua potable utilizando redes neuronales artificiales

Abstract

Este trabajo propone la arquitectura de una red neuronal artificiales (RNA) como modelo de predicción para guiar la experimentación y ahorrar tiempo en la deducción de la dosis optima de coagulante sulfato de aluminio () para el tratamiento de agua potable, utilizando para su entrenamiento y validación una base de datos construida a partir de resultados experimentales de tratamiento de aguas con sulfato de aluminio como coagulante recolectados de los reportes de Barajas Garzón, Claudia Lorena. & León Luque, Andrea Juliana. (2015); Castrillón Bedoya, Daniela & Giraldo, María de los Ángeles (2012); Izquierdo Flores, Abdón Mauricio. (2015) y Peña Rojas, Anieval Cirilo. (2016). Las anteriores referencias reportan condiciones experimentales similares para el proceso de coagulacin-floculacin con sulfato de aluminio a escala laboratorio mediante el uso de la prueba de jarras con medición de los parámetros turbidez, color y pH para cada dosis utilizada de coagulante, la arquitectura de red propuesta fue entrenada y validada mediante el algoritmo backpropagation, con el método de optimización Levenberg-Marquardt; se aplican técnicas como la repetición del entrenamiento y el método de regularización denominado como early stopping para evitar sobreajustes, Las funciones Logsig y Tansig fueron consideradas como funciones de activación para las neuronas de la capa oculta. Los procedimientos fueron aplicados según los códigos de la herramienta nntool de MATLAB R2017b licenciado para la UIS. La mejor arquitectura red según complejidad y promedio de validación corresponde a la 6:10:10:1 con función de activación Logsig mostrando un desempeño suficiente para su aplicación semicuantitativa en las etapas de planeación y ejecución de pruebas de jarras para la determinación experimental de la dosis adecuada de sulfato de aluminio.