Por favor, use este identificador para citar o enlazar este ítem:
http://dspace.espoch.edu.ec/handle/123456789/16905
Título : | Diseño de una red neuronal artificial para la predicción de la dosis optima de policloruro de aluminio en el tratamiento de agua potable de la EPMAPA-SD |
Autor : | Rodríguez Vicente, José Daniel |
Director(es): | Rodríguez Pinos, Adrian Alejandro |
Tribunal (Tesis): | Guamán Lozada, Darío Fernando |
Palabras claves : | TECNOLOGÍA Y CIENCIAS DE LA INGENIERÍA;INGENIERÍA QUÍMICA;CONTROL DE PROCESOS;CONTROL AUTOMÁTICO;REDES NEURONALES ARTIFICIALES (RNA);MATLAB (SOFTWARE);ANÁLISIS DE CLARIFICACIÓN;POLICLORURO DE ALUMINIO (PAC) |
Fecha de publicación : | 9-dic-2021 |
Editorial : | Escuela Superior Politécnica de Chimborazo |
Citación : | Rodríguez Vicente, José Daniel. (2021). Diseño de una red neuronal artificial para la predicción de la dosis optima de policloruro de aluminio en el tratamiento de agua potable de la EPMAPA-SD. Escuela Superior Politécnica de Chimborazo. Riobamba. |
Identificador : | UDCTFC;96T00740 |
Abstract : | Technological development has been taking place in basic water treatment operations, for this reason a predictive model was developed to know the optimal amount of coagulant in the clarification analysis of EPMAPA-SD. At the beginning, a database was generated with the information provided by the quality control area of EPMAPA-SD for the purification of water from 2015 to 2020, 121 data on the amount of coagulant used in jug tests. For the design of the network, the input variables were classified as turbidity, color and Ph; as an output variable the optimal dose of coagulant; to avoid redundancy in the data they were normalized. The neural network has three neurons in the input layer, 350 in the hidden layer and one neuron in the output layer, the selection process of this architecture was carried out through prediction tests with algorithms such as Levenberg Marquad, Bayesian Regularization and Scaled Conjugate Gradient, among these the Bayesian algorithm presented a mean square error of 1.94e-03 with a correlation in the training and test of the network of 0.947 and 0.923 respectively. The validation of the data predicted by the neural network was carried out statistically by means of a paired test that contrasts the variance between the data, with a p value greater than 0.05, the null hypothesis is accepted, stating with 95% confidence that it does not there is a statistically significant difference between the mean of the actual and predicted data. The prediction model calculates the optimal coagulant dose according to the quality requirements for drinking water established in the INEN 1108 standard. It is recommended to incorporate the prediction model in an automatic control system that allows the coagulant to be dosed in real time. |
Resumen : | El desarrollo tecnológico ha venido tomando lugar en operaciones básicas de tratamiento de agua, por ello se desarrolló un modelo predictivo para conocer la cantidad optima de coagulante en el análisis de clarificación de la EPMAPA-SD. En principio se generó una base de datos con la información proporcionada por el área de control de calidad de la EPMAPA-SD para la potabilización del agua desde el año 2015 hasta el año 2020, se consolidaron 121 datos de la cantidad de coagulante empleado en las pruebas de jarras. Para el diseño de la red se clasificaron las variables de entrada como son turbiedad, color y pH como variable de salida la dosis óptima de coagulante; para evitar redundancia en los datos se normalizaron. La red neuronal tiene tres neuronas en la capa de entrada, 350 en la capa oculta y una neurona en la capa de salida, el proceso de selección de esta arquitectura se llevó a cabo mediante ensayos de predicción con algoritmos como Levenberg Marquad, Bayesian Regularization y Scaled Conjugate Gradient, de entre estos el algoritmo Bayesian presentó un error cuadrático medio de 1,94e-03 con una correlación en el entrenamiento y prueba de la red de 0,947 y 0,923 respectivamente. La validación de los datos predichos por la red neuronal se realizó estadísticamente mediante una prueba t pareada que contrasta la varianza entre los datos, con un valor p mayor a 0,05 se acepta la hipótesis nula, afirmando con el 95% de confianza que no existe una diferencia estadísticamente significativa entre la media de los datos reales y predichos. El modelo de predicción calcula la dosis óptima de coagulante según los requisitos de calidad para agua potable establecida en la norma INEN 1108. Se recomienda incorporar el modelo de predicción en un sistema de control automático que permita dosificar el coagulante en tiempo real. |
URI : | http://dspace.espoch.edu.ec/handle/123456789/16905 |
Aparece en las colecciones: | Ingeniero/a Químico/a |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
96T00740.pdf | 2,33 MB | Adobe PDF | ![]() Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons