Informador Técnico
ISSN: 2256-5035 (Electrónico)
ISSN: 0122-056X (Impreso)
Formato: Electrónico / Acceso Abierto
Frecuencia: Números Semestrales
Revisión por Pares: Doble Ciego
Palabras clave
residual waters
turbidity
jar testing
poultry industry
artificial intelligence
artificial neural networks. aguas residuales
turbidez
prueba de jarras
industria avícola
inteligencia artificial
redes neuronales artificiales
turbidity
jar testing
poultry industry
artificial intelligence
artificial neural networks. aguas residuales
turbidez
prueba de jarras
industria avícola
inteligencia artificial
redes neuronales artificiales
Cómo citar
González-Salcedo, L. O., & García-Nuñez, J. B. (2019). Elaboración de un modelo neuronal artificial para la estimación de turbiedad y proposición de dosificaciones en el tratamiento de aguas residuales de la industria avícola. Informador Técnico, 84(1), 3–17. https://doi.org/10.23850/22565035.1636
Resumen
El crecimiento de la industria avícola en Colombia y el cambio en la normatividad ambiental vigente, conlleva a un mejoramiento en el sistema de tratamiento de las aguas residuales, mediante técnicas alternas entre coagulantes y floculantes. Los costos de estas técnicas requieren dosificar de manera óptima los principales productos allí involucrados. En este trabajo se usó un modelo neuronal artificial basado en redes neuronales multicapa feedfoward-backpropagation, para la estimación del valor de la turbidez de salida en el tratamiento de las aguas residuales. Posteriormente, se usaron las redes neuronales entrenadas para proponer dosificaciones óptimas de los productos y mejorar las condiciones de operación, lo que permitió obtener aguas residuales clarificadas, para lo cual se elaboraron cartas de optimización. Respecto a la evaluación del desempeño del modelo neuronal, se usó como indicador de desempeño el factor de correlación lineal R. Los resultados de correlación entre los valores estimados y reales de la turbidez de salida muestran la confiabilidad en la aplicación como herramienta de predicci
Citas
Achen, Christopher (1982). Interpreting and Using Regression. Series/Number 07-029. Newbury Park (CA), USA: Sage University Paper, Sage Publications. https://doi.org/10.4135/9781412984560
Acuña-Zambrano, Decsy (2008). Modelo de correlación entre las variables medibles en línea que afectan el proceso de determinación de la dosis óptima de coagulante en la planta de tratamiento de agua potable de Bosconia, del Acueducto Metropolitano de Bucaramanga S.A. E.S.P (tesis de pregrado) Universidad Pontificia Bolivariana, Bucaramanga, Colombia. Recuperado de https://repository.upb.edu.co/handle/20.500.11912/214
Aguilera-Díaz, María (2014). Determinantes del desarrollo de la avicultura en Colombia: Instituciones, organizaciones y tecnología. Documentos de trabajos sobre Economía Regional, No. 214. Cartagena, Colombia: Centro de Estudios Económicos Regionales (CEER), Banco de la República. https://doi.org/10.32468/dtseru.214
Andía-Cárdenas, Yolanda (2000). Tratamiento de agua: coagulación y floculación. Lima, Perú: SEDAPAL.
Andler, Daniel (2006). Phenomenology in Artificial Intelligence and Cognitive Science. En Dreyfus, H. l.; Wrathall, M. A.; (Eds.). A Companion to phenomenology and existentialism (Chapter 26, pp. 377-393). London, UK: Blackwell Publishing. https://doi.org/10.1002/9780470996508.ch26
Anscombe, F. J. (1973). Graphs in Statistical Analysis. The American Statistician, 27(1), 17-21. https://doi.org/10.1080/00031305.1973.10478966
Arias-Hoyos, Arnol; Hernández-Medina, José; Castro-Valencia, Andrés; Sánchez-Peña, Nazly (2017). Tratamiento de aguas residuales de una central de sacrificio: uso del polvo de la semilla de la m. Oleífera como coagulante natural. Biotecnología en el Sector Agropecuario y Agroindustrial, 15, edición especial, 29-30. https://doi.org/10.18684/BSAA(15)29-39
Barajas-Garzón, Claudia; León-Luque, Andrea (2016). Determinación de la dosis óptima de sulfato de aluminio (Al2 (SO4)3 18H2O) en el proceso de coagulación – floculación para el tratamiento de agua potable por medio del uso de una red neuronal artificial (tesis de pregrado). Universidad Santo Tomás, Bogotá, Colombia. Recuperado de https://hdl.handle.net/11634/2916
Barría-Sandoval, Paola (2010). Pronóstico de caudales medios mensuales en las cuencas de los ríos Baker y Pascua (tesis de pregrado). Universidad de Chile, Santiago de Chile, Chile. Recuperado de: http://repositorio.uchile.cl/tesis/uchile/2010/cf-barria_ps/pdfAmont/cf-barria_ps.pdf
Beale, Mark; Hagan, Martin; Demuth, Howard (2012). Neural Networks Toolboxtm, user’s guide. R2012a. Natick, MA, USA: The Mathworks Inc.
Bishop, Christopher (2006). Pattern recognition and machine learning. Singapore, Singapore: Springer.
Bui, Ha; Giang-Duong, Huong; Nguyen, Cuong (2016). Applying an artificial neural network to predict coagulation capacity of reactive dyeing wastewater by chitosan. Polish Journal of Environmental Studies, 25(2), 545-555. https://doi.org/10.15244/pjoes/61114
Castrillón-Bedoya, Daniela; Giraldo, María de los Ángeles (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 (tesis de pregrado). Universidad Tecnológica de Pereira, Pereira, Colombia. Recuperado de: http://recursosbiblioteca.utp.edu.co/tesisd/textoyanexos/6281622H565.pdf
Chalén-Medina, Judith; Peñafiel-Pazmiño, Magaly; Saltos-Sánchez, Armando (2017). Eliminación de la materia orgánica e inorgánica presentes en el agua residual de una industria de pulpa de fruta empleando un catalizador enzimático. Dominio de las Ciencias, 3(3), 362-376.
Conde-García, Érika; (2012). Evaluación del proceso de electrocoagulación sobre aguas de lavado con contenido de lactosuero (tesis de pregrado). Universidad del Valle, Santiago de Cali, Colombia. Recuperado de http://bibliotecadigital.univalle.edu.co/handle/10893/9020
De Menezes, F. C.; Fontes, R. M.; Oliveira-Esquerre, K. P.; Kalid, R. (2018). Application of uncertainity analysis of artificial neural networks of predicting coagulant and alkalizer dosages in a water treatment process. Brazilian Journal of Chemical Engineering, 35(4), 1369-1381. https://doi.org/10.1590/0104-6632.20180354s20170039
Diaz-Claros, José Nahum; (2014). Coagulantes-floculantes orgánicos e inorgánicos elaborados de plantas y del reciclaje de la chatarra, para el tratamiento de aguas contaminadas (tesis de maestría). Universidad Pedagógica Nacional Francisco Morazán, San Pedro Sula Cortés, Honduras.
Ekama, George; Wentzel, Mark; (2017). Remoción de materia orgánica. Capítulo 4. En: López V., C.M.; Buitrón M., G.; García, H.A.; Cervantes C., F.J.; (eds., versión en español). Tratamiento biológico de aguas residuales: principios, modelación y diseño. (pp. 57-96). Londres, Reino Unido: IWA Publishing, Cambridge University Press.
Fernández, Edgar; Galvis, Alberto (octubre de 2003). Artificial Neural Networks Model used for clear water treatment plants. En Seminario Internacional «La Hidroinformática en la Gestión Integrada de los Recursos Hídricos»–AGUA 2003. Cartagena, Colombia. Recuperado de https://pdfs.semanticscholar.org/1b07/33cd7885b5d9af7319fd14dfbb318ae0215a.pdf
Fúquene, Diana; Yate, Andrea; (2018). Ensayo de jarras para el control del proceso de coagulación en el tratamiento de aguas residuales industriales. Working Papers ECAPMA, (1), 1-7. https://doi.org/10.22490/ECAPMA.2771
García-Núñez, José (2017). Optimización de la utilización de catalizadores orgánicos biológicos en el tratamiento de aguas residuales de la industria avícola usando Redes Neuronales Artificiales (tesis de maestría). Universidad Nacional de Colombia Sede Palmira, Palmira, Colombia.
Gómez-Daza, Elcy (2012). Estudio de gestión ambiental para la Empresa Avícola Agrícola Mercantil del Cauca – AGRICAA S.A (tesis de maestría). Universidad de Manizales, Manizales, Colombia. Recuperado de http://ridum.umanizales.edu.co:8080/xmlui/bitstream/handle/6789/563/402_Gomez_Daza_Elcy_2012.pdf?sequence=1&isAllowed=y
González-Martínez, Álvaro (2017). Modelado y simulación de una planta de tratamiento de aguas residuales (PTAR) empleando el software GPS-X (tesis de maestría). Universidad Autónoma de San Luis Potosí, San Luis Potosí, México. Recuperado de http://ciep.ing.uaslp.mx/tesis/tesisPDF/233201813958.pdf
Hach Company (2004). Turbidímetro Portátil Modelo 2100p ISO. Manual del instrumento. Recuperado de https://dk.hach.com/asset-get.download.jsa?id=25593612953
Haghiri, Sadaf; Daghighi, Amin; Moharramzadeh, Sina (2018). Optimum coagulant forecasting by Modeling Jar Test Experiments using ANNs. Drinking Water Engineering and Science, (11), 1-8. https://doi.org/10.5194/dwes-11-1-2018
Haghiri, Sadaf; Moharramzadeh, Sina; Nahvi, Ali; Daghighi, Amin (December 2014). Modeling the jar test experiments using artificial neural networks to predict the optimum coagulant. En 2nd International Congress on Structure, Architecture and Urban Development, Tabriz, Iran.
Haugeland, John (1996). Body and world: a review of what computers still can’t do: a critique of artificial reason (Hubert l. Dreyfus). Artificial intelligence, 80, 119-128. https://doi.org/10.1016/0004-3702(95)00084-4
Haugeland, John (Ed.). (1997). Mind Design II: Philosophy, Psychology, Artificial Intelligence. 2nd edition, Cambridge, MS, USA: MIT Press.
Haykin, Simon (2005). Neural Networks. A Comprehensive Foundation. 9th Indian Edition. Delhi, India: Pearson Prentice Hall.
Hinton, Geoffrey (1987). Connectionist learning procedures. Technical Report CMU-CS-87-115. Pittsburg, PA, USA: Computer Science Department, Carnegie-Mellon University.
Hinton, Geoffrey (1988). Connectionist Learning Procedures. Artificial Intelligence, 40(1-3), 185-234. https://doi.org/10.1016/0004-3702(89)90049-0
Ibáñez-Quispe, Victor (2009). Análisis y diseño de experimentos. Puno, Perú: Editorial Universitaria, Universidad Nacional del Altiplano.
ICONTEC. (2010). NTC 3903:2010. Procedimiento para el ensayo de coagulación – floculación en un recipiente con agua o Método de Jarras / ICONTEC, Bogotá, Colombia.
León-Duque, A. J.; Barajas, C. L.; Peña-Guzmán, C. A.; (2016). Determination of the Optimal Dosage of Aluminum Sulfate in the Coagulation-Flocculation process using an Artificial Neural Network. International Journal of Environment Science and Development, 7(5), 346-350. https://doi.org/10.7763/IJESD.2016.V7.797
Machaca-Apaza, Lianne (2016). Estimación de la evapotranspiración de referencia utilizando modelos de redes neuronales artificiales en función de elementos climáticos en la cuenca del río Huancané (tesis de pregrado). Universidad Nacional del Altiplano, Puno, Perú. Recuperado de http://repositorio.unap.edu.pe/handle/UNAP/4612
Martínez-Navarro, Fabiola (2007). Tratamiento de aguas residuales industriales mediante electrocoagulación y coagulación convencional (tesis doctoral). Universidad de Castilla La Mancha, Ciudad Real, España. Recuperado de https://ruidera.uclm.es/xmlui/handle/10578/984
Martínez-Rodríguez, Elena (2005). Errores frecuentes en la interpretación del coeficiente de determinación lineal. Anuario Jurídico y Económico Escurialense, (38), 315-332.
Messaoud, Djeddou; Hellal, Aouatef; Imed, Loukam; (June of 2018). Waste treatment plant performances modelling using Artificial Neural Networks. In: Ecotechnologies for Wastewater Treatment, Ontario, Canada.
Minsky, Marvin (1961a). Steps toward Artificial Intelligence. Proceedings of the IRE, 49(1), 8-30. https://doi.org/10.1109/JRPROC.1961.287775
Minsky, Marvin (1961b). A selected descriptor-indexed bibliography to the literature on artificial intelligence. IRE Transactions on Human Factors in Electronics, vol. HFE-2(1), 39-55. https://doi.org/10.1109/THFE2.1961.4503297
Ocampo-Vélez, Luisa; Rodríguez-Montes, John (2011); Gestión del recurso hídrico en el subsector avícola de la cuenca del río La Vieja (tesis de pregrado). Universidad Tecnológica de Pereira, Pereira, Colombia. Recuperado de http://repositorio.utp.edu.co/dspace/handle/11059/2076
Olanrewaju, R. F.; Muyibi, S. A.; Salawudeen, T. O.; Aibinu, A. M. (2012). An intelligent modeling of coagulant dosing system for water treatment plants based on artificial neural network. Australian Journal of Basic and Applied Sciences, 6(1), 93-99. Recuperado de https://www.cabdirect.org/cabdirect/abstract/20123074724
Ovalle-Celis, Ruthbel; Moreno-Ripe, Cristian; (2014). Cartilla guía para la ejecución de prácticas de laboratorio en saneamiento de agua potable (tesis de pregrado). Universidad Católica de Colombia, Bogotá, Colombia. Recuperado de https://repository.ucatolica.edu.co/bitstream/10983/1797/1/Proyecto.pdf
Padilla-Gasca, Edith; López-López, Alberto; Gallardo-Valdez, Juan; (2011). Evaluation of stability factors in the anaerobic treatment of slaughterhouse wastewater. Journal of Bioremediation and Biodegradation, 2(1), 114-118. https://doi.org/10.4172/2155-6199.1000114
Peña-Rojas, Anieval (2016). Uso de redes neuronales artificiales para optimizar la dosificación de coagulantes en la planta de tratamiento de agua potable – Huancayo (tesis doctoral). Universidad Nacional Agraria La Molina, Lima, Perú. Recuperado de http://repositorio.lamolina.edu.pe/bitstream/handle/UNALM/2841/P10-P4-T.pdf?sequence=1&isAllowed=y
Peña-Rojas, Anieval; Flores del Pino, Lisveth (2014). Redes neuronales para el tratamiento de agua potable en zona de altitud del Perú. Ambiente y Desarrollo, 18(35), 109-116. https://doi.org/10.11144/Javeriana.AyD18-35.rnta
Prasannasangeentha, A. (2015). Optimization of Coagulant using Artificial Neural Network. International Journal of Science and Engineering Research, 3(4), 1-4. Recuperado de http://www.ijoser.org/Files/174.pdf
Rodrigues-dos Santos, Fábio; Henriques-Librantz, André; Días, Cleber; Gozzo-Rodrigues, Sheila (2017). Intelligent system for improving dosage control. Acta Scientiarum. Technology, 39(1), 33-38. https://doi.org/10.4025/actascitechnol.v39i1.29353
Rubio-Clemente, Ainhoa; Chica, Edwin; Peñuela, Gustavo (2014). Aplicación del proceso fenton en el tratamiento de aguas residuales de origen petroquímico. Ingeniería y Competitivad, 16(2), 211-223. https://doi.org/10.25100/iyc.v16i2.3696
Rumelhart, David E.; Hinton, Geoffrey E.; Williams, Ronald J. (1986). Learning internal representations by error propagation. Chapter 8: In: Parallel Distributed Processing. Vol. 1, pp. 318-362., MIT Press. Cambridge, MA, USA. Recuperado de https://web.stanford.edu/class/psych209a/ReadingsByDate/02_06/PDPVolIChapter8.pdf
Salgado, A.; Soto, E.; Gómez, R.; Cerino, F. J.; García, R. B.; Garza, M. T.; Loredo, J. A.; Alcalá, M. M. (2013). Modelación de un tratamiento avanzado de aguas residuales, provenientes de una planta de envasado, usando las metodologías de análisis de superficie de respuesta (ASR) y de redes neuronales (RNA). Química Hoy Chemistry Sciences, 3(2), 42-53.
Salgado-Reyna, Alejandro (2013). Uso de redes neuronales artificiales (RNA) para la modelación de una unidad de ósmosis inversa en una planta piloto de tratamiento de aguas residuales (tesis doctoral). Universidad Autónoma de Nuevo León, Monterrey, México. Recuperado de http://eprints.uanl.mx/3959/
Serrano, Antonio José; Soria Olivas, Emilio; Martín, José David; (2010). Redes neuronales artificiales. Curso 2009-2010. Valencia, España: Universidad de Valencia. Recuperado de http://ocw.uv.es/ingenieria-y-arquitectura/1-2/libro_ocw_libro_de_redes.pdf
Steel, R. G.; Torrie, J. H. (1960). Principles and Procedures of Statistics with Special Reference to the Biological Sciences. London, UK: Mcgraw-Hill. doi.org/10.1002/bimj.19620040313
The Mathworks Inc.; (2008). Matlab® & simulink® Release 2008a, Installation Guide for Windows. Natick, MA, USA: The Mathworks Inc.
Toc-Aguilar, René (2012). Efecto de los microorganismos eficientes (M.E.) en las aguas residuales de la granja porcina de Zamorano, Honduras (tesis de pregrado). Escuela Agrícola Panamericana, Zamorano, Honduras. Recuperado de https://bdigital.zamorano.edu/bitstream/11036/1039/1/T3265.pdf
Vásquez-Almazán, María; Martínez-Morales, José (octubre de 2014). Modelado de la calidad del efluente en el tratamiento de aguas residuales mediante Redes Neuronales Artificiales. XVI Congreso Latinoamericano de Control Automático – CLCA. Asociación de México de Control Automático, Cancún, México. Recuperado de http://amca.mx/memorias/amca2014/media/files/0140.pdf
Villarreal-Campos, Carlos; Caicedo-Bravo, Eduardo; (2013). Técnicas de inteligencia computacional aplicadas a modelos de estimación de coagulante en el proceso de potabilización de agua. Revista Facultad de Ingeniería Universidad de Antioquia, (69), 205-215.
Widrow, Bernard; Lehr, Michael (1990). 30 years of adaptive neural networks: perceptrons, madaline, and backpropagation. Proceedings of the IEEE, 78(9), 1415-1442. https://doi.org/10.1109/5.58323
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Derechos de autor 2019 Servicio Nacional de Aprendizaje (SENA)
Descargas
Los datos de descargas todavía no están disponibles.
