Acta Scientiarum

http://www.uem.br/acta ISS
N: 1806-2563 Impreso
ISSN: 1807-8664 En línea
Doi: 10.4025/actascitechnol.v39i1.29353

Sistema inteligente para mejorar el control de la dosificación

Fábio Cosme Rodrigues dos Santos1,2, André Felipe Henriques Librantz1*, Cleber Gustavo
Dias1 y Sheila Gozzo Rodrigues2
1 2La Companhia de
Universidade Nove de Julho, Rua Amador Bueno, 389/491, 04752-900, Santo Amaro, São Paulo, São Paulo, Brasil.
Saneamento Básico do Estado de São Paulo, São Paulo, São Paulo, Brasil. *Autor para correspondencia. E-mail:
librantz@uninove.br

Abstracto. La coagulación es uno de los procesos más importantes en una planta de tratamiento de
agua potable, y se aplica para desestabilizar las impurezas en el agua para la posterior etapa de
floculación. Varias técnicas se utilizan actualmente en el sector del agua para determinar la mejor dosis
del anticoagulante, como la JAR-método de ensayo, mediciones de potencial zeta, métodos de
inteligencia artificial, compuesto de redes neuronales y sistemas expertos difusos, y la combinación de
las mencionadas técnicas para ayudar a los operadores e ingenieros en el proceso de tratamiento de
agua. Papel actual presenta un enfoque de redes neuronales artificiales para evaluar la dosis óptima de
coagulante para diversos escenarios en la calidad del agua cruda, con parámetros como el color del
agua bruta, la turbiedad del agua cruda, aclarado y la turbidez del agua filtrada y una tasa de dosis
calculada para proporcionar el mejor rendimiento en el proceso de filtración. Otra característica en el
enfoque actual es el uso de una red neuronal backpropagation método para estimar la mejor dosis de
coagulante simultáneamente en dos puntos de la planta de tratamiento de agua. Los resultados de la
simulación se comparó a la actual tasa de dosis y demostró que el sistema propuesto puede reducir los
costes de la materia prima en la planta de tratamiento de agua.
Keywords: planta de tratamiento de agua, control de procesos, la dosificación de coagulante, redes neuronales artificiales, la
optimización.

Inteligência artificial aplicada ao controlar da dosagem de coagulante em plantas

de Tratamento de Água
RESUMO. Un coagulação é um dos mais importantes processos em uma planta de tratamento de
Tratamento de Água e é utilizado para desestabilizar como impurezas contidas na água Una floculação
possibilitar pará. Atualmente, algumas técnicas têm sido utilizadas na área para determinar un melhor
dosagem, como ensaios de JAR-teste, medidas ¿potencial zeta e métodos de inteligência artificial, como
redes Neurais Artificiais, difusa e Sistemas especialistas, como quais permitem combinações de técnicas
para auxiliar os centrales e engenheiros no processo de Tratamento de Água. Este artigo apresenta uma
abordagem de rede artificial neural pará un avaliação da dosagem de coagulante otimizada em vários
cenários de qualidade da Água bruta, utilizando alguns parâmetros tais como un CDR bruta da Água das
águas bruta, turbidez, decantada, filtrada e além de uma entrada calculada, denominada tasa de
dosis para monitorar o processo de filtração. Outra característica presente nesta abordagem é un
método backpropagation utilização do nas redes neurais artificiais para estimar un melhor dosagem
coagulante em dois pontos da instalação de Tratamento de Água simultaneamente. Os resultados da
simulação foram comparados com una cola apontaram dosagem atual e o sistema proposto pode trazer
reducción núms custodio de matéria-prima na estação de Tratamento de Água.
Palavras-chave: planta de Tratamento de Água, controlar de processos, dosagem de coagulante, redes neurais
artificiais, otimização.

que las decisiones sobre el proceso de coagulación

Introducción
suelen llevarse a cabo sobre la base de la
El agua es uno de los elementos más experiencia del operador humano, se han realizado
importantes para el sostenimiento de la vida. Las varios estudios sobre los recursos de inteligencia
sustancias no deseadas y microorganismos debe computacional en esta etapa del proceso de
quitarse cuando se utiliza para el consumo humano. tratamiento de agua,
Proceso de tratamiento de agua consta de varios
pasos para obtener agua tratada, uno de los cuales es
la etapa de coagulación encaminadas a desestabilizar
las partículas de suciedad en el agua cruda. Puesto
Acta Scientiarum. Tecnología Maringá, v. 39, n. 1, pág. 33-38, enero-marzo,
2017
 Con buenos resultados en la predicción de la
dosificación de coagulante.
Las técnicas de inteligencia artificial y modelos
matemáticos han demostrado su eficacia y resultados
óptimos, especialmente cuando se aplican en un sistema
no lineal y multivariados, tales como plantas de
tratamiento de agua (Böling, Seborg, & Hespanha, 2007).
Por ejemplo, el uso de modelos matemáticos en el
proceso de tratamiento de agua precede el estudio de las
variaciones en los costos e insumos en varias etapas,
incluyendo coagulación, según las condiciones de
funcionamiento (Malzer & Strugholtz, 2008; Mostafa,
Bahareh, Elahe, & Pegah, 2013; Ogwueleka &
Ogwueleka, 2009).

Acta Scientiarum. Tecnología Maringá, v. 39, n. 1, pág. 33-38, enero-marzo,

2017
34 Santos et al.

Métodos inteligentes, tales como sistemas depende de la calidad del agua cruda, que varía desde un
difusos, redes neuronales artificiales y sistemas depósito a otro, sobre la ocurrencia de lluvias o
expertos, están actualmente empleados para floraciones de algas.
superar la complejidad del agua Ambas técnicas son ampliamente utilizados para
Tratamiento Los procesos determinar la dosis óptima de coagulante, es decir,
(Dharman, Chandramouli, & Lingireddy, equipos específicos en las mediciones de potencial zeta y
2012; Wu & Lo, 2010; Zhang, Achari, Li, Zargar, & jar pruebas (Joo, Choi, & Park, 2000). Sin embargo, estos
Saqid, 2013).
Métodos de dosificación basados en datos
históricos han demostrado ser útiles para enfoque
inteligente, cuando el agua cruda parámetros
cambian rápidamente (Heddam, Bermad, &
Dechemi, 2012; Valentín & Denoeux, 2001; Wu &
Lo, 2008; Zhang y Luo, 2004).
En este contexto, el sistema propuesto emplea
una red artificial tipo perceptron multicapa
especialmente diseñado para determinar la mejor
dosis de coagulante en dos sitios distintos de la
planta de tratamiento de agua, en particular
mediante el uso de dos dosis adicionales como
insumos para la red neuronal, para garantizar el
mejor rendimiento en la fase de filtrado.

Proceso de tratamiento de agua

Tratamiento de agua para la distribución y el
consumo es obligatorio. En algunos casos, sólo se
agregan cloro y flúor al agua cruda es recolectada
de los pozos. Sin embargo, cuando el agua cruda
proviene de embalses o ríos, puede ser necesario
el tratamiento convencional. Por ejemplo, la
adición de cloro y la cal debe garantizar la calidad
de los sistemas de distribución y evitar la suciedad
en el agua. El tratamiento generalmente incluye
pre- cloración, pre-alcalinización, coagulación,
floculación, sedimentación, filtración y
desinfección.
Durante los primeros pasos, el agua se somete
a la coagulación, o más bien, coagulantes se
agregan a desestabilizar las partículas de agua
cruda, para su posterior aglomeración, con la
formación de flocs que separará del agua en los
tanques de sedimentación.
En algunos casos, el proceso de coagulación se
describe en términos de desestabilización de los
coloides inicialmente presente en una fuente de
abastecimiento de agua. Sin embargo, coagulantes
son utilizadas no sólo para desestabilizar las
partículas coloidales, sino también para eliminar la
materia orgánica natural (Pernitsky & Edzwald,
2006; Xie et al., 2012).
Muchos coagulantes primarios, tales como
sulfato de aluminio, polyaluminum cloruro,
cloruro férrico y el sulfato férrico, pueden añadirse
para agua (coagulación Annadurai, cantado, y Lee,
2003; Griffiths & Andrews, 2011). La elección de
los coagulantes y dosificación de coagulante
Acta Scientiarum. Tecnología Maringá, v. 39, n. 1, pág. 33-38, enero-marzo,
2017
 Una grande y una pequeña presa de la fuente
Las técnicas son costosos
Sistema inteligente y lentos
para mejorar y de
el control 35
la dosificación
generalmente menos adaptables a los (fuente) de la planta de agua. El volumen de agua
cambios en la calidad del agua bruta en se transfiere desde la mayor a la menor de presa,
tiempo real (Wu & Lo, 2008; 2010). donde el agua cruda que será usado en el proceso
En general, pocas adaptaciones son es recuperado. Así pues, el proceso utiliza distintos
necesarias cuando la calidad del agua cruda sistemas para la floculación y coagulación,
es estable, aunque las variaciones son considerando la fuente de agua de la más pequeña.
sustanciales, de nuevo se requieren dosis y Para efectos operacionales, la dosificación de
jar pruebas se deben llevar a cabo para coagulante se establece mediante un control
obtener un nuevo valor de referencia. Como automático de Control y Adquisición de Datos
se explicó anteriormente, estas pruebas (SCADA) y sistemas de Controlador Lógico
tardan un tiempo relativamente largo y los Programable (PLC) de dispositivos.
operadores utilizan tasas de referencia
basados en su intuición y experiencia.
Cuando un proceso está controlado por
experiencias personales, es posible que
ocurran errores, es decir, dosis más grandes
de lo necesario (Wu & Lo, 2010).
Además, la dosificación de coagulación
está relacionado con la química del agua
cruda y características físicas. Por lo tanto,
el control óptimo de la tasa coagulante
consta de un reto para los operadores e
ingenieros, especialmente cuando las
condiciones meteorológicas contribuyen a
los cambios de parámetros como la
turbidez, temperatura, pH y otros. Por lo
tanto, dosis óptima generalmente depende
de las características anteriores del agua
cruda. Puesto que en este tipo de proceso,
características como la turbidez,
conductividad, pH, temperatura y
reacciones entre las partículas son no-
lineal, es muy difícil obtener la dosificación
de coagulante por métodos convencionales
(Zhang & Luo, 2004).

Material y métodos
Planta de tratamiento de agua
La planta de tratamiento de agua en el actual
estudio tiene un
1,25 m³ s-1 capacidad de purificación de
agua y provee agua potable a unos 400.000
habitantes. De acuerdo a información sobre
este particular, el agua de la planta, hay dos
puntos de dosificación en la cual los
operadores deben determinar la mejor
dosis. El primero está situado en el sitio "A"
donde el agua se obtiene por la gravedad y
por el otro, llamado sitio "B", donde el agua
proviene de un sistema de bombeo.
Finalmente, el agua cruda viene del mismo
lugar. La figura 1 muestra el diagrama de la
planta de tratamiento de agua.
Acta Scientiarum. Tecnología Maringá, v. 39, n. 1, pág. 33-38, enero-marzo,
2017
36 Santos et al.

Tasa de coagulante en la planta de tratamiento de

agua según un método de entrenamiento de
propagación. Definición de los parámetros de
entrada se basa en la experiencia de los operadores y
los datos históricos recuperados de la planta de
tratamiento de agua.
Los datos de entrada se compone de seis
parámetros y
Los datos de salida c nsist de dos señales,
especialmente
La dosificación de coagulante relacionados con "A"
y "B" en la planta. La tabla 1 muestra el proceso de
datos seleccionados para el aprendizaje y las fases
de validación y están relacionados con
El Máximo y mínimo Las tasas de Input
la
Parámetros de red neuronal. La magnitud de los
Figura 1. Sinopsis de la planta de tratamiento de agua.
parámetros, tales como el agua cruda y tasas de
La recopilación de datos y la base de conocimientos dosis, se determinan en función de las diferentes
Knowledge base para el entrenamiento de la condiciones meteorológicas y los tipos de
red neuronal de propagación posterior fue referencia. Entradas de la red neuronal y tasas de
construido sobre el proceso controlado de datos salida se muestran en la Tabla 1 y Tabla 2,
entre abril de 2010 y junio de 2012, o más bien, respectivamente.
más de 3700 conjuntos de datos se utilizaron para
Desarrollar el enfoque actual. Además, el agua Tabla 1. Parámetros de agua utilizados como insumos para la
red neuronal rk.
Las muestras de De 2012 a septiembre de Fuer Parámetro de agua Mínimo Máximo
Julio 2012 on
Recogida y utilizada para el control de la El color del agua cruda (UC) 28 135
simulación
La turbiedad del agua filtrada (NTU) 0.2 0.6
Resultados tras el paso de aprendizaje. Por lo La turbiedad del agua cruda (NTU) 3.3 23.9
tanto, los datos de entrada y salida fueron Aclaró la turbiedad del agua (NTU) 0.9 1.8
seleccionados no sólo para la formación, sino
también para validar el modelo de redes
Tabla 2. Dosificación de coagulante químico utilizado como
neuronales artificiales en la aplicación.
En el estudio actual, parámetros de calidad, salidas para
tales como materias
Modelo de red neuronal.
El color del agua, la turbiedad del agua cruda, agua
clarificada
Turbidez La turbidez del agua filtrada y se La dosificación de coagulante Mínimo Máximo
En una dosificación de
utilizaron para construir la base de conocimientos. coagulante (mg l-1). 9.40 45.29
Además, un parámetro adicional se utilizó para La dosificación de coagulante en B (mg l-1). 8.50 44.83
mejorar la filtración
Proceso, a saber, Una dosificación Fue
Calcula: específica El Neural Red La arquitectura, Es
decir, Su
Número óptimo de capas ocultas y el número
C D  0 .5 T  De nodos, fueron definidos por el ensayo y el error.
Bt 1 
Figura 2
 (1)
T1
Tasa Ft
T 2
 T 
 T Bt    DT   Muestra la estructura principal del enfoque
neuronal utilizando sólo una capa oculta de las
neuronas. La tasa
Donde: (NTU); TFt = agua filtrada la
CBt = color agua cruda; turbidez (NTU);
TBt = agua cruda turbidez (NTU); Dt-1 = anterior dosificación de coagulante
TDt = agua clarificada la turbidez (mg l-1).
Acta Scientiarum. Tecnología Maringá, v. 39, n. 1, pág. 33-38, enero-marzo,
2017
Sistema inteligente para mejorar el control de Puntos, calculada según la ecuación 1, se 37
En la ecuación anterior, el factor
la dosificación 0,5 fue denomina tipo "A" e "tipo B".
empleada para el cálculo del porcentaje debido a
que este valor es una referencia importante para
mejorar el paso de filtración.

El modelo de redes neuronales artificiales

Redes neuronales
artificiales (RNA) son comúnmente
conocidos como " redes neuronales", ya que los datos
de proceso al igual que el cerebro humano. Por lo
tanto, la técnica artificial generalmente proporciona
información de datos complejos y no lineales (Russel
& Norvig, 2010).

En el ensayo actual, una red neuronal artificial Figura 2. La estructura de la red neuronal artificial utilizado
para
Modelización ha sido aplicado para Mej Determinar la dosis en dos sitios.
determinar el or

Acta Scientiarum. Tecnología Maringá, v. 39, n. 1, pág. 33-38, enero-marzo,

2017
38 Santos et al.

Sistema de control de dosificación de coagulante Tabla 3. Media de los errores al cuadrado y el promedio durante
el aprendizaje y la fase de validación.
La dosificación de coagulante es controlada por
un sistema automatizado compuesto por Formación Validación

controladores lógicos programables

(PLCs) y software de supervisión (SCADA). El sistema
Permite al operador ajustar la tasa de
referencia (RA" o " RB"), o de salida
deseada, para cada control de bucle cerrado
en la planta de tratamiento de agua.
La referencia para la dosificación de coagulante es
generalmente definida por la JAR-pruebas
preliminares o por sólo considerando los
antecedentes de los operadores de la planta. La figura
3 muestra el control de bucle cerrado para la
dosificación de coagulante en A y B en el actual
sistema de tratamiento de agua.
Número de
Las
MSE MAE (mg l-1). MSE MAE (mg l-1).
neuronas
aprendizaje. La tabla 3 muestra la media de los errores al
cuadrado y las tasas promedio para cada topología neuronal
durante el aprendizaje de las fases y etapas de validación.
Las figuras 4 (a), (b) y (c) ilustrar la comparación entre la
tasa deseada y las tasas generadas por las redes neuronales
durante la fase de entrenamiento para las topologías con 40,
60 y 80 neuronas en la capa oculta, respectivamente.

Figura 3. Control de bucle cerrado para la dosificación de

coagulante en A y B.

En la Figura 3, la dosis de coagulante

referencias en A y B se identifican respectivamente
por RA(s) y RB(s), mientras que el ya(s) y YB(s) son el
resultado del proceso. En este tipo de control, GA(s) y
GB(s) tienen la función de transferencia y pida y PIDB
son la regla de control de A y B. En el papel actual,
sólo una red neuronal artificial proporciona la dosis
de coagulante referencias (RA(s) y RB(s) para cada
control de bucle cerrado en los puntos A y B.

Resultados y discusión
En el ensayo actual, tres topologías de red
neural fueron probados para definir el mejor
rendimiento para la dosificación de coagulante
químico en dos puntos. En estos casos, el algoritmo de
Levenberg-Marquardt propagación posterior fue
utilizado para la formación de redes neurales. La
primera fue entrenado utilizando 40 neuronas. La
segunda fue entrenado utilizando 60 neuronas y el
tercero utilizó 80 neuronas en la capa oculta. Hay una
capa oculta en todas las topologías. La tangente
hiperbólica función de activación ha sido elegida para
las neuronas modelo 1000 y en todos los casos las
interacciones fueron aplicados en la fase de
Acta Scientiarum. Tecnología Maringá, v. 39, n. 1, pág. 33-38, enero-marzo,
2017
40 0.002244
Sistema inteligente0.4860 0.001007
para mejorar 0.3766
el control de 39
60 0.001759 0.4590 0.004814 0.6093
la dosificación
80 0.001647 0.4720 0.001631 0.5324

Figura 4. Tasa deseada y la salida neuronal durante la

fase de aprendizaje de 40 (a), 60 b) y 80 (c) de las
neuronas.

La figura 5 muestra los datos de

validación para A y B, teniendo en cuenta
las distintas neuronas en la capa oculta. Las
cifras revelan una buena conexión entre
red neuronal de salida y la tasa deseada
por Ann topología utilizando 40 neuronas
ocultas, como se muestra en las figuras
5(a) y 5(b). Durante la validación

Acta Scientiarum. Tecnología Maringá, v. 39, n. 1, pág. 33-38, enero-marzo,

2017
40 Santos et al.

Proceso, la red neuronal con 40 neuronas ocultas Figura 5. Los datos de validación para los puntos A y B.
mostraron una diferencia de dosis bajas de 0.3766
mg L-1 cuando se compara con la dosis actual
utilizado en la planta de tratamiento de agua
(DAP).
Método de dosificación control: un estudio de caso
El sistema propuesto se
ha aplicado en una planta de tratamiento de agua en
Cotia - SP - Brasil, para proporcionar la dosis de
coagulante referencias en tiempo real para A y B. En
la figura 6 se muestra una pantalla del proceso
industrial en el sistema de supervisión (SCADA), de
acuerdo con el control de la dosificación de
coagulante y un botón con el título "Ana", donde el
operador es capaz de activar la técnica de redes
neuronales artificiales (Figura 7). En la pantalla se
pueden ver las bombas de dosificación y el punto de
ajuste campos utilizados por operación o
determinado por ANN.

Acta Scientiarum. Tecnología Maringá, v. 39, n. 1, pág. 33-38, enero-marzo,

2017
 La figurainteligente
Sistema 7 muestrapara
la pantalla
mejorar en la quede
el control los campos 41
la dosificación
están listos para la inserción de los parámetros
fisicoquímicos determinado en el banquillo para red
neuronal para procesar apropiado para el escenario
actual, los valores de un conjunto de puntos. La "Actual"
de los campos son los parámetros actuales tasas en uso,
mientras que la "predicción" campos muestran las
nuevas tasas para ser utilizado después de la
transformación de redes neurales artificiales. Algunas
opciones adicionales, tales como "Guardar datos" y "Data
Visualization" están disponibles para un análisis más
detallado del sistema de uso histórico. Los resultados
revelaron que es posible llegar a una reducción de la
dosis de coagulante presentados en la red neuronal de
0.3766 mg L-1 inferiores a aquellos en comparación a
los datos actuales; esto significa un 17.000 kg de sulfato
de aluminio ahorros durante un año de uso
propuesto con el flujo de producción nominal de 1,25 m³
WTP s-1.

Acta Scientiarum. Tecnología Maringá, v. 39, n. 1, pág. 33-38, enero-marzo,

2017
42 Santos et al.

orgánico total y la coagulación dosificación usando redes

neuronales artificiales. La Ciencia de la ingeniería ambiental, 29(8),
743-750.
Griffiths, K. A., Andrews, R. C. (2011). La aplicación de redes
neuronales artificiales para la optimización de coagulante

Figura 6. Sistema de dosificación de coagulante en SCADA.

Figura 7. Pantalla de redes neuronales artificiales en el sistema

SCADA.

Conclusión
En el actual ensayo, un sistema basado en redes
neuronales ha sido aplicado para predecir la dosis
óptima de coagulante en una planta de tratamiento
de agua. Una gama de parámetros ha sido utilizado
para determinar las mejores condiciones de control
de proceso de agua según datos históricos de la
planta. El sistema ha sido aplicado para estimar la
dosis óptima de coagulante simultáneamente en dos
sitios de una planta de tratamiento de agua en el
estado de São Paulo, Brasil, y predijo que las tasas de
importación en una reducción de la materia prima.
Se realizarán nuevas investigaciones para mejorar
los resultados en la reducción de costes y consumo
de materias primas.

Referencias
Annadurai, G., cantado, S. S., & Lee, D. J. (2003).
Floc características y eliminación de turbidez y ácidos
húmicos de alta turbidez de las aguas de
tormenta. Oficial de Ingeniería Ambiental, 129(6), 571-
575.
Böling, J. M., Seborg, D. E., & Hespanha, J. P. (2007). Multi-
Modelo control adaptable de un simulacro de proceso
de neutralización de pH. La práctica de ingeniería de
control, 15, 663-672.
Dharman, S. Chandramouli, V. & Lingireddy, S. (2012).
Predecir la eficiencia de eliminación de carbono
Acta Scientiarum. Tecnología Maringá, v. 39, n. 1, pág. 33-38, enero-marzo,
2017
 neuronales para controlar el coagulante en la planta de
La Sistemadosificación. Ciencia
inteligente y Tecnología
para del de
mejorar el control 43
la dosificación tratamiento de agua. Revista de Teoría de Control y
agua: abastecimiento de agua, 11(5), 605-611.
Aplicaciones, 2, 89-92.
Heddam, S., Bermad, A. & Dechemi, N. (2012). Mod
Zhang, K., Achari, G., Li, H. Zargar, A. & Saqid, R. (2013). Los
elado basado en ANFIS para dosificación de
enfoques de aprendizaje de la máquina para predecir la
coagulante en la planta de tratamiento de agua
dosis de coagulante en plantas de tratamiento de
potable: un estudio de caso. Monitoreo y
agua. Revista Internacional de Ingeniería y gestión de
Evaluación Ambiental, 184(4), 1953-1971.
sistemas de garantía, 4(2), 205-214.
Joo, D. S., Choi, D. J., & Park, H. (2000). Los
efectos de preprocesamiento de datos para
la determinación del índice de dosificación de Recibió el 1 de octubre de 2015.
coagulante. Water Research, 34(13) 3295-3302. Aceptado el 10 de marzo de 2016.
Malzer, H.-J., & Strugholtz, S. (2008). Redes
neuronales artificiales para la optimización de Información de licencia: Este es un artículo de acceso abierto distribuido bajo los
términos de la Creative Commons Attribution License, que permite el uso ilimitado,
costos de la coagulación, distribución y reproducción en cualquier medio, siempre que la obra original esté
sedimentación y filtración en el tratamiento de debidamente citados.
agua potable. Ciencia y Tecnología del agua:
abastecimiento de agua, 8(4), 383-388.
Mostafa, K. S., Bahareh, G., Elahe, D., & Pegah, D. (2
013). Optimización de la planta de tratamiento
de agua convencionales mediante programación
dinámica. Toxicología e Higiene
Industrial, 31(12), 1-9.
Ogwueleka, T. C., & Ogwueleka, F. N. (2009).
Optimización de los procesos de tratamiento de
agua potable utilizando redes
neuronales. Revista de Tecnología de Nigeria, 28(1),
16-25. Pernitsky, D. J., & Edzwald, J. K. (2006).
Selección de alumbre y polyaluminum coagulantes:
principios y aplicaciones.
Oficial de suministro de agua: la investigación y la
tecnología: AQUA, 55(2), 121-141.
Russel S. J., Norvig, P. (2010). Inteligencia
artificial: un enfoque moderno (3ª
ed.). Nueva Jersey, EE.UU.: Prentice Hall.
Valentin, N., & Denoeux, T. (2001). Un software
basado en redes neuronales para la coagulación
del sensor de control de una planta de
tratamiento de agua. Análisis Inteligente de
Datos - IOS Press, 5(1), 25-42.
Wu, G.-D., & Lo, S. L. (2008). La predicción en
tiempo real de dosis de
coagulante en el tratamiento de
aguas mediante redes neuronales artificiales
y adaptativo basado en la red sistema de
inferencia difuso. Ingeniería de Aplicaciones de
Inteligencia Artificial, 21(8), 1189- 1195.
Wu, G.-D., & Lo, S. L. (2010). Efectos de
la normalización de datos y factor inherente en
la toma de la dosis óptima de coagulante en el
tratamiento de aguas mediante redes
neuronales. Sistemas Expertos
de aplicaciones, 37(7), 4974-4983.
Xie, J., Wang, D., Leeuwen, J., Zhao, Y., Xing, L., &
Chow,
C. W. K. (2012). Modelado de pH para
la máxima remoción de materia orgánica
disuelta por coagulación
mejorada. Revista de Ciencias Ambientales,
24(2), 276-283.
Zhang, H. & Luo, D. (2004). Aplicación de
un sistema experto utilizando redes
Acta Scientiarum. Tecnología Maringá, v. 39, n. 1, pág. 33-38, enero-marzo,
2017