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