DETERMINACIN DE LA DOSIS PTIMA DE SULFATO DE

ALUMINIO (Al2(SO4)3 18H2O) EN EL PROCESO DE COAGULACIN

- FLOCULACIN PARA EL TRATAMIENTO DE AGUA POTABLE POR
MEDIO DEL USO DE UNA RED NEURONAL ARTIFICIAL

Presentado por:
Claudia Lorena Barajas Garzn
Andrea Juliana Len Luque
Carlos Andrs Pea Guzmn

12/6/16

Identificar
problemt
ica

Recolectar
datos
(Metodolo
ga)
Compar
ar con
datos
de
campo

12/6/16

Definir
propsito
Establecer modelo
conceptual
Exis
te
cdig
o?
N
O
Analizar datos y
desarrollar modelo
matemtico
Calibracin

S
I

Validacin
Simulacin
Establecer criterio de
rendimiento
Resultados

Fuente: [25]

PROBLEMTICA.
La efectividad de la C-F radica en
establecimiento de una dosificacin ptima
coagulante [2].
-Dosis calculada por: El Ensayo de Jarras y
Streaming Current Detector (SDC). Hasta con
40% de error [1].

el
de
el
un

-Aplicacin excesiva de coagulante: Presencia en

forma residual del agente coagulante [4,5].
-Aumento de -Prdidas la coloracin Incremento econmicasSobreproducci
en
la de
la significativas
n de lodos
distribucin
turbidez
en
los
tanques de
de la
C- Aplicacin insuficiente: Afecta la efectividad
F
filtracin y la sedimentacin [4,6].
12/6/16

QUE ES UNA RNA?.

Modelos
computacionales
-Principio
de
comportamiento
y
caractersticas de una
neurona biolgica
12/6/16

-Se
basan
en
algoritmos
de
clculo
-Neuronas
interconectadas
que se organizan
por niveles o capas
Fuente: [26]

METODOLOGA
1.
Determinacin
de
los
parmetros
fisicoqumicos ms representativos para el
clculo de la dosis ptima de coagulante
Parmetros fisicoqumicos del agua a monitorear:
Turbidez Medida de los slidos en suspensin
pH Rango ptimo
Alcalinidad Relacin con la reaccin de
desestabilizacin
Color Partculas coloidales
Conductividad Medida indirecta de iones en
solucin en el agua
Temperatura Tiempo de floculacin
12/6/16

Evaluacin de la dosis ptima de Sulfato de Aluminio

(Al2(SO4)3 18H2O) para diferentes escenarios mediante Ensayo
de Jarras

1.
Preparacin
de
muestras:
500ml
de
agua de la llave + agua
base.
-Primeros siete ensayos: 6
muestras.
-Nueve ensayos restantes:
10 muestras.
12/6/16

2. Agua base: Solucin

patrn a partir de la cual
se realizaron diluciones
para
conseguir
la
turbidez requerida en
cada experimento.

12/6/16

Ensayo de Jarras
Mezcla rpida: 70 rpm durante 1 minuto
Mezcla lenta: 30 rpm durante 15 minutos
Sedimentacin: 20 minutos
Medicin
de
turbidez,
temperatura,
pH,
conductividad alcalinidad y color en cada una de
las jarras al finalizar el periodo de sedimentacin.
Se escogi como dosis ptima inicial de
coagulante la que fue aplicada en la jarra que
registr el menor nivel de turbidez final en cada
uno de los 16 experimentos. Posteriormente se
realiz afine de la dosis por triplicado y se defini
la dosis ptima final.
12/6/16

RESULTADOS Y ANLISIS DE
RESULTADOS.

Relacin de los parmetros con la dosis de

coagulante

12/6/16

REGRESIN LINEAL DE LA DOSIS PTIMA

INICIAL

Regresin lineal de los triplicados del primer

Ensayo de Jarras.

12/6/16

10

Arquitectura de la Red Neuronal

Artificial
Turbidez
Inicial
Dosis
de
coagulante

Dosis de
coagulante
obtenida
en el Test
de Jarras

12/6/16

Dosis
ptima

Funcin
de
activaci
n

W:Peso
(igual)
b: Variables
F:Funcin
de
propagaci
n
11

Funcin
de
transferen
cia (Lineal)

 Comportamiento de la Red Neuronal

Artificial

12/6/16

12

Porcentaje de remocin de la Red

Neuronal Artificial

El porcentaje de remocin de turbidez

obtenido con la Red Neuronal Artificial
estuvo por encima del 80% en cada caso (a
12/6/16
13
excepcin del primero)

Beneficios
de usar
una Red
Neuronal
Artificial
Automatiz
acin del
proceso de
Coagulaci
ny
Floculaci
n.

12/6/16

Una
opcin de
desarrollo
en
trminos
de
Tratamient
o de
Aguas en
Colombia
14

RECOMENDACIONES

12/6/16

15

REFERENCIAS

[1] D. Castao, Analysis of the influence of two raw materials coagulants on the
residual aluminum in treated water, industrial chemistry, Technology school,
Technological University of Pereira, Pereira, Colombia, 2011.
[2] G. Wu and S. Lo, Effects of data normalization and inherent-factor on
decision of optimal coagulant dosage in water treatment by artificial neuronal
network Experts systems with applications, vol. 37, pp. 4974-4983, 2010.
[3] S. Heddam, A. Bernard, and N. Dechemi, "ANFIS- based modelling for
coagulant dosage in drinking water treatment plant: a case study",
Environmental monitoring and assesment, vol. 184, 2012.
[4] P. Kulkarni and S. Chellam, "Disinfection by product formation following
chlorination of drinking water: Artificial neural network models and changes in
speciation with treatment", Science of the total environment, vol. 408, pp. 42024210, 2010.
[5] C. Villarreal and E. Caicedo, Applied computational intelligence techniques
to estimation models coagulant in water purification process, Journal faculty of
engineering university of Antioquia, pp. 205-215, 2013.
[6] S. Weisberg, Linear hypothesis: Regression (basics), in International
encyclopedia of the social & behavioral sciences (Second edition), J. D. Wright,
Ed., ed Oxford: Elsevier, pp. 153-156, 2014.
[7] S. Quintanilla, "Numerical methods applied to engineering," Science &
Development, p. 10, Septiembre
2012.
Santo Toms University of
Colombia
[8] P. Ponce, Artificial intelligence
with engineering applications. Mexico:

GRACIAS POR SU
ATENCIN.

12/6/16

17