Prediciendo la dosis de sulfato de aluminio en el tratamiento de aguas

• Ana María Morales ^[1] ; Gustavo Ramírez-Caballero ^[1] ; Martha Barajas-Meneses ^[1]
  1. [1] Universidad Industrial de Santander

     Universidad Industrial de Santander

     Colombia

     
• Localización: Tecnología y Ciencias del Agua, ISSN-e 2007-2422, Vol. 11, Nº. 6 (noviembre-diciembre de 2020), 2020, págs. 339-367
• Idioma: español
• Títulos paralelos:
  • Predicting the aluminum sulfate dosage in water treatment
• Enlaces
  • Texto completo
• Resumen
  • español

    El presente estudio muestra las estrategias usadas para mejorar el proceso de clarificación en la planta de agua desmineralizada en la planta GENSA S. A. E. S. P., de Termopaipa, localizada en Boyacá, Colombia. Se emplearon datos experimentales obtenidos a partir de la prueba de jarras para construir un modelo basado en redes neuronales. Las variables independientes fueron pH, turbiedad, conductividad eléctrica y color del agua cruda, junto con la dosis de polímero floculante. La variable de salida del modelo fue la dosis del coagulante. Se escogió el modelo de una red neuronal de tres capas, el cual fue validado para encontrar 10 neuronas en la capa oculta. La herramienta para entrenar la red neuronal fue optimización no lineal. El cálculo de chi cuadrada utilizado para la evaluación del modelo demostró ser eficiente en un 90% de nivel de confianza.

  • English

    The present study shows the strategies used to improve the treatment of clarification ofdemineralized water in GENSA S.A. E.S.P., Planta Termopaipa, located in Boyacá, Colombia. Experimental data obtained fromjar tests were used to builda model based on neuronal nets. The independent variables were pH, turbidity, electrical conductivity, and color of the raw water along with flocculent dosage. The output variable was the Aluminum Sulfate dosage. A three-layer neural network was chosen as a prediction approach. The model was validated to find ten neurons in the hidden layer. Nonlinear optimization was the tool used to train the neural network. The chi-square value was used to test the model and showed that the model is efficientat 90% confidence level.