Resumen de Predicción de la Dosis Óptima de Policloruro de Aluminio para el Proceso de Coagulación en el Tratamiento de Agua Potable mediante Redes Neuronales Artificiales

Cristopher Izquierdo, Braulio Pezántes, Edy Ayala

• español

  Las plantas de tratamiento de agua potable (PTAPs) disponen de una etapa de dosificación de químicos coagulantes, la cual determina el éxito de la calidad del agua. La adición de estos compuestos comúnmente es un procedimiento manual realizado por personal capacitado. Esta resulta una tarea crítica debido a que requiere cierto nivel de experiencia para una correcta dosificación. Como posible solución, este estudio se basa en el análisis de datos recolectados de una fuente de agua cruda ubicada en Ecuador. Utilizando la información de los parámetros físico-químicos del agua cruda, se identifican la definición de las dosis de Policloruro de Aluminio (PAC), y las variables de entrada y salida del proceso. En consecuencia, se propone la implementación de un sistema de control inteligente basado en Redes Neuronales Artificiales (RNA). Estos experimentos comienzan con la recolección y análisis de datos para establecer las variables involucradas en el proceso. El modelo neuronal propuesto dispone de tres capas ocultas y utiliza algoritmos de gradiente adaptativo. Se realizó un análisis de los resultados utilizando el error porcentual absoluto medio (MAPE) y el error cuadrático medio (RMSE). El modelo predictivo de PAC en fase de entrenamiento da un valor MAPE de 0,0425 para los valores no ajustados y de 0,0262 para los valores numéricos ajustados. Sin embargo, en la fase de prueba el modelo neuronal alcanza un MAPE de 0,057 para los valores de PAC no ajustados y de 0,041 para los ajustados. Se puede concluir que esta alternativa brinda una solución eficiente a la hora de resolver problemas de dosificación en PTAPs, teniendo resultados confiables de las métricas RMSE y MAPE.

• English

  Drinking–water Treatment Plants (DWTP) dosing coagulant chemicals determines the success of water quality. The addition of these compounds is usually a manual procedure performed by trained people. This task is quite difficult because it requires a lot of experience for a correct dosage. To solve this problem, this study is based on the analysis of data collected from a raw water source located in Ecuador. Then, using the information on the physical-chemical parameters of the raw water, the definition of the doses of Polyaluminum Chloride (PAC), and the input and output variables of the dosage process are identified. Consequently, the implementation of an intelligent control system based on Artificial Neural Networks (ANN) is proposed. These experiments start with data collection and analysis in order to establish the variables involved in the process. The proposed neural model has three hidden layers, and it uses adaptive gradient algorithms. An analysis of the results was performed using Mean Absolute Percentage Error (MAPE) and Root Mean Square Error (RMSE). The PAC predictive model in the training phase gives a MAPE value of 0.0425 for the not adjusted values and 0.0262 for the adjusted numerical values. However, in the test phase the neural model achieves a MAPE of 0.057 for the not adjusted PAC values and 0.041 for the adjusted values. It can be concluded that this alternative provides an efficient solution when solving dosing problems in DWTPs, having reliable results from the RMSE and MAPE metrics.