Resumen de Chemometric methods to process online spectrometry for quality monitoring of different water matrices
La monitorización del agua durante los procesos de potabilización o saneamiento en las Estaciones de Tratamiento de Agua Potable (ETAP), Estaciones Depuradoras de Aguas Residuales (EDAR) y Estaciones de Regeneración de Agua (ERA) es un paso necesario para observar el funcionamiento de los sistemas involucrados, y controlar contaminantes que están en el punto de mira de las administraciones. Cada vez es más común obtener información de buena calidad a través de sensores y sondas instalados in situ y en continuo. La presente investigación ha tenido como objetivo dotar a la sonda spectro::lyser® de más capacidades en la detección y predicción de contaminantes, tanto en agua potable como en agua residual.
A través del espectro Ultravioleta Visible (UV¿Vis), utilizando métodos de inferencia estadística avanzada y herramientas quimiométricas, como los motores de selección de variables Forward Selection (FS), Backward Elimination (BE) y Stepwise Selection (SS ), y algoritmos de regresión como Multiple Linear Regresion (MLR), Support Vector Machines (SVM) y Artificial Neural Networks (ANN), se desarrollaron diferentes modelos matemáticos para predecir el potencial de formación de trihalometanos (THM FP) durante el proceso de saneamiento del agua potable en ETAP, la concentración de una mezcla de hidrocarburos (tolueno, m-chileno y p-chileno) en aguas residuales urbanas provenientes de influyente de EDAR, y la concentración de coagulante añadido al agua residual durante el proceso de coagulación¿floculación en ERA.
Los resultados demuestran que el mejor sistema de selección de variables fue SS, combinado con una selección manual posterior usando el Variance Inflation Factor (VIF). En la modelización llevada a cabo para predecir el THM FP se concluyó que ANN (R2 = 0,92, RMSE = 0,77) fue el algoritmo con mayores capacidades para observar las relaciones no¿lineales entre las longitudes de onda. Por otra parte, en la modelización desarrollada para predecir la presencia de una mezcla controlada de hidrocarburos en agua residual, el algoritmo de MLR obtuvo muy buenos resultados (R2MLR1 = 0,82; RMSEMLR1 = 0,22; R2MLR2 = 0 ,87; RMSEMLR2 = 0,21; R2MLR3 = 0,79; RMSEMLR3 = 0,24). Para predecir la concentración óptima de coagulante a añadir durante el proceso de coagulación-floculación, se concluyó que ANN es el algoritmo que da mejores resultados (R2 = 0,86, RSE = 0,02).
Los algoritmos que se desarrollaron son específicos de cada punto estudiado, y pueden utilizarse como una herramienta para dar una respuesta rápida y eficaz, en caso de que los operadores de planta tengan necesidad de ello.
