Control y tratamiento de aguas residuales por medio de algoritmos SOM y Clustering

Abstract

El uso de redes neuronales genera modelos descriptivos que permite visualizar y entender los datos, reconocimiento de patrones e identificar relaciones y correlaciones. Asímismo se pueden crear modelos de predicción de parámetros claves a partir de los datos disponibles. Estas técnicas pueden ser integradas en plataformas ya existentes de software y hardware para trabajar en tiempo real con el proceso a estudiar. En las últimas dos décadas se han producido resultados exitosos en los tratamientos de aguas residuales en gran parte debido a políticas exigentes. Los costes asociados a la etapa aeróbica son normalmente los más importantes en los tratamientos biológicos. En este sentido, se aconseja realizar cambios en la operación y/o configuración de la planta con el fin de reducir los costes de aireación. Sin embargo, esto implicaría el consumo de tiempo y dinero por lo que la mejor solución es la utilización de modelos de simulación que permitan evaluar los posibles efectos de estrategias operacionales alternativas. En esta tesis se presenta una metodología de trabajo con redes neuronales tanto feed-forward (mlp) con mapas auto-organizados (som). Dentro de este punto, es muy importante la validación de la red neuronal que dependerá del tipo de red usada. Se lleva a cabo por medio de redes neuronales feed-forward la estimación de la concentración de amonio en el efluente de una planta de tratamiento formada por dos reactores biológicos en serie. Por otra parte, se ha desarrollado una herramientas software independiente que incluye el sistema de adquisición de datos de una planta de tratamiento de aguas residuales de coquería de Arcelor en Avilés (España) y el algoritmos de mapas auto-organizados como técnica para la supervisión del proceso. Se integró este algoritmo de mapas auto-organizados como técnica para la supervisión del proceso. Se integró este algoritmo en la aplicación para entrenar automática