Está en la página 1de 5

IDENTIFICACIN Y SIMULACIN DE UN REACTOR AEROBIO MEDIANTE REDES NEURONALES

Miguel A. Jaramillo Morn*, Juan C. Peguero Chamizo**, Enrique Martnez de Salazar Martnez*, Montserrat Garca del Valle Alfageme* *Escuela de Ingenieras Industriales. **Centro Universitario de Mrida. Universidad de Extremadura. Escuela de Ingenieras Industriales. Universidad de Extremadura. Avda. de Elvas s/n. Badajoz 06071. Tlf.:+34 924 289628. E-mail: miguel@unex.es

Resumen
En el presente trabajo se presenta la identificacin de una estacin depuradora de aguas residuales mediante redes neuronales. Para ello se propone un modelo sencillo de la misma que es identificado por la red con gran precisin. A continuacin se procede a la identificacin directa de la planta. Los resultados obtenidos no son tan precisos como para el caso anterior, debido a la presencia de variaciones incontrolables de la planta y a la modificacin de parmetros de control de la misma por parte de los operarios que la gestionan para adecuar la respuesta del reactor a las necesidades de depuracin. En cualquier caso, los resultados obtenidos ponen de manifiesto que el comportamiento dinmico de la red neuronal sigue al de la planta con una buena aproximacin. Estos mismos resultados sugieren que una mejor identificacin se podra obtener si se dispusiera de los datos de los parmetros de control modificados por los operarios para poder introducirlos como entradas a la red. Palabras clave: redes neuronales, identificacin , estacin depuradora de aguas residuales.

2. DESCRIPCIN DE LA PLANTA
La estacin en cuestin, Figura 1, recibe un caudal de aguas residuales urbanas procedentes de la ciudad con un aporte de un 10% de aguas industriales procedentes de los polgonos industriales perifricos.

Figura 1: Planta de lodos activos Se contemplan como variables de entrada a la misma el Caudal de entrada, Qf, y la concentracin de Sustrato Afluente, Sf, materia orgnica disuelta en el mismo y que se desea reducir a unos mnimos aceptables. Es importante sealar que no se pretende potabilizar el agua sino depurarla antes de devolverla al ro. El funcionamiento del Reactor Aerobio est basado en el mantenimiento dentro del mismo de una poblacin de microorganismos denominados Biolodos, que en presencia de oxgeno literalmente devoran la materia orgnica que se encuentra en el agua a depurar. La forma de suministrar oxgeno al reactor es mediante unas palas o aireadores que agitan la mezcla presente en el reactor, permitiendo adems que esta sea homognea en todo instante. De la concentracin de O2 depender en gran medida el rendimiento del proceso, ya que cataliza el consumo de sustrato y la creacin de nuevos microorganismos. Es pues fundamental mantener las condiciones de salubridad de los biolodos pero sobre todo la concentracin de los mismos, Xva. Hay que hacer notar que un aumento excesivo de la poblacin dar lugar a un proceso de canibalismo por falta de alimento, con el consiguiente desequilibrio del sistema. Por otra parte el rendimiento del

1. INTRODUCCIN
Este trabajo contempla el uso de las redes neuronales para la identificacin de un proceso no lineal del que se dispone de un modelo cintico que permite una aproximacin a su comportamiento . El proceso en cuestin es un reactor aerobio que forma parte de la Estacin Depuradora de Aguas Residuales ubicada en la ciudad de Mrida. La cintica que rige el Reactor se puede asimilar en una primera aproximacin a un conjunto de ecuaciones diferenciales no lineales relativamente simple [1]. El desarrollo de este conjunto de ecuaciones se ha realizado basndose en el Procedimiento de Diseo de las Plantas de Lodos Activos detallado en [2].

proceso se reflejar en la concentracin del Sustrato Efluente o de salida, Se, que como ya se ha comentado deber ser aceptablemente baja. Se considerarn, por tanto, como variables de salida, Se y Xva. Es tambin necesario tener en cuenta la concentracin de biolodos en la salida del decantador, Xvu, ya que parte de estos sern recirculados hacia la entrada del reactor para mantener aproximadamente constante su concentracin en el mismo. 2.1 Modelo matemtico del proceso de lodos activos La cintica del proceso se puede describir en base al siguiente conjunto de ecuaciones diferenciales no lineales: dSe So 1 + k Xva + Se = dt th th dXva Y Xvo Y So 1 + + kd + Xva + Se = dt th th th th

3. SEGUIMIENTO DE LA CINTICA DEL REACTOR


Se dispone de informes mensuales de medidas reales diarias de las variables de entrada Qf, Sf, Xvu y salida Se, Xva, aportados por el equipo de mantenimiento de la planta [12], bien entendido que estos valores corresponden a medias del da y que Sf se obtiene mediante el clculo de la DBO5 o demanda bioqumica de oxgeno, magnitud que representa la concentracin de materia orgnica a los a 5 das de tomar la muestra. Es claro que este tipo de medicin impone una seria restriccin a la hora de establecer un control inmediato sobre las variaciones de parmetros en la planta. Con el fin de comprobar la bondad del modelo matemtico desarrollado se ha introducido en el mismo la secuencia de valores de entrada correspondientes al mes de octubre de 1998.

(1) (2 )

dXnva Xnva Xnvo (3) + = dt th th dC a 1atmosf + F (T )C + Se + b Xva = F (T ) PC SAT dt th aSo (4) th Se ha pretendido controlar nicamente la concentracin de Sustrato Efluente, Se (1), y la de Biolodos, Xva (2), considerando que la masa no voltil (inorgnica) Xnva (3) no interviene en el proceso y que la concentracin de oxgeno C (4) se mantiene en un valor ptimo, as como la temperatura T del reactor; lo que simplificara en gran medida la cintica del proceso. Aproximando al siguiente sistema de dos ecuaciones, para un intervalo temporal de integracin de un da, y que coincide con los periodos de tomas de muestras en la estacin, el proceso se podr expresar como: Qf Qf dSe = Se k Xva Se + Sf dt v v

Figura 2: comparativa de variables de salida , calculadas y medidas. El modelo se ha simulado en lazo abierto con MATLAB [3,4], procedindose a alimentar al mismo con las series temporales de las entradas antes apuntadas correspondientes a los partes mensuales proporcionados por la EDAR de Mrida, proporcionando series temporales con los valores de las variables de salida, que consideraremos como experimentales. Estas series de valores Entrada/Salida sern utilizadas como patrones de entrenamiento para el aprendizaje Supervisado que a continuacin realizaremos. En la Figura 2 se comparan las salidas generadas por el Modelo Matemtico con las salidas medidas en la planta. Es considerada normal una fluctuacin de valores entorno a una media de Se=7,6 mg/l y Xva=2086mg/l. [2] Como se observa en la grfica los valores de salida proporcionados por el modelo se acercan ms a los estndar que los reales medidos a pi de planta, ya que este tipo de sistemas en funcionamiento real est

(5)

Qf dXva Qf = (1 + r ) + kd Xva Y Se v dt v Qf Qf (6) + r Xvu + Y Sf v v Ecuaciones que se extraen fcilmente de (1) y (2) , v Tiempo de residencia hidraulico y donde th = Qo Qo(So Se ) = Qf (Sf Se ) .

sometido a grandes fluctuaciones de las variables consideradas.

mtodo de Newton. La regla de actualizacin de pesos [4], viene dada por la siguiente expresin: w = ( J T J + I ) 1 J T e (7)

4. IDENTIFICACIN DE LA PLANTA MEDIANTE UNA RED NEURONAL


Una de las aplicaciones ms conocidas de las redes neuronales es su habilidad como aproximadores universales [11], a travs del reconocimiento de patrones, lo que en definitiva permitira identificar el proceso al que responden los pares de entrada salida que constituyen los patrones de entrenamiento de la red y en definitiva la cintica seguida por una determinada planta o modelo, como ser nuestro caso.

donde J es la matriz jacobiana de las derivadas del 1 N 2 error, expresado como [y i yd i ] [9], con = 1 1 2N respecto a cada peso, siendo un escalar y e el vector de error. Cuando es muy grande la expresin anterior se aproxima al gradiente descendente, mientras que si es pequeo sera al mtodo de Newton-Gauss, que es ms rpido y preciso en alcanzar un mnimo de error; de ah que la idea sea cambiar hacia el mtodo de Newton-Gauss lo ms rpido posible. Por tanto decrece despus de cada paso satisfactorio y crece solamente cuando lo hace el error. En el caso en estudio se ha considerado un mnimo de error eg 1*10-4 y un valor inicial de =0.001. Ha sido necesario normalizar debidamente [6] el conjunto de patrones entrada-salida utilizados a fin de no saturar las funciones sigmoides de salida de las neuronas de la capa oculta.

Figura 3: Red neuronal Feed-Forward 3,20,2 4.1. Eleccin de la red neuronal En concreto se usar una red feedforward, Figura 3, formada por 1 capa de entrada con 3 neuronas lineales, una por cada variable de entrada; 1 capa oculta con neuronas de tipo sigmoide que contemple la alinealidad del modelo y cuyo nmero se optimizar de forma experimental; y 1 capa de salida formada por 2 neuronas lineales, una por cada variable de salida. En este estudio, tras probar con distintas configuraciones, se han elegido 20 neuronas para la capa oculta. Trabajos realizados sobre identificacin de plantas de aguas residuales han sido realizados por Vega y Sutil [7], usando otro tipo de redes neuronales denominadas de Espacio de Estados, desarrolladas por Zamarreo y Vega [8].

5. IDENTIFICACIN
Se pretende identificar, por un lado el modelo matemtico desarrollado anteriormente, para lo que tomaremos como patrones de entrada/salida el conjunto de datos calculados anteriormente en el apartado 3. correspondientes a los meses alternos de Enero, Marzo, Mayo, Julio, Septiembre y Noviembre; y por otro lado directamente el reactor de la planta, para lo que tomaremos como patrones de entrada/salida los datos medidos directamente en la planta correspondientes a los meses antes citados.

4.2 Algoritmo de aprendizaje


Buscando un aprendizaje que proporcione un error mnimo en el menor tiempo se ha utilizado el algoritmo de ajuste de pesos denominado de Levenberg-Marquardt. Se trata de un mtodo ms sofisticado que el gradiente descendente [5], que proporciona entre otras mejoras un menor tiempo de entrenamiento. Bsicamente es una aproximacin del

Figura 4: Grfica de error para el aprendizaje del modelo matemtico

5.1 Identificacin del modelo Matemtico Se ha procedido al entrenamiento de la red de la Figura 3. El error alcanzado y el nmero de iteraciones se muestran en la Figura 4. Una vez determinado el conjunto de pesos ptimos, se lleva a cabo la simulacin introduciendo los datos de entrada correspondientes a las series temporales de los meses no utilizados en el entrenamiento. En las Figuras 5 y 6 se comparan los resultados proporcionados por: 1) Las salidas generadas por la red neuronal, (*) y 2) Las salidas proporcionadas por el modelo matemtico aproximado (--), para los meses de Abril y Junio representando los valores de sustrato de salida Se y concentracin de biolodos Xva.

La diferencia aparente entre los valores de salida proporcionados por el modelo matemtico y la red neuronal que lo identifica y los medidos directamente en la planta obedecen a varias razones, siendo la ms importante la debida a las condiciones de funcionamiento de la planta, sometida a la intemperie con grandes fluctuaciones de temperatura y considerada constante en nuestro modelo. Notar que en el caso real los desequilibrios son compensados mediante la variacin de la recirculacin de los lodos r y la concentracin de los mismos Xvu, considerada constante en el caso ideal, y por supuesto la variacin de la concentracin de oxgeno C. Todos estos parmetros son controlados por un experto que evita las situaciones crticas. Notar que nuestro modelo y la red que lo identifica proporciona valores medios entorno a las caractersticas de salida tericas deseables, de ah su posible uso como referencia. 5.2 Identificacin directa del Reactor Tomando como patrones de entrada/salida el conjunto de datos medidos directamente en la planta correspondientes a los meses de Enero, Marzo, Mayo, Julio, Septiembre y Noviembre; se ha entrenado la red de la Figura 3. El error alcanzado y el nmero de iteraciones se muestran en la Figura 7. Una vez determinado el conjunto de pesos ptimo, se lleva a cabo la simulacin para el conjunto de valores de entrada de los meses de Abril y Junio del 98 proporcionado por el informe mensual y no usados en el entrenamiento.

Figura 5: Identificacin del modelo matemtico para el mes de Abril Como era de esperar la red (*) sigue fielmente los valores de salida proporcionados por el modelo matemtico (--), la distribucin de valores obtenidos se mantiene dentro de los lmites permitidos para el proceso [2]. Se han representado tambin las salidas que se midieron directamente en la planta ().

Figura 7:Grfica de error para el aprendizaje de la planta real

Figura 6: Identificacin del modelo matemtico para el mes de Junio

En las Figuras 8 y 9 se comparan los resultados proporcionados por: 1) Las salidas observadas directamente en la planta (), 2) las salidas proporcionadas por el modelo matemtico aproximado (*) y 3) las salidas proporcionadas por la red neuronal que identifica el reactor (+), representando al igual que en el apartado anterior los

valores de sustrato de salida Se y concentracin de biolodos Xva. Se puede observar que la red (+) sigue con mucha dificultad los valores () medidos en la planta, siguiendo incluso con ms fidelidad a las salidas proporcionadas por el modelo matemtico (*). Cuando sometemos la red a un conjunto de datos no entrenados se producen desequilibrios que la red sigue con mucha dificultad, ya que las diferencias entre los valores medidos en la planta correspondientes a distintos meses son muy elevadas. Las razones que justifican estos hechos son las ya apuntadas el apartado anterior. Si se dispusieran de los datos de los parmetros de control modificados por los operarios para poder introducirlos como entradas a la red se podra entrenar a esta tenindolos en consideracin, con lo que se podra obtener unos resultados ms precisos. Lamentablemente estos datos no suelen estar disponibles.

6. CONCLUSIONES
Se ha pretendido aproximar un modelo matemtico muy sencillo (bajo condiciones ptimas de O2 y Temperatura) que sigue la cintica de un reactor aerobio en funcionamiento. Se ha identificado en primer lugar el modelo matemtico desarrollado, con una red neuronal feedforward que ha sido entrenada con patrones obtenidos tras aplicar los valores de entrada medidos al modelo matemtico. Posteriormente de ha procedido a identificar con la misma red el propio reactor con los datos medidos a pie de planta, quedando patente su poca efectividad. A la vista de los resultados queda abierta la posibilidad de utilizar tanto la red que identifica al modelo como el propio modelo matemtico del reactor para plantear un posible control que podra ser Adaptivo[10], que se muestre robusto ante las numerosas fluctuaciones de caudal y materia orgnica que se reciben en la entrada de la planta, de forma que esta no sufra descompensaciones graves en sus parmetros de mantenimiento y disminucin en su rendimiento.

Referencias
[1] Tomas Hrycej, (1997), Neurocontrol, Towards an Industrial Control Methodology, Wiley Interscience. [2] Ramalho R. S., (1996), Tratamiento de Aguas Residuales, Reverte. [3] MATLAB v 4.2 (1994), The Matworks, Inc. [4] Neural Network Toolbox Users Guide (1994), The Matworks, Inc. [5] Freeman A. y Skapura D. M., (1993), Redes Neuronales. Algoritmos, Aplicaciones y Tcnicas de programacin, Addison-Wesley Iberoamericana. [6] Hilera J. R., (1995), Redes Neuronales Artificiales. Fundamentos Modelos y Aplicaciones, RA-MA [7] P. I. Vega C. y M. F. Sutil, Modelado Tolerante a Fallos de una Planta Depuradora de aguas residuales usando Redes Neuronales. [8] J. M. Zamarreo y P. I. Vega, State space neural network. Properties and aplications, Neural Networks 11 (1998) 1099-1112. [9] M. Norgaard, Neural Networks for Modelling and Control of Dynamic Systems, SpingerVerlag L. Limited (2000). [10] Ogata K, Ingenieria de control moderna, Prentice Hall (1993). [11] Kurt Hornik, Multilayer Feedforwad Networks are Universal Approximators, Neural Networks Vol-2, pag 395-366. [12] E.D.A.R. Aguas de Mrida S. L., Informe de explotacin y mantenimiento, 1998).

Figura 8: Identificacin de la planta real para el mes de Abril

Figura 9: Identificacin de la planta real para el mes de Junio