8/7/2020 Modelado predictivo del rendimiento de la planta de tratamiento de aguas residuales de la cervecería Habesha utilizando redes neuro…

Journal of Environmental Treatment Techniques Descargar la versión PDF 2018, Volumen 6, Número 2, Páginas: 15-25

J. Environ. Tratar. Tech.

ISSN: 2309-1185

Enlace web de la revista: http://www.jett.dormaj.com

Modelado predictivo de desempeño de Habesha

Planta de tratamiento de aguas residuales de la
cervecería utilizando
Redes neuronales artificiales
Elias Barsenga Hassen 1 y Abraham M. Asmare 2
1
Facultad de Ingeniería Química y Alimentaria, Instituto de Tecnología Bahir Dar, Universidad de Bahir Dar, Etiopía
2
Instituto de gestión de riesgos de desastres y estudios de seguridad alimentaria, Universidad de Bahir Dar, Etiopía.

Recibido: 25/07/2017 Aceptado: 07/02/2018 Publicado: 30/07/2018

Resumen
Recientemente, el control del proceso se realiza principalmente mediante el examen de la calidad del agua del producto y
el ajuste de los procesos a través de la experiencia del operador. Esta práctica es ineficiente, costosa y lenta en la respuesta de
control. Se puede lograr un mejor control de los WTP desarrollando una herramienta matemática robusta para predecir el
rendimiento. Debido a su alta precisión y su aplicación bastante prometedora en el campo de la ingeniería, las Redes
Neuronales Artificiales (ANN) están llamando la atención en el modelado predictivo de rendimiento de WTP. Este documento
se centra en la aplicación de ANN con una retroalimentación,paradigma de aprendizaje de propagación hacia atrás para
predecir la calidad del agua efluente del WTP de Habesha Brewery. Se usaron aproximadamente 11 meses de datos (desde
mayo de 2016 hasta marzo de 2017) de la calidad del agua influyente y efluente para construir, capacitar y evaluar los
modelos. El estudio significa que ANN puede predecir los parámetros de calidad del agua efluente con un coeficiente de
correlación (R) entre las variables de salida observadas y pronosticadas que alcanzan hasta 0.969. La arquitectura del modelo
de 3-21-3 para pH y TN y 1-76-1 para DQO se seleccionaron como topología óptima para predecir el rendimiento de WTP de
Habesha Brewery. La correlación lineal entre los resultados pronosticados y los resultados objetivo para las arquitecturas de
modelo óptimas descritas anteriormente son 0.9201 y 0.9692, respectivamente.

Palabras clave: red neuronal artificial, planta de tratamiento de aguas residuales, modelado de desempeño
1
1 Introducción
1.1 Antecedentes
El objetivo del proceso de tratamiento de aguas residuales es
lograr un efluente y lodo tratado que sea ambientalmente
seguro para su eliminación y / o reutilización [1].
Teniendo en cuenta los problemas ambientales actuales y
la escasez de agua, no es poco realista creer que la
tendencia de desarrollo de nuevos WTP continuará en
todo el mundo. Al mismo tiempo, se espera que las
cargas en las plantas existentes aumenten debido al
crecimiento de la capacidad de producción de las
industrias. Además, el advenimiento de regulaciones
ambientales más estrictas en relación con WTP y
descarga pone más presión sobre los operadores y los
encargados de tomar decisiones para gestionar y mejorar
la fiabilidad de sus plantas de tratamiento [2].
Actualmente, el control del proceso generalmente se
logra mediante el examen de la calidad del agua del
producto y el ajuste de los procesos a través de la
experiencia del operador. Esta práctica es ineficiente y
lenta en la respuesta de control [3].
El modelado y la simulación es una herramienta
elegante y rentable para evaluar el rendimiento y el
control de los WTP
Autor para correspondencia: Elias Barsenga Hassen,
Facultad de Ingeniería Química y de los Alimentos,
Instituto de Tecnología Bahir Dar, Universidad de Bahir
Dar, Etiopía, correo electrónico: elibarsa@gmail.com.
15
[4] Los modelos de WTP se pueden dividir en dos
categorías principales: modelos lingüísticos y
matemáticos. Los modelos lingüísticos (como los
sistemas expertos) pueden relacionar causa a efecto, sin
la construcción de un modelo matemático. Son más
adecuados para describir fenómenos en sistemas
ambientales que son muy difíciles de representar
matemáticamente. La mayoría de los sistemas expertos
que se han desarrollado en el campo del tratamiento de
aguas residuales se dirigen al diagnóstico. Esta categoría
de aplicación ayuda a identificar las causas del mal
funcionamiento y sus soluciones en las instalaciones de
control de la contaminación [5].
Los modelos matemáticos de los procesos de
tratamiento de aguas residuales se pueden dividir en dos
clases amplias: modelos de caja blanca (determinista) y
modelos de caja negra (empírico). Los modelos de caja
blanca son más útiles para comprender los eventos que
ocurren en un sistema [5]. En general, los modelos
deterministas incorporan enlaces directos entre entradas
y salidas a través de ecuaciones diferenciales ordinarias y
parciales que buscan imitar las reacciones mecanicistas.
El desarrollo de dicho modelo que pueda describir con
precisión un sistema requiere un conocimiento detallado
y una evaluación del sistema, los factores que actúan en
el sistema y la interacción entre esos factores. Aunque
estos modelos dan una buena idea de la mecánica del
sistema, requieren mucho trabajo y tiempo antes de
aplicarlos a un WTP específico [6]. Modelo de lodo
activado No.

Revista de técnicas de tratamiento ambiental 2018, Volumen 6, Número 2, Páginas: 15-25

Water Association (IWA), se encuentran entre los pocos Ababa City. Utiliza una planta de tratamiento de aguas
modelos mecanicistas que se desarrollan en el campo del residuales de base biológica. Las aguas residuales tienen
tratamiento de aguas residuales [7]. una capacidad máxima de tratamiento de 1000 m 3 de
El otro tipo de modelo matemático, caja negra o
aguas residuales a la vez (Figura 1).
modelo empírico está diseñado para representar sistemas
difíciles de describir. Son muy útiles para los operadores
porque reflejan respuestas del mundo real. La red
neuronal artificial (ANN) es una de las herramientas de
modelado de caja negra más utilizadas que se utilizan
para modelar procesos de tratamiento de aguas
residuales. El hecho de que los modelos de caja negra se
puedan actualizar continuamente con un requisito
mínimo de recursos los ha hecho atractivos en el
escenario de control en tiempo real [5]. Desde su
introducción en el campo de la ingeniería ambiental a
fines de la década de 1980, su aplicación ha aumentado a
un ritmo constante [8].

www.jett.dormaj.com/docs/Volume6/Issue 2/html/Predictive Performance Modeling of Habesha Brewery’s Wastewater Treatment Plant Using Artifi… 1/8
8/7/2020 Modelado predictivo del rendimiento de la planta de tratamiento de aguas residuales de la cervecería Habesha utilizando redes neuro…
La red neuronal artificial (ANN) es una técnica de
inteligencia artificial que imita la red neuronal biológica
del cerebro humano en los procesos de resolución de
problemas. A medida que el ser humano resuelve un
nuevo problema basado en la experiencia pasada, una red
neuronal toma ejemplos resueltos previamente, busca
patrones en estos ejemplos, aprende el patrón y desarrolla
la capacidad de clasificar correctamente nuevos patrones
y predecir y pronosticar parámetros del proceso
[8] Las pruebas de laboratorio basadas en experimentos
se utilizan para determinar la calidad de las aguas
residuales durante todo el proceso de tratamiento, lo que
lleva mucho tiempo, es costoso y es lento en respuesta.
Este estudio tiene como objetivo desarrollar un modelo
predictivo robusto para la determinación de la calidad del
efluente tratado mediante el uso de ANN.
Las plantas de tratamiento de aguas residuales
(WTP) son sistemas dinámicos no lineales sujetos a
variaciones en el volumen y la composición de las aguas
residuales entrantes. Sin embargo, estas plantas tienen
que funcionar adecuadamente; de lo contrario,
posiblemente causarán serios problemas ambientales y de
salud pública. Por lo tanto, las regulaciones ambientales
establecen restricciones sobre la calidad del efluente que
debe cumplir cualquier WTP. Estos estrictos estándares
de descarga y características influyentes
no uniformes y dependientes del tiempo hacen que la
gestión adecuada de los sistemas de tratamiento sea una
preocupación.
Hasta la fecha, casi todos los WTP industriales en
Etiopía, incluida la fábrica de cerveza Habesha, utilizan
un enfoque experimental convencional para determinar la
calidad del agua residual tratada antes de su descarga o
reutilización. Sin embargo, este método es costoso,
requiere mucho tiempo y una respuesta lenta. Además,
este enfoque requiere un profesional experimentado para
obtener el mejor resultado. Se puede lograr una mejor
operación y control del WTP mediante el desarrollo de
una herramienta matemática robusta que permita predecir
la calidad del efluente tratado con base en observaciones
pasadas de ciertos parámetros clave. Con este fin, en este
trabajo de tesis, se utilizó una técnica de modelado ANN
para desarrollar un modelo de rendimiento predictivo de
WTP de la cervecería Habesha. Por lo tanto, el objetivo
general de este trabajo de tesis fue desarrollar un modelo
robusto que permita predecir el rendimiento del WTP de
Habesha Brewery utilizando Redes Neuronales
Artificiales.
2 Descripción de la planta de aguas residuales
2.1 Descripción de la planta
Cervecería Habesha con capacidad de producir
700,000 hectolitros de cerveza anualmente. Su WTP se
encuentra en la ciudad de Debre Birhan, a 120 kilómetros
al norte de Addis
dieciséis
Revista de técnicas de tratamiento ambiental
límite para controlar la contaminación del agua. El límite
estándar de efluentes de la EPA para la reutilización de
aguas residuales para fines agrícolas se muestra en la
Tabla 1 a continuación.
Tabla 1: Límite estándar de la EPA para la descarga
de aguas residuales industriales tratadas para
parámetros fisicoquímicos seleccionados [10]
Parámetros Límites
No cambie la temperatura ambiente por
Temperatura más de 1 0 C
pH 5-9
BACALAO ≤ 125 mg / l
Tennesse ≤ 30 mg / l
3. Metodología
3.1 Materiales
3.1.1 Datos operativos históricos
Los datos históricos utilizados para este estudio se
obtuvieron del laboratorio WTP de Habesha Brewery.
Aproximadamente 11 meses de registros, entre el 2 de
mayo de 2016 y el 20 de marzo de 2017, para DQO, pH
y Nitrógeno Total (TN) de aguas residuales influyentes
sin tratar y efluentes tratados se obtuvieron del
laboratorio de la planta.
Los datos recopilados se investigaron
cuidadosamente y después de considerar las opciones
disponibles para modelar el rendimiento de la planta de
tratamiento, se decide relacionar la calidad de las aguas
residuales con influencias brutas con la calidad del
efluente tratado final. El estadístico descriptivo
Tabla 2: Estadísticas descriptivas para datos operativos brutos de aguas residuales influyentes
Variable Unidades Min Max
pH - 6.030 9.710
www.jett.dormaj.com/docs/Volume6/Issue 2/html/Predictive Performance Modeling of Habesha Brewery’s Wastewater Treatment Plant Using Artifi…
Figura 1: WTP de la cervecería Habesha
2.2 Descripción del proceso de la planta de aguas residuales.
Las aguas residuales recogidas de la planta de producción.
Primero pasa a través de la cámara de la pantalla para
eliminar grandes partes sólidas como botellas rotas y
papeles adhesivos, luego se recogerá en el tanque de
ecualización donde se neutralizará mediante la adición de
HCl o NaOH dependiendo del pH inicial de las aguas
residuales. Luego, el agua residual neutralizada pasará a
la Manta de lodo anaeróbico de flujo ascendente
(UASB), donde se bombeará lentamente verticalmente
hacia arriba a través de un lecho de bacterias anaerobias
donde se descompondrá anaeróbicamente. Las aguas
residuales tratadas anaeróbicamente se bombearán al
reactor aeróbico, donde se tratarán con la adición de aire
antes de ser descargadas a las granjas cercanas para su
riego. El diagrama de flujo ilustrativo simple del WTP se
presenta en la Figura 2 a continuación.
Figura 2: Diagrama de flujo del proceso de la cervecería Habesha
WTP
2.3 Pautas y estándares para efluentes
A nivel mundial hay una gran presión política y social.
para reducir la contaminación derivada de actividades
industriales. La industria cervecera es una industria que
genera gran cantidad de aguas residuales; Se ha
documentado que se generan de 3 a 10 litros de aguas
residuales por litro de producción de cerveza. Debido a
las crecientes preocupaciones y regulaciones
ambientales, se hicieron intentos para utilizar las aguas
residuales tratadas de manera amigable con el medio
ambiente [9].
La Agencia de Protección Ambiental de Etiopía
(EPA) ha desarrollado descargas generales de
contaminantes a nivel nacional.
2018, Volumen 6, Número 2, Páginas: 15-25
El análisis de los datos operacionales de los datos sin
procesar obtenidos para el agua influyente y efluente se
presenta en las Tablas 2 y 3 a continuación,
respectivamente.
3.1.2 Software
MATLAB ® software (R2014b) con caja de
herramientas de red neural, que es un paquete de
software interactivo de alto rendimiento para la
computación científica y de ingeniería, se utilizó para el
diseño, construcción, formación y las pruebas de las
redes neuronales. MiniTab ® v 17 y Microsoft Excel ®
2016 también se utilizaron para la organización de datos
y de procesamiento previo tareas.
3.2 Métodos
3.2.1 Datos Pre-procesamiento
La cantidad y la calidad de los conjuntos de datos
disponibles determinarán en última instancia el
rendimiento y la complejidad de la ANN. En su mayoría,
los datos sin procesar recopilados de las operaciones de
la planta son ruidosos e incompletos por naturaleza. Por
lo tanto, los datos sin procesar que se recopilaron del
laboratorio de la planta se examinaron para determinar su
integridad, valores faltantes y valores atípicos mediante
el uso de un software de análisis estadístico llamado
MiniTab.
Los valores perdidos se estimaron mediante el uso de
la interpolación y la eliminación de valores atípicos se
realizó mediante la eliminación de mediciones que no
estaban dentro del rango de ± 3 desviaciones estándar.
Las estadísticas descriptivas de los datos preprocesados
se presentan en las Tablas 4 y 5 a continuación.
Media St. Dev Var.
7.208 0,551 0,303
2/8
8/7/2020 Modelado predictivo del rendimiento de la planta de tratamiento de aguas residuales de la cervecería Habesha utilizando redes neuro…

BACALAO mg / l 920.000 2764.000 1605.400 437,000 190985.100

Tennesse mg / l 8.440 49.600 31,337 6.817 46,477

Tabla 3: Estadísticas descriptivas para datos operacionales brutos del efluente tratado
Variable Unidad Min Max Media St. dev Var.

pH - 7.560 8.330 7,960 0.140 0,020

BACALAO mg / l 14.600 422.000 89,690 67,420 4545.250

Tennesse mg / l 2.691 27,575 8.721 5.305 28,142

Para garantizar que la distribución estadística de los
valores para cada entrada y salida neta sea más o menos
uniforme, el escalado de datos se llevó a cabo utilizando
la función MATLAB, la función mapminmax en
MATALB, mediante la cual los conjuntos de datos se
escalaron a un rango específico de -1 a +1.
3.2.2 División de datos
Al entrenar redes multicapa, la práctica general es
dividir primero los datos en tres subconjuntos. El primer
subconjunto es el conjunto de entrenamiento, que se
utiliza para
calcular el gradiente y actualizar los pesos y sesgos de la
red. El segundo conjunto es el conjunto de validación. El
error en el conjunto de validación se supervisa durante el
proceso de capacitación. El error de validación
disminuye durante la fase inicial de la capacitación y el
error tiende a aumentar a medida que la red comienza a
aumentar. Por lo tanto, el conjunto de validación se usa
para decidir cuándo detener el entrenamiento para evitar
un entrenamiento excesivo. El conjunto de prueba no se
usa durante la fase de entrenamiento, pero se usa para
comparar el rendimiento de diferentes modelos.

17

Journal of Environmental Treatment Techniques 2018, Volumen 6, Número 2, Páginas: 15-25

Tabla 0: Estadísticas descriptivas para datos preprocesados de Influente

Variable Unidades Min Max Media St. Dev Var.

pH - 6.030 8.750 7.138 0.413 0.170

BACALAO mg / l 920.000 2764.000 1602.200 408.700 167036.500

Tennesse mg / l 14.820 49.600 31,562 5.980 35,765

Tabla 5: Estadísticas descriptivas para datos preprocesados de efluentes tratados

Variable Unidades Min Max Media St. Dev Var.

pH - 7.560 8.290 7.951 0,135 0,0183

BACALAO mg / l 14.600 258.000 83,48 52.200 2724,44

Tennesse mg / l 2.690 21,150 8.356 3.968 15,747

MATLAB proporciona cuatro funciones alternativas
para dividir los datos en conjuntos de capacitación,
validación y prueba. Son dividendo (el valor
predeterminado), divideblock , divideint y divideind .
Normalmente, el proceso de división de datos se lleva a
cabo automáticamente durante el proceso de
capacitación. En este estudio, las cuatro funciones de
división de datos se utilizan alternativamente en un
intento de aumentar el rendimiento de las redes.
Tabla 6: Lista de funciones de división de datos de
MATLAB [11]
Algoritmo Funcional
dividend Divide los datos al azar (predeterminado)
divideblock Divide los datos en bloques contiguos
divideint Divide los datos usando una selección
intercalada
divideind Divide los datos por índice
3.2.3 Selección de arquitectura del modelo
La arquitectura del modelo determina la estructura
general y la dirección del flujo de información en el
modelo. En general, las arquitecturas de redes neuronales
artificiales se dividen en redes de avance y redes
recurrentes. En las redes de avance, la información fluye
en una dirección desde la capa de entrada a la capa de
salida. A diferencia de las redes de alimentación hacia
adelante, la información recurrente se mueve tanto hacia
adelante como hacia atrás. En este trabajo de tesis se
utilizaron redes de perceptrón multicapa (MLP), el tipo
de red neuronal de alimentación más utilizada.
3.2.4 Selección de estructura de red
La estructura de red, junto con la arquitectura de red
modelo, define la forma funcional de la relación entre las
entradas y salidas de la red. La estructura de red óptima
El efecto de las siguientes características de red en el
rendimiento de la red.
yo. Configuración de red: en este estudio se
desarrollaron dos tipos de configuraciones basadas
en los datos preprocesados. El pH, la DQO y el TN
del agua residual influyente cruda se utilizaron
como variables de entrada para predecir la calidad
del efluente tratado. Un total de 13 modelos (9
configuraciones SISO, 3 MISO y 1 MIMO) fueron
diseñados y evaluados en este estudio.
ii) Selección del número de neuronas ocultas: la
determinación de la estructura de red óptima implica
la selección del número apropiado de neuronas
ocultas. En general, se desarrollará un perceptrón de
dos capas en este trabajo de tesis que se representó
con una topología IJK , donde I, J y K son el número
de neuronas de entrada, ocultas y de salida en la red,
respectivamente. La capa de entrada y salida se
conoce fácilmente a partir de los datos de entrada y
destino. Desafortunadamente, actualmente no existe
una directriz universalmente aceptada para
determinar la cantidad de neuronas ocultas. Por lo
tanto, en este estudio, el número óptimo de neuronas
se determinó mediante el uso de un método de
prueba y error al agregar una o dos neuronas a la
vez.
iii) Selecciones de la función de transferencia
adecuada: en general, las funciones de tangente
hiperbólica y sigmoide son apropiadas para la
mayoría de los tipos de redes, especialmente para
problemas de predicción. La función tangente
hiperbólica se prefirió a la función sigmoidea
logarítmica en este trabajo por las siguientes
razones:

www.jett.dormaj.com/docs/Volume6/Issue 2/html/Predictive Performance Modeling of Habesha Brewery’s Wastewater Treatment Plant Using Artifi… 3/8
8/7/2020 Modelado predictivo del rendimiento de la planta de tratamiento de aguas residuales de la cervecería Habesha utilizando redes neuro…
generalmente logra un equilibrio entre la capacidad de
generalización y la complejidad de la red. Se logró una
estructura de red óptima investigando
18 años
Revista de técnicas de tratamiento ambiental
la función log sigmoidea siempre tiene una
respuesta positiva.
si. La pendiente de la tangente hiperbólica es mucho
mayor que la pendiente de la función sigmoidea. Lo
que significa que la función tangente hiperbólica es
más sensible a pequeños cambios en la entrada.
iv. Selección del algoritmo de entrenamiento: es
difícil determinar qué algoritmo de entrenamiento
proporciona una experiencia de aprendizaje rápida
para un problema determinado. La selección del
algoritmo de entrenamiento depende de muchos
factores, incluida la complejidad del problema, el
número de puntos de datos en el conjunto de
entrenamiento, el número de sesgos en la red, el
objetivo del error y para qué propósito se utiliza la
red. MATLAB proporciona 13 algoritmos de
entrenamiento para el entrenamiento de una red
neuronal. Entre los cuales se utilizó el algoritmo de
regularización bayesiana ( trainbr ) en este estudio.
Incluso si el algoritmo toma más tiempo para el
entrenamiento en comparación con otros algoritmos,
tiene una buena capacidad de generalización para
conjuntos de datos difíciles, pequeños o ruidosos
[11].
3.2.5 Entrenamiento modelo
Model Training es un proceso iterativo que busca
modificar la red a través de numerosas presentaciones de
datos. Principalmente, hay dos tipos de entrenamiento
modelo; entrenamiento no supervisado y supervisado.
Entrenamiento sin supervisión, el modelo solo se
alimenta con los valores de entrada y lo utiliza para
ajustar sus pesos de conexión. En el caso de los datos
supervisados, alimente con valores de datos de entrada y
de destino. El modo de entrenamiento supervisado se usó
para este estudio ya que requiere un tiempo más corto en
comparación con el modo de entrenamiento no
supervisado.
3.2.6 Evaluación del modelo
Para determinar qué estructura de red es óptima, se
evaluó el rendimiento de los modelos calibrados. En este
trabajo de tesis, se utilizaron el error cuadrático medio
(MSE) y el coeficiente de correlación (R) para evaluar el
rendimiento de las redes, donde MSE (error cuadrático
medio) es la diferencia cuadrática promedio entre salidas
y objetivos. Los valores más bajos de MSE se consideran
mejores y cero significa que no hay error. Valores R
Tabla 7: Estadísticas de rendimiento para modelos de predicción de pH
Configuración Entrada
pH
SISO BACALAO
Tennesse
MISO pH, DQO, TN
MIMO pH, DQO, TN
19
Revista de técnicas de tratamiento ambiental
www.jett.dormaj.com/docs/Volume6/Issue 2/html/Predictive Performance Modeling of Habesha Brewery’s Wastewater Treatment Plant Using Artifi…
a. La salida varía de -1 a +1 para la tangente
hiperbólica y solo de 0 a 1 para la función log
sigmoide. Esto significa que la función tangente
hiperbólica tiene una respuesta negativa para un
valor de entrada negativo y una respuesta positiva
para un valor de entrada positivo, mientras que
2018, Volumen 6, Número 2, Páginas: 15-25
medir la correlación entre productos y objetivos. Un
valor R de 1 significa una relación cercana, 0 una
relación aleatoria.
−2
= (0.1)
2
=1
4. Resultados y discusión
Después de preprocesar los datos brutos se completó
utilizando el software estadístico MiniTab, se crearon
diferentes modelos SISO, MISO y MIMO utilizando
MATLAB. El tipo de red que se utilizó en este trabajo de
tesis fue la arquitectura de red Feed Forward con Back
Propagation con paradigma de aprendizaje. El algoritmo
de regularización bayesiana ( trainbr ), que es el mejor
algoritmo para generalizar conjuntos de datos ruidosos y
difíciles, se utilizó para entrenar los modelos. Tangente
hiperbólico sigmoide ( tansig ) y función de transferencia
lineal ( purelin) se utilizaron funciones de transferencia
en la capa oculta y de salida de las redes,
respectivamente. El número óptimo de neuronas ocultas
se determinó por ensayo y error y el valor R y MSE se
utilizaron para evaluar y comparar el rendimiento de los
modelos desarrollados.
3.3 Modelos de predicción de pH
En las 5 redes (3 SISO, 1 MISO y 1 MIMO)
Se desarrollaron modelos para determinar la topología de
red óptima para la predicción del pH del efluente tratado.
La Tabla 7 a continuación presenta los resultados de
rendimiento estadístico de estos modelos.
Basado en el rendimiento estadístico de las tres
configuraciones para la predicción del pH, el modelo
MIMO es el mejor al anotar un valor R de 0.920. Esto
significa que el modelo MIMO generaliza bien los datos
y es probable que haga una predicción precisa cuando se
proporcionan nuevos datos (datos que no provienen del
conjunto de entrenamiento o prueba) en comparación con
los otros modelos. La gráfica de regresión lineal para los
modelos con mejor desempeño de cada configuración se
presenta en la Figura 3 a continuación.
Formación Pruebas Todas
IJK
MSE R MSE R R
1-52-1 0.120 0.276 0,161 0.421 0,455
1-41-1 0,054 0,805 0,057 0,747 0,804
1-76-1 0,135 0.254 0,178 0,050 0,172
3-29-1 0,060 0,771 0,070 0,773 0,771
3-21-3 0,037 0.921 - 0.917 0.920
2018, Volumen 6, Número 2, Páginas: 15-25
4/8
8/7/2020 Modelado predictivo del rendimiento de la planta de tratamiento de aguas residuales de la cervecería Habesha utilizando redes neuro…
Figura 3: Gráfico de regresión para la predicción de pH de mejor rendimiento (A) COD in -pH out (SISO) (B) MIMO y (C) modelos MISO

(UNA) (SI)

(C)
Figura 4: Comparación entre los datos pronosticados y los reales para la predicción del pH utilizando (A) COD in -pH out (SISO) (B) MISO y (C)
Modelos MIMO

20

Revista de técnicas de tratamiento ambiental 2018, Volumen 6, Número 2, Páginas: 15-25

Como se puede ver el gráfico de comparación entre
los datos predichos y los reales y basado en los valores
MSE de los modelos, el modelo MIMO indica un buen
ajuste
en comparación con los otros modelos. Por lo tanto, se
determinó que la arquitectura apropiada para la
predicción del pH consistía en una capa de entrada con 3
neuronas, una capa oculta con 21 neuronas y 3 neuronas
de capa de salida.
3.4 Modelos de predicción de DQO
Para predecir la DQO del efluente tratado 3 SISO
Se desarrollaron modelos de configuración con diferentes
entradas, 1 MISO y 1 MIMO. El rendimiento estadístico
para los modelos con mejor rendimiento de cada
configuración se presenta en la Tabla 8.
Entre los modelos desarrollados para la predicción de
la DQO, el modelo SISO en el que se usa la DQO como
entrada ha mostrado una excelente generalización y
eficiencia predictiva al puntuar un valor R de 0.9692.
Incluso si los modelos MISO y MIMO obtuvieron un
valor R más bajo en comparación con el modelo SISO,
ambas configuraciones mostraron una buena precisión al
puntuar valores R superiores a 0.9 para
Todos los conjuntos de entrenamiento y pruebas. Estos
resultados también fueron respaldados por el gráfico de
regresión y los gráficos de comparación presentados en
la Figura 5 y 6 a continuación, respectivamente. Según el
valor R y el valor MSE de los modelos, la mejor
topología para la predicción de DQO es una
configuración SISO con 1 neurona en la capa de entrada,
76 neuronas en la capa oculta y 1 neurona en la capa de
salida.
3.5 Modelos de predicción TN
Para predecir TN del efluente tratado 3 SISO
Se desarrollaron modelos de configuración con diferentes
entradas, 1 MISO y 1 MIMO. El rendimiento estadístico
para los modelos con mejor rendimiento de cada
configuración se presenta en la Tabla 9.
Como se presenta en la Tabla 9 anterior, el modelo de
mejor desempeño para la predicción de TN del efluente
tratado es el modelo MIMO con una topología de 3-21-3
al calificar el valor R de 0.920. El resultado también está
respaldado por el gráfico de regresión y comparación
entre los datos de salida reales y los datos pronosticados
que se presentan en las Figuras 7 y 8 a continuación.

Tabla 8: Estadísticas de rendimiento para modelos de predicción de DQO

Formación Pruebas Todas
Configuración Entrada IJK
MSE R MSE R R
pH 1-33-1 0,202 0,136 0,181 0.247 0,305
SISO BACALAO 1-76-1 0.007 0,982 0,057 0,885 0.970
Tennesse 1-48-1 0.111 0,305 0,092 0,079 0,275
MISO pH, DQO, TN 3-35-1 0,022 0.941 0,015 0.942 0.945
MIMO pH, DQO, TN 3-21-3 0,037 0.921 - 0.917 0.920

www.jett.dormaj.com/docs/Volume6/Issue 2/html/Predictive Performance Modeling of Habesha Brewery’s Wastewater Treatment Plant Using Artifi… 5/8
8/7/2020 Modelado predictivo del rendimiento de la planta de tratamiento de aguas residuales de la cervecería Habesha utilizando redes neuro…
Figura 5: Gráfico de regresión para la mejor predicción de DQO (A) COD in -COD out (SISO) (B) MISO y (C) modelos MIMO

21

Revista de técnicas de tratamiento ambiental 2018, Volumen 6, Número 2, Páginas: 15-25

(UNA)

(SI)

(C)
Figura 6: Comparación entre los datos pronosticados y los reales para la predicción de DQO utilizando (A) CODin-CODout (SISO) (B) MISO
y (C) modelos MIMO

22

Revista de técnicas de tratamiento ambiental 2018, Volumen 6, Número 2, Páginas: 15-25

Tabla 9: Estadísticas de rendimiento para modelos de predicción TN

Formación Pruebas Todas
Configuración Entrada IJK
MSE R MSE R R
pH 1-96-1 0.133 0,340 0,184 0,729 0.330
SISO BACALAO 1-68-1 0,024 0.937 0.131 0,779 0.913
Tennesse 1-51-1 0.145 0.229 0,172 0,024 0,208
MISO pH, DQO, TN 3-24-1 0,035 0.911 0,033 0.817 0,907
MIMO pH, DQO, TN 3-21-3 0,037 0.921 - 0.917 0.920

www.jett.dormaj.com/docs/Volume6/Issue 2/html/Predictive Performance Modeling of Habesha Brewery’s Wastewater Treatment Plant Using Artifi… 6/8
8/7/2020 Modelado predictivo del rendimiento de la planta de tratamiento de aguas residuales de la cervecería Habesha utilizando redes neuro…
Figura 7: Gráfico de regresión para la predicción TN de mejor rendimiento (A) CODin-TNout (SISO) (B) MISO y (C) modelos MIMO

23

Revista de técnicas de tratamiento ambiental 2018, Volumen 6, Número 2, Páginas: 15-25

(UNA)

(SI)

(C)
Figura 8: Comparación entre los datos pronosticados y los reales para la predicción TN utilizando (A) DQO en -TN fuera (SISO) (B) MISO y
(C) Modelos MIMO

24

Revista de técnicas de tratamiento ambiental 2018, Volumen 6, Número 2, Páginas: 15-25

5. Conclusión Planta de tratamiento como estudio de caso , en el

La predicción del rendimiento de los procesos de
tratamiento de aguas residuales es importante para
mantener el sistema estable en una amplia gama de
circunstancias. Este trabajo de tesis presentó un
procedimiento paso a paso para desarrollar un modelo
Departamento de Ingeniería Química . 2015,
Universidad de Lund: Lund, Seweden. pags. 121)
2. Dairi, S., et al., Simulación dinámica para los
requisitos de oxígeno sobre la Planta de tratamiento
de aguas residuales municipales - Caso Souk-Ahras /

www.jett.dormaj.com/docs/Volume6/Issue 2/html/Predictive Performance Modeling of Habesha Brewery’s Wastewater Treatment Plant Using Artifi… 7/8
8/7/2020 Modelado predictivo del rendimiento de la planta de tratamiento de aguas residuales de la cervecería Habesha utilizando redes neuro…
predictivo de rendimiento de la red neuronal para WTP
de Habesha Brewery utilizando ANN. Durante el
desarrollo del modelo, la calidad del agua residual
influyente sin procesar se utilizó como variables de
entrada para desarrollar 13 modelos de red SISO, MISO
y MIMO distintos para predecir la calidad del agua del
efluente tratado. Los datos brutos obtenidos de la planta
de tratamiento fueron analizados y preprocesados antes
de ser utilizados para la capacitación y evaluación de las
redes. Se utilizó el método de prueba y error para
identificar la topología de red con mejor rendimiento.
Con base en los resultados observados de los modelos
desarrollados, Se puede concluir que los resultados de los
modelos están muy de acuerdo con los datos brutos
obtenidos del laboratorio WTP. En general, según los
resultados estadísticos de rendimiento, el modelo MIMO
ha mostrado un mejor rendimiento predictivo en
comparación con la configuración SISO y MISO al
obtener un valor R de 0.9201. En el caso de las variables
de entrada, los modelos con DQO como variables de
entrada tienen una mejor calidad de predicción y
precisión que los modelos donde se utilizan pH y TN
como variable de entrada. Arquitecturas modelo Los
modelos con DQO como variables de entrada tienen una
mejor calidad de predicción y precisión que los modelos
donde se utilizan pH y TN como variable de entrada.
Arquitecturas modelo Los modelos con DQO como
variables de entrada tienen una mejor calidad de
predicción y precisión que los modelos donde se utilizan
pH y TN como variable de entrada. Arquitecturas
modelo3-21-3 (configuración MIMO) para pH y TN y
1-76-1 (configuración SISO con DQO como entrada)
para DQO se seleccionaron como topología óptima para
predecir el rendimiento del WTP de Habesha Brewery.
La correlación lineal entre las salidas predichas y las
salidas objetivo para la arquitectura de modelo óptima
descrita anteriormente es 0.9201 y 0.9692
respectivamente. Finalmente, este estudio ha demostrado
la efectividad del uso de redes neuronales para capturar
la no linealidady la complejidad de la relación entre la
calidad del agua del influente bruto y el efluente tratado
de los WTP industriales. En conclusión, el resultado
mostró que los modelos ANN entrenados y probados
desarrollados podrían ser potencialmente empleados para
predecir el rendimiento del WTP de Habehsa Brewery,
por lo tanto, proporcionan una buena herramienta de
apoyo para controlar y monitorear el rendimiento del
WTP.
Referencias
1. Fezzi, M., Un enfoque pragmático para el modelado
del tratamiento de aguas residuales: las aguas
residuales de Kallby
25
www.jett.dormaj.com/docs/Volume6/Issue 2/html/Predictive Performance Modeling of Habesha Brewery’s Wastewater Treatment Plant Using Artifi…
Argelia. Journal of Material and Environmental
Science, 2011. 2 (S1): pág. 507-512.
3. Zhang, Q. y SJ Stanley, Control del proceso de
tratamiento de agua en tiempo real con redes
neuronales artificiales. Revista de Ingeniería
Ambiental, 1999. 125 (2): p. 153-160.
4. Vandejerckhove, A., W. Moerman y SWH Hulle,
modelado a gran escala de una planta de tratamiento
de aguas residuales de la industria alimentaria en
vista de la actualización del proceso. Chemical
Engineering Journal, 2008. 135 : p. 185-194.
5. El-Din, AG, DW Smith y MG El-Din, Aplicación de
redes neuronales artificiales en el tratamiento de
aguas residuales. Revista de Ingeniería y Ciencia
Ambiental, 2004. 3 : p. S81-S95.
6. Moral, H., Modelado del proceso de lodo activado
mediante el uso de redes neuronales artificiales , en
el Departamento de Ingeniería Ambiental . 2004,
Universidad Técnica del Medio Oriente: Ankara,
Turquía. pags. 1126.
7. Gernaey, KV, et al., Modelado y simulación de
plantas de tratamiento de aguas residuales con lodos
activados: estado del arte. Journal of Environmental
Modeling and Software, 2004. 19 : p. 763-783.
8. Zhang, QJ, red neuronal artificial: teorías
avanzadas y aplicaciones industriales , en el
Departamento de Ingeniería Civil y Ambiental .
2002, Universidad de Alberta: Edmonton, Canadá.
pags. 183
9. Senthilraja, K., P. Jothimani y G. Rajannan, Efecto
de las aguas residuales de la cervecería sobre el
crecimiento y los cambios fisiológicos en los cultivos
de maíz, girasol y sésamo. Revista Internacional de
Ciencias de la Vida e Investigación Educativa, 2013.
1 (1): p. 36-42.
10. Fikresilasie, T., Impacto del efluente de la cervecería
en la calidad del agua del río: el caso de Meta en la
fábrica de cerveza y el río Finchewa en Sebeta,
Etiopía , en la Escuela de Estudios de Posgrado .
2011, Universidad de Addis Abeba: Addis Abeba.
pags. 85)
11. MathWorks, Neural Network Toolbox Guía del
usuario TM . 2017, MathWorks Inc .: Massachusetts,
EE. UU.
8/8