Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESCUELA DE POSGRADO
SECCIÓN DE INGENIERÍA INDUSTRIAL
TESIS
PIURA-PERÚ
JULIO-2021
i
UNIVERSIDAD NACIONAL DE PIURA
ESCUELA DE POSGRADO
SECCIÓN DE INGENIERÍA INDUSTRIAL
PROGRAMA DE DOCTORADO EN
INGENIERÍA INDUSTRIAL
1
2
UNIVERSIDAD NACIONAL DE PIURA
ESCUELA DE POSGRADO
PROGRAMA DE DOCTORADO EN
INGENIERÍA INDUSTRIAL
TESIS
_________________________ ___________________________
3
DEDICATORIA
A mis padres Neptalí y Rosa Elvira, a mis hermanos Micaela, Marxcelo, Libertad
A mi esposa Avi Isis, además a nuestros hijos Enso, Ian Evans y Zoe Luana; por
4
AGRADECIMIENTOS
investigación.
Al Dr. Segundo Manuel Oliva Cruz, director del Instituto de Investigación para el
Toribio Rodríguez de Mendoza por permitir utilizar los resultados del proyecto
calidad ecológica del agua de la cuenca del río Utcubamba, región Amazonas,
Perú”.
Al Dr. Oscar Andrés Gamarra Torres y Mg. Jesús Rascón Barrios autores del libro
“Calidad ecológica del agua en la cuenca del río Utcubamba, Amazonas, Perú”
Al Dr Nicolás Kemper Valverde y Mg. Luis Ochoa Toledo integrantes del grupo de
5
RESUMEN
de la calidad del agua del Río Utcubamba – Perú. La zona de estudio comprendió
las siete provincias que forman la región Amazonas. Para desarrollar el trabajo se
en la calidad del agua del río Utcubamba, además se proponen tres modelos
Aplicación informática.
6
ABSTRACT
the variations of certain parameters that influence water quality in rivers. Therefore,
Utcubamba River - Peru. The study area comprised the Utcubamba River, which
belongs to the eastern slopes of the Andes in northern Peru, with a length of
approximately 250 km of main riverbed and flows through five of the seven
provinces that make up the Amazon region. To develop the work, the existing
previous studies, identified and selected the variables that influence the water
quality of the Utcubamba river, in addition three models based on Streeter Phelps,
neural networks and fuzzy logic respectively, according to the characteristics of the
statistics of the same. Through the modelling, critical points of contamination were
identified within the main channel of the Utcubamba river, representing the
7
SÍNTESE
água do rio Utcubamba - Peru. A área de estudo incluiu o rio Utcubamba, que
informática.
8
ÍNDICE DE CONTENIDO
CAPÍTULO I. INTRODUCCIÓN........................................................................... 15
9
3.4. Criterios de inclusión y exclusión.............................................................. 57
4.3. Parámetros que inciden en la calidad del agua del río Utcubamba ......... 75
4.4.2 Red neuronal artificial para estimar un índice de calidad de agua ............. 78
4.5.2 Red neuronal artificial para estimar un índice de calidad de agua ............. 84
RECOMENDACIONES ....................................................................................... 92
10
ÍNDICE DE TABLAS
Tabla Página
1. Marco legal peruano sobre gestión sostenible de aguas residuales. .............. 50
2. Políticas y estrategias peruanas para la gestión del recurso hídrico .............. 54
3. Operacionalización de las variables dependiente e independiente................. 56
4. Descripción de las estaciones de muestreo en la cuenca principal
y ríos tributarios. ...................................................................................... 60
5. Modelos de calidad de agua para ríos, versiones y características. ............... 70
6. Estimación de OD en el río Utcubamba .......................................................... 77
7. Determinación de parámetros para el modelo Streeter Phelps....................... 77
8. Conjuntos difusos para cada variable y términos linguisticos para
el desarrollo del ICAD .............................................................................. 80
9. Reglas de inferencia difusa, para estimar la calidad de agua ......................... 81
10. Parámetros y cálculo del índice NSF WQI en estaciones de muestreo ........ 83
11. Parámetros y cálculo del índice ICAD en dieciséis estaciones de muestreo 83
12. Desempeño de los parámetros de la RNA para estimar la calidad
del agua del río Utcubamba ............................................................................ 85
11
ÍNDICE DE FIGURAS
Figura Página
1. Clasificación de modelos de calidad de agua ................................................. 42
2. Estaciones de muestreo en la cuenca del río Utcubamba .............................. 59
3. Esquema del proceso de construcción y validación del modelo ..................... 63
4. Diagrama de caja y bigotes de parámetros T, sulfatos y DBO5...................... 72
5. Diagrama de caja y bigotes de parámetros conductividad eléctrica,
alcalinidad, cloruro y dureza. ........................................................................... 73
6. Diagrama de caja y bigotes de parámetros nitratos, fosfatos y amonio. .......... 73
7. Diagrama de caja y bigotes de parámetros OD y pH ...................................... 74
8. Diagrama de caja y bigotes del parámetro turbidez ........................................ 74
9. Diagrama de caja y bigotes del parámetro nitrito ............................................ 75
10. Matriz de correlación de Pearson, 2014 ........................................................ 76
11. Modelamiento del OD mediante Streeter Phelps .......................................... 78
12. Red Neuronal Artificial para estimar el índice de calidad de agua ................ 79
13. Fusificación del Oxígeno Disuelto ................................................................. 80
14. Prueba de normalidad de Shapiro Wilk para residuos .................................. 84
15. Correlación lineal entre los valores de ICAD y NSF WQI.............................. 85
12
LISTA DE ABREVIATURAS
ANA Autoridad Nacional del Agua
13
GLOSARIO
Amazonas Departamento del Perú que se encuentra en el nor
oriente en la frontera con Ecuador.
Análisis multivariado Método estadístico para determinar la contribución
de varios factores en un resultado.
Ecuaciones diferenciales Es una ecuación que relaciona una función,
variables independientes y derivadas.
Estadística Método de investigación científica que permite
planificar, recolectar, organizar, representar e
interpretar datos que se orientan a la solución de un
problema de estudio
Matlab Software de cálculo numérico empleado en
ingeniería.
Métodos numéricos Área de la matemática que emplea las cuatro
operaciones básicas para resolver un problema.
Minería de datos Área de conocimiento multidisciplinario, cuyo fín es
obtener conocimiento a partir de una base de datos.
Modelo matemático Es la representación de una situación o mundo real
en términos de teorías matemáticas.
Río Utcubamba Se encuentra en el departamento de Amazonas de
243 km que pasa por cinco de las siete provincias.
Software R Software libre para el análisis estadístico.
14
CAPÍTULO I. INTRODUCCIÓN
grande en extensión con 663 316.96 km2 (APECO 2009). El río Utcubamba nace
S-N (Sur-Norte) hasta llegar al cañón del Utcubamba para luego tomar la dirección
altitud) hasta su desembocadura en el río Marañón. La parte baja del valle del
con una población total que supera los 150 000 habitantes, son los principales
asentamientos urbanos a orillas del río, o con influencia directa sobre el mismo
(INEI 2018). Estos habitantes son afectados por la contaminación de sus aguas,
los cuales utilizan el agua del mencionado río para diversos fines, el riego de
permita estimar el actual grado de contaminación del agua de la cuenca y así dar
acuático.
15
Los modelos matemáticos, permiten entender y describir el comportamiento
etc. Esta herramienta juega un rol importante ya que permite a las autoridades
contaminantes a las corrientes del rio. También pueden ser utilizados para evaluar
sobre el desarrollo de modelos matemáticos para estimar la calidad del agua del
datos; así como las técnicas de procesamiento y análisis de datos. Por último, en
desde el punto de vista de su calidad natural. Debido a que casi todas las
16
indirectamente, con o sin tratamiento previo. El uso y abuso de manera casi
ilimitada del agua de los cursos, tanto como agente receptor, depurador
el tema sobre la calidad del agua: En materia de calidad del agua, los
17
a la limitación de recursos disponibles para inversión en saneamiento de ríos
fuentes receptoras.
¿Se podrá estimar la calidad del agua del Río Utcubamba - Perú,
en ríos?
18
• Problema específico 3: ¿De todos los parámetros
Utcubamba?
Utcubamba?
1.3. Objetivos
Utcubamba – Perú.
aguas en ríos.
19
• Objetivo específico 4: Establecer un modelo matemático
cuales utilizan el agua del mencionado río para diversos fines, el riego de
conozca la calidad del agua del río Utcubamba y que la misma se encargue
20
jugaría un rol importante en ayudar a las autoridades ambientales a entender
las corrientes del rio Utcubamba. También pueden ser utilizados para
plan de recuperación de la calidad del agua, para ríos que cumplan con
21
Utcubamba servirán de referente para estimar la calidad de agua para otras
mes de octubre del 2014 y octubre del 2015 sin intención de estudiar la
de que los modelos propuestos serían uno de los primeros que se plantea
22
CAPÍTULO II. MARCO REFERENCIAL
2.1.1. Internacionales
23
disponibles comercialmente, requieren usuarios cualificados del
calidad del agua utilizados para diferentes cuerpos de agua, entre los
24
Protección Ambiental de Estados Unidos (USEPA) con el nombre de
25
estadístico que se llevó a cabo. Algunos de esos parámetros son DQO,
para la simulación de la calidad del agua de los ríos en las últimas dos
26
mediante modelos de IA, según el presente estudio siguen existiendo
del agua en la cuenca alta y media del río Bogotá, Colombia. Los datos
2.1.2. Nacionales
del agua del rio Chili venía siendo afectada por las altas
2.1.3. Locales
29
Evaluaron la calidad del agua de la cuenca del río en base a
diversidad de Shannon & Wienner (H') indican que en la cuenca del río
y bajo, con valores que oscilan entre 1,981 y 2,533 bits cel -1, durante
interpretativos, pero con valores que varían de 1,890 y 2,004 bits cel -
30
actividades antropogénicas (García Huamán, Torres Delgado, y
et al. 2008).
et al. 2017).
materia orgánica).
32
norma, existen algunos agentes microbianos como virus u otras
al., 1971).
33
• Fines industriales.
• Fines agrícolas.
• Actividades recreativas.
• Transporte.
34
resistir la caída del pH. Está influenciada por el pH, la
contacto.
esta forma que el agua no sea apta para ciertos usos. Influye en
35
• Conductividad eléctrica (CE): Medida de la capacidad que
penetra la luz del sol, por su relación estrecha con la turbidez del
desechos industriales.
36
• Oxígeno disuelto (OD): Substancia indispensable para la
esta.
natural que forman parte del ciclo del nitrógeno. Los desechos
37
y nitritos causan en niños menores de seis meses una
38
observar en la realidad; basados en suposiciones y simplificaciones
Pestana 2016).
39
frecuencia, son tomados en cuenta las variables costo y
calidad medioambiental).
varía con el tiempo, por lo que esta variable tiene que ser
40
Los modelos tridimensionales son los más complejos e
(Riecken, 1995).
41
Modelos de Calidad
de Agua
Modelos Físicos
Programación Lineal Programación Dinámica
Desarrollo
Tiempo
Método de Solución
Cartesiano/No estructurado 2D
Implícito/Explícito 3D
Upwind/Diferencia Central
42
fundamento epistémico rescata la sustancia más valiosa de la empírica
(Russell 1970).
con status de científico, el mismo que adquirió una forma más convencional
teorías que les dan lugar, para generar más conocimientos científicos y así
43
Consecuentemente, todo lo que conlleva el adjetivo "científico" le debe
medida que se entrena con los datos disponibles, de manera que ésta
Ballesteros 2002).
45
La etapa de mejora (1965–1995). Antes de 1975, investigadores
46
sorprendente en el nuevo enfoque es la inclusión directa de la calidad del
Tsakiris 2013):
subterráneas (80/68/CEE).
baño (76/160/CEE).
47
por ciertas sustancias peligrosas vertidos en el medio acuático de la
Comunidad (76/464/CEE).
48
• Diario Oficial de las Comunidades Europeas, Nº L 229: Directiva del
(96/61/EC).
agrícola (91/676/CEE).
49
La gestión de los recursos hídricos en el Perú, cuenta con una
50
recaudaciones por
retribución económica por
uso de agua y por
vertimiento de aguas
residuales
51
reutilización
considerando como
premisa la obtención de
la calidad necesaria de
reúso sin afectar la salud
humana, el ambiente o
las actividades en las
que se reutilizan.
Además, regula los
vertimientos
autorizándolas, siempre
y cuando el cuerpo
receptor lo permita.
Ley N° Ley Orgánica para el Se consideran recursos
26821 aprovechamiento naturales a todo
sostenible de los recursos componente de la
naturales. naturaleza, susceptible
de ser aprovechado por
el ser humano para la
satisfacción de sus
necesidades y que tenga
un valor actual o
potencial en el mercado,
tales como: las aguas:
superficiales y
subterráneas.
Decreto Ley de gestión integral de Las aguas residuales y
Legislativo residuos sólidos. los residuos líquidos que
N° 1278 se incorporen al manejo
de las mismas, de
acuerdo a la legislación
de la materia, cuya
regulación es
competencia de la
Autoridad Nacional del
Agua y del Ministerio de
Vivienda, Construcción y
Saneamiento, en el
ámbito de sus
respectivas funciones y
atribuciones.
Decreto Aprueban estándares de Estándar de calidad
Supremo calidad ambiental para ambiental como la
agua y establecen medida que establece el
N° 004- disposiciones nivel de concentración o
2017- complementarias. del grado de elementos,
MINAM sustancias o parámetros
físicos, químicos y
biológicos, presentes en
el aire, agua o suelo, en
su condición de cuerpo
receptor, que no
representa riesgo
significativo para la salud
de las personas ni al
ambiente.
52
Decreto Aprueba los límites
Supremo máximos permisibles
(LMP) para efluentes de
N° 003-
planta de tratamiento de
2010-
aguas residuales
MINAM
domésticas y municipales.
Decreto Definición de los LMP Calidad de las aguas
Supremo para los efluentes de las residuales tratadas.
PTAR domésticas o
N° 003-
municipales.
2010-
MINAM
MVCS Decreto Ley marco de la gestión y Servicio de tratamiento
Legislativo prestación de los de aguas residuales para
N° 1280 Servicios de disposición o reúso.
Saneamiento.
Decreto Reglamento del Decreto Agua residual: Desecho
Supremo Legislativo N° 1280. líquido proveniente de
las descargas por el uso
N° 019-
2017- del agua en actividades
VIVIENDA domésticas o no
domésticas.
Agua residual tratada:
Agua residual que ha
sido sometida a
diferentes procesos para
la eliminación de
componentes físicos,
químicos y
microbiológicos para su
disposición final o reúso.
Decreto Reglamento para el Reaprovechamiento de
Supremo reaprovechamiento de los los lodos generados en
lodos generados en las las PTAR, que luego de
N° 015- plantas de tratamiento de ser transformados en
2017- aguas residuales. biosólidos, pueden ser
VIVIENDA utilizados en actividades
agrícolas, forestales,
industria cerámica, entre
otras, considerando los
riesgos a la salud y el
ambiente.
Decreto Plazo para la presentación Plazo de presentación
Supremo de iniciativas privadas de las iniciativas
cofinanciadas sobre privadas cofinanciadas
N° 013-
proyectos de inversión sobre proyectos de
2017-
destinados al tratamiento inversión destinados al
VIVIENDA
de aguas residuales. tratamiento de aguas
residuales para
disposición final o reúso
en las ciudades de
Cusco, Cajamarca,
Chincha Alta, Chincha
Baja, Chiclayo, Huaraz,
53
Tarapoto, Huacho,
Barranca, Cañete y
Bagua Chica, será de
tres (3) meses, contados
desde la publicación del
presente Decreto
Supremo.
Decreto Valores Máximos VMA de las descargas
Supremo Admisibles (VMA). de agua no domésticas
en el sistema de
N° 021-
alcantarillado sanitario, a
2009-
fin de evitar el deterioro
VIVIENDA
de instalaciones de
infraestructura sanitaria
Tabla 2.
Norma Descripción
54
2.6.1. Hipótesis
Hipótesis general
Hipótesis secundarias
los parámetros.
55
Tabla 3. Operacionalización de las variables dependiente e independiente.
Entradas Variables
numéricas
Salidas Variable
numérica
Validación Normalidad de
cruzada Shapiro Wilk
Coeficiente de
determinación
Raiz cuadrática
del error medio
Coeficiente de
correlación
Dependiente Se han medido a
Estimación de la través de Salidas OD
calidad de agua parámetros Índice de calidad
del río físico-químicos, de agua (NSF
Utcubamba los que actúan WQI).
como una
"fotografía" del
momento
(Mancheno
Domínguez y
Ramos Rosero
2015).
56
CAPÍTULO III. METODOLOGÍA DE LA INVESTIGACIÓN
planeación.
la forma:
M >O
Donde M representa una muestra en quien vamos a realizar el
agosto 2015.
57
El río Utcubamba pertenece a la vertiente de los andes orientales del
norte de Perú. Nace en torno a los 3100 m.s.n.m. en las proximidades del
que forman la región Amazonas (Figura 2, Tabla 4). Se trata de una cuenca
58
Figura 2. Estaciones de muestreo en la cuenca del río Utcubamba
59
Tabla 4. Descripción de las estaciones de muestreo en la cuenca principal y ríos
tributarios.
Estación de Coordenadas
Altitud Descripción
Muestreo Norte Este
60
EM-27 9344877 823821 880 Tributarios
3.5.1. Métodos
61
• Identificaron y seleccionaron las variables que influyen en la
62
Modelos matemáticos existentes
Selección de variables
Correlación de variables
Normalidad R2 RMSE R
63
3.5.2. Técnicas
2018).
(2005).
• Oxígeno disuelto
64
• Conductividad eléctrica
• Temperatura
• pH
• Turbiedad
• Nitratos
• Nitritos
• Fosfatos
• Sulfatos
• Amonio
• Alcalinidad
• Cloruros
• Dureza
65
isotérmicas con hielo hasta el Laboratorio de Investigación en
• Coliformes totales.
• Coliformes fecales.
• Escherichia coli.
• Enterococos fecales.
66
GUADALMED. Las muestras fueron conservadas en alcohol al
250 μm, pero esta vez con una superficie conocida (30 cm), para
3.5.3. Instrumentos
Softwares especializados
Matlab 2017b, con los toolbox de lógica difusa (fuzzy) y
R version 4.0.5.
67
Se ha procedido con el procedimiento:
68
CAPÍTULO IV. RESULTADOS E INTERPRETACIÓN
𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴ó𝑛𝑛
𝜕𝜕𝜕𝜕 ���������������
𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕 𝜕𝜕𝜕𝜕
= −𝑣𝑣 − 𝑢𝑢 − 𝑤𝑤 + �𝐸𝐸𝑥𝑥 � + �𝐸𝐸𝑦𝑦 � + �𝐸𝐸𝑧𝑧 �
𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕
������������������������� 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕
𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷ó𝑛𝑛 𝑦𝑦 𝑜𝑜 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ó𝑛𝑛
𝑇𝑇é𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟
�
𝜕𝜕𝜕𝜕 𝑆𝑆 (1)
+ ∓ �
𝜕𝜕𝜕𝜕 �∀
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆
𝜕𝜕𝜕𝜕
de control, es la tasa de cambio de la sustancia química cuando
𝜕𝜕𝜕𝜕
69
En la Tabla 5, se describen los modelos matemáticos empleados para
especializada.
70
AQUATO Agencia de https://www.epa. 1987 DO, CBOD, NH3,
X protección gov/ceam/aquat NO3, OP, PO4, T,
ambiental de los ox Sedimentos
Estados Unidos
(USEPA)
71
BASINS/
Agencia de https://www.res 1981 T, coliformes
HSPF protección pec.com/project fecales, DO,
ambiental de los /basinshspf- BOD, totales
Estados Unidos training/ suspendidos
sólidos, NO3-,
(USEPA) ortofosfatos y pH
el cauce principal.
72
Figura 5. Diagrama de caja y bigotes de parámetros conductividad eléctrica,
alcalinidad, cloruro y dureza.
73
En la Figura 7, se muestran la distribución de los parametros OD y pH
Turbidez
Figura 8. Diagrama de caja y bigotes del parámetro turbidez
74
En la Figura 9, se muestran la distribución del parámetro nitrito
Nitrito
Figura 9. Diagrama de caja y bigotes del parámetro nitrito
4.3. Parámetros que inciden en la calidad del agua del río Utcubamba
correlación alto y positivo indica que los elementos miden la misma destreza
75
Figura 10. Matriz de correlación de Pearson, 2014
76
Tabla 6. Estimación de OD en el río Utcubamba
EM-1 0 8.62
Parámetros Valores
77
El resultado de la implementación de un programa realizado en
MatLab del modelo, para los primeros once puntos de muestreo sobre
78
La RNA construida fue entrenada usando el algoritmo de
Figura 12. Red Neuronal Artificial para estimar el índice de calidad de agua
79
conjuntos difusos, así como los términos lingüísticos
Tabla 8. Conjuntos difusos para cada variable y términos linguisticos para el desarrollo
del ICAD
DBO5* 0 1 2 1 2 3 2 3 4 3 4 5 4 5 6
NO3* 25 30 35 20 25 30 15 20 25 10 15 20 0 10 15
CF * 2000 3500 4000 877 1500 3000 255 897 2000 10 255 500 0 10 20
pH** 0 3 5 3 5 7 5 7 9 7 9 11 9 11 14
Tur * 8 10 90 5 8 10 2 5 8 1 2 3 0 1 2
ICAD 0 10 30 10 30 50 30 50 70 50 70 90 70 90 100
80
todas estas reglas hará que el sistema sea más complejo, por
Regla Descripción
1 Si la Turbidez es Muy Alto o el Oxígeno Disuelto es Muy
Bajo o la DBO es Muy Alto o el pH es Muy Bajo o los
Coliformes Fecales son Muy Altos o el Nitrato es Muy Alto,
entonces la Calidad del Agua es Muy Baja.
2 Si la Turbidez es Alta o el Oxígeno Disuelto es Bajo o la
DBO es Alta o el pH es Bajo o los Coliformes Fecales es
Alto o el Nitrato es Alto, entonces la Calidad de Agua es
Baja.
3
Si la Turbidez es Media o el Oxígeno Disuelto es Medio o
la DBO es Media o el pH es Medio o los Coliformes Fecales
es Medio o el Nitrato es Medio, entonces la Calidad del
Agua es Media.
81
5
Si la Turbidez es Muy Bajo o el Oxígeno Disuelto es Muy
Alto o la DBO es Muy Bajo o el pH es Alto o los Coliformes
Fecales son Muy Bajos o el Nitrato es Muy Bajo, entonces
la Calidad del Agua es Muy Alto.
6 Si la Turbidez es Muy Alta y el Oxígeno Disuelto es Muy
Bajo y la DBO es Muy Alto y el pH es Muy Bajo y los
Coliformes Fecales es Muy Alto y el Nitrato es Muy Alto,
entonces la Calidad del Agua es Muy Baja.
7 Si la Turbidez es Alta y el Oxígeno Disuelto es Bajo y la
DBO es Alto y el pH es Bajo y los Coliformes Fecales es
Alto y el Nitrato es Alto, entonces la Calidad del Agua es
Baja.
8
Si la Turbidez es media y el Oxígeno Disuelto es Medio y
la DBO es Media y el pH es Medio y las Coliformes Fecales
es Medio y el Nitrato es Medio, entonces la Calidad del
Agua es Media.
9 Si la Turbidez es Baja y el Oxígeno Disuelto es Alto y el
DBO es Bajo y el pH es Medio y los Coliformes Fecales es
Bajo y el Nitrato es Bajo, entonces la Calidad del Agua es
Alto.
10
Si la Turbidez es Muy Baja y el Oxígeno Disuelto es Muy
Alto y la DBO es Muy Bajo y el pH es Alto y los Coliformes
Fecales es Muy Bajo y el Nitrato es Muy Bajo, entonces la
Calidad del Agua es Muy Alta.
la función de membresía.
sus afluentes los mismos que fueron realizados en octubre del 2014.
82
Tabla 10. Parámetros y cálculo del índice NSF WQI en estaciones de muestreo
EM31 20.8 8.25 5.15 68.18 49.22 0.08 1.61 8.23 1600 49
EM37 21.4 7.9 2.66 84.21 7.87 0.02 0.5 8.51 300 55
EM42 25.6 8.27 2.95 95.97 80.99 0.18 1.96 8.16 350 50
83
EM18 29.16 8.45 1.81 8.2 900 1.11 53
EM27 2.19 8.45 2.41 8.32 170 0 73
EM29 51.45 8.82 2.12 8.49 1600 0.9 50
EM30 21.31 8.45 1.59 8.34 900 0.89 53
EM31 49.22 8.25 5.15 8.23 1600 1.61 50
EM37 7.87 7.9 2.66 8.51 300 0.5 60
EM42 80.99 8.27 2.95 8.16 350 1.96 53
84
El coeficiente de correlación (R) para el entrenamiento,
y 1.997 la prueba.
Tabla 12. Desempeño de los parámetros de la RNA para estimar la calidad del agua del
río Utcubamba
Figura 15. Correlación lineal entre los valores de ICAD y NSF WQI
85
CAPÍTULO V. ANÁLISIS Y DISCUSIÓN DE RESULTADOS
Los modelos para determinar calidad del agua en ríos son complejos de
BASINS/HSPF.
cualquier punto del río. Sin embargo, la complejidad de la geometría de los ríos y
numérica, la realidad puede ser, por tanto, discretizada, de manera que los
86
detalles del problema pueden ser mejor analizados. Por tanto, la ecuación
para estimar calidad de agua en ríos. Una de los algoritmos empleados son las
presentó tres valores atípicos que fueron mayores que el valor del extremo
superior y un valor atípico menor que el valor del extremo inferior. En el caso del
parámetro DQO este presentó un valor atípico mayor que valor del extremo
alcalinidad, cloruros y dureza presentan valores atípicos mayores que los valores
extremos superiores de los mismos siendo dos, cuatro y uno respectivamente. Los
fosfatos y amonio presentan un valor atípico para cada uno, además los fosfatos
tienen menor dispersion de los valores recolectados, ver Figura 6. Sin embargo
recolectados, ver Figura 7, pero con un valor atípico mayor que el límite extremo
superior. El parámetro turbidez presenta una dispersion de los datos, los mismos
que obtienen valores altos en la parte baja del río Utcubamba debido al desarrollo
87
de actividades antropogénicas (García Huamán et al. 2011). También el nitrito
través del coeficiente de correlación de Pearson, debido a que nos permitió brindar
dirección de la relación. Es así que ha existido una correlación fuerte positiva entre
nitrato y fosfato, nitrato y sulfato, nitrato y amonio, fosfato y sulfato, fosfato y DBO5,
sulfato y amonio, DQO y DBO5 han tenido una correlación alta positiva. Sin
Milla Pino, et al. 2020) tal como se puede corroborar en la Figura 11, que el
88
que se desarrolla en la cabecera del cuerpo de agua y sus afluentes del mismo,
et al. 2017).
Los datos que se han utilizado para diseñar, emplear y usar la RNA, constó
agua (NSF WQI), donde los parámetros de entrada estuvo conformado por: OD,
modelo RNA de tres capas para calcular el índice de calidad del agua (WQI) para
fueron el pH, OD, EC, TDS, TA, TH, Ca, Mg, el algoritmo de entrenamiento (retro
empleando lógica difusa (DWQI) fueron seis. Se añadió el nitrato porque aporta
información sobre los nutrientes, a las cinco propuestas por (Mishra y Jha 2014) y
tipo Mandani que consiste en reglas de decisión, las cuales están dadas por los
tienen ambos operadores, cinco utilizan el operador "or" y las restantes el operador
89
"and". Se consideraron las clases muy pobre, pobre, media, alta y muy alta de las
variables Tur, DO, DBO5, pH, FC, NO3 formaban parte del antecedente y la
variable DWQI del consecuente. Sin embargo, destacar que las clases de cada
variable contribuyen de manera diferente a la calidad del agua, por lo que que las
variables DBO5, NO3, FC y Tur se comportan de tal manera que cuando el valor
hay clases que contribuyen igualmente a la calidad del agua, Muy Pobre= Muy
Alto, Pobre= Alto y se obtiene mayor DQWI cuando la variable toma valores de
medio. El DO y el DWQI, cuanto mayor sea el valor, mejor será la calidad del agua.
El índice considera seis variables relevantes en contraste con las nueve de sus
los datos tienen tendencia normal. De esta manera se concluye que el modelo
Streeter Phelps puede ser empleado para realizar inferencias sobre el OD para
once puntos de muestreo (Quiñones Huatangari, Milla Pino, et al. 2020). Además,
DQWI puede ser utilizado como una herramienta integral para la evaluación de la
calidad del agua por parte de las personas o instituciones interesadas según su
90
CAPÍTULO VI. CONCLUSIONES Y RECOMENDACIONES
CONCLUSIONES
Lo que se ha realizado, constituye un ejercicio concreto en el empleo
Phelps; además del índice NSF WQI mediante redes neunorales artificiales y
paises.
Utcubamba por el INDES-CES, los mismos que han sido tomados sobre el cauce
veinticinco estaciones del cauce principal y dentro de los cuales, solo once
hasta 95.2 km del río, son fiables debido a que sus residuos poseen tendencia
cálculo del índice NSF WQI del río Utcubamba. La red neuronal artificial que se
óptima que tiene la arquitectura 6-12-1 es capaz de capturar a largo plazo las
91
en opiniones de expertos y en experiencias internacionales, se consideraron como
indicadores del DWQI seis variables de calidad del agua, a saber, el OD, la
turbidez, el pH, los nitratos y coliformes fecales. La aplicación del indice se realizó
NSF, por lo tanto, permitiría tener una alta similitud con los resultados esperados
RECOMENDACIONES
A los profesionales que deseen emplear modelos matemáticos para
todas las regiones del país, debido que hay carencia de información válida para
recurso.
92
CAPÍTULO VII. REFERENCIAS BIBLIOGRÁFICAS
Arango, María Cecilia, Luisa Fernanda Álvarez, Gloria Alexandra Arango, Orlando
Elí Torres, y Asmed de Jesús Monsalve. 2008. «Calidad del agua de las quebradas
la cristalina y la risaralda, San Luis, Antioquia». Revista EIA (9):121-41.
Benedini, Marcello, y George Tsakiris. 2013. Water Quality Modelling for Rivers
and Streams. Springer Netherlands.
Bracho Perez, Julio Cesar, y Yosselin Amelia Rivera Puma. 2017. «Evaluación del
Impacto de Vertimiento de Aguas Residuales de Una Industria Papelera a Un
Tramo Del Río Rimac». Trabajo de suficiencia, Universidad Nacional Tecnológica
de Lima Sur, Lima, Perú.
93
Carrasco Venegas, Luis, Luis Castañeda Perez, Jorge Lescano Sandoval, y José
Iannacone Oliver. 2020. «Simulación de los procesos de desoxigenación y
reoxigenación en aguas contaminadas». Simulation of deoxygenation and
reoxygenation processes in polluted water. 25(30):289-308. doi:
10.24265/campus.2020.v25n30.06.
Chen, Y., L. Song, Y. Liu, L. Yang, y D. Li. 2020. «A review of the artificial neural
network models for water quality prediction». Applied Sciences (Switzerland)
10(17). doi: 10.3390/app10175776.
Ejigu, Mamuye Tebebal. 2021. «Overview of water quality modeling» editado por
M. K. Amosa. Cogent Engineering 8(1):1891711. doi:
10.1080/23311916.2021.1891711.
94
García Huamán, Flor Teresa, Jorge Torres Delgado, y Segundo Edilberto Vergara
Medrano. 2011. «Calidad ecológica del agua del río Utcubamba en relación a
parámetros fisicoquímicos y biológicos. Amazonas-Perú». Revista de
investigación científica Sciendo 14(2):7-19.
García, Renier Esquivei, Gerardo Félix Benjamín, y Rafael Bello Pérez. 2014.
«Evaluación del impacto de la capacitación con lógica difusa». Ingeniare. Revista
chilena de ingeniería 22(1):41-52. doi: 10.4067/S0718-33052014000100005.
Gómez, Walter Arévalo, Enrique Guadalupe Gómez, Renán Pacheco Abad, Lia
Concepción Gamarra, Carlos Cabrera Carranza, y Silvia Iglesias León. 2008.
«Valoración de los paisajes naturales y del impacto paisajístico de las cataratas
en la cuenca media del río Utcubamba». Revista del Instituto de Investigación de
la Facultad de Ingeniería Geológica, Minera, Metalúrgica y Geográfica 11(21):68-
75.
INEI. 2018. «Censos Nacionales 2017 – XII de Población, VII de Vivienda y III de
Comunidades Indígenas». Instituto Nacional de Estadística e Informática-INEI.
Recuperado 25 de junio de 2021 (http://censo2017.inei.gob.pe/).
Kannel, Prakash R., Sushil R. Kanel, Seockheon Lee, Young-Soo Lee, y Thian Y.
Gan. 2011. «A Review of Public Domain Water Quality Models for Simulating
Dissolved Oxygen in Rivers and Streams». Environmental Modeling & Assessment
16(2):183-204. doi: 10.1007/s10666-010-9235-1.
95
agua para consumo humano de las poblaciones de San Blas y Urcuquí». Tesis de
licenciatura, Escuela Politécnica Nacional, Quito.
Mishra, Nidhi, y P. Jha. 2014. «Fuzzy expert system for drinking water quality
index». Recent Research in Science and Technology 6(1).
Ordoñez Machicao, Noe. 2020. «Análisis de la calidad del agua en el río chili
(distritos de Tiabaya y Uchumayo) antes y después de la puesta en marcha y
operación de la planta de tratamiento de agua residuales “La Enlozada” aplicando
un modelo matemático». Tesis de doctorado, Universidad Nacional de San
Agustín de Arequipa, Arequipa.
Pérez Ramírez, Fredy Ocaris, y Horacio Fernández Castaño. 2007. «Las redes
neunorales y la evaluación del riesgo de crédito». Revista Ingenierías Universidad
de Medellín 6(10):77-91.
Quintana, Jorge Luis Maicelo, Karen Analí Miñano Guevara, William Bardales
Escalante, y Santos Triunfo Leiva Espinoza. 2018. «Inventario de
macroinvertebrados bentónicos en la cuenca del río Utcubamba, región Amazonas
(Perú)». INDES Revista de Investigación para el Desarrollo Sustentable 2(2):39-
48 Doi:10.25127/indes.201402.004. doi: 10.25127/indes.20142.74.
Quiñones Huatangari, Lenin, Manuel Emilio Milla Pino, Oscar Andrés Gamarra
Torres, Rolando Salas López, y José Federico Bazán Correa. 2020. «Empleo del
Modelo Streeter-Phelps para estimar el oxígeno disuelto del Río Utcubamba».
Ecuadorian Science Journal 4(2):12-16. doi: 10.46480/esj.4.2.59.
Quiñones Huatangari, Lenin, Luis Ochoa, Manuel Emilio Milla-Pino, José Federico
Bazán, Oscar Andrés Gamarra, y Jesús Rascón. 2020. «Water Quality Index
Using Fuzzy Logic Utcubamba River, Peru». Revista de Ciencias Agrícolas
37(1):6-18. doi: 10.22267/rcia.203701.124.
Quiñones Huatangari, Lenin, Luis Ochoa Toledo, Oscar Gamarra Torres, José
Bazán Correa, Jorge Delgado Soto, Nicolás Kemper Valverde, Lenin Quiñones
Huatangari, Luis Ochoa Toledo, Oscar Gamarra Torres, José Bazán Correa, Jorge
Delgado Soto, y Nicolás Kemper Valverde. 2020. «Red neuronal artificial para
estimar un índice de calidad de agua». Enfoque UTE 11(2):109-20. doi:
10.29019/enfoque.v11n2.633.
Ríos Tobón, Sandra, Ruth Marina Agudelo Cadavid, y Lina Andrea Gutiérrez
Builes. 2017. «Patógenos e indicadores microbiológicos de calidad del agua para
consumo humano». Revista Facultad Nacional de Salud Pública 35(2):236-47.
96
Sáenz Bajo, N., y M. Álvaro Ballesteros. 2002. «Redes neuronales: concepto,
aplicaciones y utilidad en medicina». Atención Primaria 30(2):119-20.
Sainz Borda, José Ángel, Agustín Ascorbe Salcedo, Andrés Liaño Herrera, María
del Mar Presmanes García, y Juan Ignacio Tejero Monzón. 1990. «Modelo de
simulación de calidad del agua de los ríos Nalon, Caudal, y Nora ( Asturias,
España ): I. establecimiento de premodelos». Revista de obras públicas, 1990,
137, (3297), 41-49.
Sambursky, S. 1990. «El mundo físico de los griegos, trad». MJ Pascual, Alianza.
Sierra Ramírez, Carlos Alberto. 2011. Calidad del agua. Evaluación y diagnóstico.
Sello Editorial de la Universidad de Medellín.
Sumita, Nair, y Bhatia Sukhpreet Kaur. 2017. «Water quality models: A review».
International Journal of Research-Granthaalayah 5(1):395-98. doi:
https://doi.org/10.5281/zenodo.266433.
Tiyasha, Tran Minh Tung, y Zaher Mundher Yaseen. 2020. «A Survey on River
Water Quality Modelling Using Artificial Intelligence Models: 2000–2020». Journal
of Hydrology 585:124670. doi: 10.1016/j.jhydrol.2020.124670.
Torres Mori, Willy. 2021. «Calidad del agua, en la parte media de la quebrada
Misquiyaquillo, mediante uso de Modelación del Oxígeno Disuelto y DBO5 en
constantes cinéticas de autodepuración Moyobamba, 2019». Tesis para título,
Universidad Nacional San Martín - Tarapoto, Moyobamba, Perú.
97
Zadeh, Lotfi Asker, George J. Klir, y Bo Yuan. 1996. Fuzzy sets, fuzzy logic, and
fuzzy systems: selected papers. Vol. 6. World Scientific.
98
Anexo 1. Datos empleados para el modelamiento sobre parámetros recolectados del cauce principal
Esch
Muestreo OD CE T pH Turb Nitra Nitri Fosf Sulf Am DQO DBO5 Alc Clor Dur ColifTot ColifFec Entfaecalis Salm
coli
EM1 8.16 206.2 11.1 8.28 18.51 0.32 0 0.08 15.85 0 24.61 2.69 172 17.86 80 80 17 17 <2 A
EM3 8.11 216.3 12.6 8.4 2.92 0.12 0 0.02 1.87 0 24.85 1.44 146 24.17 132 9 4 4 <2 A
EM5 8.45 218.6 12.8 8.44 2.98 0.22 0.01 0.19 4.3 0 22.81 2.94 125 23.36 126 >=1600 >=1600 >=1600 <2 P
EM7 8.63 220 13.9 8.48 2.71 0.37 0.01 0.19 6.23 1.04 22.21 2.52 107 4.2 110.25 >=1600 >=1600 >=1600 130 P
EM8 8.44 212 14 8.44 3.98 0.14 0 0.27 5.21 0.82 22.33 2.65 105 5.25 11.3 1600 500 500 130 P
EM10 8.84 218 13.3 8.5 3.53 0.54 0.01 0 3.39 3.34 14.23 3.29 103 5.75 110.25 >=1600 >=1600 >=1600 >=1600 P
EM12 8.53 155.9 13.4 8.44 28.46 0.74 0.02 0.11 2.78 0.12 20.83 5.43 14 3.15 115.5 1600 1600 900 2 P
EM14 9.18 215 14.1 8.59 7.49 0.34 0.01 0 5.82 0 21.67 5.96 101 4.23 105 900 900 900 7 A
EM16 9.11 218 14.8 8.63 6.59 0 0 0.1 4.91 0.56 21.55 7.53 107 3.96 102.9 500 500 500 17 A
EM18 8.47 171.1 13.8 8.26 71.72 1.54 0.07 0.05 8.86 2.31 22.45 0.86 87 4.93 94.5 >=1600 >=1600 >=1600 500 A
EM19 9 176.4 14.7 8.31 112.85 1.12 0.09 0 17.37 0.267 21.67 0.62 101 1.05 101.85 >=1600 >=1600 >=1600 >=1600 A
EM21 8.83 174.3 16.3 8.23 77.52 0.66 0.07 0.05 10.07 0.28 21.55 1.31 80 7.36 86.1 >=1600 1600 350 350 A
EM23 8.68 196.1 15.9 8.38 48.94 1.48 0.04 0 9.16 0 15.05 1.82 90 8.41 118.65 >=1600 >=1600 >=1600 220 P
EM25 8.56 234 16.7 8.44 38.42 1.41 0.04 0.45 33.14 1.75 21.13 1.81 98 22.07 238.35 >=1600 >=1600 >=1600 1600 P
EM26 8.7 313 17.3 8.42 126.65 1.39 0.1 0.08 21.02 1.08 19.27 4.96 108 24.17 153.3 >=1600 >=1600 >=1600 170 A
EM28 8.74 312 19.4 8.48 136.6 2.01 0.08 0.14 49.58 0.77 20.65 3.61 110 25.22 194.25 >=1600 >=1600 >=1600 1600 A
EM29 8.54 315 20.5 8.51 129.43 1.77 0.15 0.01 27.09 0 20.35 5.85 115 25.72 168.85 >=1600 >=1600 >=1600 1600 A
99
EM31 8.77 298 19.8 8.44 78 0.8 0.06 0.21 41.98 0.21 21.85 1.74 109 25.29 172.2 >=1600 >=1600 >=1600 280 A
EM34 8.21 332 21.4 8.46 31.61 0.87 0.02 0.68 4.05 1.5 25.03 5.54 78.59 23.12 88.8 350 >=1600 >=1600 170 P
EM35 8.32 326 22.7 8.46 85.17 2.09 0.07 0.39 46.85 0.38 14.35 3.17 117 36.78 177.45 1600 >=1600 >=1600 280 A
EM36 8.69 345 22.2 8.39 52.14 1.69 0.19 0.95 14.13 7.22 21.01 3.9 116 32.07 71.2 >=1600 >=1600 >=1600 >=1600 P
EM38 8.57 372 22.6 8.46 42.33 2.35 0.03 0.66 27.15 2.13 13.57 3.77 108 29.42 67.2 >=1600 >=1600 >=1600 170 A
EM39 8.54 356 25.4 8.4 52.88 2.75 0.04 0.57 26.12 2.72 21.01 5.5 110 36.78 78 >=1600 >=1600 >=1600 >=1600 P
EM42 8.04 386 24.7 8.3 27.66 2.08 0.04 0.29 39.55 0.22 23.75 3.62 115 28.37 100.8 >=1600 >=1600 >=1600 140 A
EM43 9.08 393 25.9 8.34 22.83 2.3 0.05 0.35 38.03 0.2 23.89 6.1 105 27.32 152.25 >=1600 >=1600 >=1600 500 A
100
Anexo 2. Matrices de correlación de Pearson empleando Rstudio
#Matriz de correlación
install.packages("corrplot")
library(ggplot2)
library(corrplot)
head(Data_Utcubamba_2014)
Data_Utcubamba_2014$EstMuestreo=NULL
Data_Utcubamba_2014.cor=cor(Data_Utcubamba_2014,method = 'pearson')
round(cor(Data_Utcubamba_2014.cor), 1)
corrplot(Data_Utcubamba_2014.cor,type="upper")
101
Anexo 3. Programación del modelo Streeter Phelps
%----------------------------------------------------------%
%------ Script llamada por StreeterPhelps.m -----------%
clear all %borra memoria
clf %borra imagenes
global D V O DBOu O0 Os
DBOu=4.47; Os=8.8;V=6.75;
D=[0 6.4 16.8 26.0 35.9 44.8 54.3 64.6 73.8 81.0 95.2]';
O=[8.62 8.03 8.08 8.32 8.22 8.45 8.47 8.47 8.39 8.45 8.66]';
O0=O(1);
Opciones=optimset('TolX',1e-20,'TolFun',...
1e-20,'MaxFunEvals',10000)
Est=fminsearch('AutodepurMin',[0.4 0.9],Opciones);
k1=Est(1);
k2=Est(2);
%Dc=D;
Dc=linspace(D(1),D(length(D)),100);
Oc=Os-k1*DBOu/(k2-k1)*exp(-k1*(Dc/V))+(k1*...
(Os+DBOu-O0)+k2*(O0-Os))/...
(k2-k1)*exp(-k2*(Dc/V));
%----------------------------------------------------------%
%------ Funcion llamada por AutodepurMin.m -----------%
function q=AutodepurMin(p);
global D V O DBOu O0 Os
k1=p(1); k2=p(2);
Oc=Os-k1*DBOu/(k2-k1)*exp(-k1*(D/V))+...
(k1*(Os+DBOu-O0)+k2*(O0-Os))/(k2-k1)*exp(-k2*(D/V));
Error=O-Oc; q=sum((Error).^2);
%--------------------------------------------------
102
Anexo 4. Sistema difuso realizado en el software matlab
[System]
Name='ICAD'
Type='mamdani'
Version=2.0
NumInputs=6
NumOutputs=1
NumRules=10
AndMethod='min'
OrMethod='max'
ImpMethod='min'
AggMethod='max'
DefuzzMethod='centroid'
[Input1]
Name='Turbidez'
Range=[0 90]
NumMFs=5
MF1='MuyBajp':'trapmf',[0 0 1 2]
MF2='Bajo':'trimf',[1 2 3]
MF3='MuyAlto':'trapmf',[8 10 90 90]
MF4='medio':'trimf',[2 5 8]
MF5='Alto':'trimf',[5 8 10]
[Input2]
Name='Oxigeno_Disuelto'
Range=[0 12]
NumMFs=5
MF1='MuyBajo':'trapmf',[0 0 2 4]
MF2='Bajo':'trimf',[2 4 6]
MF3='Medio':'trimf',[4 6 8]
MF4='MuyAlto':'trapmf',[8 10 12 12]
MF5='Alto':'trimf',[6 8 10]
[Input3]
103
Name='DBO'
Range=[0 6]
NumMFs=5
MF1='MuyBajo':'trapmf',[0 0 1 2]
MF2='MuyAlto':'trapmf',[4 5 6 6]
MF3='Bajo':'trimf',[1 2 3]
MF4='Medio':'trimf',[2 3 4]
MF5='Alto':'trimf',[3 4 5]
[Input4]
Name='pH'
Range=[0 14]
NumMFs=5
MF1='MuyBajo':'trapmf',[0 0 3 5]
MF2='Alto':'trimf',[7 9 11]
MF3='MuyAlto':'trapmf',[9 11 14 14]
MF4='Bajo':'trimf',[3 5 7]
MF5='Medio':'trimf',[5 7 9]
[Input5]
Name='ColiformesFecales'
Range=[0 4000]
NumMFs=5
MF1='MuyBajo':'trapmf',[0 0 10 20]
MF2='MuyAlto':'trapmf',[2000 3500 4000 4000]
MF3='Bajo':'trimf',[10 255 500]
MF4='Medio':'trimf',[255 897 2000]
MF5='Alto':'trimf',[877 1700 3000]
[Input6]
Name='Nitrato'
Range=[0 35]
NumMFs=5
MF1='MuyBajo':'trapmf',[0 0 10 15]
MF2='Bajo':'trimf',[10 15 20]
104
MF3='MuyAlto':'trapmf',[25 30 35 35]
MF4='Medio':'trimf',[15 20 25]
MF5='Alto':'trimf',[20 25 30]
[Output1]
Name='CalidadAgua'
Range=[0 100]
NumMFs=5
MF1='MuyBajo':'trapmf',[0 0 10 30]
MF2='Bajo':'trimf',[10 30 50]
MF3='MuyAlto':'trapmf',[70 90 100 100]
MF4='Medio':'trimf',[30 50 70]
MF5='Alto':'trimf',[50 70 90]
[Rules]
3 1 2 1 2 3, 1 (1) : 2
5 2 5 4 5 5, 2 (1) : 2
4 3 4 5 4 4, 4 (1) : 2
2 5 3 5 3 2, 5 (1) : 2
1 4 1 2 1 1, 3 (1) : 2
3 1 2 1 2 3, 1 (1) : 1
5 2 5 4 5 5, 2 (1) : 1
4 3 4 5 4 4, 4 (1) : 1
2 5 3 5 3 2, 5 (1) : 1
1 4 1 2 1 1, 3 (1) : 1
105