Técnicas de inteligencia computacional aplicadas a modelos de estimación de coagulantes en procesos de purificación de agua
DOI:
https://doi.org/10.17533/udea.redin.18150Palabras clave:
dosificación de coagulante, redes neuronales artificiales, lógica difusa Sugeno, lógica difusa Mamdani, ANFIS, potabilización del aguaResumen
En este artículo se presentan cuatro modelos para la estimación de la dosificación de coagulante en el proceso de potabilización de agua, los cuales utilizan para su implementación, técnicas de inteligencia computacional que incluyen redes neuronales artificiales, lógica difusa tipo Sugeno, lógica difusa tipo Mamdani y estructuras neuro-difusas tipo ANFIS. La metodología descrita en la obtención de los modelos se basa en la extracción de la experiencia almacenada en los datos de operación de la planta (para el caso de los modelos basados en redes neuronales, lógica difusa Sugeno y estructuras ANFIS) y en el conocimiento expresado en forma lingüística por un operador experimentado de la planta (para el caso de la lógica difusa Mamdani). Los resultados obtenidos en las diferentes simulaciones realizadas demuestran que algunos de los modelos implementados pueden ser incluidos en sistemas de control que permiten superar algunas de las limitaciones que actualmente presentan los métodos de dosificación utilizados más ampliamente en las plantas de potabilización; la prueba de jarras y el streaming current detector.
Descargas
Citas
A.Mirsepassi, B. Carthers, H. Dharmappa. “Application of Artificial Neural Networks to the Real Time Operation of Water Treatment Plants”. Proceedings of the IEEEInternational Conference on Neural Networks. Vol. 1. 1995.pp. 516-521.
N. Valentin, T. Denoux, F. Fotoohi. “An Hybrid Neural Network Based System for Optimization of Coagulant Dosing in a Water Treatment Plant”. International Joint Conference on Neural Networks.Vol. 5. 1999. pp. 3380-3385.
B. Lennox, G. Montague, A. Frith, C. Gent, V. Bevan.“Industrial application of neural networks – An investigation”. Journal of Process Control. Vol 11. 2001. pp. 497-507. DOI: https://doi.org/10.1016/S0959-1524(00)00027-5
H. Maeir, N. Morgan, W. Chow. “Use of artificial neural networks for predicting optimal alum doses and treated water quality parameters”.Environmental Modelling & Software. Vol. 19. 2004. pp. 485-494. DOI: https://doi.org/10.1016/S1364-8152(03)00163-4
G. Wu, S. Lo. “Predicting real-time coagulant dosage in water treatment by artificial neural networks and adaptive network-based fuzzy inference system”. Engineering Applications of Artificial Intelligence. Vol. 21. 2008. pp. 1189-1195. DOI: https://doi.org/10.1016/j.engappai.2008.03.015
X. Yi, Q. Wei, C. Li. The BP network model for the control of the coagulation and the filter backwashing system. The Second International Conference on Bioinformatics and Biomedical Engineering. Shangai, China. 2008. pp. 1518-1521. DOI: https://doi.org/10.1109/ICBBE.2008.709
B. Lamrini, A. Benhammou, A. Karama, M. Le Lann. “A Neural Network System for modeling of coagulant dosage used in drinking water treatment”. Adaptative and Natural Computing Algorithms. Part I. 2005. pp. 96-99. DOI: https://doi.org/10.1007/3-211-27389-1_23
Z. Song, Y. Zhao, X. Song, Ch. Liu. Research on Prediction Model of Optimal Coagulant Dosage in Water Purifying Plant Based on Neural Networks. International Colloquium on Computing, Communication, Control and Management ISECS. Sanya, China. 2009. pp. 258-261. DOI: https://doi.org/10.1109/CCCM.2009.5267728
E. Nham, T. Ham, K. Woo, C. Kim, J. Ryu. Optimization of coagulant dosing process in water purification system. Proceedings of the 36th SICE Annual Conference, International Session Papers. Tokushima, China. 1997. pp. 1105-1109.
M. Duque, E. Giraldo, A. Martínez, A. Gauthier, J. Villa. “El Uso de la Lógica Difusa para la Potabilización del Agua”. Revista de Ingeniería de la Universidad de los Andes. No. 12. 2000. pp. 31-35. DOI: https://doi.org/10.16924/riua.v0i12.559
H. Bai. A Fuzzy Logic Based Coagulant Real Time Control Squeme for Water Purification Systems. Proceedings of the IEEE International Conference on Mechatronics and Automation. Changchun, China. 2009. pp. 2123-2127. DOI: https://doi.org/10.1109/ICMA.2009.5246439
M. Chun, K. Kwak, J. Ryu.“Application of ANFIS for Coagulant Dosing Process in a Water Purification Plant”. Fuzzy Systems Conference Proceedings. Vol 3. 1999. pp. 1743-1748.
I. Ben. Outlier Detection. Ed. Kluwer Academic Publishers Dordrecht, Netherlands Available on: Consultado en Julio de 2010.www.eng.tau. ac.il/~bengal/outlier.pdf Accessed: july 2010.
D. Joo, D. Choi, H. Park. “The effects of data preprocessing in the determination of coagulant dosing rate”. Wat. Res. Vol. 34. 2000. pp. 3295-3302. DOI: https://doi.org/10.1016/S0043-1354(00)00067-1
M. Santos, A. Monteiro, J. Simeao. Visualization of geospatial data by component planes and U- Matrix. Disponible en: www.geoinfo.info/geoinfo2004/ papers/6419.pdf. Consultado en Julio 2010.
S. Chiu. “Selecting Input Variables for Fuzzy Models”. Journal of Intelligent & Fuzzy Systems. Vol. 4. 1996. pp. 243-256. DOI: https://doi.org/10.3233/IFS-1996-4401
G. Bloch, T. Denouex. “Neural Networks for Process Control and Optimization: Two Industrial Applications”. ISA Transactions. Vol 42. 2003. pp. 39-51. DOI: https://doi.org/10.1016/S0019-0578(07)60112-8
D. Kaur, D. Baumgartner. A comparative Analysis of Neuro-Fuzzy and Grammatical Evolution models for simulating Field-Effect Transistors. World Congress on Computer Science and Information Engineering. Toledo, USA. Vol. 5. 2009. pp. 179-183. DOI: https://doi.org/10.1109/CSIE.2009.720
S. Chiu. Extracting Fuzzy Rules from Data for Function Approximation and Pattern Classification. Disponible en: http://chius.homestead.com/files/ExtractRulesFromData.pdf. Consultado en Julio 2010.
U. Kayman, M. Setnes. Extended Fuzzy Clustering Algorithms. Disponible en: http://publishing.eur.nl/ir/repub/asset/57/erimrs20001123094510.pdf. Consultado en Julio 2010.
W. Zhang, H. Hu, W. Liu. Rules Extraction of Interval Type-2 Fuzzy Logic System based on Fuzzy c-Means Clustering. 4th International Conference on Fuzzy Systems and Knowledge Discovery. Haikou, China. Vol. 2. 2007. pp. 256-260. DOI: https://doi.org/10.1109/FSKD.2007.503
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2018 Revista Facultad de Ingeniería
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.
Twitter