Estimación de la Demanda Bioquímica de Oxígeno (DBO5) en aguas residuales de las empresas de jeans de la ciudad de Pelileo utilizando redes neuronales artificiales

Contenido principal del artículo

Yesenia Esthefania Pillapa Vargas
Manolo Alexander Córdova Suárez
Daniel Alfonso Cabrera Valle

Resumen

Introducción. Dentro de la inteligencia artificial, el uso de redes neuronales artificiales toma cada vez más importancia. Objetivo. Estimar el error de la Demanda Bioquímica de Oxígeno en aguas residuales de las empresas de jeans de la ciudad de Pelileo utilizando redes neuronales. Métodos.  En primer lugar, se desarrolló una base de datos conformada por 6 parámetros físicos, 9 parámetros químicos y una variable de salida. Estas variables se seleccionaron mediante la Norma TUSLA y fueron recopiladas del catastro del GAD Pelileo de los años 2017-2018 y de un laboratorio de análisis de aguas certificado. A continuación, se utilizó el software Matlab con el diseño de la red neuronal artificial feed forward backpropagation con la capa de entrada de 15 variables. La primera capa oculta tuvo diez neuronas, la segunda capa sumatoria con una neurona y la capa de salida con la variable de respuesta correspondiente a la estimación de la Demanda Bioquímica de Oxígeno con el algoritmo de aprendizaje de Levenberg-Marquardt. Resultados. Se obtuvo valores del coeficiente de correlación, del error estimado de la red, y de la comparación de la Prueba Tukey, tales como:  0.98081; 0.8890; 0.9833. Estas cifras revelan una concordancia entre los valores estimados por la red y los valores reales.  Finalmente, los resultados demostraron que la Demanda Bioquímica de Oxígeno se estimó numéricamente en aguas residuales a través de los modelos neuronales. Este tipo de modelo de neuronas representa sólo una parte de la función matemática que la red construye a partir del conjunto de observaciones.

Descargas

La descarga de datos todavía no está disponible.

Detalles del artículo

Cómo citar
Pillapa Vargas, Y. E., Córdova Suárez, M. A., & Cabrera Valle, D. A. (2022). Estimación de la Demanda Bioquímica de Oxígeno (DBO5) en aguas residuales de las empresas de jeans de la ciudad de Pelileo utilizando redes neuronales artificiales. ConcienciaDigital, 5(3.1), 406-423. https://doi.org/10.33262/concienciadigital.v5i3.1.2320
Sección
Artículos

Citas

Baldiris, I., Acosta, J. C., Martinez, C. E., Sanchez, J., Castro, I., & Severiche, C. (2017). Multivariate analysis of surface water quality of the Bay of Cartagena (Colombia) period 2001-2017. International Journal of ChemTech Research, 10(15), 421–432.
Barthakur, M., Thakuria, T., & Sarma, K. K. (2012). Artificial Neural Network (ANN) Based Object Recognition Using Multiple Feature Sets. Studies in Computational Intelligence, 395, 127–135. https://doi.org/10.1007/978-3-642-25507-6_11
Choudhury, A. (2017). Sustainable chemical technologies for textile production. In Sustainable Fibres and Textiles (pp. 267–322). Elsevier Ltd. https://doi.org/10.1016/B978-0-08-102041-8.00010-X
Conferencia de la ONU sobre Comercio y Desarrollo [UNCTAD]. (2019). Environmental analysis of textile products. Clothing and Textiles Research Journal, 24(3), 248–261.
Dongardive, J., & Abraham, S. (2017). Reaching optimized parameter set protein secondary structure prediction using neural network. Neural Computing and Applications, 28(8), 1947–1974. https://doi.org/10.1007/s00521-015-2150-2
Ebtehaj, I., & Bonakdari, H. (2016). Bed load sediment transport estimation in a clean pipe using multilayer perceptron with different training algorithms. KSCE Journal of Civil Engineering, 20(2), 581–589. https://doi.org/10.1007/s12205-015-0630-7
GAD Pelileo. (2019). Actualización del plan de desarrollo y ordenamiento territorial del cantón San Pedro de Pelileo. GADM de Pelileo. http://app.sni.gob.ec/sni-link/sni/PORTAL_SNI/data_sigad_plus/sigadplusdocumentofinal/1860000640001_ACTUALPDYOT2015_15-03-2015_21-58-23.pdf
Gilpavas, E., Arbeláez, E., Medina, J., & Gómez, C. (2018). Tratamiento de aguas residuales de la industria textil mediante coagulación química acoplada a procesos fenton intensificados con ultrasonido de baja frecuencia. Revista Contaminación Ambiente, 34(1), 157–161. https://doi.org/10.20937/RICA.2018.34.01.14
González, L., & García, J. (2020). Elaboration of an artificial neural model for the estimation of dosifications in the wastewater treatmen. Elsevier, 84(1), 3–17. https://doi.org/10.23850 / 22565035.1636
Gulyani, B. B., Mangai, A. J., & Fathima, A. (2015). An approach for predicting river water quality using data mining technique. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 9165, 233–243. https://doi.org/10.1007/978-3-319-20910-4_17
INEN. (2013). 1985-04 0. In Aguas. Demanda Bioquímica De Oxigeno (DBO5). INEN 1202.
Kant, R. (2012). Textile dyeing industry an environmental hazard. Natural Science, 4(1), 22–26. https://doi.org/10.4236/ns.2012.41004
Kishor, R., Purchase, D., Saratale, G. D., Saratale, R. G., Ferreira, L. F. R., Bilal, M., Chandra, R., & Bharagava, R. N. (2021). Ecotoxicological and health concerns of persistent coloring pollutants of textile industry wastewater and treatment approaches for environmental safety. Journal of Environmental Chemical Engineering, 9(2), 105012. https://doi.org/10.1016/j.jece.2020.105012
Luongo, G. (2015). Chemicals in textiles A potential source for human exposure and environmental pollution [Stockholm University]. https://www.diva-portal.org/smash/get/diva2:850089/FULLTEXT02.pdf
Maina, S., Kachrimanidou, V., & Koutinas, A. (2017). A roadmap towards a circular and sustainable bioeconomy through waste valorization. Current Opinion in Green and Sustainable Chemistry, 8, 18–23. https://doi.org/10.1016/J.COGSC.2017.07.007
Mcculloch, W. S., & Pitts, W. (1990). A logical calculus nervous activity. Bulletin of Mathematical Biology, 52(l), 99–115.
Meza, J., & González, L. (2020). Elaboración de un modelo neuronal artificial para la estimación de la Demanda Bioquímica de Oxígeno en aguas marinas. Revista de Investigación Agraria y Ambiental., 11(2), 1–10. https://doi.org/https://doi.org/10.22490/21456453.3441
Ministerio del Ambiente. (2015). Registro Oficial Año II No 316, Acuerdo No 61 Reforma del Libro VI del Texto Unificado de Legislación Secundaria. Tribunal Constitucional de La República Del Ecuador. https://www.gob.ec/sites/default/files/regulations/2018-09/Documento_acuerdo-ministerial-061.pdf
Norma de Calidad Ambiental y Descarga de Efluentes. (2011). Norma de Calidad Ambiental y de descarga de efluentes: Recurso Agua. In TULAS Texto unificado de legislación secundaria del Ministerio del Ambiente (pp. 286–339).
Pascal, Á. (2019). Predicción del comportamiento de la dbo 5, dqo, sst, n.
Payal, A., Rai, C. S., & Reddy, B. V. R. (2015). Analysis of Some Feedforward Artificial Neural Network Training Algorithms for Developing Localization Framework in Wireless Sensor Networks. Wireless Personal Communications, 82(4), 2519–2536. https://doi.org/10.1007/s11277-015-2362-x
Programa Mundial de Evaluación de los Recursos Hídricos de las Naciones Unidas [WWAP]. (2017). AGUAS RESIDUALES. www.unesco.org/open-access/terms-use-ccbysa-en
Quiñones, L., Ochoa, L., Kemper, N., Torres, O., Correa, J., & Soto, J. (2020). Artificial neural network to estimate an index of water quality. Scielo, 11, 109–120. https://doi.org/10.29019/enfoque.v11n2.633
Quintero, L., & Cardona, S. (2012). Evaluación del tratamiento biológico para remoción de color índigo de agua residual industrial textil por un consorcio microbiano en lecho fluidizado. Gestión y Ambiente, 14(2), 105–113.
Raffo, E., & Ruiz, E. (2014). Caracterización de las aguas residuales y la demanda bioquímica de oxígeno. Journal of the American Chemical Society, 17, 71–80. https://doi.org/10.1021/ja00334a047
Romero, T. de J., Rodríguez, H., & Mosqueda, A. (2016). Characterization of wastewater generated in a Cuban textile industry. Scielo. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1680-03382016000300004
Rumelhart, D. E., & Hintont, G. E. (1986). Learning Representations by Back-Propagating Errors. Cognitive Modeling, 323(2), 3–6. https://doi.org/10.7551/mitpress/1888.003.0013
Samanta, K. K., Pandit, P., Samanta, P., & Basak, S. (2019). Water consumption in textile processing and sustainable approaches for its conservation. In Water in Textiles and Fashion (pp. 41–59). Elsevier Ltd. https://doi.org/10.1016/b978-0-08-102633-5.00003-8
Sigcha, B., & Jordán, E. (2018). Producción más limpia en el proceso de confección de tela en la industria Textiles Jhonatex. 1–8. https://redi.uta.edu.ec/bitstream/123456789/67271/1/SIGCHA PACHA BYRON GENARO - 2018.pdf
Singh, K. P., Basant, A., Malik, A., & Jain, G. (2009). Artificial neural network modeling of the river water quality-A case study. Ecological Modelling, 220(6), 888–895. https://doi.org/10.1016/j.ecolmodel.2009.01.004
Tungurahua Turismo. (2021). Pelileo turismo. https://tungurahuaturismo.com/es-ec/tungurahua/pelileo/ciudades/pelileo-turismo-aa562e1d1
United Nations Climate Change News. (2018, September 18). UN Helps Fashion Industry Shift to Low Carbon | UNFCCC. https://unfccc.int/news/un-helps-fashion-industry-shift-to-low-carbon
Vališ, D., Hasilová, K., Forbelská, M., & Vintr, Z. (2020). Reliability modelling and analysis of water distribution network based on backpropagation recursive processes with real field data. Measurement, 149, 107026. https://doi.org/10.1016/J.MEASUREMENT.2019.107026
Vijayashanthar, V., Qiao, J., Zhu, Z., Entwistle, P., & Yu, G. (2018). Modeling Fecal Indicator Bacteria in Urban Waterways Using Artificial Neural Networks. Journal of Environmental Engineering, 144(6). https://doi.org/10.1061/(asce)ee.1943-7870.0001377