No abstract

Se uso una Red Neuronal Artificial alimentada con seis variables meteorológicas y tres químicas. Los nodos de la capa oculta se variaron entre doce y quince, las funciones de transferencia de la capa interna fueron log-sigmoidal, y de la de salida fue lineal. Para entrenar la red se empleó un algoritmo de Levenberg-Marquardt con datos históricos de 1999 a 2004. Datos del año 2005 fueron usados para verificar la capacidad predictiva de la red ya entrenada, y evaluar la calidad del aire en tres niveles: buena, moderada y mala. El modelo tuvo eficiencias globales de alrededor del 50%, llegando a 65% para concentraciones elevadas de ozono.

Se aplicó un modelo de Red Neuronal Artificial para predecir el transporte de contaminantes (cobre y cadmio) en medios saturados, homogéneos e isotrópicos para diferentes clases texturales. Los modelos fueron entrenados y evaluados a partir de la ecuación propuesta por Ogata y Banks, que considera los términos advectivo y difusivo. Se desarrollaron estructuras de retropropagación empleando una estructura de tres capas, considerando 4, 7 y 10 neuronas en la capa oculta. Para el entrenamiento y simulación se empleó el algoritmo de Levenberg-Marquardt; se aplicó la función de transferencia Log-sigmoidal en la capa oculta, y lineal en la capa de salida. La elección de los modelos se efectuó en base al coeficiente de correlación y al mínimo error de generalización. Se comprobó que la Red Neuronal Artificial es una herramienta matemática útil, de bajos requerimientos computacionales y con la suficiente eficiencia para estimar el transporte de contaminantes en medios porosos saturados, homogéneos e isotrópicos.