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

Abstract

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.