Prediction of the Optimal Dosage of Poly Aluminum Chloride for Coagulation in Drinking Water Treatment Using Artificial Neural Networks

Las plantas de tratamiento de agua potable (PTAPs) disponen de una etapa de dosificación de químicos coagulantes, la cual determina el éxito de la calidad del agua. La adición de estos compuestos comúnmente es un procedimiento manual realizado por personal capacitado. Esta resulta una tarea crítica debido a que requiere cierto nivel de experiencia para una correcta dosificación. Como posible solución, este estudio se basa en el análisis de datos recolectados de una fuente de agua cruda ubicada en Ecuador. Utilizando la información de los parámetros físico-químicos del agua cruda, se identifican la definición de las dosis de Policloruro de Aluminio (PAC), y las variables de entrada y salida del proceso. En consecuencia, se propone la implementación de un sistema de control inteligente basado en Redes Neuronales Artificiales (RNA). Estos experimentos comienzan con la recolección y análisis de datos para establecer las variables involucradas en el proceso. El modelo neuronal propuesto dispone de tres capas ocultas y utiliza algoritmos de gradiente adaptativo. Se realizó un análisis de los resultados utilizando el error porcentual absoluto medio (MAPE) y el error cuadrático medio (RMSE). El modelo predictivo de PAC en fase de entrenamiento da un valor MAPE de 0,0425 para los valores no ajustados y de 0,0262 para los valores numéricos ajustados. Sin embargo, en la fase de prueba el modelo neuronal alcanza un MAPE de 0,057 para los valores de PAC no ajustados y de 0,041 para los ajustados. Se puede concluir que esta alternativa brinda una solución eficiente a la hora de resolver problemas de dosificación en PTAPs, teniendo resultados confiables de las métricas RMSE y MAPE.