@unpublished{uninimx8475,
           title = {Aplicaci{\'o}n de redes neuronales para tratamiento de efluentes derivados de la curtidur{\'i}a},
            year = {2023},
           month = {Junio},
          author = {Juan Carlos Mari{\~n}os Legendre},
        abstract = {El presente documento detalla el proceso de creaci{\'o}n de la red neuronal artificial (RNA) para el tratamiento de efluentes mediante la determinaci{\'o}n de la dosificaci{\'o}n de {\'a}cido, coagulante y floculante. El proceso abarca desde el an{\'a}lisis de la informaci{\'o}n de las muestras de los efluentes, la creaci{\'o}n del modelo de RNA y la predicci{\'o}n de dosificaciones. Este tipo de red, que se caracteriza por su organizaci{\'o}n en capas y conexiones estrictamente hacia delante, utiliza algoritmos de entrenamiento del tipo supervisado. El entrenamiento de las redes neuronales consiste en el ajuste de sus par{\'a}metros con el objetivo de generar el resultado deseado a la salida de la red. Antes de poder aplicar alg{\'u}n algoritmo de optimizaci{\'o}n debemos definir nuestra funci{\'o}n de coste o p{\'e}rdida. La funci{\'o}n de p{\'e}rdida es aquella expresi{\'o}n matem{\'a}tica que queremos minimizar o maximizar dependiendo del problema que estemos abordando. Una funci{\'o}n de coste t{\'i}pica es la definida por la ecuaci{\'o}n, donde se utiliza la media de la suma de los errores cuadr{\'a}ticos para evaluar el rendimiento de la red. Este proceso se realiza por cada ejemplo en el dataset de entrenamiento, siendo m el n{\'u}mero de muestras. Fi = Salida de la red para el dato i. El descenso del gradiente es el m{\'e}todo utilizado para la optimizaci{\'o}n de redes de neuronas. Esta t{\'e}cnica realiza actualizaciones de manera iterativa de cada par{\'a}metro de la red en aquella direcci{\'o}n que minimice m{\'a}s la funci{\'o}n de coste. Para obtener esta direcci{\'o}n se calcula la derivada parcial de la funci{\'o}n de coste con respecto a cada par{\'a}metro de manera individual. Antes de realizar el entrenamiento es necesario inicializar los par{\'a}metros de la red, siendo este un factor importante que puede determinar la convergencia o no. Fase de entrenamiento. Debido a que el objetivo final es poder determinar los niveles adecuados de dosificaci{\'o}n para que el ph final en los efluentes cumplan con los est{\'a}ndares ambientales, el modelo de predicci{\'o}n puede adaptarse de forma que tome todas las variables, incluidas la dosificaci{\'o}n de coagulante y floculante, y el objetivo sea la predicci{\'o}n del ph final. Dada un conjunto de condiciones iniciales, y un conjunto de dosificaciones el modelo ser{\'a} capaz de predecir el ph resultante. Este enfoque donde los niveles de dosificaci{\'o}n de coagulante y floculante cumplen la funci{\'o}n de variables independientes en vez de variables dependientes nos obliga a crear una matriz de valores predeterminados, donde cada una de estas configuraciones de dosificaci{\'o}n ser{\'i}a evaluada por la red para obtener el valor de ph final. M{\'i}nima pre-configuraci{\'o}n de par{\'a}metros antes de poner en marcha cada batch del proceso. Cuando se da esta se{\~n}al de inicio, se activa la bomba centr{\'i}fuga \#3 y empieza a llenarse el tanque de {\'a}cido. Cuando eso ocurre, apaga la bomba de llenado y despu{\'e}s de 10 segundos se activa el agitador del tanque de {\'a}cido a 15 Hz y 10 segundos despu{\'e}s se dosifica la cantidad de per{\'o}xido seteada. Luego de 30 segundos m{\'a}s se dosifica el {\'a}cido seg{\'u}n el valor seteado ya sea manualmente o mediante la red neuronal. Cuando el agua termina de caer al tanque de coagulante, luego de 10 segundos se activa el agitador del tanque de {\'a}cido a 18 Hz y 10 segundos despu{\'e}s se dosifica la cantidad de coagulante seteada manualmente o por la red neuronal.},
             url = {http://repositorio.unini.edu.mx/id/eprint/8475/},
        keywords = {entrenamientos, red neuronal, innovaci{\'o}n, curtidur{\'i}a, medio ambiente, efluentes}
}