TY  - UNPB
Y1  - 2023/06/04/
KW  - entrenamientos
KW  -  red neuronal
KW  -  innovación
KW  -  curtiduría
KW  -  medio ambiente
KW  -  efluentes
AV  - none
M1  - doctoral
UR  - http://repositorio.unini.edu.mx/id/eprint/8475/
ID  - uninimx8475
TI  - Aplicación de redes neuronales para tratamiento de efluentes derivados de la curtiduría
N2  - El presente documento detalla el proceso de creación de la red neuronal artificial (RNA) para el tratamiento de efluentes mediante la determinación de la dosificación de ácido, coagulante y floculante. El proceso abarca desde el análisis de la información de las muestras de los efluentes, la creación del modelo de RNA y la predicción de dosificaciones. Este tipo de red, que se caracteriza por su organización 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 parámetros con el objetivo de generar el resultado deseado a la salida de la red. Antes de poder aplicar algún algoritmo de optimización debemos definir nuestra función de coste o pérdida. La función de pérdida es aquella expresión matemática que queremos minimizar o maximizar dependiendo del problema que estemos abordando. Una función de coste típica es la definida por la ecuación, donde se utiliza la media de la suma de los errores cuadráticos para evaluar el rendimiento de la red. Este proceso se realiza por cada ejemplo en el dataset de entrenamiento, siendo m el número de muestras. Fi = Salida de la red para el dato i. El descenso del gradiente es el método utilizado para la optimización de redes de neuronas. Esta técnica realiza actualizaciones de manera iterativa de cada parámetro de la red en aquella dirección que minimice más la función de coste. Para obtener esta dirección se calcula la derivada parcial de la función de coste con respecto a cada parámetro de manera individual. Antes de realizar el entrenamiento es necesario inicializar los parámetros 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 dosificación para que el ph final en los efluentes cumplan con los estándares ambientales, el modelo de predicción puede adaptarse de forma que tome todas las variables, incluidas la dosificación de coagulante y floculante, y el objetivo sea la predicción del ph final. Dada un conjunto de condiciones iniciales, y un conjunto de dosificaciones el modelo será capaz de predecir el ph resultante. Este enfoque donde los niveles de dosificación de coagulante y floculante cumplen la función de variables independientes en vez de variables dependientes nos obliga a crear una matriz de valores predeterminados, donde cada una de estas configuraciones de dosificación sería evaluada por la red para obtener el valor de ph final. Mínima pre-configuración de parámetros antes de poner en marcha cada batch del proceso. Cuando se da esta señal de inicio, se activa la bomba centrífuga #3 y empieza a llenarse el tanque de ácido. Cuando eso ocurre, apaga la bomba de llenado y después de 10 segundos se activa el agitador del tanque de ácido a 15 Hz y 10 segundos después se dosifica la cantidad de peróxido seteada. Luego de 30 segundos más se dosifica el ácido según 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 ácido a 18 Hz y 10 segundos después se dosifica la cantidad de coagulante seteada manualmente o por la red neuronal.
A1  - Mariños Legendre, Juan Carlos
ER  -