Search

The artificial neural network (RNA) is a computational model that emulates the biological neural system in information processing. The originating models are suitable for the purpose of describing long-term specifics, in addition to nonlinear relationships. This tool is used to predict physical chemical and microbiological parameters that influence water quality. The United States National Sanitation Foundation proposed a water quality index, known as the NSF WQI. This article describes the design, training and use of the three-layer neural perceptron neural model for the calculation of the NSF WQI of the Utcubamba River and its tributaries. Using the Matlab software and applying the Levenberg-Marquardt training algorithm, the optimal RNA architecture was found to be 6-12-1, plus the percentage for the training, validation, and test sets of 70%, 10%, and 20 % respectively. RNA performance has been evaluated using the root of the root mean square error (RMSE) and the correlation coefficient (R). High correlations (greater than 0.94) were made between the measured and predicted values. Finally, the RNA proposal offers a useful alternative for the calculation and prediction of the water quality index in relation to dissolved oxygen (DO), biochemical demand for oxygen (BOD), nitrates, fecal coliforms, potential for hydrogen ions (pH) and turbidity., La red neuronal artificial (RNA) es un modelo computacional que emula el sistema neuronal biológico en el procesamiento de información; los modelos que se originan son adecuados con el propósito de describir pronósticos para tiempos prolongados, además de relaciones no lineales. Se utiliza esta herramienta con el fin de predecir parámetros físico-químicos y microbiológicos que influyen en la calidad de agua. La Fundación Nacional de Saneamiento de Estados Unidos propuso un índice de calidad de agua, conocido como NSF WQI. Este artículo describe el diseño, entrenamiento y uso del modelo de la red neuronal perceptrón de tres capas para el cálculo del NSF WQI del río Utcubamba y sus afluentes. Empleando el software Matlab y aplicando el algoritmo de entrenamiento de Levenberg-Marquardt, se encontró que la arquitectura óptima de la RNA es 6-12-1, además, el porcentaje para los conjuntos de entrenamiento, validación y prueba fue de 70%, 10% y 20%, respectivamente. El rendimiento de la RNA se ha evaluado utilizando la raíz del error cuadrático medio (RMSE) y el coeficiente de correlación (R). Se mostraron correlaciones altas (mayores que 0.94) entre los valores medidos y predichos. Finalmente, la RNA propuesta ofrece una alternativa útil para el cálculo y la predicción del índice de calidad de agua en relación con el oxígeno disuelto (OD), la demanda bioquímica de oxígeno (DBO), nitratos, coliformes fecales, potencial de iones hidrógeno (pH) y la turbidez.

Se determinó la eficiencia de remoción de tres parámetros fisicoquímicos del efluente del camal “Régulo Bernal Torres” empleando POA Fenton, se determinó el efecto de la dosificación del reactivo de Fenton en la remoción de los parámetros evaluados y se comparó los resultados de eficiencia de los parámetros obtenidos con las dosificaciones del reactivo de Fenton, en función al tiempo de reacción. Se realizaron tres tratamientos, que fueron: el peso constante del catalizador sulfato ferroso heptahidratado (1g FeSO4.7H2O) y el volumen en mililitro de peróxido de hidrógeno, en las relaciones 0.2, 0.4 y 0.6 de [Fe+2]/[H2O2], evaluados a los 30, 60, 90 y 120 minutos. Se hizo el análisis de varianza, de los promedios, se desarrolló un diseño factorial de dos efectos principales, dosis de reactivo de Fenton (con tres niveles) y tiempo de reacción (con cuatro niveles) y la interacción de ambos. El mejor resultado de porcentaje de remoción del color fue 92.08%) con la dosis de relación [Fe+2]/[H2O2] = 0.6, el mejor tiempo de remoción del color fue a los 120 minutos (90.57% de remoción). EL mejor porcentaje de remoción de la demanda química de oxígeno fue de 32.24%, con la relación [Fe+2]/[H2O2] = 0.4 y el mejor tiempo de remoción fue a los 30minutos (54.80%). En el caso de la turbiedad la mejor remoción fue de 56.37% con la relación [Fe+2]/[H2O2] = 0.2 y el mejor tiempo de remoción fue de 50.54% a 120 minutos. Tesis