Modelado neuronal de un proceso de digestión aeróbica de aguas residuales

Roxana B. Recio Colmenares, Kelly J Gurubel Tún

Resumen


Los procesos biológicos para el tratamiento de agua residual son sistemas altamente no lineales que están sometidos a incertidumbres y perturbaciones externas, se ha creído ampliamente que los modelos que describen las reacciones bioquímicas y procesos de sedimentación son muy complejos y difíciles de manejar exactamente con fines de control. Por tal motivo se requieren estrategias avanzadas para la identificación, estimación de parámetros no medibles del proceso y control.En este trabajo se propone una red neuronal no lineal en tiempo discreto en presencia de perturbaciones externas y estimación de los estados dinámicos difíciles de medir en un proceso de digestión aerobia para tratamiento de agua residual. Se presentan resultados de estimación vía simulación, donde se demuestra que el modelo neuronal propuesto es eficiente para la estimación de las dinámicas de los estados en presencia de perturbaciones. Con este modelo neuronal será posible diseñar una estrategia de control para optimizar el rendimiento de la degradación de materia orgánica en un proceso de digestión aerobia usando técnicas de control óptimo y estimación neuronal.
Keywords— Modelo ASM1, Red neuronal, dinámicas no lineales, agua residual.

Texto completo:

PDF

Referencias


Espinosa-Rodríguez, M. A., & Fall, C. (2015).

Optimization de la producción de lodos en un

sistema de lodos activados a través de la

calibración del modelo ASM1. Ingeniería, investigación y tecnología, 16(1), 93–104. https://doi.org/10.1016/S1405-7743(15)72110-4

Nelson, H. (2009). Analysis of the activated sludge model (number 1). ElSEVIER. ScienceDirect. Office for official Publications of the European Community, L. (2002). The cost simulation Benchmark: Description and simulator manual. 154.

Laurent, J., Samstag, R. W., Ducoste, J. M., Griborio, A., Nopens, I., Batstone, D. J., … Potier, O. (2014). A protocol for the use of computational fluid dynamics as a supportive tool for wastewater treatment plant modelling. Water Science and Technology: A Journal of the International Association on Water Pollution Research, 70(10), 1575–1584.

Langeveld, J., Nopens, I., Schilperoort, R., Benedetti, L., Klein, J. de, Amerlinck, Y., & Weijers, S. (2013). On data requirements for calibration of integrated models for urban water systems. Water Science and Technology, 68(3), 728–736. https://doi.org/10.2166/wst.2013.301

Santa Cruz, J. A., Scenna, N. J., & Mussati, M. C. (2015). Reducción del modelo ASM1 mediante invariantes de reacción. En IV Argentine Symposium on Industrial Informatics (SII)-JAIIO 44 (Rosario, 2015).

. Akbaş, H., Bilgen, B., & Turhan, A. M. (2015). An integrated prediction and optimization model of biogas production system at a wastewater treatment facility. Bioresource technology, 196, 566-576.

Sanchez, E. N., Alanís, A. Y., & Loukianov, A. G. (2008). Discrete-time high order neural control: trained with Kalman filtering (Vol. 112). Springer Science & Business Media.

V., Alcaraz-González, J., Harmand, A., Rapaport, J. P., Steyer, V., Gonzalez-Alvarez and C., Pelayo-Ortiz, Software sensors for highly uncertain wwtps: a new approach based on interval observers.

Water Research, 36(10), 2515-2524, 2004.

V., Alcaraz-Gonzalez, and V., Gonzalez- Alvarez, Robust nonlinear observers for Bioprocesses: Application to wastewater treatment (Book Chapter in Selected Topics in Dynamics and Control of Chemical and Biological Processes), Springer-Verlag, pp 119–164, Berlin, Germany, 2007.

D., Theilliol, J. C., Ponsart, J., Harmand, C., Join and P., Gras, On-line estimation of unmeasured inputs for anaerobic wastewater treatment processes, Control Engineering Practice, 11(9), 1007-1019, 2003.

. D. A., Urrego-Patarroyo, E. N., Sanchez, S., Carlos-Hernandez and J. F., Beteau, Recurrent neural networks biomass observer for anaerobic processes, IEEE Multi-Conference on Systems and Control, San Antonio, Texas, USA, 2008.

. R., Belmonte-Izquierdo, S., Carlos-Hernández and E. N., Sánchez, A new neural observer for an anaerobic bioreactor, International Journal of Neural Systems, 20(1), 75–86, 2010.

Gurubel, K. J., Osuna-Enciso, V., Coronado-Mendoza, A., & Cuevas, E. (2017). Optimal control strategy based on neural model of nonlinear systems and evolutionary algorithms for renewable energy production as applied to biofuel generation. Journal of Renewable and Sustainable Energy, 9(3), 033101.

Beltramo, T., Ranzan, C., Hinrichs, J., & Hitzmann, B. (2016). Artificial neural network prediction of the biogas flow rate optimised with an ant colony algorithm. Biosystems Engineering, 143, 68-78.

Akbaş, H., Bilgen, B., & Turhan, A. M. (2015). An integrated prediction and optimization model of biogas production system at a wastewater

treatment facility. Bioresource technology, 196, 566-576.

A. Y. Alanís, “Entrenamiento de redes neuronales con el filtro de Kalman”, Tesis de Maestría, CINVESTAV Unidad Guadalajara, México. 2004.

Sanchez, E. N., Alanís, A. Y., & Loukianov, A. G. (2008). Discrete-time high order neural control: trained with Kalman filtering (Vol. 112). Springer Science & Business Media.

Fernández, N., Suárez, C. A., Pérez, E .A., Modelación y Simulación Dinámica para la Gestión de Caudales en la Cuenca Alta del Río Pamplonita -Un Balance Hídrico de Consumo-. Bistua: Revista de la Facultad de Ciencias Básicas [en linea] 2007, 5 (julio-diciembre) : [Fecha de consulta: 8 de mayo de 2018] Disponible en: ISSN 0120-4211

Nelson Fernández, Alberto Ramírez, Fredy Solano.2013. Dinámica Fisicoquímica y Calidad del Agua en la Microcuenca el Volcan, Municipio de Pamplona, Colombia.

Bistua:Revista de la facultad de Ciencias Basicas.2013.3(1):5-17




DOI: https://doi.org/10.24054/01204211.v1.n1.2018.3204

Enlaces refback

  • No hay ningún enlace refback.