Red neuronal artificial para estimar un índice de calidad de agua
DOI:
https://doi.org/10.29019/enfoque.v11n2.633Palabras clave:
Índice de calidad de agua; redes neuronales artificiales; perceptrón multicapa; parámetros físico químicos.Resumen
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.
Metrics
Descargas
Citas
Alizadeh, M. J., y Reza Kavianpour, M. (2015). Development of wavelet-ANN models to predict water quality parameters in Hilo Bay, Pacific Ocean. Marine pollution bulletin, 98 (1-2): 171-178.
Behar, R., Zúñiga de Cardozo, Ma. C. y Rojas, O. (1997). Análisis y valoración del índice de calidad de agua (ICA) de la NSF: casos ríos Cali y Meléndez. Revista Ingeniería y Copetitividad, 1 (1): 17-27.
Chau, K. (2006). A review on integration of artificial intelligence into water quality modelling. Marine Pollution Bulletin, 52 (7): 726-733.
Dawson, C. W., y R. L. Wilby. (2001). Hydrological Modelling Using Artificial Neural Networks. Progress in Physical Geography: Earth and Environment, 25 (1): 80-108.
Diamantopoulou, M. J., Papamichail, D. M. y Antonopoulos, V. Z. (2005). The Use of a Neural Network Technique for the Prediction of Water Quality Parameters. Operational Research, 5 (1): 115-125.
Dogan, E., Sengorur, B. y Koklu, R. (2009). Modeling biological oxygen demand of the Melen River in Turkey using an artificial neural network technique. Journal of Environmental Management, 90 (2): 1229-1235.
Federico Bertona, L. (2005). Entrenamiento de redes neuronales basado en algoritmos evolutivos [Tesis de grado en Ingeniería Informática, Universidad de Buenos Aires]. http://laboratorios.fi.uba.ar/lsi/bertona-tesisingenieriainformatica.pdf
Gamarra, O., Corroto, F., Rascón, J. y Chávez, J. (2018). Calidad ecológica del agua en la cuenca del río Utcubamba, Amazonas, Perú (Primera). Primera. Chachapoyas: Universidad Nacional Toribio Rodríguez de Mendoza de Amazonas.
Gazzaz, N. M., Yusoff, M. K., Zaharin Aris, A., Juahir, H. y Firuz Ramli. M. (2012). Artificial neural network modeling of the water quality index for Kinta River (Malaysia) using water quality variables as predictors. Marine Pollution Bulletin, 64 (11): 2409-2420.
Gómez Rojas, G. A., Henao López, J. C. y Salazar Isaza, H. (2004). Entrenamiento de una red neuronal artificial usando el algoritmo simulated annealing. Scientia Et Technica, X: 13-18.
Flórez López, R., Lévy Mangin, J. P. y Fernández Fernández, J. M. (2008). Las redes neuronales artificiales. Netbiblo: Tirant lo Blanch.
Maier, H. R., y Graeme C. Dandy. (1996). The use of artificial neural networks for the prediction of water quality parameters. Water Resources Research 32 (4): 1013-1022.
May, D., y Muttucumaru S. (2009). Prediction of urban stormwater quality using artificial neural networks. Faculty of Engineering - Papers (Archive): 296-302.
Najah, A., Elshafie, A., Karim, O. A. y Jaffar, O. (2009). Prediction of Johor River water quality parameters using artificial neural networks. European Journal of Scientific Research, 28 (3): 422-435.
Palani, S., Liong, S.-Y., y Tkalich, P. (2008). An ANN Application for Water Quality Forecasting. Marine Pollution Bulletin, 56 (9): 1586-1597.
Sancho Caparrini, F. (2017). Entrenamiento de Redes Neuronales: Mejorando el Gradiente Descendiente. http://www.cs.us.es/~fsancho/?e=165.
Singh, K. P., Basant, A., Malik, A. y Jain, G. (2009). Artificial neural network modeling of the river water quality—a case study. Ecological Modelling, 220 (6):8 88-895.
Solaimany-Aminabad, M, Maleki, A. y Hadi, M. (2013). Application of artificial neural network (ANN) for the prediction of water treatment plant influent characteristics. Journal of advances in environmental health research, 1 (2): 89-100.
Srivastava, P., Burande, A. y Sharma, N. (2013). Fuzzy Environmental Model for Evaluating Water Quality of Sangam Zone during Maha Kumbh 2013. Applied Computational Intelligence and Soft Computing. Recuperado 24 de septiembre de 2018 https://www.hindawi.com/journals/acisc/2013/265924/.
Thambavani D., S., y Uma, M. (2014). Numerical Study of Back Propagation Learning Algorithms for Forecasting Water Quality Index. IJERST, 3 (3): 1548-1555.
Torres, P., Hernán Cruz, C. y Patiño, P. J. (2009). Índices de calidad de agua en fuentes superficiales utilizadas en la producción de agua para consumo humano. Una revisión crítica. Revista Ingenierías Universidad de Medellín, 8 (15 Sup. 1):79-94.
Water Research Center. (2018). Water Quality Index Calculator. Recuperado 9 de noviembre de 2018 (https://www.water-research.net/index.php/water-treatment/water-monitoring/monitoring-the-quality-of-surfacewaters).
Wu, Wenyan, G., Dandy, C. y Maier, H. R. (2014). Protocol for developing ANN models and its application to the assessment of the quality of the ANN model development process in drinking water quality modelling. Environmental Modelling & Software, 54: 108-127.
Zare Abyaneh, H. (2014). Evaluation of multivariate linear regression and artificial neural networks in prediction of water quality parameters. Journal of Environmental Health Science and Engineering 12 (1): 40.
Publicado
Cómo citar
Número
Sección
Derechos de autor 2020 Enfoque UTE
Esta obra está bajo licencia Creative Commons Attribution 3.0 International License.
Los artículos e investigaciones publicadas por la Universidad UTE, se realizan en régimen de Acceso Abierto [Open Access] en formato electrónico. Al enviar un artículo a cualquiera de las revistas científicas de la Universidad UTE, el o los autores aceptan estas condiciones.
La UTE aplica la licencia Creative Commons Attribution (CC-BY) a los artículos de sus revistas científicas. En virtud de esta licencia de acceso abierto, como autor usted acuerda que cualquier persona puede reutilizar su artículo en su totalidad o en parte para cualquier propósito, de forma gratuita, incluso para fines comerciales. Cualquiera puede copiar, distribuir o reutilizar el contenido siempre y cuando el autor y la fuente original estén correctamente citados. Esto facilita la libertad de reutilización y también asegura que el contenido pueda ser extraído sin barreras para necesidades de investigación.
Esta obra está bajo una Creative Commons Attribution 3.0 International (CC BY 3.0).
Además, la Revista Enfoque UTE garantiza y declara que los autores conservan siempre todos los derechos de autor y de publicación de sus obras originales sin restricciones [© Los Autores]. El reconocimiento (BY) permite cualquier explotación de la obra, incluyendo una finalidad comercial, así como la creación de obras derivadas, la distribución de las cuales también está permitida sin ninguna restricción.
Enfoque UTE - Facultad de Ciencias de la Ingeniería e Industrias - Universidad UTE