Revista de Innovación y Transferencia Productiva (2021). 2(2), e002
ISSN: 2810-8027 (En línea)
https://doi.org/10.54353/ritp.v2i2.e002
|
Redes neuronales artificiales para el tratamiento de efluentes de curtiduría |
Artificial neural networks for the treatment of tanneries effluents |
|
Manuel
Omar García La Barrera1a, Brander Jean Carlos Vega Gonzales1b,
Juan Carlos Mariños Legendre |
|
1 Inter-Company S.R.L., Trujillo, Perú
2 Instituto Tecnológico de la Producción, Trujillo, Perú
a mgarlab@hotmail.com, bbrandervega.1992@gmail.com, cjmarinos@itp.gob.pe, dbanhuaman@itp.gob.pe, emcampos@itp.gob.pe, empinglo@itp.gob.pe
* Autor de correspondencia
Resumen
Uno de los principales problemas que inquieta a las empresas dedicadas al curtido y adobo de cueros radica en las altas concentraciones contaminantes del efluente que liberan a la red de alcantarillado, los cuales sobrepasan los valores máximos admisibles (VMA) establecidos en el DS 010-2019-VIVIENDA. En línea con esta realidad, se presenta una alternativa para reducir la carga contaminante de Demanda Bioquímica de Oxígeno (DBO5), Demanda Química de Oxígeno (DQO) y Sólidos Suspendidos Totales (SST) presentes en las aguas de curtiduría a través del uso de un sistema de tratamiento de efluentes que es controlado por una red neuronal artificial que permite determinar de forma automática las dosificaciones de insumos para el tratamiento de efluentes en curtiembres y dependiendo de la combinación de efluentes de los procesos de curtiduría se dosifican los insumos químicos. La metodología empleada consta de remoción de carga orgánica sedimentable a través de una trampa de grasa y poza de sedimentación, oxidación de sulfuro materia orgánica, regulación de pH, coagulación y floculación de acuerdo con la dosificación indicada en la red neuronal artificial. Con una muestra de 5 m3/día, se logró reducir 70% los parámetros, obteniendo una concentración de DBO5, DQO y SST en torno a los 211.3 O2 mg/L, 790 mg/L y 109.7 mg/L respectivamente; en tanto se obtuvo 0.007 mg/L de cromo hexavalente, 0.005 mg/L de cianuro total, 1.9 mg/L de sólidos sedimentables, 6.5 mg/L de aceites y grasas y 740.9 mg/L de sulfatos; todo bajo el sistema de tratamiento validado a diferencia de las metodologías convencionales que solo tratan los efluentes por cada proceso por separado.
Palabras claves: red neuronal artificial, tratamiento de efluentes, sistema piloto, demanda bioquímica de oxígeno, demanda química de oxígeno, sólidos suspendidos totales
Abstract
One of the main problems that concerns companies dedicated to leather tanning and dressing lies in the high contaminant concentrations of the effluent that they release into the sewage network, which exceed the maximum admissible values (VMA) established in DS 010-2019 -VIVIENDA.In line with this reality, an alternative is presented to reduce the contaminant load of Biochemical Oxygen Demand (BOD5), Chemical Oxygen Demand (COD) and Total Suspended Solids (TSS) present in tannery waters through the use of a effluent treatment system that is controlled by an artificial neural network that automatically determines the dosing of inputs for the treatment of effluents in tanneries and depending on the combination of effluents from the tannery processes, the chemical inputs are dosed.The methodology used consists of removal of sedimentable organic load through a grease trap and sedimentation pond, oxidation of sulfur organic matter, pH regulation, coagulation and flocculation according to the dosage indicated in the neural network and an aeration system. With a sample of 5 m3 / day, it was possible to reduce the parameters by 70%, obtaining a concentration of BOD5, COD and TSS around 211.3 O2 mg / L, 790 mg / L and 109.7 mg / L respectively; meanwhile, 0.007 mg / L of hexavalent chromium, 0.005 mg / L of total cyanide, 1.9 mg / L of settleable solids, 6.5 mg / L of oils and fats and 740.9 mg / L of sulfates were obtained; all under the validated treatment system unlike conventional methodologies that only treat the effluents for each process separately.
Keywords: artificial Neruonal network, effluent treatment, pilot system, biochemical oxygen demand, chemical oxygen demand, total suspended solids
Introducción
Al cierre del año 2020 la industria del cuero a nivel regional congregó a un promedio de 118 empresas activas según la Superintendencia Nacional de Aduanas y de Administración Tributaria, obteniendo un total de 550 empresas a nivel nacional. El problema identificado que limita la competitividad de las empresas dedicadas al curtido y adobo de cueros radica en la calidad del efluente que liberan a la red de alcantarillado por las altas concentraciones de contaminantes que posee, los cuales sobrepasan los VMA establecidos en el DS 010-2019-VIVIENDA, propiciando así el inicio de procesos sancionadores y multas con las autoridades fiscalizadoras de OEFA y SEDALIB.
En la actualidad la técnica habitual se basa en realizar tratamiento por separado para los efluentes de pelambre y curtido, iniciando con un tratamiento de retención de sólidos en combinación con la floculación y coagulación, utilizando 80 mg/l de sulfato de Aluminio y 4 mg/l de coagulante aniónicos; y sedimentación secundaria para remover los flóculos formados; usados para el tratamiento del efluente de pelambre. Para el curtido, una etapa de sedimentación primaria y antes de ser reciclado requiere de un acondicionamiento previo por la concentración de cromo y la acidez. Los desechos sólidos generados a partir del tratamiento primario del efluente de curtido, deben ser dispuestos en un relleno de seguridad, debido a su contenido de cromo.
Se puede utilizar la coagulación y la floculación seguidas de un tratamiento biológico para tratar las aguas residuales de la curtiembre. El potasio de alumbre se usó para la coagulación y el Drewfloc 270 se usó para la floculación. Se concluyó que este método de tratamiento es exitoso en la reducción de la concentración de contaminantes de efluente de curtiembres para alcanzar los estándares nacionales de calidad ambiental (NEQS). (Shahid, M. et al 2017).
En tal sentido, las RNA, pueden ser consideradas como un método de resolver problemas, de forma individual o combinada con otros métodos para tareas de clasificación, identificación, diagnóstico, optimización o predicción en las que el balance datos/conocimiento se inclina hacia los datos y donde, adicionalmente, puede existir la necesidad de aprendizaje en tiempo de ejecución y de cierta tolerancia a fallos. En estos casos las RNA se adaptan dinámicamente reajustando constantemente los “pesos” de sus interconexiones. Las RNA inspiran su comportamiento y/o funcionamiento en sus contrapartes biológicas. Donde, cada neurona por separado es una unidad capaz de procesar señales (impulsos) de manera individual. Sin embargo, al combinarse entre ellas formando redes de interconexiones, la capacidad de procesamiento y/o complejidad aumentan significativamente. La neurona, recibe impulsos externos, los cuales representan sus entradas. (Aguilar, L. 2019).
El desarrollo de las pruebas de tratabilidad o ensayo de jarras en muestras de aguas residuales de origen industrial, con el fin de simular el proceso de coagulación a nivel laboratorio. Esto permite identificar cual es el coagulante y dosis adecuada a emplear, para clarificar el agua y obtener una remoción de los sólidos suspendidos y en suspensión del agua cruda, quedando a punto para continuar con los otros procesos de tratamiento establecidos en la Planta de tratamiento de aguas residuales. (Fúquene, Diana; Yate, Andrea; 2018).
Estas soluciones presentan inconvenientes puesto que suponen una solución de tratamiento de efluentes de curtiduría por tipo de efluente, sin tratar la totalidad que va a descargar directo a la red de alcantarillado. Por tanto, que el sistema piloto de tratamiento de efluentes integrado con una red neuronal artificial hoy presentado ha validado su eficacia y eficiencia bajo un proceso contemplado en fases secuenciales entre las que se considera principalmente el uso de una red neuronal artificial que dosifica las cantidades específicas de floculante y coagulante de acuerdo a las características específicos de la mezcla de procesos a descargar.
Material y métodos
a. Diseño y construcción de la red neuronal
El primer paso consistió en el análisis exploratorio de los datos con el objetivo de determinar las variables de entrada y salida:
1. ph_inicial: Variable que mide el pH inicial en los efluentes antes del proceso de tratamiento.
2. turbidez_inicial: Variable que mide el nivel de turbidez inicial en los efluentes antes del proceso de tratamiento.
3. dosificación_ácido: Variable dependiente que determina el nivel de dosificación de ácido en el proceso con el objetivo de regular el pH inicial a niveles compatibles con la normativa ambiental.
4. dosificación_coagulante: Variable dependiente que determina el nivel de dosificación de coagulante en el proceso.
5. dosificación_floculante: Variable dependiente que determina el nivel de dosificación de floculante en el proceso.
6. ph_final: Variable dependiente que determina el nivel de pH final en el proceso. Esta es la variable que finalmente se monitorea con el objetivo de determinar si se está cumpliendo con la normativa ambiental.
Por medio de Python, lenguaje de programación de alto nivel que permite la implementación de prototipos de manera sencilla, asimismo, se hizo uso de la librería Tensorflow para la creación de los modelos basados en redes neuronales.
El proceso de construcción de datos se basó en las muestras que se realizaron durante las pruebas de jarras. Se recolectaron 110 muestras, cabe precisar que para realizar todos los experimentos se tomó en cuenta los valores normados (ver Tabla 1).
Tabla 1
Valores según normatividad ambiental.
|
Parámetro |
M-1 |
M-2 |
M-3 |
LMP |
VMA |
|
Aceites y grasas (HEM) |
45.2 |
411 |
106 |
50 |
100 |
|
Demanda Bioquímica de oxígeno (DBO5) |
329 |
1150 |
246.6 |
500 |
500 |
|
Demanda Química de oxígeno (DQO) |
4923 |
5257 |
1978 |
1500 |
1000 |
|
Sólidos suspendidos totales (TSS) |
848 |
2354 |
1002 |
500 |
500 |
|
pH (medición en campo) |
11.51 |
12.62 |
11.66 |
6 – 9 |
6 – 9 |
|
Sulfuros |
62.4 |
20.1 |
27.8 |
4 |
2 |
|
Cromo Total (Cr) |
2.8576 |
80 |
80 |
2 |
10 |
Nota: Decreto Supremo 010-2019-VIVIENDA
Con los datos filtrados se procedió a calcular correlaciones entre las variables utilizando la correlación de Pearson. Estas correlaciones brindaron las relaciones entre las variables independientes y dependientes, y sirvieron como guía durante el proceso de construcción de los modelos. Es importante mencionar que los datos fueron previamente filtrados, ya que debido a la naturaleza de los experimentos realizados en laboratorio existían varias muestras que introducían ruido. Durante el proceso de experimentación para encontrar el valor ideal de dosificante se mantenían constantes las variables independientes (condiciones iniciales) y se modificaba la cantidad de dosificante (variable dependiente) hasta que se conseguía que el efluente se encuentre dentro de los límites ambientales. Es lógico que aquellos experimentos de dosificación que no conseguían disminuir lo suficiente la turbidez del efluente fueron descartados (Tabla 2).
Tabla 2:
Matriz de correlaciones
|
|
Ph_init |
Turbidez |
Dos_acido |
Dos_coag |
dos_floc |
Ph_final |
Turb_final |
|
Ph_init |
1.00000 |
0.333721 |
0.828701 |
0.099304 |
-0.046230 |
0.331741 |
0.387737 |
|
Turbidez |
0.333721 |
1.000000 |
0.521620 |
0.283831 |
-0.021355 |
0.314045 |
0.741058 |
|
Dos_Acido |
0.828701 |
0.521620 |
1.000000 |
0.128696 |
-0.006529 |
0.248681 |
0.625896 |
|
Dos_coag |
0.099304 |
0.283831 |
0.128696 |
1.000000 |
0.001560 |
0.037142 |
0.081020 |
|
Dos_floc |
-0.046230 |
-0.021355 |
-0.006529 |
0.001560 |
1.000000 |
-0.187542 |
-0.015155 |
|
Ph_final |
0.331741 |
0.314045 |
0.248681 |
0.037142 |
-0.187542 |
1.000000 |
0.184980 |
|
Turb_final |
0.387737 |
0.741058 |
0.625896 |
0.081020 |
0.184980 |
0.184980 |
1.000000 |
Nota: Matriz de correlaciones entre las variables de acuerdo a la correlación de Pearson
Se continuó con la normalización de datos que consistió en procesar los datos de forma que al final cada variable tenga una desviación estándar igual a 1 y una media igual a 0. De esta forma se consiguió que todas las variables en la base de datos tengan la misma escala y no generan un sesgo en el modelo durante el entrenamiento (Tabla3).
Una vez normalizada, se procedió a generar el modelo especificando el algoritmo de optimización a utilizar, y la función de pérdida o error a monitorear. Para todos los experimentos se utilizó el optimizador Adam, que es la opción por defecto para cualquier tipo de configuración. Por otro lado, se utilizó la función de pérdida del tipo Error Cuadrático Medio por tratarse de un problema de regresión.
Tabla 3
Muestras del dataset normalizado.
|
|
Ph_init |
Turbidez |
Dos_acido |
Dos_coag |
dos_floc |
Ph_final |
Turb_final |
|
0 |
0.319482 |
0.214362 |
0.380531 |
0.315309 |
-0.941618 |
0.291231 |
-0.599895 |
|
1 |
1.599546 |
0.156892 |
1.889430 |
-1.496284 |
1.068864 |
0.366813 |
0.069465 |
|
2 |
0.755248 |
1.813199 |
0.380531 |
0.088860 |
1.068864 |
0.245881 |
2.077999 |
|
3 |
-1.445373 |
0.062938 |
-1.012300 |
0.768207 |
-0.941618 |
-0.736688 |
-0.621882 |
|
4 |
1.599546 |
0.156892 |
2.469777 |
-1.496284 |
1.068864 |
-0.132030 |
2.761521 |
|
… |
… |
… |
… |
… |
… |
… |
… |
|
110 |
0.319482 |
0.214362 |
0.380531 |
0.994656 |
-0.941618 |
-0.011098 |
-0.610048 |
Nota: Conjunto de datos (dataset) normalizado para evitar el sesgo durante el entrenamiento
Adicionalmente a los parámetros propios del modelo, se indicaron ciertos hiper parámetros fundamentales durante el entrenamiento del modelo:
1. Tasa de Aprendizaje: Factor que modula la intensidad en la modificación de los pesos de la red. Este factor es uno de los más importantes y puede determinar la convergencia o la divergencia del modelo hacia una solución óptima.
2. Tamaño de Batch: El tamaño del batch nos indica cuantos datos está procesando el modelo al mismo tiempo. Mientras más grande sea el tamaño del batch mejores resultados obtendremos durante el entrenamiento. Sin embargo, esto debe estar balanceado con las capacidades o recursos computacionales disponibles.
3. Número de Épocas: Indica cuántas veces el algoritmo procesa todo el dataset. El procesamiento de todo el dataset una sola vez indica una época. El número de épocas normalmente se establece lo suficientemente alto para que el modelo sea capaz de aprender lo suficientemente bien el dataset de entrenamiento. Sin embargo, se debe tener cuidado en no establecerlo demasiado alto de forma que el modelo empiece a sobre entrenar, es decir no tener un buen rendimiento sobre datos que nunca ha visto.
El siguiente código muestra la configuración que se probó en cada modelo:
Figura 1
Código de configuración de la red neuronal
Nota. La imagen representa el código de configuración de la red neuronal según el lenguaje de programación Phyton.
En línea con el procedimiento descrito, se continuó con el entrenamiento y evaluación del modelo el cual siguió el enfoque de Kfold cross validation, en donde partimos los datos en un número determinado de particiones. En nuestro caso utilizamos 5 particiones, donde cada partición contenía alrededor de 30 y 40 muestras. El objetivo consistió en entrenar el modelo con 4 de las 5 particiones y evaluar el modelo con la partición que hemos dejado de lado. El proceso se repitió utilizando en cada iteración particiones distintas.
Finalmente, se determinó la configuración (unidades neuronales por capa), variables de entrada, variable de salida y el error de evaluación de cada uno de los modelos entrenados (Tabla 4):
Tabla 4
Resumen de los modelos entrenados
|
Modelo |
Configuración |
Variables de Entrada |
Variables de Salida |
Error Final |
|
|
Modelo de Dosificación de Ácido |
Capa Entrada: 02 Capa Oculta: 05 Capa Salida: 01 |
ph inicial turbidez inicial |
dosificación ácido |
0.13 |
|
|
Modelo de Dosificación de Coagulante |
Capa Entrada: 02 Capa Oculta: 03 Capa Salida: 01 |
ph inicial turbidez inicial |
dosificación coagulante
|
0.743 |
|
Nota: Error final de cada modelado entrenado
La columna error final indica el rendimiento de los modelos. Por ejemplo, si el modelo de ácido realiza una predicción de que la dosificación debe ser 0.5 ml, el valor ideal puede estar en el rango de 0.5 +- 0.13 ml.
Ambos modelos solo tienen una capa oculta tal como se puede observar en la columna configuración, lo único que cambia es el número de unidades neuronales. La función de activación en ambos casos para la capa oculta es una función sigmoides. Las capas de salida no tienen función de activación debido a que se trata de un problema de regresión.
b. Remoción de carga orgánica sedimentable
El agua residual es vertida a una poza, para ser posteriormente impulsada hacia la etapa de tratamiento físico químico. La poza es rectangular con un volumen de 22.0 metros cúbicos fabricado de concreto. El tanque dispone de un agitador de hélice sumergido.
c. Red neuronal artificial
La red entrenada refirió variables de entrada medidas con sensores en las pozas de almacenamiento: pH inicial y turbidez, la cual procesó generando de forma automática las dosificaciones de ácido, álcalis, floculante y coagulante.
d. Regulación de pH
El agua procedente del tanque eductor llega al tanque de ajuste de pH, donde se dosifica ácido o álcalis para regular el pH del agua a 7.5, como agente oxidante se usa el peróxido de hidrógeno (H2O2) al 20% y como álcalis el ácido fosfórico (H₃PO₄) al 20%. El tanque tiene un diámetro de 2.20 metros y una altura de 1.82 metros, con un volumen de 5 metros cúbicos. El tiempo de residencia es de 10 minutos. Este tanque cuenta con un agitador vertical tipo paleta.
e. Coagulación
El agua residual pasa a un tanque de coagulación, donde se dosifica el coagulante (Policloruro de aluminio al 30%) para que se produzca la coagulación. El volumen de este tanque es de 5 metros cúbicos. El tiempo de retención hidráulica es de 10 minutos. Se opta por un agitador tipo paleta en posición vertical para que produzca una mezcla rápida.
f. Floculación
Finalizada la coagulación, el agua residual pasa a dos tolvas de 3 metros cúbicos cada una, donde se dosifica un floculante orgánico de 500 ppm para que se produzca la floculación. El tiempo de retención hidráulica en este compartimiento es de 30 minutos. Se opta por un agitador tipo paleta para que produzca una mezcla lenta y no rompa los flóculos formados. Finalmente, después de haber terminado el proceso de floculación el agua es retenida en las tolvas para se lleve a cabo la sedimentación de los flóculos formados (Figura 2).
Figura 2
Formación de flóculos
Nota. La imagen muestra el proceso de floculación en donde al finalizar el agua es retenida en las tolvas para se lleve a cabo la sedimentación de los flóculos.
Una vez que se ha terminado el proceso se hace la primera descarga de lodos a la poza de almacenamiento.
g. Sistema de aireación
El sobrenadante de la tolva de sedimentación es recogido en la piscina de aireación para eliminar la carga orgánica que contiene el agua. El fango o lodo que se extrae por la parte inferior de las tolvas es almacenado en un recipiente metálico para su posterior disposición. Los reactivos químicos son almacenados en depósitos cilíndricos con un volumen aproximado de 100 litros para el ácido, oxidante, coagulante y floculante (Figura 3).