Mostrar el registro sencillo del ítem

dc.contributor.advisorFlores del Pino, Lisveth Vilma
dc.contributor.authorPeña Rojas, Anieval Cirilo
dc.date.accessioned2017-10-09T14:55:29Z
dc.date.available2017-10-09T14:55:29Z
dc.date.issued2016
dc.identifier.otherP10.P4-T BAN UNALM
dc.identifier.urihttps://hdl.handle.net/20.500.12996/2841
dc.descriptionUniversidad Nacional Agraria La Molina. Escuela de Posgrado. Doctorado en Ingeniería y Ciencias Ambientaleses_PE
dc.description.abstractEn la investigación se utilizaron las redes neuronales artificiales como herramienta para optimizar la cantidad de coagulante (Al2SO4) que se utiliza en el tratamiento del agua potable de la empresa SEDAM de la ciudad de Huancayo – Perú, donde la calidad del agua al ingreso a la planta de tratamiento tuvo variabilidad permanente de turbidez debido a las precipitaciones fluviales que se presentaron generalmente en los meses de octubre a marzo. Este fenómeno meteorológico alteró en corto tiempo las características físicas y químicas del agua dificultando su tratamiento. Se utilizó en el laboratorio el ensayo denominado Prueba de Jarras para determinar la dosis de coagulante a emplear durante un periodo de once meses, con muestreo aleatorio diario. Las variables consideradas para el estudio fueron la turbidez, el pH, la conductividad, el color y sólidos disueltos totales con una temperatura promedio de 10 ºC y un caudal promedio de 148 l/s. Los cálculos obtenidos fueron utilizados para entrenar y probar dosis óptimas de coagulante haciendo uso de redes neuronales artificiales con tres topologías específicas: Red de tres capas (entrada de cinco neuronas, oculta de cinco neuronas, salida una neurona), Red de cuatro capas (entrada de cinco neuronas, dos ocultas de seis y cinco neuronas, salida una neurona) y Red de cuatro capas con dos ocultas llamada también de regresión generalizada (una de entrada con cinco neuronas, dos capas ocultas, en la primera se adiciona una neurona por cada caso entrenado y en la segunda oculta dos neuronas receptoras para regresión y una capa de salida con una neurona). Se concluyó que la topología más adecuada fue la última con una asertividad de 96.9 por ciento frente a los datos reales y en su entrenamiento se obtuvo una correlación de 98.4 por ciento evidenciando además que los factores más influentes al modelo son: color, turbidez y pH. La red seleccionada finalmente permitió predecir la dosificación de coagulante óptimo con una probabilidad de error máximo de 1.6 por ciento y en tiempo real con nuevos valores de entrada en el agua a tratar sin necesidad de recurrir a la Prueba de Jarras el cual sólo se realiza posteriormente para enriquecer su aprendizaje.es_PE
dc.description.abstractIn the research of artificial neural networks is used as a tool to optimize the amount of coagulant (Al2SO4) used in treating drinking water company SEDAM city of Huancayo, where the quality of water entering the treatment plant is highly unstable permanent river variability due to rainfall occurring especially in the months from October to March, these meteorological phenomena in a short time alter the physical and chemical characteristics of water treatment difficult. jar testing was used in the laboratory to determine the dose of coagulant to be used for a period of eleven months from July 2012 to May 2013, with daily random sampling. The variables considered for the study were water turbidity, pH, conductivity, color and dissolved solids, with the average temperature 10 ° C and a flow rate of 148 liters per second. The dose given coagulant by jar testing was optimized using neural networks with three specific topologies, was concluded that the topology more adequate is the generalized regression with a Assertiveness of 96.9 per cent compared to the actual data and its color, turbidity and pH, in that order: training a 98.4 per cent linear correlation of being able to show that the most influential factors according to their impact level are variables obtained. The application of this alternative allows cost savings and improve water quality in less time than the classic methods of calculation.en_US
dc.description.uriTesises_PE
dc.formatapplication/pdfen_US
dc.language.isospaes_PE
dc.publisherUniversidad Nacional Agraria La Molinaes_PE
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.sourceUniversidad Nacional Agraria La Molinaes_PE
dc.sourceRepositorio institucional - UNALMes_PE
dc.subjectAgua potablees_PE
dc.subjectRed de agua potablees_PE
dc.subjectCoagulaciónes_PE
dc.subjectAluminioes_PE
dc.subjectHidróxidoses_PE
dc.subjectDosificaciónes_PE
dc.subjectRedes de neuronases_PE
dc.subjectProcesoses_PE
dc.subjectEnsayoes_PE
dc.subjectPerúes_PE
dc.subjectRedes neuronales artificialeses_PE
dc.subjectPruebas de jarrases_PE
dc.subjectPlanta de tratamientoes_PE
dc.subjectRío Shullcases_PE
dc.subjectHuancayo (Prov)es_PE
dc.subjectRegión Junínes_PE
dc.titleUso de redes neuronales artificiales para optimizar la dosificación de coagulantes en la planta de tratamiento de agua potable, Huancayoes_PE
dc.typeinfo:eu-repo/semantics/doctoralThesisen_US
thesis.degree.disciplineIngeniería y Ciencias Ambientaleses_PE
thesis.degree.grantorUniversidad Nacional Agraria La Molina. Escuela de Posgradoes_PE
thesis.degree.nameDoctoris Philosophiae - Ingeniería y Ciencias Ambientaleses_PE
thesis.degree.levelDoctoradoes_PE
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#1.05.11es_PE
renati.jurorVela Cardich, Rosemary
renati.jurorMeza Contreras, Víctor Juan
renati.jurorGamarra Gamarra, Delia


Ficheros en el ítem

Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

info:eu-repo/semantics/openAccess
Excepto si se señala otra cosa, la licencia del ítem se describe como info:eu-repo/semantics/openAccess