Sistema de control basado en redes neuronales y logica difusa para la estimacion y control de la dosificacion de coagulante en una planta de tratamiento de aguas

Dentro de los procesos de tratamiento del agua, el proceso de coagulación es el más complejo, debido a la correlación no-lineal, existente entre la dosis de coagulante y los parámetros de agua cruda. La complejidad existente entre las variables involucradas en este proceso hace muy difícil la implementación de un sistema de control satisfactorio basado en métodos convencionales. Esta es la razón de ser del sistema planteado para la estimación y control de la dosificación de coagulante; desarrollado como un sistema experto en tiempo real , mediante la aplicación de técnicas de control inteligentes como las redes neuronales y la lógica difusa. El sistema se concibió para ser capaz de obtener los resultados de la prueba de jarras y capaz de ajustar la dosificación de coagulante; tal como lo haría un operador. Teniendo en cuenta el gran consumo de coagulante demandado por una planta de tratamiento de aguas, este sistema constituye una excelente alternativa para la reducción y optimizacion de la dosificación de coagulante.

Introducción

En la actualidad, la industria del agua ha centrado sus esfuerzos en producir la mejor calidad de agua al menor costo; debido al incremento de los estándares de regulación. El proceso de coagulación es una de los más importantes estados en el tratamiento de agua; permitiendo la remoción de partículas coloidales presentes en el agua. Este proceso es esencial para mantener una calidad de agua tratada satisfactoria.
La complejidad existente entre la dosis de coagulante requerida en función de los parámetros de calidad de agua cruda, y la influencia de factores tales como: el corto tiempo de reacción del proceso de coagulación, el gran tiempo de reacción del proceso de floculación y el caudal de agua tratada, hacen que el control de este proceso requiera de técnicas de apoyo como la prueba de jarras en la estimación de la dosis optima y de la acción de un operador que supervise el proceso y haga los ajustes necesarios para garantizar una remoción de turbiedad efectiva.
En la actualidad existen algunos sistemas comerciales para el control del proceso de coagulación tales como el streaming current detector , el cual ha demostrado excelentes resultados en plantas de tratamiento con calidades de agua cruda poco variables, mostrando también su incapacidad para adaptarse a todos los tipos de calidad de agua cruda.
El mejoramiento en el control de los procesos mediante la introducción de nuevas técnicas tales como las redes neuronales y la lógica difusa, abre una nueva ventana hacia el desarrollo desoluciones optimas, para procesos cuyo control mediante el uso de técnicas convencionales resulta muy complejo . Para el proceso de coagulación ya se han desarrollado algunas aplicaciones basadas en estas técnicas las cuales han mostrado excelentes resultados y han abierto el campo para otras aplicaciones .
En Colombia en la planta de tratamiento de aguas de puerto mallarino de las empresas municipales de Cali (Emcali) se desarrollo un sistema de control basado en redes neuronales y lógica difusa que permitiera llevar a cabo tanto la estimación como el control de la dosis de coagulante

Marco teórico

Redes neuronales artificiales en aplicaciones industriales

Desde el punto de vista de la ingeniería las redes neuronales artificiales (RNA) pueden ser vistas como una gran sistema dinámico en paralelo que puede realizar transformaciones por medio de la respuesta de estado de su información de entrada. El cómo se lleva a cabo la transformación depende del modelo de la RNA y de su forma de aprender la transformación. El área de aplicación más natural de las RNA son obviamente las tareas en las cuales se deben obtener las transformaciones apropiadas de ciertas entradas a ciertas salidas; pero las transformaciones no pueden ser descubiertas analíticamente debido a la variedad de factores involucrados en ellas. Por lo tanto no es sorprendente que la mayoría de las aplicaciones exitosas de RNA puedan ser encontradas en áreas de visión de maquinas, reconocimiento de patrones, control de motores, procesamiento de señales, donde tales transformaciones "entradas a salidas" dominan la solución del problema.

Metodología

El primer paso para la concepción del sistema de control consiste en identificar dos etapas dentro del procedimiento llevado a cabo por el operador para el control del proceso; que son:

• Estimación del nuevo punto de operación (dosis optima).
• Control de la dosificación alrededor del punto de operación (ajuste de la dosificación).

La estimación del nuevo punto de operación esta relacionado directamente con los cambios de calidad de agua cruda determinada por factores tales como la temperatura, turbiedad, color, ph y alcalinidad; los cuales requieren de la estimación de una nueva dosis de coagulante; la cual se obtiene mediante el test de jarras. El control de la dosificación alrededor del punto de operación es la etapa siguiente del control del proceso una vez establecida la dosis optima para unas condiciones de agua . Consiste en ajustar la dosis de coagulante con el fin de garantizar un buena remoción de turbiedad . Es en esta etapa donde la experiencia del operador juega un papel importante; pues las acciones de control de la dosificación están influenciadas por todos los parámetros que afectan el proceso dentro del sistema de potabilización de agua (caudal de agua tratada, turbiedad de agua clairificada, pH de coagulación, capacidad de la bomba dosificadora).

Estimación del nuevo punto de operación (dosis optima).

Una vez identificadas las dos etapas del control de la dosificación de coagulante, el siguiente paso consiste en el diseño de los algoritmos de control para cada una de las etapas. Para la etapa de estimación de la dosis optima y el pH de coagulación, se entreno una red neuronal artificial con un conjunto de datos históricos de la planta de puerto mallarino ; correspondientes a los años 1999 - 2001. Un total de 300 conjuntos de datos fueron tomados para entrenar y evaluar el desempeño de la red neuronal; de los cuales 200 conjuntos de datos se usaron para el entrenamiento de la red neuronal y los 100 restantes se usaron para evaluar el desempeño y la generalidad de la misma.

La Red neuronal entrenada tiene 5 neuronas de entrada que conforman la capa de entrada ; correspondientes a los valores de los parámetros de calidad de agua cruda . La capa oculta de la RNA esta constituida por 15 neuronas y las dos neuronas de salida que conforman la capa de salida de la RNA corresponden al resultado esperado en la prueba de jarras. Los márgenes de operación de calidad de agua cruda tratados en esta planta son grandes en comparación con otras plantas lo cual hace que la relación entre los datos sea bastante no-lineal. Por esta razón se hace necesario la implementación de una red neuronal artificial , ya que las redes neuronales son excelentes estimadores de relaciones no-lineales entre datos acumulados y datos numéricos de salidas.

Control de la dosificación alrededor del punto de operación (ajuste de la dosificación) .

En esta etapa es vital la experiencia del operador en el control del proceso, pues la prueba de jarras le provee un punto de referencia de la dosificación requerida, la cual debe ajustar para conseguir una remoción de turbiedad efectiva.