Elaboración de un modelo neuronal artificial para la estimación de la demanda bioquímica de oxígeno en aguas marinas

Reynaldo Meza Castellar; Luis Gonzalez Salcedo

doi:10.22490/21456453.3441

Vol. 11 Núm. 2 (2020)

Publicado 07-07-2020

Anexo

Licencia

Derechos de autor 2020 Revista de Investigación Agraria y Ambiental

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Cuando RIAA recibe la postulación de un original por parte de su autor, ya sea a través de correo electrónico o postal, considera que puede publicarse en formatos físicos y/o electrónicos y facilitar su inclusión en bases de datos, hemerotecas y demás sistemas y procesos de indexación. RIAA autoriza la reproducción y citación del material de la revista, siempre y cuando se indique de manera explícita el nombre de la revista, los autores, el título del artículo, volumen, número y páginas. Las ideas y conceptos expresados en los artículos son responsabilidad de los autores y en ningún caso reflejan las políticas institucionales de la UNAD

Área Ambiental

Elaboración de un modelo neuronal artificial para la estimación de la demanda bioquímica de oxígeno en aguas marinas

DOI: https://doi.org/10.22490/21456453.3441

Reynaldo Meza Castellar Universidad Nacional de Colombia sede Palmira

Luis Gonzalez Salcedo Universidad Nacional de Colombia sede Palmira

PDF

Visor

HTML

XML

Epub

Movil

Resumen
Referencias

Contextualización: los modelos neuronales artificiales son modelos diseñados a partir de métodos numéricos denominados Redes Neuronales Artificiales. El uso de estos, como herramienta de predicción de la Demanda Bioquímica de Oxígeno (DBO), ha demostrado diversas ventajas, entre otras, la reducción del tiempo y los costos económicos asociados a este parámetro. La DBO generalmente requiere de 5 a 7 días, así como múltiples reactivos químicos, para poder establecer los niveles de materiales orgánicos en las aguas.

Vacío de investigación: los modelos neuronales artificiales permiten calcular la DBO en tiempo real, a partir de variables fisicoquímicas registradas in situ. A pesar de ello, las redes neuronales artificiales no han sido utilizadas hasta ahora como método de estimación de la DBO en aguas marinas de Colombia.

Propósito del estudio: teniendo en cuenta este aspecto, en la presente investigación se elaboró un modelo neuronal artificial que permite estimar la DBPO en aguas del Mar Caribe Colombiano.

Metodología: para elaborar el modelo fue necesario realizar cinco simulaciones (constituidas por un número de 2 a 3 capas ocultas, y de 5 a 20 neuronas por capa). El desempeño predictivo de cada una de estas se evaluó a través del coeficiente de correlación.

Resultados y conclusiones: los valores más altos de este indicador estadístico (0,937, 0,951, 0,953, y 0,941), se obtuvieron para el modelo que utilizó 3 capas, de 20 neuronas cada una, en sus cuatro etapas de aprendizaje (entrenamiento, validación, prueba, y todos los datos). Estas cifras indican un cercano ajuste entre los datos observados y las estimaciones hechas por la red. Estos resultados demuestran además que la Demanda Bioquímica de Oxígeno puede ser estimada numéricamente, en aguas marinas, a través de modelos neuronales artificiales.

Palabras clave: Levenberg-Marquardt, Mar Caribe, neurona

Abyaneh, H. (2014). Evaluation of multivariate linear regression and artificial neural networks in prediction of water quality parameters. Journal of Environmental Health Science & Engineering, 12(40), 1-8. https://doi.org/10.1186/2052-336X-12-40

Águila-Martínez, J. (2017). Aprendizaje supervisado en conjuntos de datos no balanceados con Redes Neuronales Artificiales. Métodos de mejora de rendimiento para modelos de clasificación binaria en diagnóstico médico. Universitat Rovira i Virgili.

APHA. (2005). Standard Methods for the Examination of Water and Wastewater (21st ed.). Washington, DC: American Public Health Association (APHA).

Araghinejad, S. (2014). Artificial Neural Networks. In Data-Driven Modeling: Using MATLAB® in Water Resources and Environmental Engineering. Water Science and Technology Library 67.

https://doi.org/10.1007/978-94-007-7506-0

Barthakur, M., Thakuria, T., & Sarma, K. K. (2012). Artificial Neural Network (ANN) Based Object Recognition Using Multiple Feature Sets. Soft Computing Techniques in Vision Science, (395), 127-135. https://doi.org/10.1007/978-3-642-25507-6_11

Beale, M. H., Hagan, M. T., & Demuth, H. B. (2015). Neural Network Toolbox User’s Guide. MathWorks, (R2015b), 1–410.

CARDIQUE. (2017). Evaluación de la calidad de las aguas en la Ciénaga de la Virgen. Corporación Autónoma Regional del Canal del Dique-CARDIQUE.

Dogan, E., Ates, A., Yilmaz, E. C., & Eren, B. (2014). Application of Artificial Neural Networks to Estimate Wastewater Treatment Plant Inlet Biochemical Oxygen Demand. Environmental Science & Technology, 33(2), 482-489.

Ebtehaj, I., & Bonakdari, H. (2016). Bed load sediment transport estimation in a clean pipe using multilayer perceptron with different training algorithms. KSCE Journal of Civil Engineering, 20(2), 581-589. https://doi.org/10.1007/s12205-015-0630-7

Emamgholizadeh, S., Kashi, H., Marofpoor, I., & Zalaghi, E. (2014). Prediction of water quality parameters of Karoon River (Iran) by artificial intelligence-based models. International Journal of Environmental Science and Technology, 11(3), 645-656. https://doi.org/10.1007/s13762-013-0378-x

Gandaseca, S., Liyana, N., Wahab, A., Mustapha, A., & Pazi, M. (2016). Comparison of Water Quality Status of Disturbed and Undisturbed Mangrove Forest at Awat-Awat Lawas Sarawak. Open Journal of Forestry, 6, 14-18. https://doi.org/10.4236/ojf.2016.61002

González Salcedo, L. O., Guerrero Zúñiga, A. P., Delvasto Arjona, S., & Ernesto Will, A. L. (2012). Exploración con redes neuronales artificiales para estimar la resistencia a la compresión, en concretos fibroreforzados con acero. Ciencia e Ingeniería Neogranadina, 22(1), 19-41.

https://doi.org/10.18359/rcin.247

Gulyani, B. B., Mangai, J. A., & Fathima, A. (2015). An Approach for Predicting River Water Quality Using Data Mining Technique. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 9165, 233-243.

https://doi.org/10.1007/978-3-319-20910-4_17

Howington, J. P., McFeters, G. A., Jones, W. L., & Smith, J. J. (1994). The effect of low temperature on BOD in Antarctic seawater. Water Resources, 28(12), 2585-2587.

https://doi.org/10.1016/0043-1354(94)90078-7

INVEMAR. (2016). Informe del estado de los ambientes y recursos marinos y costeros de Colombia. Año 2015.

INVEMAR. (2017). Diagnóstico y Evaluación de la Calidad de las Aguas Marinas y Costeras en el Caribe y Pacífico Colombianos. Informe Técnico 2016.

Matos, M. P. de, Borges, A. C., Matos, A. T. de, Silva, E. F. da, & Martinez, M. A. (2014). Effect of time-temperature binomial in obtaining biochemical oxygen demand of different wastewaters. Engenharia Agrícola, 34(2), 332-340. https://doi.org/10.1590/S0100-69162014000200014

Meza, R. (2019). Elaboración y uso de un modelo neuronal para la estimación de la DBO5. Caso de estudio: Costa Caribe del Departamento de Bolívar (Colombia). Universidad Nacional de Colombia.

Mustafa, M. R., Rezaur, R. B., Saiedi, S., & Isa, M. H. (2012). River suspended sediment prediction using various multilayer perceptron neural network training algorithms-A case study in Malaysia. Water Resources Management, 26(7), 1879-1897. https://doi.org/10.1007/s11269-012-9992-5

Muthukumaran, S., & Baskaran, K. (2013). Organic and nutrient reduction in a fish processing facility - A case study. International Biodeterioration and Biodegradation, 85, 563-570.

https://doi.org/10.1016/j.ibiod.2013.03.023

Naimpally, A., & Rosselot, K. S. (2014). Water and Wastewater. In Environmental engineering: Review for the professional engineering examination (pp. 1-61).

https://doi.org/10.1007/978-0-387-49930-7_1

Palani, S., Liong, S. Y., & Tkalich, P. (2008). An ANN application for water quality forecasting. Marine Pollution Bulletin, 56(9), 1586-1597.

https://doi.org/10.1016/j.marpolbul.2008.05.021

Phu, S. T. P. (2014). Research on the Correlation Between Chlorophyll-a and Organic Matter BOD, COD, Phosphorus, and Total Nitrogen in Stagnant Lake Basins. In Sustainable Living with Environmental Risks (pp. 177-191). https://doi.org/10.1007/978-4-431-54804-1_15

Raoufy, M. R., Eftekhari, P., Gharibzadeh, S., & Masjedi, M. R. (2011). Predicting arterial blood gas values from venous samples in patients with acute exacerbation chronic obstructive pulmonary disease using artificial neural network. Journal of Medical Systems, 35(4), 483-488.

https://doi.org/10.1007/s10916-009-9384-4

Severiche, C. A., Baldiris, I., Acosta, J. C., Bedoya, E. A., Castro, I., & Pacheco, H. (2017). Multivariate Analysis of Water Quality in Rosario Islands National Park (Colombia). American Journal of Engineering Research (AJER), 6(6), 136-144.

Šiljić, A., Antanasijević, D., Perić-Grujić, A., Ristić, M., & Pocajt, V. (2016). Artificial neural network modelling of biological oxygen demand in rivers at the national level with input selection based on Monte Carlo simulations. Environmental Science and Pollution Research, 23(4), 3978-3979.

https://doi.org/10.1007/s11356-015-5978-1

Simon, F. X., Penru, Y., Guastalli, A. R., Llorens, J., & Baig, S. (2011). Improvement of the analysis of the biochemical oxygen demand (BOD) of Mediterranean seawater by seeding control. Talanta, 85(1), 527-532. https://doi.org/10.1016/j.talanta.2011.04.032

Singh, K. P., Basant, A., Malik, A., & Jain, G. (2009). Artificial neural network modeling of the river water quality-A case study. Ecological Modelling, 220, 888-895.

https://doi.org/10.1016/j.ecolmodel.2009.01.004

Tachibana, K., Urano, Y., & Numata, K. (2013). Biodegradability of nylon 4 film in a marine environment. Polymer Degradation and Stability Journal, 98, 1847-1851.

https://doi.org/10.1016/j.polymdegradstab.2013.05.007

Tomenko, V., Ahmed, S., & Popov, V. (2007). Modelling constructed wetland treatment system performance. Ecological Modelling, 205, 355-364.

https://doi.org/10.1016/j.ecolmodel.2007.02.030

Tuchkovenko, Y. S., & Lonin, S. A. (2003). Mathematical model of the oxygen regime of Cartagena Bay. Ecological Modelling, 165(1), 91-106. https://doi.org/10.1016/S0304-3800(03)00064-4

Zayani, R., Bouallegue, R., & Roviras, D. (2008). Adaptive predistortions based on neural networks associated with Levenberg-Marquardt algorithm for satellite down links. Eurasip Journal on Wireless Communications and Networking, 2008(132729), 1-15. https://doi.org/10.1155/2008/132729

Licencia

Cómo citar

Meza Castellar, R., & Gonzalez Salcedo, L. (2020). Elaboración de un modelo neuronal artificial para la estimación de la demanda bioquímica de oxígeno en aguas marinas. Revista De Investigación Agraria Y Ambiental, 11(2), 147-156. https://doi.org/10.22490/21456453.3441

Descargar cita

Almétricas

Métricas

Cargando métricas ...