Soft sensor de calidad del efluente en tratamiento in situ de aguas residuales
Soft sensors de aprendizaje automático predicen la DQO y los SST de un sistema de tratamiento in situ a partir de sensores de calidad en línea: la regresión de vectores de soporte alcanzó R² = 0,96 para la DQO y la regresión cubist R² = 0,99 para los SST.
Solución de sensor virtual
Enfoque
Soft sensors de varias entradas y una salida combinan parámetros que miden sensores en línea consolidados para predecir parámetros de calidad que de otro modo requieren muestreo y análisis de laboratorio. Se compararon cuatro algoritmos: mínimos cuadrados parciales (PLS), regresión de vectores de soporte (SVR), regresión cubist y una red neuronal de regresión cuantílica (QRNN).
Variables de entrada
- Turbidez
- Color
- pH
- Amonio (NH₄⁺)
- Nitrato (NO₃⁻)
- Conductividad eléctrica
Variables de salida
- Demanda química de oxígeno (DQO)
- Sólidos suspendidos totales (SST)
- E. coli
Tipo de modelo
- Regresión de vectores de soporte
- Regresión cubist
- PLS y QRNN (comparados)
Indicadores de rendimiento
Resultados
-
Con datos de calidad de un sistema de tratamiento in situ probado en campo y operado casi dos años (56 datos), la SVR predijo la DQO con R² = 0,96 y la regresión cubist los SST con R² = 0,99. E. coli no pudo predecirse de forma adecuada (mejor R² = 0,22). Los autores concluyen que, aunque el conjunto de datos es pequeño, los soft sensors de aprendizaje automático pueden dar estimaciones útiles en tiempo real de parámetros que se miden fuera de línea.
Por qué importa
- La DQO, los SST y E. coli requieren muestreo y análisis de laboratorio, por lo que no dan una visión en tiempo real del rendimiento del tratamiento ni de fallos.
- Existen analizadores de DQO en tiempo real, pero no son rentables para sistemas in situ por su coste y reactivos; un soft sensor sobre sensores en línea consolidados es una vía más barata a la monitorización continua.
¿Tienes un reto de control? Hablemos.
Fuentes
Shyu, H.-Y., Castro, C. J., Bair, R. A., Lu, Q., Yeh, D. H. — acceso abierto.
Resumen
Un soft sensor predice parámetros de calidad medidos en laboratorio (DQO, SST) a partir de parámetros que los sensores en línea miden continuamente, y ofrece a la operación una estimación en tiempo real entre muestras.
Cuándo usar este patrón
- La calidad del efluente se vigila con análisis de laboratorio y el retraso limita las decisiones de operación.
- Los analizadores en línea de DQO o SST son demasiado caros para la instalación, o sus reactivos y mantenimiento pesan.
- Ya hay sensores en línea fiables (turbidez, pH, conductividad, nutrientes) o es barato añadirlos.
Qué muestra el estudio citado — y sus límites
Distintos algoritmos ganaron para distintas salidas (SVR para la DQO, regresión cubist para los SST), así que conviene comparar modelos por salida. El conjunto de datos era pequeño (56 datos) y E. coli no se predijo de forma adecuada. Un soft sensor de producción necesita más datos, un plan de recalibración y vigilancia de los propios sensores de entrada.
Patrones relacionados
Contacto
Enviar mensaje
Contacto directo
Dr. Rafał Noga
Reunión
Reserve una llamada de encaje técnico de 30 min directamente en Calendly.
Reservar llamada de encaje técnico (30 min)Manténgase informado
Reciba información sobre IA industrial, APC y optimización de procesos en su correo.