Resumen

Las mediciones en tiempo real de los parámetros clave de los efluentes desempeñan un papel crucial en el tratamiento de aguas residuales. En este trabajo de investigación, proponemos un modelo de sensor blando basado en aprendizaje profundo que combina autocodificadores apilados con red neuronal (SAE-NN). En primer lugar, basándose en datos experimentales, se eligen como entradas del modelo las variables secundarias (fáciles de medir) que tienen una fuerte correlación con la demanda bioquímica de oxígeno (DBO5). Además, se utiliza el descenso de gradiente estocástico (SGD) para entrenar cada capa de SAE con el fin de optimizar los parámetros de peso, mientras que se desarrolla una estrategia de algoritmos genéticos para identificar el número de neuronas en cada capa oculta. Se estudia un modelo de sensor blando para predecir la DBO5 en una planta de tratamiento de aguas residuales con el fin de evaluar el enfoque propuesto. Curiosamente, los resultados experimentales muestran que el sensor blando basado en SAE-NN propuesto tiene un mejor rendimiento en la predicción que los métodos comunes actuales.

• Materias:Aerodinámica Robótica Regulación automática Tecnología de sensores Optimización de procesos
• Subjects:Aerodynamics Robotics Automatic regulation Sensor technology Process optimization
• Palabras claves:modelo de sensor suave, sae, demanda bioquímica de oxígeno, métodos comunes actuales, parámetros clave de efluentes, descenso por gradiente estocástico, planta de tratamiento de aguas residuales, bod5, capa, mejor rendimiento
• Keywords:soft sensor model, sae, biochemical oxygen demand, current common methods, key effluent parameters, stochastic gradient descent, wastewater treatment plant, bod5, layer, better performance