Trabajo del método de gradiente hidráulico

1. UNIVERSIDAD NACIONAL AGRARIA LA MOLINA
ESCUELA DE POST GRADO
MAESTRÍA EN INGENIERÍA DE RECURSOS HÍDRICOS
CURSO: IA-7050 ABASTECIMIENTO DE AGUA Y ALCANTARILLADO
TRABAJO N°1
TEMA: ENFOQUE INNOVADOR DE REDES NEURONALES ARTIFICIALES
PARA BIOGAS INTEGRADO-MODELADO DEL SISTEMA DE
TRATAMIENTO DE AGUAS RESIDUALES: EFECTO DE
FUNCIONAMIENTO DE LA PLANTA PARÁMETROS SOBRE LA
INTENSIFICACIÓN DEL PROCESO
Docente: Ing. Miguel Sánchez Delgado.
Integrantes del Gupo N°3:
- Gastelo Rojas, Jorge Luis
- Cueva Portal, Michel Huber
- Carlos Gonzales, Luis Antonio
Noviembre – 2021

2. ENFOQUE INNOVADOR DE REDES NEURONALES ARTIFICIALES PARA
BIOGAS INTEGRADO-MODELADO DEL SISTEMA DE TRATAMIENTO DE
AGUAS RESIDUALES: EFECTO DE FUNCIONAMIENTO DE LA PLANTA
PARÁMETROS SOBRE LA INTENSIFICACIÓN DEL PROCESO
I. INTRODUCCIÓN
El biogás, debido a la flexibilidad de su tecnología, se puede fabricar prácticamente a partir
de cualquier forma de biomasa u orgánica digestible. El producto gaseoso combustible
pos digestión es una mezcla del metano-hidrocarburo alcano CH4 (50–70%), CO2 (30–
40%), vapor (0–1%) y otros componentes típicamente considerados como impurezas y
oligoelementos.
Hoy en día, pueden adoptarse de los 60 métodos diferentes de producción de biogás
disponibles. La combinación tecnológica de tratamiento de aguas residuales (por ejemplo,
municipal) con la producción simultánea de biogás en un proceso de digestión anaeróbica
es un enfoque pro ecológico moderno y eficiente que combina la posibilidad de renovables
recuperación de bioenergía con la mineralización de componentes orgánicos de biomasa
y su conversión en valiosos fertilizantes naturales que pueden ser utilizados en la
agricultura (reduciendo así la demanda de fertilizantes químicos minerales sintetizados).
La estabilización de los lodos de depuradora la reducción del contenido de contaminantes
orgánicos puede controlar parcialmente la dispersión de contaminantes ambientales. La
reducción de gases de efecto invernadero de la emisión también se ha reportado en
comparación con el compostaje alternativo. enfoques, especialmente para la prevención
eficaz de emisión de metano, CO y NOx (óxido de nitrógeno) a partir de procesos de
descomposición natural.
Sin embargo, se deben cumplir los requisitos, incluidos los económicos y eficacia
energética y la consideración de la ecología productos finales amigables. Para plantas de
tratamiento de aguas residuales (EDAR), que representa procesabilidad media y alta,
estabilización anaeróbica del lodo se recomienda.

3. tecnológicamente, preferiblemente junto con la producción controlada de compuestos
gaseosos - portadores de energía verde.
Por lo tanto, la integración de la planta de biogás con un sistema de limpieza puede ser
una herramienta para convertir aguas residuales complejas en productos gaseosos útiles.
El proceso de producción de biogás basado en grasas, proteínas y carbohidratos
proporcionados por la biomasa o la descomposición de las aguas residuales es un proceso
complejo con respecto, entre otras cosas, a su cinética. En general, la velocidad del proceso
se puede mejorar mediante diferentes tratamientos previos. técnicas (químicas, mecánicas,
biológicas, físico-térmicas y sus diferentes combinaciones), espesamiento de lodos,
especialmente co-digestión con otros componentes seleccionados apropiadamente y sus
proporciones óptimas, variaciones en la temperatura del proceso (digestión anaeróbica
termófila-mesófila) o sonicación. Las operaciones de pre procesamiento suelen estar
orientadas a la mejora de la cinética de desintegración e hidrólisis de los componentes del
lodo, que son las pasos que limitan la velocidad del proceso. En general, lo más importante
los parámetros de digestión son la ventana de temperatura del proceso y la temperatura
óptima. tiempo de residencia (retención) de los lodos de aguas residuales en la

4. fermentación cámara. Además, la característica de mezcla (agitador mecánico, bomba),
condiciones hidrodinámicas de procesamiento de lodos (capas flotantes), modo de
calefacción (por ejemplo, basado en su propio biogás producido), e incluso los detalles de
construcción del reactor (como el tipo de empaque son factores importantes que influyen
en el rendimiento de la digestión anaeróbica. Pueden intensificarse mediante un aumento
de la concentración de la materia orgánica (principalmente espesamiento, deshidratación
centrífuga, flotación), en además de la concentración de los microorganismos mediante
métodos de cultivo específicos utilizando estructuras porosas inertes. Separación (por
ejemplo, de membrana) introducidas en el proceso e influyendo directamente en su curso,
así como tecnológicamente combinando etapas aeróbicas y anaeróbicas. Además, los
componentes de lodos posprocesados seleccionados se pueden reutilizar en la producción
de biogás. mejora. Otras tecnologías integradas de tratamiento de aguas residuales-
producción de biogás se basan en el tratamiento de aguas residuales con micro algas
seguido de la disposición de la biomasa generada en anaerobios.
Debido a los complejos fenómenos involucrados en lo heterogéneo, proceso biotecnológico
multietapa de tratamiento de aguas residuales / anaeróbico digestión, con los numerosos
subprocesos interactivos no identificados, hasta la fecha, que compiten y se ejecutan en
paralelo en diferentes procesos escalas, además de abordar los problemas en la aplicación
de modelos convencionales, se deben utilizar técnicas especiales para la identificación de
correlaciones, patrones y retroalimentaciones dentro de dichos conjuntos de datos. Estos
incluyen redes neuronales artificiales (ANN) que han demostrado ser herramientas
eficientes en otros modelos de procesos complejos y su curso
predicción.
Las ANN representan herramientas computacionales modernas que se pueden solicitar el
modelado eficiente de objetos, fenómenos y / o procesos donde,
debido a la complejidad de la retroalimentación y las interrelaciones aún no identificadas
entre los diferentes procesos (especialmente procesos no lineales) en diferentes escalas,
la aplicación de métodos de regresión clásicos proporciona resultados insatisfactorios. En
tales casos, una RNA capacitada solo en base a un conjunto representativo de datos de
entrada-salida, puede establecer el procesamiento de datos estructura requerida para
correlacionar apropiadamente el conjunto de entradas y salidas correspondientes, p. ej. los
efectos, representados por sí mismos, ocultaron patrones de interrelaciones.

5. Una estructura modelo, considerada como Aproximador universal, puede procesar
múltiples entradas complejas en datos de múltiples salidas (industriales, de medición,
experimentales) simultáneamente usando los pesos de las conexiones interneuronales y el
sesgo neuronal valores adecuadamente ajustados durante el entrenamiento controlado. Es
más, sin supuestos iniciales sobre la selección de una plantilla correlativa (p. ej., selección
preliminar y adaptación del modelo hipotético forma de ecuación, seguida de verificación
estadística de su eventual aplicabilidad) son necesarias.
Para diferentes tareas computacionales y de modelado, diferentes tipos de Las redes
neuronales y sus estructuras se pueden aplicar y recomendar. Para la predicción de
respuestas de objetos basadas solo en su muestreo en condiciones operacionales
posiblemente diferentes, los siguientes tipos de redes son normalmente utilizado: red lineal
(con función de activación lineal) y
perceptrón multicapa (MLP) con activación continua no lineal función, generalmente del tipo
sigmoide:
- función de activación unipolar:
dónde: β es el parámetro numérico ajustable para el cambio de curso de la función de
activación.
En una red neuronal sigmoidea multicapa feedforward (un MLP), La transmisión de las
señales con su transformación simultánea está en una sola dirección y se logra utilizando
una estructura de neuronas en capas, desde la capa de entrada a la de salida, típicamente
a través de capas intermedias de neuronas llamadas capas ocultas.
Cada neurona en una estructura ANN, similar a su inspiración biológica, está polarizado
con un parámetro de peso atribuido e interconexiones a las neuronas de la capa anterior
(entrada u oculta), cada conexión con su propio peso atribuido.
En el caso de la i-ésima neurona seleccionada de una capa oculta, su salida
la señal νi es [23]:

6. donde wij
(1) es el parámetro de peso ajustable atribuido a la conexión entre la entrada de red j-ésima
y la neurona i-ésima en la primera capa oculta, N es el número de entradas de red y xj es
la señal de la j-ésima entrada de red.
Así, en el caso de una estructura de red con una capa oculta, la señal de la neurona k-
ésima seleccionada de la capa de salida es [23]:
donde yk es la señal de salida de la k-ésima neurona en la capa de salida, wki (2) es el
parámetro de peso ajustable atribuido a la conexión entre la i-ésima neurona en la primera
capa oculta y la k-ésima neurona en la segunda capa oculta (o neurona de salida), K es el
número de neuronas ocultas en la primera capa oculta; y también es una función compleja
de los pesos " matriz w.
Los valores de peso wij son ajustables, haciendo una adaptación gradual del ajuste iterativo
de las señales de salida de la red yk a las señales de destino dk posible (en un modo de
entrenamiento supervisado).
Además, tanto la red de base radial (función) (RBF) como La red neuronal de regresión
general (GRNN) está en uso práctico [23].
Estas estructuras se entrenan con adecuados algoritmos de aprendizaje supervisado, para
lo cual se pueden incluir tanto los fundamentales como los más algoritmos de
retropropagación (error) (BP) comúnmente aplicado (eventualmente con una opción de
impulso y diferentes opciones para la tasa de aprendizaje adaptación del parámetro).
El algoritmo BP controla la estrategia de actualización de peso dentro del estructura de una
ANN multicapa que emplea métodos de optimización de gradiente aplicada a una función
objetivo continua (energética) definida como [23]:

7. dónde: w es la matriz de valores de peso y M es el número de neuronas en la capa de
salida.
El procedimiento de cambio de peso está orientado a la determinación de tales valores de
peso final para todas las conexiones interneuronas dentro del neural estructura de red para
minimizar (al nivel requerido) las desviaciones entre la salida y las señales objetivo
demandadas con respecto a todas las entradas y salidas. Según el valor actual de E (w),
cambios proporcionales a todos los valores wij se introducen en una iteración dada.
El algoritmo BP identifica la dirección del gradiente más grande en un punto hiperespacial
de matriz de peso seleccionado; sin embargo, una más eficiente La aplicación es la
dirección conjugada (que no se afectan entre sí), que es realizado en el algoritmo de
gradiente conjugado (CG). Otros algoritmos de entrenamiento incluyen: K-means (algoritmo
de entrenamiento para neuronas de base radial) (KM), K vecinos más cercanos (algoritmo
de determinación del radio de desviación) (KN), pseudoinversión (optimización lineal de los
errores mínimos cuadrados) (PI) y algoritmo de submuestra (SS). Estos algoritmos de
entrenamiento ANN pueden utilizarse individualmente o en combinación en una secuencia
específica. La identificación de un mínimo local de la función de error en el hiperespacio
de los parámetros de peso / sesgo se logra típicamente usando line algoritmos de búsqueda
o métodos de enfoque de región de confianza del modelo (el mayor algoritmo de descenso
de gradiente, método de gradiente conjugado (CG), método de Polak Rebiere, método de
Quasi Newton o Levenberg-Marquardt método) [23, 24].
Considerando la matriz de peso inicial wk y asumiendo arbitrariamente paraboloide E (w),
su mínimo correspondiente a la matriz wkþ1 puede ser alcanzado directamente en una sola
iteración [24]:
donde H (wk) es la segunda matriz derivada (hessiana) para wk y rE (wk) es el primer vector
derivado (gradiente) para wk.
A esto se le llama minimización de funciones con el método de Newton. En práctica, se
debe aplicar el método de Levenberg-Marquardt. Con una pequeña distancia del mínimo,
el método de Newton domina en el algoritmo, mientras que, para una mayor distancia, el
método de gradiente más grande es más importante, según la fórmula [24]:
En el método de Levenberg-Marquardt, el hessiano se complementa con una matriz I y
coeficiente ajustable λ (cuyo valor cambia durante el aprendizaje de la red neuronal: λ → 0

8. correspondiente al Método de Newton; un aumento en λ significa una mayor importancia
del método de gradiente) [24].
La búsqueda de una solución óptima puede implicar una optimización global métodos que
incluyen el enfoque de recocido simulado o elementos de algoritmos genéticos.
El aspecto más importante de la estructura de la ANN es una arquitectura de red. adecuado
para el modelado de un problema dado, haciendo que otros modelos basados en la red Es
posible realizar cálculos opcionales (p. ej., optimización). Esto concierne, en En particular,
el número de capas de neuronas, el número de neuronas (general) y su distribución dentro
de las capas, además de las características del sistema de conexión de interneuronas.
Normalmente, el número de entradas ANN y las salidas están determinadas por el vector
de entrada y salida de datos específicos dimensiones. Sin embargo, la estructura interna
de la red (número de capas ocultas, número / distribución de neuronas ocultas y otra red
detalles) se selecciona individualmente en función de la complejidad del problema (teoría
de Kol Mogoroff - función de transformación continua hipotética) y verificación experimental
de los diferentes trabajos, supuestos preliminares estructuras de red. Se puede lograr en
un método sistemático ya sea por Reducción de la estructura de la RNA (poda) o, por el
contrario, mediante la ampliación y desarrollándose de acuerdo, por ejemplo, con el
algoritmo Mezard-Nadal, Algoritmo de Marchand o método Li-Tufts. Sin embargo,
independientemente del tipo de relación de entrada múltiple desconocida aproximada, el
máximo número de capas ocultas suficiente para la aproximación correcta de un
dada la transformación no excede de dos [23].
Una característica esencial del modelo ANN es su capacidad de generalización. del
conocimiento adquirido (oculto dentro de la estructura de datos proporcionada Los
representantes de problemas típicos se consideran para la capacitación en red),
Identificación de las interconexiones, retroalimentación y reglas representadas. por la
estructura de datos, a diferencia de las inútiles capacidades de reproducción de los
elementos específicos del conjunto de datos de entrenamiento solamente. Una RNA
excesivamente compleja topología, con un exceso de parámetros de ajuste (como
ponderación y sesgo valores) puede proporcionar una reproducción demasiado precisa de
los valores específicos subconjunto de datos de entrenamiento, con su ruido de información
específica (sobre entrenamiento efecto). Por el contrario, una estructura neta
considerablemente simplificada puede ser responsable de una generalización aproximada
excesiva, sin un modelo adecuado de todas las características, posiblemente detalles

9. importantes del objeto rendimiento. Las pruebas de aplicabilidad para las diferentes
topologías de red deben ser así integrado con (al menos parcialmente) la verificación de las
capacidades de generalización de estas estructuras de red, basadas en la compatibilidad
con subconjuntos de pruebas y validación independientes derivados antes del
entrenamiento del mismo, representativo del problema dado, datos [23].
La literatura científica indica varias tendencias claras en la aplicación de las RNA en los
diferentes aspectos de la producción de biogás. Una relativamente grupo grande representa
el rendimiento del reactor de biogás con respecto a diferentes factores como el caso de un
biodigestor anaeróbico de tambor flotante [25], aspectos de una comunidad microbiana
productora de biogás [26], efecto de geometría del biodigestor (cilíndrico, cúbico y cónico)
sobre el rendimiento de biogás [27], rendimiento del reactor de lecho de lodo granular
expandido [28], características de un gran digestor anaeróbico alimentado con desechos
de ganado [29], puesta en marcha y capacidades de recuperación de un reactor de biogás
[30], y explotación seleccionada problemas de una capa de lodo anaeróbico de flujo
ascendente termofílico (UASB) reactor [31]. Los aspectos de control del reactor también se
presentan con ANN modelos diseñados y aplicados para el control predictivo [32]. Otras
investigaciones La actividad se centra en el modelado y optimización de los (co) anaeróbico
proceso de digestión o sus aspectos específicos (incluidos los parámetros de
pretratamiento) utilizando ANN (modelado) eventualmente junto con algoritmos genéticos
(procedimiento de optimización global en el hiperespacio de control parámetros) y
metodología de superficie de respuesta [33-41]. Otros campos importantes de la aplicación
de la RNA son la predicción de los diferentes parámetros del proceso de digestión
anaeróbica, como los compuestos traza concentraciones en biogás [42], comportamiento
de la curva de producción de biogás considerando los co-sustratos lignocelulósicos mixtos
[43], el rendimiento de biogás bajo diferentes condiciones de proceso [44-46],
especialmente su fracción de metano [47-50], comportamiento general del proceso de
digestión anaeróbica de desechos agroindustriales [51], estimación de las rutas de
bioconversión de C y N en Diferentes codigestiones anaeróbicas de biomasa de estiércol y
lignocelulosas. [52], predicción de la composición del efluente de anaeróbicos de dos
etapas proceso de digestión [53] y su calidad [54], y pronóstico de la tasa de biogás [55].
Los modelos predictivos ANN también se pueden aplicar para el seguimiento de la
alcalinidad en sistemas de codigestión anaeróbica [56] o en la resolución de problemas
complejos de optimización, como la selección del cosustrato para pollos digestión

10. anaeróbica de estiércol [57], codigestión anaeróbica de refinería de petróleo aguas
residuales con estiércol de pollo [58], procesamiento de desperdicios de alimentos [59], o
co-digestión anaeróbica mesofílica de caída de aves y Carica cáscaras de papaya [60].
Los modelos ANN también se han aplicado para problemas técnicos relacionados con el
tratamiento de aguas residuales combinado con la producción de biogás. En el Se
presentan enfoques de la literatura para el control eficiente de un biorreactor híbrido
anaeróbico en el tratamiento de aguas residuales integrado con producción de biogás [61],
para la estimación de biogás, especialmente CH4 producción de un reactor UASB que trata
almidón de patata posprocesado aguas residuales [62], aguas residuales de procesamiento
de almidón industrial [63], procesamiento de aguas residuales farmacéuticas que contienen
antibióticos β-lactámicos en un biorreactor de membrana anaeróbica [64], las
características del reactor UASB en el tratamiento de las aguas residuales de zumo de
cítricos [65] y las características del biogás procedente de vertederos tras la inyección de
residuos orgánicos líquidos [66]. En En particular, [67] presentó un enfoque para la
predicción integrada y modelo de optimización de una planta de biogás en un tratamiento
de aguas residuales infraestructura.
El estudio de la literatura [1–22,25–67] indicó, sin embargo, que No hay informes centrados
en una investigación exhaustiva del efecto neto de la combinación de parámetros de
operación dentro de la planta, especialmente en una forma de un análisis sistemático,
complejo y completo de sus interconexiones. Las principales atenciones de la investigación
se centran más bien en diferentes aspectos de las características de las aguas residuales
o los medios de entrada / salida propiedades. Se utilizan los ajustes de los parámetros de
operación dentro de la planta. esporádicamente y ocasionalmente, ya que la atención se
centra más bien en lo crudo características del material. Los ejemplos encontrados
representan enfoques simples analizar uno o dos parámetros de funcionamiento de la
instalación únicamente, tratados individualmente o acoplados, que típicamente representan
parámetros tales como: flujo de entrada a la EDAR, HRT (tiempo de retención hidráulica),
RT (tiempo de retención), reciclar relación, tasa de flujo, tasa de carga, tasa de flujo de
lodos desde el sedimentador a AD (digestor anaeróbico), tiempo de agitación, tiempo de
digestión, carga volumétrica tasa, tiempo de retención de lodos, tasa de carga de lodos,
tasa de carga orgánica, flujo de alimentación a velocidad de flujo cruzado o digestor
anaeróbico [55].

11. Una observación de objetos industriales a escala real indicó que un Un problema técnico
importante es la selección adecuada de la combinación. (vector) de parámetros de
operación de control de planta independientes, principalmente redistribución interna de
corrientes de flujo y condiciones generales de flujo / retención dentro de la planta para
maximizar la producción de biogás para un determinado, conjunto impuesto de parámetros
fisicoquímicos de aguas residuales (tecnología limitaciones) identificadas, por ejemplo, en
un laboratorio. En realidad, esta es la principal y, de hecho, la única herramienta para influir
en la eficiencia de todo el proceso. El problema de la configuración óptima de los
parámetros de la planta es, por tanto, el principal aspecto de esta investigación, que es un
enfoque sistemático e integral considerando el análisis de las características de las aguas
residuales y posiblemente la combinación más amplia de parámetros de operación de la
planta.
II. OBJETIVOS
enfoque innovador de redes neuronales artificiales para biogas integrado-modelado del
sistema de tratamiento de aguas residuales: efecto de funcionamiento de la planta
parámetros sobre la intensificación del proceso
III. REVISIÓN DE LITERATURA
Según Estrada Gasca (2013) los factores que han permitido el desarrollo de los mercados
de las fuentes de energía son: el alza de los precios de los hidrocarburos, el mercado de
las emisiones de CO2 y el progreso acelerado que han tenido las tecnologías de energías
renovables. Por otro lado, los factores que impiden el uso de estas fuentes renovables de
energía se encuentran: el alto costo que representan las tecnologías para el
aprovechamiento del biogás obtenido de las plantas de tratamiento de agua y a la ausencia
de políticas de estado que las promueva y las incentive.
En el sector energético, los dos temas que han tomado mayor importancia y que han estado
en debate a nivel mundial en los últimos años son los efectos negativos a la salud humana
y al medio ambiente, debido a la contaminación, acidificación de bosques, suelos, ríos y
lagos; además de las emisiones de gases de efecto invernadero (entre los que se
encuentran en mayores concentraciones el dióxido de carbono, óxido nitroso y metano) que
son emitidos a la atmósfera y que cada vez se siguen incrementando como resultado de

12. las actividades humanas, que contribuyen al cambio climático debido a la quema y uso
desmedido de combustibles fósiles y provocan el calentamiento global.
El sector eléctrico es el sector al cual se le responsabiliza de generar el 37% de las
emisiones de gases de efecto invernadero a nivel mundial; así mismo, las energías fósiles
(carbón, petróleo y gas) representan el 67% de la generación eléctrica. En la actualidad
existen diversas fuentes renovables de energía que se utilizan para la producción de
energía eléctrica, entre las que se encuentran la energía eólica, la energía solar
(fotovoltaica y térmica), la geotérmica, la biomasa (biomasa sólida, biomasa liquida y
biogás), la hidroelectricidad (micro, mini, pequeña y gran escala) y la oceánica (olas,
corrientes, mareas, gradientes térmicos y de salinidad). A nivel mundial esas fuentes
representan el 18% de la producción de electricidad, mientras que en México estas
tecnologías representan solamente el 16% (Islas Samperio et. al., 2013).
IMPORTANCIA DEL TRATAMIENTO DE AGUAS RESIDUALES
El cambio climático y la escasez del agua son dos de los mayores problemas que amenazan
a la población a nivel mundial. Según la Organización Mundial de la Salud
aproximadamente el 27% de la población mundial se abastece de una fuente de “agua
potable” que está contaminada, la cual puede transmitir enfermedades que ponen en riesgo
la salud de las personas; estimando que el agua contaminada provoca alrededor de 502
000 muertes por diarrea al año (OMS, 2019).
Además, se estima que para el año 2025, la mitad de la población mundial vivirá en zonas
con escases de agua. De igual manera, la Organización Mundial de la Salud establece que
en los últimos 50 años el consumo de combustibles fósiles ha contribuido a la liberación de
una gran cantidad de gases de efecto invernadero que ha generado una alteración al clima
mundial, estimando que entre el año 2030 y 2050 el cambio climático pudiera estar
causando aproximadamente 250 000 defunciones anuales debido a problemas
relacionados con el cambio climático (OMS, 2018).
Diariamente se generan grandes volúmenes de estos lodos en las plantas de tratamiento
de aguas residuales, los cuales cuentan con una carga de microorganismos patógenos que
constituyen un riesgo para la salud. Debido a las exigencias en depuración de las aguas
residuales, para garantizar el cumplimiento de las regulaciones y normativas nacionales e
internacionales, estas son sometidas a tratamientos más rigurosos, con el objetivo de

13. remover sus contaminantes; por lo tanto, la contaminación de los lodos tiende a un
incremento (Amador Díaz et. al., 2015).
En la actualidad el tema del tratamiento de agua residual tiene un enfoque lineal, es decir,
consiste en obtener el agua de una fuente principal, tratarla para su consumo, una vez
utilizada es descargada, tratada y vertida a las fuentes naturales de agua.
En el informe Aguas Residuales: De residuo a recurso, se menciona que “El desarrollo
urbano futuro necesita enfoques que minimicen el consumo de los recursos y que se
centren en la recuperación del recurso, siguiendo los principios de la llamada economía
circular. En este contexto, las aguas residuales son y deben considerarse un recurso valioso
a partir del cual pueden extraerse energía y nutrientes, así como ser una fuente adicional
de agua” (Rodríguez et. al., 2020).
Al hacer uso de los principios de economía circular en la gestión de las aguas residuales
pueden ayudar a que los procesos de las Plantas de Tratamiento de Agua pasen de ser
servicios costos a servicios autosostenibles. Una de las principales ventajas de adoptar los
principios de economía circular en la gestión de aguas residuales es que la recuperación y
el nuevo uso del recurso podrían transformar el saneamiento de ser un servicio costoso a
uno que es autosostenible y añade valor a la economía.
El tratar el agua residual como un recurso, permite que se logren diferentes Objetivos de
Desarrollo Sostenible que tiene el Programa de las Naciones Unidas para el Desarrollo, “los
cuales son un llamado para poner fin a la pobreza, proteger el planeta y garantizar que
todas las personas gocen de paz y prosperidad para 2030” (Naciones Unidas, 2015). En la
Figura 2, se muestran los 17 Objetivos de Desarrollo Sostenible.

14. Los Objetivos de Desarrollo Sostenible que se logran, ya sea de manera directa o indirecta,
se mencionan a continuación:
• ODS Nº 6, “Agua Limpia y Saneamiento” cuyo objetivo es garantizar la disponibilidad de
agua y su gestión sostenible y el saneamiento para todos.
• ODS Nº 7, “Energía Asequible y no Contaminante” cuyo objetivo es garantizar el acceso a
una energía asequible, segura, sostenible y moderna para todos.
• ODS Nº 9, “Industria, Innovación e Infraestructura” cuyo objetivo es construir
infraestructuras resilientes, promover la industrialización inclusiva y sostenible y fomentar
la innovación.
• ODS Nº 11, “Ciudades y Comunidades Sostenibles” cuyo objetivo es lograr que las
ciudades y los asentamientos humanos sean inclusivos, seguros, resilientes y sostenibles.
• ODS Nº 12, “Producción y Consumo Responsables” cuyo objetivo es garantizar
modalidades de consumo y producción sostenible.
• ODS Nº 13, “Acción por el Clima” cuyo objetivo es adoptar medidas urgentes para combatir
el cambio climático y sus efectos.
SITUACIÓN DEL BIOGÁS
INTERNACIONAL
A nivel mundial la producción de biogás ha aumentado aproximadamente entre 4.5% y 5%,
siendo Alemania el país mayor productor de este combustible en Europa. Dinamarca es
uno de los países que han llegado a sus tasas máximas de valorización de biogás a partir
de los lodos que se obtienen del tratamiento de las aguas residuales considerando como
base las capacidades de la población; por otro lado, Italia, España y Francia son los países
que tienen la menor producción de biogás en las plantas de tratamiento de agua en base a
sus capacidades de la población. Los países de la Unión Europea como República Checa,
Hungría, Polonia, Eslovenia y Eslovaquia han mejorado notablemente la gestión del biogás
(Bodík et. al., 2010).
Según Makisha (2016), cada vez son más los sistemas de tratamiento anaeróbico de aguas
residuales que se están implementando de forma intensiva en las plantas de tratamiento de
agua en todo el mundo. En la última década, se han puesto en servicio más de 300

15. estaciones de biogás en todo el continente europeo, siendo estas estaciones las que
pueden producir más de 30 mil millones de kWh de energía eléctrica y 40 mil millones de
kWh de energía térmica.
En cuanto a la eficiencia térmica que se produce del gas en los reactores de digestión
anaeróbica, es de aproximadamente 6.5 kWh/m3 en comparación con la eficiencia de 10
kWh/m3 que tiene el gas natural (Makisha, et. al. 2018). En 2005 fue inaugurada en Suecia
un “Modelo ecológico”, el cual también es llamado como tecnología Biomar, la cual es la
primera Estación de Depuración de Aguas Residuales en Europa que funciona bajo esta
ecología, tecnología segura y eficiente en el campo de energía.
El biogás que se obtiene, además se utiliza además como un recurso energético para
suministrar electricidad a otras industrias. Así, esta tecnología toma en consideración
cuestiones ecológicas (al realizar un tratamiento de las aguas residuales) y económicas (al
producir y comercializar la energía) (Makisha, 2016); además, en la actualidad se utiliza o
se están en desarrollo alrededor de 60 diferentes tipos de tecnologías de biogás. Sin
embargo, estas tecnologías aún no son perfectas, pero sí tienen ventajas significativas para
el futuro (Makisha, et. al. 2018).
El Reporte de Inteligencia Tecnológica (IMP, 2020), identifica los puntos relevantes del
biogás a nivel internacional, entre los que se encuentran:
 A nivel mundial, hubo un incremento en el interés del aprovechamiento del biogás como
fuente de energía durante los últimos 15 años, por lo que hay países que tienen un
mayor trabajo de investigación y desarrollo sobre el tema, políticas y apoyos
gubernamentales que promueven su uso.
 Las regiones y países, donde la producción de biogás se ha ido incrementando son
Europa (Alemania, Italia, Francia, Reino Unido, Dinamarca, …), Asia (China e India) y
“Norte”américa (Estados Unidos)
 Entre los usos que le dan al biogás en las diferentes regiones prevalecen:
 Generación de electricidad como suministro para el transporte a través de una planta
de biometano (Europa)
 Generación de electricidad para consumo (Estados Unidos)
 Como medio para medio de calentamiento para cocinar (Asia)

16. En la Figura 3 se representa el costo nivelado de energía para producir energía eléctrica
por biomasa (Anaerobic digestion) de las principales tecnologías comerciales, donde se
puede observar que entre el segundo semestre de 2009 y el primer semestre de 2013 tuvo
un descenso de aproximadamente el 25% en el costo por MWh generado, lo cual hace que
sea una opción competitiva contra otra fuente de combustible.
NACIONAL
El Reporte de Inteligencia Tecnológica (IMP, 2020) menciona que a nivel nacional, no existe
una meta en específico sobre el tema de aprovechamiento del biogás, pero se ha
establecido como objetivo nacional en la Ley de Transición Energética para las fuentes de
energía limpia que “la Secretaría de Energía fijará como meta una participación mínima de
energías limpias en la generación de energía eléctrica del 25 por ciento para el año 2018,
del 30 por ciento para el año 2021 y del 35 por ciento para el año 2024”. Por otro lado, EY
México (2018), establece que las metas que tiene México para la generación de electricidad
mediante energías limpias se muestran en la Figura 4

17. USOS Y BENEFICIOS
Existen cuatro tipos principales de aplicaciones en las que el biogás puede ser utilizado: la
primera es para la producción de calor y vapor; la segunda es para la generación y/o co-
generación de electricidad; la tercera, se puede usar como combustible vehicular; y la
cuarta para la producción de productos químicos (Bodík et. al., 2010).
Según Rössel et. al. (2013) el uso del biogás en la generación de energía alterna a la de
los combustibles fósiles, tiene un cúmulo de ventajas, entre las que se encuentran la
prevención de la descarga de metano hacia la atmósfera, la mejora de la situación ambiental
actual y, además, es una fuente adicional para la producción de electricidad, calor y
gasolina; sin embargo, invariablemente su uso es acompañado del problema de
recaudación de una cantidad de biomasa suficiente para obtener energía de una manera
constante.
Por otra parte, Makisha (2016) señala que entre las ventajas de la digestión anaeróbica del
agua residual se encuentra la eficiencia ecológica, las concentraciones de contaminantes
en la descarga que ya cumplen con los requerimientos normativos; por lo tanto, no hay
multas por superar los límites, producción de energía, disminución en las emisiones del
biogás al aire, además de una eficiencia económica: Sin embargo, el biogás es un
combustible que minimiza las emisiones nocivas al medio ambiente mas no las elimina por
completo.
El biogás puede ser utilizado en la producción de energía para consumo doméstico,
instalaciones de tratamiento de agua y/o energía en la red eléctrica (Mikisha, et. al., 2018),
como combustible en equipos comerciales diseñados para su funcionamiento con gas
natural o propano (como son los calentadores, lámparas, estufas, refrigeradores, etc.). No
obstante, no cabe duda de que el uso más interesante que puede tener el biogás en estos
momentos es en la generación de electricidad y de calor, ya sea de manera individual o
conjunta. El biogás con un grado medio de pureza puede llegar a ser utilizado en motores
de combustión interna y turbinas de gas, esto a través de celdas de combustible o de

18. hidrógeno y representan una tecnología prometedora para la producción de energía
eléctrica. Es importante notar que esta tecnología fue desarrollada inicialmente para utilizar
gas natural y que, puede utilizar biogás debido a su menor impacto ambiental, su menor
consumo y a la obtención de un rendimiento aceptable, siempre y cuando éste se encuentre
libre de impurezas y con un alto contenido de hidrógeno (Rössel et. al., 2013)
Una de las primeras aplicaciones registradas del uso del biogás en el sector energético data
de finales del siglo XIX en Exeter Inglaterra; el gas producido por una planta tratadora de
aguas municipales era empleado en el alumbrado público. Durante los primeros años y
hasta mediados del siglo XX el tema de la producción de biogás fue abordado ampliamente,
pero a su vez abandonado debido a que representaba un alto costo y una poca factibilidad
(Hernández et. al., 2014). En cambio, los digestores de lodos más antiguos en Francia han
estado en funcionamiento desde finales de la década de 1940; sin embargo, el 17% de los
digestores que actualmente se encuentran en funcionamiento datan de 1970. Hasta esta
fecha, el biogás que era producido en estos digestores no era explotado económicamente,
debido a que es un gas con un olor demasiado desagradable, tóxico y difícil de reutilizar
(Bodík et. al., 2010).
Según Gu, Y. et. al., (2017) las plantas de tratamiento de agua son clasificadas
frecuentemente como las principales empresas de consumo de energía eléctrica por
municipio; representan un gasto total entre el 25% y el 40% los costos del consumo de
energía y que se prevé que este porcentaje aumente en un 20% en los próximo 15 años;
razón por la que en los últimos años se han comenzado a construir plantas de tratamiento
de aguas residuales autosuficientes energéticamente y a analizar la reducción de costos de
operación y consumo de energía. Sin embargo, la demanda de energía que genera una
planta de tratamiento de agua se ve afectada por la ubicación de la planta, el tamaño de
carga hidráulica, tipo de proceso de tratamiento que se utiliza, requisitos de calidad del agua
una vez tratada, antigüedad de la planta, experiencia del personal, entre otras.
En la actualidad, el biogás que se genera en las instalaciones de tratamiento de aguas
residuales en Moscú está siendo utilizada para la generación de vapor en las calderas de
la planta, donde el 75% de este vapor se consume para calentar los digestores y el 25%
restante para calentar las habitaciones y calderas de agua caliente (Makisha, et. al. 2018).
Por otro lado, Gu, Y., et. al., (2017) mencionan que, a nivel mundial, 12 plantas de
tratamiento de agua residual han alcanzado una autosuficiencia energética del 90%,
ubicándose la mayoría de ellas en los Estados Unidos de América. Entre ellas destaca la

19. planta de tratamiento ubicada en Oakland, California que recibe un caudal de 70 millones
de galones por día y comenzó produciendo en un inicio el 70% de biogás; sin embargo, en
2012 aumentó su capacidad de producción de energía eléctrica y actualmente satisface en
un 126% de su demanda de energía eléctrica, por lo que el excedente de electricidad
generada es suministrado a la red de electricidad. Otro ejemplo de una planta autosuficiente
de energía al 100% es la planta de tratamiento de aguas residuales de Sheboygan (Gu, Y.,
et. al., 2017).
Para poder hacer uso de energía eléctrica producida mediante biogás obtenida de las
plantas de tratamiento de agua, Estrada Gasca (2013) menciona que deberá ser
considerado “que exista una seguridad en el suministro eléctrico, tener conocimiento de las
reservas energéticas con las que se cuenta, los precios y costos, la minimización del
impacto ambiental de los sistemas eléctricos” (p. 78).
USOS
La Secretaría de Energía (SENER, 2017), en su Mapa de Ruta Tecnológica Biogás
establece que el biogás puede ser utilizado para la generación de electricidad, la generación
de calor o vapor y como combustible para vehículos. El Programa Aprovechamiento
Energético de Residuos Urbanos en México (ENRES, 2017) coincide en que la conversión
de la energía química en energía eléctrica y/o térmica, permitiría que éstas fueran
provechadas por las Plantas de Tratamiento de Aguas para su operación. Además de tener
otros usos, los cuales podemos observar en la Figura 6.

20. BENEFICIOS
Dentro de los beneficios que la Secretaría de Energía (SENER, 2017) identifica que:
• El biogás da seguridad energética, ya que permite dejar de depender de combustibles
fósiles, así como cumplir con los compromisos pactados sobre el desarrollo de energías
sostenibles.
• El biogás ayuda al cuidado del medio ambiente, ya que la combustión del metano,
principal componente del biogás no genera contaminantes como hollín ni cenizas.
Además de que reduce los costos generados por el mantenimiento a las plantas de
tratamiento de agua.
• El biogás ayuda a reducir el impacto de gases de efecto invernadero, ya que para el año
2017 se estimaba que se generaban 30 millones de toneladas anuales de metano, sin
embargo, gracias al aprovechamiento del biogás se pudieran estar evitando la emisión
de 13 toneladas anuales de metano.
• El usar el biogás como fuente para la generación de energía eléctrica para autoconsumo,
trae consigo beneficios económicos, ya que se reduciría el costo de adquisición de
energía, además de tener la posibilidad de vender la energía sobrante.
IV. MATERIALES Y MÉTODOS
4.1 OBJETO SIMULADO
Los datos para el sujeto del entrenamiento, validación y prueba de las RNA se derivaron de
Sewage and Water Supply Ltd. Rybnik, Polonia. Se trata de una moderna planta orientada
al tratamiento de aguas residuales (de diseñocapacidad nominal de 27.000 m3/ día)
estructuralmente integrado con unproceso de fermentación anaeróbica para la producción
de biogás como representante del biocombustible gaseoso. Cumple con los requisitos de
la legislación nacional, así como Directivas de la UE, para plantas de tratamiento de aguas
residuales de capacidades superiores a 100,000 RLM (número equivalente de residentes).
Sirve a 843,21 km de alcantarillado y 68 estaciones de bombeo intermedias, de las cuales
El 96% de las aguas residuales se procesa en el sistema analizado. Distribuye agua a través
de una red de acueductos de 1149,3 km. Es una planta biológica mecánica que se
caracteriza por la eliminación intensiva de compuestos biogénicos.
(N, P). La depuración mecánica de las aguas residuales se realiza con rejillas de tambor,
filtros de arena y tanques de sedimentación preliminar. Lo biológico La etapa del
procesamiento de aguas residuales se basa en la tecnología de lodos activos. (Sistema
BIODENIPHO), que utiliza reactores biológicos secuencialmente para Procesos de

21. desnitrificación y nitrificación. El lodo resultante se somete a fermentación anaeróbica en
cámaras de fermentación (SCFC - cámaras de fermentación cerradas separadas) y el
biogás generado se convierte en energía eléctrica (sistema de cogeneración) y se quema
en el sala de calderas con redistribución local del calor resultante.
La dirección del objeto (que aborda el tratamiento de aguas residuales integrado con la
producción de biogás) se logró con el SCADA RSView32 Runtime integrado con la HMI
RSView32 Active Display Sistema (Fig.1) y base de datos ODBC (Allen-Bradley, Rockwell
Software, Rockwell Automation) para visualización y dirección / control de todos los
aspectos requeridos del sistema, así como para el seguimiento preciso de la planta, incluido
el tratamiento de aguas residuales, la producción de biogás, La medición y control del nivel
de lodos en el secundario. Los tanques de sedimentación se lograron utilizando sensores
Hach Lange (0,2-12,0 m nivel de lodo, resolución 0.03 m de nivel de lodo, precisión +- 0.1
m, CE,
TÜV GS, compatibilidad UL / CSA). Las medidas del nivel actual del lodo crudo en la
estación de bombeo del medio reciclado, en tanques de almacenamiento de coagulantes,
y la masa seca en suspensión (turbidez) en el medio recirculado, en tanque de lodo crudo
y en punto de distribución a los tanques de sedimentación secundarios se realizaron con
sensores micropilot FMR10 con una interfaz Bluetooth (rango de medición 0–8 m, precisión
+- 5 mm, Liquisys S CUM 223, Liquisys S CUM 253, Endress þ Hauser Conducta GmbH).
La determinación del nitrógeno (formas de amonio / nitrato) la concentración se logró con
un sensor combinado (WTW); la de Se determinó el potencial pH / redox en las cámaras de
lodos activos. utilizando electrodos SEA, GDA, ECA, PtA (rango de medición 0-1000 mg
/dm3, pH 0-14, +- 0.01 pH, redox -2000-2000 mV, +- 1 mV, 41 sensor (WTW), y finalmente,
el del oxígeno se realizó con un OxyMax
Electrodo W COS (Endress þ Hauser Conducta GmbH).
Los análisis de la concentración general de N (Ng) en las aguas residuales
se lograron con un método espectrofotométrico (espectrofotómetro DR 3900, Hach Lange,
números de prueba / norma LCK 138 y LCK 338); la concentración general de P (Pg)
(espectrofotómetro Probar 100 MERCK, números de prueba / norma P7 / 25 1.14729 y
1.14543) fue abordado de manera similar. La demanda química de oxígeno (DQO) fue
determinado mediante un método espectrofotométrico (espectrofotómetro DR 3900 Hach
Lange) según LCK 314, LCK 414, LCK 514 y LCK 014 procedimientos. El parámetro de
demanda biológica de oxígeno (DBO5) fue identificado con un método de prueba de presión
utilizando sensor de presión WTW /OxiTop según norma PN-84 C-04578/05. El total
suspendido
El parámetro sólido (TSS) se determinó mediante un método de ponderación y un balanza
electrónica ONYX OX 220 (FAWAG S.A.) según PN-EN 872: norma 2007.
El análisis de biogás (para el período 2015-2017) proporcionó la siguientes rangos de
composición para el biogás producido: metano (60,9-69,9% en volumen), CO2 (30,1-37,0%
en volumen), O2 (<0,1% en volumen), H2 (<0,01 % en volumen), N2 (<0,10-0,20% en
volumen), CO (<0,0001-0,0004% en volumen), H2S (9-41ppm), Cl (1,62–5,18 mg / m3 ), F
(<0,84–3,37 mg / m3 ), NH3 (0,58-2,11mg / m3), TOH / Cl (halógenos) (0,55 mg / m3), TMS

22. (tetrametilsilano) (0,10–0,44 mg / m3), MOH (trimetilsilanol) (0.064–0.500 mg / m3), L2
(hexametildisiloxano) (0,150-0,441 mg / m3
), D3 (hexametilciclo trisiloxano) (0.380-1.211 mg / m3), L3 (octametiltrisiloxano) (0,028-
0,650 mg / m3), D4 (octametilciclotertsiloxano) (0,12-0,84mg / m3), L4
(decametiltetrasiloxano) (0.013–0.410 mg / m3
), D5 (dec ametilciclopentasiloxano) (0,450-1,247 mg / m3), siloxanos totales 1,40–4,35 mg
/ m3, Si total 0,51–1,56 mg / m3) y un total de 49,57 a 86,70 chelinesmg / m3. El poder
calorífico del biogás producido varió dentro del Rango de 21,86 a 25,10 MJ / m3. Los
análisis se realizaron de acuerdo con Paquete analítico GLS4 en OBiKS Katowice, Polonia
(acreditación Más sobre el texto fuenteSe requiere el texto fuente para obtener información
adicional sobre la traducción número AB213), Panstwowy Instytut Badawczy INiG Cracovia,
Polonia (número de acreditación AB041) y ALS Praha, República Checa (número de
acreditación NAO 177/2012)

23. 4.2 ESTRUCTURA DE DATOS
Los datos adquiridos que caracterizan la planta real a escala industrial. cubrieron
ambos impuestos sobre la calidad de las aguas residuales (cinco indicadores:
concentración de fósforo general (Pg), DQO, DBO5, concentración de nitrógeno (Ng),
concentración de TSS) y siete aguas residuales ajustables tratamiento: parámetros de
operación de la planta de biogás (ajustes tecnológicos de caudal volumétrico de
entrada de aguas residuales, flujo de lodo recirculado, crudo flujo de lodos al SCFC,
flujo de lodos concentrados al SCFC, flujo de agua clara sobrenadante para
recirculación, flujo de lodos al espesador, flujo de lodos al filtro prensa). La salida (O)
estuvo representada por el biogás producir.
Las variables podrían dividirse convencionalmente en dos grupos tecnológicamente
diferentes. Un grupo representó los parámetros de operación del rendimiento de la
planta ITC1-ITC7 (como variables de dirección independientes - input: control
tecnológico (ITC), con posibilidades de manipulación); los El segundo grupo representó
los indicadores de calidad de las aguas residuales de entrada (IWQ) IWQ8 - IWQ12
(calidad de aguas residuales impuesta externamente con información sobre la carga
de impurezas únicamente, sin posibilidad de cambio, y por lo tanto representa las
limitaciones tecnológicas).
Estos se recopilaron automáticamente todos los días, registrando el período completo
de rendimiento continuo de la planta de 3 años (en total, 1096 conjuntos de datos
recopilados por el sistema SCADA). Verificación de la integridad de los registros dieron
como resultado la separación de 210 completos (12 entradas completas) conjuntos que
luego se utilizaron como base para el modelo de red neuronal preparación y
verificación. Sus características estadísticas se presentan en la Tabla 1.
Para un valor más informativo de las predicciones del modelo de red neuronal y para
mejorar su universalidad, la dirección de procesos ITC2–7 las variables estaban
relacionadas con el valor de referencia del parámetro de proceso ITC1.

24. y luego se presenta como fracciones de ITC1 (en%). Los valores finales, con características
estadísticas apropiadas, se presentan en la Tabla 2 como el El control tecnológico de
entrada reescaló las variables ITCR2–7 (con ITC1 sin modificar), que junto con las no
modificadas (idénticas a la Tabla 1) las variables de calidad de las aguas residuales IWQ8-
12, representan los valores de entrada influyendo, en conjunto, en el rendimiento integrado
de la planta representado por el rendimiento final de biogás (O).
Tabla 1
Características estadísticas de los datos brutos.
Parámetro Media Mediana Desviación Mínimo
Máximo
estándar
Entradas
ITC 1 Tasa de afluencia volumétrica de aguas residuales, m3 / día 17.807 16.475 3769,50 12.820 37.470
ITC 2 Lodos recirculados, m3 / día 12308,67 12,280 4018 3770 20,950
ITC 3 Flujo de lodo crudo a SCFC, m3/ día 94,31 91 15,50 63 176
ITC 4 Flujo de lodos concentrados a SCFC, m3/ día 46,43 49 15,48 0 87
ITC 5 Agua clara sobrenadante para recirculación, m3 840,08 839 143,29 0 1152
ITC 6 Flujo de lodos al espesador, m3 179,46 172,85 76,49 0 401,30
ITC 7 Flujo de lodos al filtro prensa, m3 158,69 161,70 52,05 0 312,50
IWQ 8 Concentración de fósforo general, Pg, mg / dm3 14,72 13,15 5,64 1,50 29
IWQ 9 DQO (demanda química de oxígeno), mg / dm3 929,29 930 322,59 114 2365
IWQ 10 DBO5 (demanda biológica de oxígeno), mg / dm3 349,11 340 155,36 21 1320
IWQ11 Concentración de nitrógeno general, Ng, mg / dm3 85,90 82,50 59,03 1 894
IWQ 12 Total de sólidos en suspensión (TSS), mg / dm3 332.52 288 201.86 9 1304
Producción
O Rendimiento de biogás, m3/ día 2658.06 2656 512.91 1404 4045

25. 4.3 CÁLCULO
La idea principal de la investigación de simulación presentada fue la identificación y
modelización del proceso integrado (aguas residuales tratamiento - producción de
biogás) con respecto a diferentes combinaciones de parámetros de calidad decisivos
(ITC1, ITCR 2-7) e impuestos (IWQ8-12, que debían ser aceptados sin cambio como
limitaciones tecnológicas dadas externamente), así como una validación de la
sensibilidad de este proceso complejo con respecto a los 12 disponibles variables de
entrada.
Los cálculos se realizaron en un ESTADÍSTICA 7.1 NEURAL Entorno REDES. Los 210
conjuntos de datos se dividieron al azar en subconjuntos de entrenamiento (50%),
validación (25%) y prueba (25%).
Para la creación del modelo numérico de la planta integrada de tratamiento de aguas
residuales-biogás, diferentes tipos y estructuras de ANN fueron considerados. La
investigación cubrió las estructuras ANN con un solo neurona de salida (que representa
la producción de biogás) y tanto constante (12) y entradas modificables (12-2) que
representan diferentes factores (en el presente denominadas - variables) que
potencialmente influyen en el rendimiento de biogás.
En un primer enfoque, se consideraron las 12 variables de entrada, por lo que
estableciendo 12 entradas fijas en las estructuras de la red neuronal. Un grupo de En
la Tabla 3 se presentan 18 ejemplos preliminares.
Tabla 2
Datos reescalados: variables de dirección independientes ITC 2–7 relacionadas con el
valor de referencia de ITC1 (Tabla 1).
Código Parámetro Media Mediana Desviación estándar Mínimo Máximo Tabla 2

26. Código Parámetro Media Mediana Desviación estándar Mínimo
Máximo
Entradas
ITC 1 Tasa de afluencia volumétrica de aguas residuales, m3/ día 17.807 16.475 3769,50 12.820
37.470
ITCR 2 Lodos recirculados,% * 69,94 71,31 21,55 23,72
138,01
ITCR 3 Flujo de lodo crudo a SCFC,% * 0.55 0.54 0.13 0.27
1.21
ITCR 4 Flujo de lodo concentrado a SCFC,% * 0,27 0,27 0,10 0 0,60
ITCR 5 Agua clara sobrenadante para recirculación,% * 4,89 4,91 1,19 0
7,43
ITCR 6 Flujo de lodos al espesador,% * 1.04 0.98 0.49 0
2.62
ITCR 7 Flujo de lodos al filtro prensa,% * 0,92 0,94 0,32 0
1,83
IWQ 8 Concentración de fósforo general Pg, mg / dm3 14,72 13,15 5,64 1,50
29
IWQ 9 DQO (demanda química de oxígeno), mg / dm3 929,29 930 322,59 114
2365
IWQ 10 DBO5 (demanda biológica de oxígeno), mg / dm3 349,11 340 155,36 21
1320
IWQ 11 Concentración de nitrógeno general Ng, mg / dm3 85,90 82,50 59,03 1
894
IWQ 12 Total de sólidos en suspensión (TSS), mg / dm3 332.52 288 201.86 9
1304
Producción
O Rendimiento de biogás, m3/ día 2658.06 2656 512.91 1404
4045
* - con respecto a ITC1.
Se consideraron los siguientes tipos de ANN: red lineal, perceptrón multicapa (MLP), red
de función de base radial (RBF) y general red neuronal de regresión (GRNN). Estas
estructuras de red neuronal fueron entrenadas con el uso de los siguientes algoritmos de
entrenamiento: retropropagación (error) (BP), gradiente conjugado (CG), K-medias (base
radial algoritmo de entrenamiento de neuronas) (KM), K vecinos más cercanos (desviación
algoritmo de determinación de radio) (KN), pseudoinversión (optimización lineal de los
errores mínimos cuadrados) (PI) y algoritmos de entrenamiento de submuestra (SS). Las
redes lineales se entrenaron con el algoritmo PI. Lo mas Las estructuras populares de ANN
MLP, fueron sometidas a entrenamiento tanto con BP y una combinación óptima de dos
algoritmos de entrenamiento que cubren las 100 iteraciones iniciales con el procedimiento
estándar de BP, seguidas directamente por el algoritmo CG más complejo (continuación
del entrenamiento con el siguiente 22-112 iteraciones). Los RBF fueron entrenados con un
sistema integrado y óptimo combinación de los algoritmos KM, KN y PI; matrices de peso /
sesgo de los GRNN se ajustaron a los datos de entrenamiento con el uso de SS único solo
algoritmo.
La calidad de la estructura de la red se estimó validando en la calidad del conjunto y, al
mismo tiempo, observar las cualidades del conjunto de entrenamiento y prueba (que se

27. calcularon de manera idéntica). La calidad El parámetro se calculó como la desviación
estándar que representa el error de predicción del modelo neuronal dividido por la
desviación estándar para el conjunto de datos original disponible con respecto al valor
medio de este conjunto de datos. Se consideraron una o dos capas ocultas; sin embargo,
para la red lineal estructura, solo se aplicaron las entradas y salidas (no se usó). La red
lineal representó un conjunto de validación relativamente alto calidad (1.0108 - indicador
que posiblemente debería ser el más bajo), mientras que el tipo MLP demostró,
dependiendo de la configuración actual (número de capas ocultas con diferente distribución
de ocultas neuronas dentro de esta / estas capa (s)), un valor de validar las cualidades del
conjunto
No Escribe, Conjunto de Validando Conjunto de prueba
Configuración entrenamiento entrenamiento calidad
Calidad calidad
1 Lineal 12-1 0. 8027 1.0108 1.9706 0.1683 0.1954 0.3061 PI
2 MLP 12-5-1 0,7991 0,9226 0,9423 0,1340 0,1427 0,1202 BP100, CG22
3 MLP 12-7-1 0,6842 0,9241 0,9566 0,1147 0,1427 0,1234 BP100, CG40
4 MLP 12-9-1 0,5803 0,9124 0,9061 0,0973 0,1420 0,1127 BP100, CG83
5 MLP 12-11-1 0,6393 0,9211 0,9209 0,1074 0,1423 0,1151 BP100, CG67
6 MLP 12-13-1 0,9014 0,9150 0,9743 0,1513 0,1414 0,1235 BP22
7 MLP 12-13-7-1 0,5236 0,8732 1,0662 0,0878 0,1351 0,1373 BP100, CG112
8 MLP 12-13-9-1 0.4965 0.8689 0.9746 0.0833 0.1342 0.1223 BP100, CG70
9 MLP 12-13-11-1 0,6122 0,9069 0,9671 0,1027 0,1404 0,1220 BP100, CG39
10 MLP 12-13-13-1 0,8716 0,9063 0,8123 0,1462 0,1404 0,1047 BP9
11 RBF 12-1-1 0,9975 1,0157 1,0539 0,0018 0,0017 0,0014 KM, KN, PI
12 RBF 12-3-1 0,9390 1,0235 1,0407 0,0017 0,0017 0,0014 KM, KN, PI
13 RBF 12-5-1 0,8591 1,0126 0,9323 0,0015 0,0017 0,0013 KM, KN, PI
14 RBF 12-7-1 0,8454 1,0198 0,9616 0,0015 0,0017 0,0013 KM, KN, PI
15 RBF 12-9-1 0,8028 1,0200 1,0446 0,0014 0,0017 0,0015 KM, KN, PI
16 RBF 12-10-1 0,8023 1,0130 0,9570 0,0014 0,0017 0,0013 KM, KN, PI
17 RBF 12-16-1 0,8209 1,0024 0,9255 0,0015 0,0017 0,0013 KM, KN, PI
18 GRNN 12-106-2-1 0.3376 0.9775 0.9547 0.0006 0.0016 0.0013 SS

28. de 0,8689 a 0,9241. La configuración RBF demostró una clara mayor valor de este
indicador, variando de 1,0024 a 1,0235, y el representante del GRNN fue 0,9775.
Considerando principalmente la calidad del conjunto de validación, y también observando
los indicadores de calidad en los conjuntos de entrenamiento y prueba, uno puede notar
que la estructura ANN óptima correspondió al No. 8 en la Tabla 3. Esto es MLP con 12
entradas, dos capas ocultas con 13 y 9 neuronas, respectivamente, como, así como con
una neurona de salida. Para esta configuración, el conjunto de validación calidad fue 0,8689
(la más pequeña de todas las configuraciones presentadas en Tabla 3); la calidad del
conjunto de entrenamiento fue 0,4965 y la calidad del conjunto de prueba fue 0.9746. Esta
combinación de los tres indicadores complementarios indica una configuración de red
correctamente preparada con respecto a los tres aspectos (compatibilidad simultánea con
entrenamiento, validación y subconjuntos de prueba). El error del conjunto de
entrenamiento fue 0.0833, validando el error del conjunto fue 0.1342 y el error del conjunto
de prueba fue 0.1223. La configuración de ANN fue entrenada con dos algoritmos
combinados, primero con 100 iteraciones con el algoritmo BP, seguido directamente por 70
iteraciones adicionales con el algoritmo CG. Esta red neuronal (Tabla 3, No 8, Fig.2) fue
luego se utiliza para el modelado del proceso, posiblemente identificando correctamente el
principales correlaciones y patrones codificados dentro de la estructura de datos de
medición disponible.
También se caracteriza por los siguientes indicadores estadísticos de calidad con respecto
a la predicción del rendimiento de biogás (Fig.3): desviación estándar: 511.689 m3 / día,
error medio: 9,988 m3 / día, desviación de error: 356.421 m3 / día, error medio absoluto:
280.615 m3 / día, relación de desviación: 0,697, y correlación: 0,741. Considerando la
estructura de los datos de medición (Tabla 2), especialmente la desviación estándar con
respecto al rendimiento de biogás (512,91 m3 / día), se puede afirmar que la precisión del
modelo (desviación estándar 511.689 m3 / día) y la dispersión dentro del conjunto de datos
(estándar desviación 512,91 m3 / día) eran comparables. También debe tenerse en cuenta
que en la literatura accesible [19], se observa una dispersión de datos similar. Además,
como parámetro R2 para diferentes modelos de ANN en diferentes Las aplicaciones de la
tecnología de biogás varían de 0,46 a 1,00, por ejemplo 0,75-0,89 [41], 0,51-0,88 [58] y
0,528-0,976 [50]. Considerando estos rangos típicos el coeficiente de correlación resultante
R2 obtenido en este trabajo parece aceptable. Cabe señalar que para interdependencias
potencialmente complejas Dentro de los datos de medición disponibles que representan las
interconexiones del proceso, una topología ANN con dos capas ocultas es capaz de
reflejando adecuadamente estas complejas dependencias no lineales. Es más, esto
también sugirió observar las configuraciones con un solo oculta capa, donde los valores

29. más altos de validación de las cualidades del conjunto (indicando así errores más altos)
(0,9124-0,9241), así como en el entrenamiento calidad del conjunto (0,5803–0,9014) y
calidad del conjunto de pruebas (0,9061–0,9743). También se debe tener en cuenta que la
configuración GRNN (dos capas ocultas que representan 106 y 2 neuronas ocultas,
respectivamente), con el menor valor de la calidad del conjunto de entrenamiento (0.3376),
aparentemente (0,9775) y pruebas (0,9547) establecen calidades. Esto se puede interpretar
como un efecto de sobreentrenamiento y pérdida significativa de la capacidad de
generalización del modelo. En la siguiente fase, se probaron diferentes valores de insumos
netos (menos de 12) para la preparación de RNA, incluida también la posibilidad de la
disposición de las neuronas ocultas en una o dos capas (excepto el tipo de red lineal, donde
solo se utilizaron entradas y salidas). Un ejemplar conjunto de 30 Las estructuras netas
representativas se presentan en la Tabla 4. Se puede observar que para una red lineal la
reducción sistemática de las entradas netas de 12 a cinco dio como resultado una variación
en el entrenamiento (0.8869–0.9382), validación (0.8216–0.8616) y prueba (0.8987–
0.9309) establecer cualidades. Para el tipo de red MLP, estos variaron como sigue: 0,6856-
0,8462, 0,7399-0,7644 y 0,8379-0,9717, según corresponda (en este caso, sin embargo, el
efecto de calidad no sólo se debió a un diferente número de entrada, pero también de un
número diferente de ocultas neuronas y su distribución en 1-2 capas ocultas). Para el GRNN
tipo neto, se observó la siguiente variabilidad: 0.5617–0.9144, 0,8281–0,8861 y 0,9025–
0,9972; en el caso del tipo de red RBF, el resultaron los siguientes rangos: 0.7879–0.8741,
0.7834–0.8215, y 0.8721–1.2606.
V. RESULTADOS Y DISCUSIÓN
5.1 ANÁLISIS DE SENSIBILIDAD
Análisis de sensibilidad (pruebas del modelo de red neuronal incremental error de
predicción después de la eliminación individual de una entrada que deja las otras 11
entradas sin cambios) del modelo ANN (Tabla 5) indicó que El parámetro de proceso
más importante que influyó en el rendimiento del proceso fue el lodo recirculado (código
ITCR 2), con un indicador de incremento de error cercano a 1,4566.
Marginalmente menos importante, pero que influye fuertemente en el efecto del
proceso, fueron el flujo de lodo crudo al SCFC (código ITCR 3) y el flujo de lodo a
espesante (código ITCR 6), para el cual los indicadores de incremento de error fueron
prácticamente idénticos (1,3040 y 1,2999, respectivamente). Parecía que estas
entradas influyeron igualmente en el rendimiento del proceso. Un marginalmente El
parámetro menos importante fue el flujo de agua clara sobrenadante para recirculación
(código ITCR 5), lo que representa un incremento de error de 1,2478.
Significativamente menos importante fue el flujo de lodo concentrado al SCFC (código
ITCR 4) que representa una escalada de error neto de 1.1003 y el flujo de lodos al filtro
prensa (código ITCR 7) con un error comparable valor de incremento de 1.0831. Estos
representan los seis más importantes variables (rangos 1 a 6 en la Tabla 5) que influyen
en el rendimiento del proceso, el biogás producción en un tratamiento integrado de
aguas residuales en el proceso de digestión anaeróbica de biogás. Los elementos
restantes, que representan los rangos 7-12 pareció influir en el rendimiento del proceso

30. sólo marginalmente. Estas representan: TSS (código IWQ 12), COD (código IWQ 9),
flujo de entrada volumétrico tasa de aguas residuales (ITC 1), concentración de
nitrógeno general Ng (IWQ 11), DBO5 (código IWQ 10) y concentración de fósforo
general Pg (código IWQ 8), para lo cual el indicador estadístico de su La importancia
en el desempeño general del proceso varió dentro del Rango 1.0690–1.0008.

31. Se pueden formular dos conclusiones importantes. Primero, uno puede observar que el
caudal volumétrico (in) de las aguas residuales a la planta de trabajo (Código ITC 1),
considerado el valor de referencia para el cambio de escala de otros parámetros (ITCR 2-
7), no influyó considerablemente en los parámetros anaeróbicos proceso que tiene un rango
de nueve en la Tabla 5. De hecho, los factores principales que influyen en el rendimiento
del proceso fueron esencialmente el parámetro de control ajustes que influyen en las
condiciones internas de flujo / acumulación.
Una segunda conclusión importante es que los parámetros del proceso que representan los
rangos 1 a 6 en la Tabla 5, que influyen esencialmente en la producción de biogás,
representan los parámetros de control del proceso tecnológico (ITCR 2-7). Estos
demuestran claramente (basado en el análisis de tres años de datos operativos de una
planta a escala real), que mediante la manipulación adecuada de las condiciones internas
de flujo / acumulación, utilizando estas variables de dirección independientes en una planta
de digestión anaeróbica integrada con una instalación de tratamiento de aguas residuales,
se puede influir de manera efectiva (mejorar) el proceso de producción de biogás. Esto
también se puede considerar como un confirmación y verificación práctica de la fiabilidad
del conjunto de datos de la hipótesis preliminar de la influencia significativa de la hidráulica
ajustes en la estructura de flujo de la planta con respecto a su efectividad mejora. Los
indicadores de calidad de las aguas residuales (IWQ 8-12) representan significativamente
menos influencia en la producción de biogás, lo que sugiere que el El efecto principal resulta
de la combinación adecuada de la redistribución del flujo dentro de la planta integrada, que
influye principalmente en la separación. procesos y tiempos de residencia en los volúmenes
de trabajo del reactor, como junto con la cinética de digestión anaeróbica. En las siguientes
subsecciones, 4.2 a 4.7, los efectos ejemplares del proceso condiciones de flujo,
codificadas dentro de los datos de medición a escala industrial Se presentan combinaciones
e identificadas por modelo de red neuronal.
El parámetro fundamental, que se supone que es el nivel de referencia, es la tasa de flujo
volumétrico total de aguas residuales en la instalación de tratamiento (ITC 1 - ver Tabla 2).
En el objeto, se mide con electromagnetismo. caudalímetros ubicados en las tuberías de la
estación de bombeo principal. Otro parámetro que incluyen: el flujo de lodo recirculado
(código ITCR 2), crudo flujo de lodos al SCFC (código ITCR 3), flujo de lodos concentrados
al SCFC (código ITCR 4), flujo de agua clara sobrenadante para recirculación (ITCR 5), flujo
de lodos al espesador (ITCR 6) y flujo de lodos al filtro prensa (ITCR 7) se presentan como
fracciones apropiadas relacionadas con ITC 1, el valor del parámetro maestro.

33. 5.2. EFECTO DEL FLUJO DE LODOS RECIRCULADOS SOBRE EL
RENDIMIENTO DE BIOGÁS
El lodo recirculado representa una fracción del lodo activo. (con bacterias, otros
microbios, protozoos), que, después de la separación en los tanques de
sedimentación secundarios, se devuelve al tratamiento biológico sistema. El efecto
simulado de la tasa de flujo volumétrico de las aguas residuales a la planta de
tratamiento y su fracción que representa el flujo recirculado de lodos en el rendimiento
de biogás proporcionado por el modelo ANN es presentado en la Fig.4. Esta
proyección indica que el efecto ventajoso más visible de la recirculación de lodos
(como una fracción de las aguas residuales de entrada) en el rendimiento de biogás
se observa para la recirculación al nivel del 30-70% (crecimiento de producción de
biogás de aproximadamente 1800 a 2800 m3 /día). De hecho, un Un mayor aumento
en la tasa de recirculación (por encima del 80%) proporciona una disminución de la
producción de biogás. Este fenómeno es el resultado de los lodos. sobrecarga y la
inhibición de los procesos de digestión anaeróbica, una Mecanismo observado con
frecuencia en la práctica en el funcionamiento de los reactores de biogás, por lo tanto
correctamente representado por el modelo numérico ANN. Lo mas Se observa un
extremo distinguible para aguas residuales relativamente bajas. entrada volumétrica
a la planta de tratamiento (15.000-25.000 m3 /día).
5.3. EFECTO DEL FLUJO DE LODO CRUDO A SCFC SOBRE EL RENDIMIENTO
DE BIOGÁS
El lodo crudo transportado al SCFC es el lodo preliminar separados en los tanques
de sedimentación preliminar. El efecto combinado de la tasa de entrada de las aguas
residuales en la planta de tratamiento y el crudo El flujo de lodos al SCFC
proporcionado por las simulaciones del modelo ANN es ilustrado en la Fig.5.

35. Se observa un efecto ventajoso para el 0,3-1,0% del flujo de lodo crudo. Un aumento en la
tasa de entrada volumétrica de las aguas residuales a la planta de tratamiento corresponde
a un aumento del rendimiento de biogás para un flujo de lodo crudo relativamente pequeño
al SCFC (aproximadamente 0,3%); por 0,4-0,7%, se observa un extremo superficial
(máximo); para la gama 0.8-1.0%, crecimiento sistemático de los retornos de rendimiento
de biogás.
5.4. EFECTO DEL FLUJO DE LODOS CONCENTRADOS A SCFC SOBRE EL
RENDIMIENTO DE BIOGÁS
El lodo concentrado dirigido al SCFC es un lodo preliminar, que se concentra en un
espesante gravitacional antes de ser suministrado a las cámaras de fermentación. El
efecto simulado de la combinación de la tasa de entrada de aguas residuales a la planta
de tratamiento y la flujo de lodos concentrados al SCFC sobre el rendimiento de biogás
se presenta en Figura 6. La superficie de respuesta representa una dependencia no
lineal compleja. Un efecto ventajoso del flujo de lodo concentrado al SCFC es

36. Fig. 5. Simulación de proceso con el modelo de red neuronal - efecto del lodo crudo
flujo a SCFC y tasa de entrada volumétrica de aguas residuales a la planta de
tratamiento sobre el rendimiento de biogás.
Fig. 6. Simulación del proceso con el modelo de red neuronal: efecto del flujo de lodo
concentrado a SCFC y tasa de flujo volumétrico de entrada de aguas residuales en la planta
de tratamiento sobre rendimiento de biogás.
observado solo para el rango de 0.25–0.55% y dentro de los 25,000–37,000 m3 / día
ventana de entrada de aguas residuales.
5.5. Efecto del agua clara sobrenadante recirculada sobre el rendimiento de
biogás
El agua clara sobrenadante se define como el líquido derivado de las operaciones de
concentración o deshidratación de lodos. Sin embargo, es fuertemente contaminado, por lo
que se devuelve al sistema de purificación. Los efectos simulados del agua clara
sobrenadante recirculada y el flujo de entrada La tasa de las aguas residuales en la planta
de tratamiento se presenta en la Fig.7.

37. Fig. 7. Simulación del proceso con el modelo de red neuronal: efecto del agua clara
sobrenadante dirigida para la recirculación y la tasa de entrada volumétrica de aguas
residuales en la planta de tratamiento sobre el rendimiento de biogás
Un aumento en la recuperación del agua clara sobrenadante de regreso al sistema de
purificación disminuye significativamente la producción de biogás, a pesar de la ventajosa
tendencia observada dentro de su rango de 0 a 2%.
5.6. EFECTO DEL FLUJO DE LODOS AL ESPESANTE SOBRE EL
RENDIMIENTO DE BIOGÁS
El lodo para espesante es un lodo excesivo recirculado representado por el exceso de
sedimento biológico resultante de microorganismos metabolismo y el desarrollo de su
población, que deben eliminarse del sistema de proceso. Antes de la introducción en la
fermentación. cámaras, se concentra en un espesante. El efecto combinado de este valor
del parámetro y la afluencia volumétrica de las aguas residuales a La instalación de
tratamiento se presenta en la Fig.8.
Un aumento en la fracción de flujo de lodos dirigida al espesador.

38. Fig. 8. Simulación de procesos con el modelo de red neuronal - efecto de los lodos flujo al
espesante y tasa de entrada volumétrica de aguas residuales en el tratamiento planta sobre
el rendimiento de biogás.
de 0 a 2,5% proporciona un crecimiento sistemático y ventajoso del biogás producción. Para
una entrada de aguas residuales de aproximadamente 15.000 m3 /día, este efecto
ventajoso no es lineal; para una mayor afluencia de aguas residuales (aproximadamente
35.000 m3 / día), se vuelve lineal. Además, un aumento en la tasa de afluencia volumétrica
de las aguas residuales correspondió a un rendimiento máximo de biogás pequeño, pero
claramente observable.
4.7. Efecto del flujo de lodos al filtro prensa sobre el rendimiento de biogás
Los lodos para filtro prensan representan todos los tipos de lodos generados en la planta
de tratamiento de aguas residuales junto con las grasas después del anaeróbico proceso
de fermentación en el SCFC, que se entregan al filtro prensa para drenaje mecánico y
deshidratación. El efecto simulado de la acción simultánea de los dos parámetros, el flujo
de lodos al filtro-prensa flujo y afluencia volumétrica de aguas residuales a la planta de
tratamiento es presentado en la Fig.9.
Para corrientes de aguas residuales relativamente bajas, un aumento de la fracción de
lodos para el filtro-prensa de 0 a 1,8% (en relación con las aguas residuales entrada)
proporciona un aumento significativo del rendimiento de biogás. El efecto es menos
distintivo (pero aún ventajoso) para la entrada de aguas residuales de aproximadamente
25.000 m3/día. En la región de mayor afluencia de aguas residuales a la planta de
tratamiento (aproximadamente 35.000 m3/ día), efectos inhibidores y se observan
retroalimentación, lo que resulta en un rendimiento reducido de biogás, sin embargo, con
ciertos extremos.

39. Un análisis de los datos presentados gráficamente indica no lineales características en la
estructura de datos. Generalmente se observa que un El aumento de la carga de nutrientes
favorece la producción de biogás solo hasta cierto punto.
nivel, mientras que un mayor aumento en la carga de sustrato es responsable de una
disminución gradual de la producción de biogás. Estos extremos, observados en práctica
durante la explotación real de un reactor de biogás industrial, explicado como resultado de
requerimientos metabólicos específicos de los microorganismos, con una procesabilidad
óptima con respecto al complejo Conversión de alimentos derivados de la biomasa. Una
carga excesiva de nutrientes, no convertido por las bacterias anaeróbicas en la ventana de
tiempo accesible, puede sufrir transformaciones químicas paralelas con la desventaja
síntesis de inhibidores del proceso de fermentación del metano (como H2S y NH3) y la
liberación de estos en el entorno sensible de bioprocesos. La estabilización de la producción
de biogás en valores constantes seleccionados más allá de un cierto nivel de alimento se
puede conectar con la hidrólisis enzimática los rendimientos de los procesos, que influyen
directamente en las últimas etapas de estas tasas de proceso complejas y consecuentes.
Con el modelo ANN, sin embargo, se puede identificar tales extremos, implementar el
proceso predictivo apropiado dirigir y diseñar estrategias y trayectorias de control
tecnológico para funcionan dentro de rangos de parámetros de proceso óptimos o
subóptimos

40. Fig. 9. Simulación de procesos con el modelo de red neuronal - efecto de los lodos flujo a
la prensa de filtro y tasa de entrada volumétrica de aguas residuales en el tratamiento planta
sobre el rendimiento de biogás.

41. VI. CONCLUSIONES
La influencia de los parámetros del proceso tecnológico en el biogás Se investigó la
producción. Se procesaron datos industriales a escala real por estructuras ANN resultando
en el establecimiento de un modelo numérico del proceso. El análisis de sensibilidad de las
entradas del modelo ANN confirmó que la configuración de control de la planta
(principalmente una combinación de corrientes de flujo ITCR 2-7) fueron los más
importantes con respecto a la productividad del biogás. Por el contrario, los parámetros
relativos a la calidad de las aguas residuales (DQO, DBO5, TSS, Ng, Pg) demostraron tener
una importancia relativamente menor. Así, por el apropiado, racional y cuidadosamente
predicho (por ejemplo, usando el ANN modelo) redistribución de corrientes de flujo dentro
del sistema de la planta (influyendo, entre otros, en los tiempos de residencia en diferentes
partes del complejo planta integrada), la producción de biogás a partir del posprocesado el
lodo podría intensificarse eficazmente. La calidad y aplicabilidad de El lodo posprocesado
es un efecto de dos conjuntos de parámetros de proceso, parámetros de control (ITCR2–7)
e indicadores de composición de aguas residuales (IWQ8-12). Los datos obtenidos pueden
ser útiles para determinar una estrategia de control en este complejo proceso
biotecnológico, y puede ser utilizado como controlador predictivo del proceso,
especialmente como parte integral parte de un sistema de control automático. También hay
que considerar que, como presentado anteriormente (Figs. 4-9), los efectos son limitados
en la proyección 3-D restricciones a combinaciones de 2 partes solamente, e incluso en
tales casos, estos demuestran claramente la complejidad del proceso donde muchos
fenómenos y retroalimentaciones interrelacionados son responsables de los extremos
identificados. Sin embargo, solo la combinación de los 12 parámetros de entrada juntos
puede proporcionar una estrategia de control eficiente dirigida a maximizar el rendimiento
de biogás e indicar regiones óptimas y prometedoras definido por combinaciones
apropiadas de valores de parámetros de proceso en respecto a la intensificación de la
producción de biogás. La identificación y predicción posiblemente precisas de las regiones
(combinaciones de valores de parámetros) Proporcionar la máxima utilidad de la actividad
metabólica de las bacterias es fundamental. para una economía de procesos tan integrada.
De esta manera, la red neuronal predicciones del modelo junto con los costos de energía
eléctrica (bombeo, filtrado, mezcla, recirculación) y los precios de mercado actuales del
biometano, incluidos los certificados de energía verde, pueden proporcionar la base para
una Análisis económico, fiable y completo del rendimiento de toda la planta. Este será el
tema del trabajo futuro de los autores.
Los datos procesados por el modelo ANN presentan tendencias generales que pueden ser
observado en plantas de tratamiento de aguas residuales municipales típicas integradas
con producción de biogás basada en la digestión anaeróbica de los lodos. Sin embargo,
dependiendo de las variaciones locales en la composición de las aguas residuales
municipales, el comportamiento cuantitativo del objeto simulado puede ser marginalmente
diferente, lo que resulta en la necesidad de un modelo ajuste al entorno de proceso local
específico. Hay que recordar que las tendencias gráficas presentadas demuestran el efecto

42. ejemplar de la manipulación de dos parámetros (mientras que en los diez parámetros
restantes asumieron valores constantes, y de ellos, sólo cinco eran parámetros de
funcionamiento ajustables). Así, las identificaciones de las condiciones óptimas del proceso
deben realizarse basándose en procedimientos de optimización (como recocido simulado o
algoritmos genéticos), donde las mejores combinaciones (reales) de los siete accesibles
parámetros operativos, y las cinco aguas residuales fijas proporcionadas externamente
indicadores de calidad que representan las limitaciones tecnológicas, deben ser
considerado simultáneamente.
VII. RECOMENDACIONES
Los datos procesados por el modelo ANN presentan tendencias generales que pueden ser
observado en plantas de tratamiento de aguas residuales municipales típicas integradas
con producción de biogás basada en la digestión anaeróbica de los lodos.
Para el aprovechamiento de la producción de biogás requiere una inversión inicial alta, pero
es retribuible con los factores positivos que a tiempo de vida útil largos generan, en nuestro
país a pesar de tener más de 200 PTARs distribuidos en el territorio nacional, no se cuenta
con ninguna a funcionamiento óptimo para generación de biogás.
Cuando analizamos de una manera abierta también debemos considerar que los lodos
durante el proceso de tratamiento de aguas residuales también generan un
aprovechamiento para abonos naturales, una relación directamente proporcional con el
biogás, por lo que su masificación de oportunidad de aprovechamiento lo es en relación con
el biogás.
Los valores generados en el máximo aprovechamiento de una planta de tratamiento
deberían ser considerados en nuestra política de gobierno, debido a que las empresas
prestadoras de servicio no garantizan ningún aprovechamiento y en algunos casos ni
mantenimiento, esto pues a que debido a que las empresas son itinerantes de manejo
precario y hasta de administraciones locales.

43. VIII. REFERENCIAS BIBLIOGRAFICAS
[1] Makisha N, Semenova D. Producción de biogás en plantas de tratamiento de aguas
residuales y su aplicación posterior. MATEC Web of Conf 2018; 144: 04016.
[2] Bodík I, Sedlaeek S, Kubask a M, Hutnan M. Producción de biogás en municipios
plantas de tratamiento de aguas residuales: situación actual en la UE con especial atención
a Eslovaquia República. Chem Biochem Eng Q 2011; 25 (3): 335–40.
[3] Mirmasoumi S, Ebrahimi S, Khoshbakhti Saray R. Mejora del biogás producción a partir
de lodos de depuradora en una planta de tratamiento de aguas residuales: evaluación de
técnicas de pretratamiento y co-digestión bajo mesófilo y termófilo condiciones. Energy
2018; 157: 707-17.
[4] Martí-Herrero J, Alvarez R, Flores T. Evaluación del tubular de baja tecnología digestores
en la producción de biogás a partir del tratamiento de aguas residuales de mataderos. J
Clean Prod 2018; 199: 633–42.
[5] Eeckhaut M. Procesamiento de carne: energía verde de las aguas residuales. Filtr
septiembre de 2012; 6/5:44–5.
[6] Motunrayo Enitan A, Adeyemo J, Mahomed Swalaha F, Bux F. Digestión anaeróbica
modelo para mejorar el tratamiento de las aguas residuales de la cervecería para la
producción de biogás utilizando Reactor UASB. Environ Model Assess 2015; 20: 673–85.
[7] Maragkaki AE, Fountoulakis M, Gypakis A, Kyriakou A, Lasaridi K, Manios T. Codigestión
anaeróbica a escala piloto de lodos de depuradora con subproductos agroindustriales para
aumento de la producción de biogás de los digestores existentes en las plantas de
tratamiento de aguas residuales. Waste Manag 2017; 59: 362–70.
[8] Maragkaki AE, Vasileiadis I, Fountoulakis M, Kyriakou A, Lasaridi K, Manios T. Mejorar
la producción de biogás a partir de la codigestión anaeróbica de lodos de depuradora con
un Mezcla secada térmicamente de desperdicios de alimentos, suero de queso y aguas
residuales de almazara. Desperdicio Manag 2018; 71: 644–51.
[9] Hagos K, Zong J, Li D, Liu C, Lu X. Proceso de codigestión anaeróbica para biogás
producción: avances, desafíos y perspectivas. Renovar Sustain Energy Rev 2017; 76:
1485–96.
[10] Budych-Gorzna M, Smoczynski M, Oleskowicz-Popiel P. Mejora del biogásproducción
en la planta de tratamiento de aguas residuales municipal por codigestión con Residuos de
la industria avícola. Appl Energy 2016; 161: 387–94.
[11] Shen Y, Linville JL, Urgun-Demirtas M, Mintz MM, Snyder SW. Una descripción general
deproducción y utilización de biogás en plantas de tratamiento de aguas residuales a gran
escala (EDAR) en los Estados Unidos: retos y oportunidades hacia EDAR energéticamente
neutrales. Renew Sustain Energy Rev 2015; 50: 346–62.
[12] Rennuit C, Mi Triolo J, Eriksen S, Jimenez J, Carréere H, Hafner SD. Comparación de
tratamiento aeróbico previo y entre etapas de lodos de aguas residuales: efectos sobre el
biogás producción y eliminación de DQO. Bio Technol 2018; 247: 332–9.
[13] Agamuthu P. Producción específica de biogás y función del medio de cobertura en el
tratamiento de aguas residuales de la industria de fabricación de hilos de caucho. Ing de
bioprocesos 1999; 21: 151–5.