⚡ ingeniería eléctrica

Analysis of Sewage Treatment Plant’s Data to evaluate Quality of Effluent using Experimental Results and Prediction based on Artificial Intelligence Models (Case Study: Tehran Wastewater Treatment Plant)

Este estudio evalúa el desempeño de los modelos de Redes Neuronales Artificiales (ANN), Lógica Difusa (FL) y Sistema de Inferencia Neuro-Difuso Adaptativo (ANFIS), mejorados mediante el Análisis de Componentes Principales (PCA), para predecir la calidad del efluente en la planta de tratamiento de aguas residuales de Teherán, demostrando finalmente que el modelo ANFIS ofrece la mayor precisión para pronosticar la eficiencia de eliminación de contaminantes.

Autores originales: Haniyeh Malek, Majid Ehteshami

Publicado 2026-09-29

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Haniyeh Malek, Majid Ehteshami

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El agua es el torrente vital de las ciudades modernas, pero a medida que las poblaciones aumentan y las fuentes limpias disminuyen, el agua que desechamos se está convirtiendo en un recurso que ya no podemos permitirnos ignorar. Las plantas municipales de tratamiento de aguas residuales actúan como los grandes filtros de nuestra civilización, tomando el agua sucia de hogares e industrias y limpiándola hasta que sea lo suficientemente segura para devolverla al medio ambiente o incluso para reutilizarla en la agricultura. Sin embargo, estas plantas son máquinas complejas donde los procesos químicos y biológicos interactúan de formas que suelen ser desordenadas e impredecibles. La matemática tradicional lucha por capturar este caos porque las relaciones entre la temperatura del agua, su acidez y la cantidad de desechos que transporta rara vez son líneas rectas. Para gestionar estas plantas de manera efectiva, los ingenieros necesitan saber exactamente qué tan limpia será el agua que sale, pero esperar días por los resultados de laboratorio puede ser demasiado lento para la toma de decisiones rápidas. Aquí es donde entra en escena la promesa de la inteligencia artificial, ofreciendo una forma de aprender de los datos pasados para predecir el futuro con velocidad y precisión.

En un estudio reciente centrado en una importante instalación de tratamiento en Teherán, Irán, los investigadores se propusieron probar si los modelos computacionales podían pronosticar con precisión la calidad del agua que sale de la planta. Recopilaron un año de datos del mundo real, rastreando todo, desde la cantidad de materia orgánica y sólidos suspendidos que entran al sistema hasta la temperatura y la acidez del agua. El equipo construyó entonces tres tipos diferentes de "cerebros" digitales para analizar esta información. El primero fue una red neuronal artificial, un sistema diseñado para imitar la forma en que las neuronas humanas se conectan y aprenden. El segundo fue un modelo de lógica difusa, que maneja la incertidumbre utilizando reglas que permiten matices de gris en lugar de respuestas estrictas de sí o no. El tercero fue un sistema híbrido llamado sistema de inferencia neuro-difuso adaptativo, que combina la velocidad de aprendizaje de la red neuronal con el razonamiento basado en reglas de la lógica difusa. Para ver si simplificar los datos ayudaba, también ejecutaron estos modelos dos veces: una vez utilizando todas las mediciones brutas y otra vez después de usar un método estadístico para eliminar la información redundante y conservar solo los factores más críticos.

Los investigadores descubrieron que los tres sistemas computacionales eran capaces de aprender los patrones de la planta de tratamiento, pero uno destacó por ser significativamente más fiable. El sistema híbrido, que mezcla redes neuronales con lógica difusa, demostró ser el predictor más preciso de la calidad final del agua. Cuando el equipo comparó las suposiciones de la computadora con los resultados reales de laboratorio, este modelo híbrido cometió menos errores que los otros, reduciendo el error promedio en casi un 14 por ciento en comparación con el modelo de lógica difusa y en más de un 8 por ciento en comparación con la red neuronal sola. Curiosamente, el estudio encontró que alimentar a la computadora con menos variables cuidadosamente seleccionadas no siempre mejoraba los resultados; de hecho, para algunos modelos, el uso del conjunto completo de datos produjo mejores predicciones. Esto sugiere que, si bien simplificar los datos puede ser útil, las complejas relaciones en el tratamiento de aguas residuales son lo suficientemente ricas como para que desechar información pueda, a veces, ocultar pistas importantes.

Más allá de solo predecir números, el estudio confirmó que la propia planta de tratamiento está funcionando excepcionalmente bien. Al calcular cuánta contaminación se eliminó, los investigadores encontraron que la instalación elimina aproximadamente el 96.68 por ciento de los sólidos suspendidos totales, que son las diminutas partículas sólidas que flotan en el agua. Las tasas de eliminación para otros contaminantes, como la materia orgánica que consume oxígeno en los ríos, fueron casi tan altas. Los modelos computacionales pudieron replicar este alto nivel de eficiencia con una cercanía notable, demostrando que pueden servir como una herramienta confiable para los operadores. En lugar de esperar a las lentas pruebas de laboratorio, los gestores de la planta podrían potencialmente utilizar estos modelos para obtener una estimación inmediata y precisa de qué tan limpia está el agua, permitiéndoles ajustar el proceso de tratamiento en tiempo real. El trabajo demuestra que la inteligencia artificial no es solo un concepto teórico, sino un método práctico, eficiente y fiable para asegurar que el agua que reutilizamos sea segura para la tierra y las personas que dependen de ella.

Resumen Técnico: Análisis de los Datos de una Planta de Tratamiento de Aguas Residuales para Evaluar la Calidad del Efluente mediante Resultados Experimentales y Predicción basada en Modelos de Inteligencia Artificial

Planteamiento del Problema
La creciente demanda mundial de agua, impulsada por el crecimiento de la población y los recursos limitados, hace necesaria la reutilización fiable de las aguas residuales tratadas para el riego agrícola. Sin embargo, la modelización de los procesos de tratamiento de aguas residuales es intrínsecamente compleja debido a la naturaleza no lineal de las operaciones de tratamiento y la variabilidad de las características del influente (por ejemplo, caudales, tipos de compuestos orgánicos/inorgánicos). Los modelos matemáticos lineales tradicionales suelen basarse en hipótesis y probabilidades, proporcionando solo estimaciones en lugar de predicciones precisas. En consecuencia, existe la necesidad de técnicas de modelización no lineales avanzadas que puedan predecir con precisión la calidad del efluente para facilitar una planificación y un control operativo fundamentados, sin los altos costes asociados a las mediciones experimentales extensas y de larga duración.

Metodología
Este estudio utilizó datos de la planta de tratamiento de aguas residuales de Varamin en Teherán, Irán, la cual emplea un proceso de Lodos Activados de Aireación Extendida (EAAS) con eliminación de nitrógeno. La investigación se centró en la predicción de la calidad del efluente basada en parámetros de entrada específicos.

Recopilación y Preprocesamiento de Datos:
- Entradas: Se analizó un año de datos, incluyendo parámetros del influente (Temperatura, pH, DBO, DQO, SST) y parámetros del tanque de aireación (MLSS, MLVSS, SVI).
- Salidas: Concentraciones de DBO, DQO y SST en el efluente.
- Procesamiento de Datos: Se eliminaron los valores atípicos y los datos insignificantes. Se empleó el Análisis de Componentes Principales (PCA) para reducir la dimensionalidad de las variables de entrada, con el objetivo de identificar componentes clave y mejorar la precisión del modelo reduciendo la complejidad computacional.
Desarrollo del Modelo:
Se desarrollaron y compararon tres modelos de Inteligencia Artificial (IA):
- Red Neuronal Artificial (ANN): Una Red Neuronal de Propagación hacia Adelante (FFNN) utilizando una estructura de Perceptrón Multicapa (MLP) con una función de transferencia sigmoide y un algoritmo de entrenamiento de Levenberg-Marquardt.
- Lógica Difusa (FL): Un sistema de inferencia difusa de tipo Mamdani utilizando funciones de membresía triangulares y trapezoidales.
- Sistema de Inferencia Neuro-Difuso Adaptativo (ANFIS): Un sistema híbrido que combina redes neuronales y lógica difusa (tipo Sugeno) para aprender adaptativamente de los datos de entrenamiento.
Diseño Experimental:
Se modelaron tres escenarios distintos para cada parámetro de salida (DBO, DQO, SST). Cada escenario se probó en dos configuraciones:
- Sin PCA: Utilizando las 11 variables de entrada originales.
- Con PCA: Utilizando 4 variables de entrada reducidas derivadas del método PCA.
  Los datos se dividieron en conjuntos de entrenamiento (70%), prueba (15%) y validación (15%).
Evaluación del Desempeño:
La precisión del modelo se evaluó mediante indicadores estadísticos: Coeficiente de Correlación ( $R$ ), Error Cuadrático Medio (RMSE) y Error Porcentual Absoluto Medio (MAPE). Además, se calculó un "Índice de Productividad" (Eficiencia de Eliminación) para comparar la capacidad de los modelos para simular la reducción de contaminantes frente al rendimiento real de la planta.

Resultos Clave

Desempeño del Modelo: El modelo ANFIS demostró un desempeño superior en comparación con los modelos ANN y FL en todos los escenarios.
- Precisión: El ANFIS logró los coefotes de correlación más altos y las tasas de error más bajas. Específicamente, el modelo ANFIS mostró una reducción del error medio del 13,92% en comparación con el modelo FL y del 8,22% en comparación con el modelo ANN.
- Impacto de PCA: La aplicación de PCA arrojó resultados mixtos. Si bien mejoró la precisión del modelo ANN en el primer y tercer escenario (específicamente para DBO y SST), afectó negativamente el desempeño de otros modelos y parámetros, como el aumento del RMSE para la DQO en el modelo ANN. Los autores señalan en las conclusiones que el uso de PCA "afectó negativamente el rendimiento de la predicción de algunos modelos con un error promedio de 3,615%", indicando que, aunque la capacidad predictiva siguió siendo alta, la reducción de la dimensionalidad no mejoró universalmente la precisión en todos los parámetros.
Eficiencia de Eliminación: El estudio calculó la eficiencia de eliminación de los contaminantes. La planta real alcanzó una eficiencia de eliminación máxima del 96,68% para los Sólidos Suspendidos Totales (SST). Los modelos de IA reflejaron de cerca estos resultados, con el ANFIS estimando una eficiencia de eliminación de SST del 96,75% (sin PCA) y del 96,61% (con PCA).
Análisis Comparativo: Aunque los tres modelos (ANN, FL, ANFIS) se consideraron capaces de predecir la calidad del efluente, el ANFIS ofreció consistentemente el mejor equilibrio entre velocidad de entrenamiento y precisión de predicción. Se señaló que los modelos FL consumen mucho tiempo en el entrenamiento y, aunque el ANFIS ofrece velocidad, puede volverse complejo si el número de entradas es demasiado alto debido al incremento exponencial de las reglas difusas.

Significancia y Reivindicaciones
El artículo concluye que los modelos de Redes de Inteligencia Artificial (AIN) son un enfoque simple, preciso, eficiente y fiable para predecir la calidad de los efluentes de las plantas de tratamiento de aguas residuales municipales.

Utilidad Operativa: El estudio afirma que estos modelos pueden servir como herramientas efectivas para que los operadores comprendan y simulen el comportamiento no lineal de las plantas de tratamiento, ayudando en la toma de decisiones para la reutilización del agua y la protección ambiental.
Valor Metodológico: La investigación destaca que, si bien los métodos estadísticos multivariantes como el PCA pueden reducir las variables de entrada, su impacto en la precisión de la predicción final es variable y, en ocasiones, puede degradar el desempeño (como se observó con el aumento del error promedio). Sin embargo, el hallazgo central es que los modelos de IA, particularmente el ANFIS, mantienen una alta validez predictiva incluso con conjuntos de entrada reducidos.
Fiabilidad: La estrecha alineación entre las eficiencias de eliminación predichas por los modelos y el rendimiento real de la planta (por ejemplo, ~96% para SST) valida el uso de estas herramientas de IA como sustitutos o complementos del monitoreo tradicional, lo que potencialmente ahorra tiempo y recursos asociados con las pruebas manuales (como la medición de la DBO5 de 5 días).

Los autores enfatizan que la selección de un modelo específico (ANN, FL o ANFIS) debe depender de los objetivos específicos del estudio, pero para el propósito de una predicción de alta precisión de la calidad del efluente en este contexto, el ANFIS es la opción más apropiada.

Más como este