Abstract
Contextualización: los modelos neuronales artificiales son modelos diseñados a partir de métodos numéricos denominados Redes Neuronales Artificiales. El uso de estos, como herramienta de predicción de la Demanda Bioquímica de Oxígeno (DBO), ha demostrado diversas ventajas, entre otras, la reducción del tiempo y los costos económicos asociados a este parámetro. La DBO generalmente requiere de 5 a 7 días, así como múltiples reactivos químicos, para poder establecer los niveles de materiales orgánicos en las aguas.
Vacío de investigación: los modelos neuronales artificiales permiten calcular la DBO en tiempo real, a partir de variables fisicoquímicas registradas in situ. A pesar de ello, las redes neuronales artificiales no han sido utilizadas hasta ahora como método de estimación de la DBO en aguas marinas de Colombia.
Propósito del estudio: teniendo en cuenta este aspecto, en la presente investigación se elaboró un modelo neuronal artificial que permite estimar la DBPO en aguas del Mar Caribe Colombiano.
Metodología: para elaborar el modelo fue necesario realizar cinco simulaciones (constituidas por un número de 2 a 3 capas ocultas, y de 5 a 20 neuronas por capa). El desempeño predictivo de cada una de estas se evaluó a través del coeficiente de correlación.
Resultados y conclusiones: los valores más altos de este indicador estadístico (0,937, 0,951, 0,953, y 0,941), se obtuvieron para el modelo que utilizó 3 capas, de 20 neuronas cada una, en sus cuatro etapas de aprendizaje (entrenamiento, validación, prueba, y todos los datos). Estas cifras indican un cercano ajuste entre los datos observados y las estimaciones hechas por la red. Estos resultados demuestran además que la Demanda Bioquímica de Oxígeno puede ser estimada numéricamente, en aguas marinas, a través de modelos neuronales artificiales.
Publisher
Universidad Nacional Abierta y a Distancia
Reference32 articles.
1. Abyaneh, H. (2014). Evaluation of multivariate linear regression and artificial neural networks in prediction of water quality parameters. Journal of Environmental Health Science & Engineering, 12(40), 1-8. https://doi.org/10.1186/2052-336X-12-40
2. Águila-Martínez, J. (2017). Aprendizaje supervisado en conjuntos de datos no balanceados con Redes Neuronales Artificiales. Métodos de mejora de rendimiento para modelos de clasificación binaria en diagnóstico médico. Universitat Rovira i Virgili.
3. APHA. (2005). Standard Methods for the Examination of Water and Wastewater (21st ed.). Washington, DC: American Public Health Association (APHA).
4. Araghinejad, S. (2014). Artificial Neural Networks. In Data-Driven Modeling: Using MATLAB® in Water Resources and Environmental Engineering. Water Science and Technology Library 67.
5. Barthakur, M., Thakuria, T., & Sarma, K. K. (2012). Artificial Neural Network (ANN) Based Object Recognition Using Multiple Feature Sets. Soft Computing Techniques in Vision Science, (395), 127-135. https://doi.org/10.1007/978-3-642-25507-6_11