Sistema de recomendación de dosis de coagulante en la planta de tratamiento El Tablazo del municipio de Popayán utilizando aprendizaje automático

Abstract

Antecedentes: El agua, vital para la existencia humana y estrechamente vinculada a la salud pública, es tratada en plantas especializadas, como "El Tablazo" en Popayán, para asegurar su calidad. La coagulación, uno de los procesos esenciales en estas plantas, depende de una precisa dosificación del coagulante para ser efectiva y evitar riesgos sanitarios. Aunque en "El Tablazo" se utiliza la técnica de pruebas de jarra, esta puede ser susceptible a errores humanos y no adaptarse a cambios abruptos en la calidad del agua. La emergencia de modelos de Aprendizaje Automático (ML) promete mayor precisión en esta tarea, pero las investigaciones recientes a menudo pasan por alto el impacto de las variables meteorológicas en la coagulación y calidad del agua. Objetivo: Desarrollar un sistema de recomendación de la dosis de coagulante para el proceso de potabilización del agua en la planta "El Tablazo" del municipio de Popayán utilizando técnicas de aprendizaje automático. Métodos: En este estudio, se propone la adopción de avanzados modelos de ML que consoliden y analicen de manera integral datos hidrológicos y meteorológicos. La principal motivación de esta integración es diseñar un robusto sistema de recomendación que permita determinar de forma precisa la dosis de coagulante necesaria. A través de esta propuesta, se aspira no solo a garantizar y mejorar significativamente la calidad del agua potable, sino también a lograr una reducción notable en los costos asociados al tratamiento y potabilización del agua. Resultados: A lo largo de la investigación, se logró consolidar un exhaustivo conjunto de datos, el cual comprende información tanto hidrológica como meteorológica, específicamente de la planta de tratamiento "El Tablazo". Adicionalmente, se desarrollaron y refinaron dos modelos predictivos para la determinación de la dosis de coagulante: uno orientado a la clasificación y otro a la regresión. Estos modelos, fruto de rigurosos análisis, fueron posteriormente entregados al jefe de producción de la mencionada planta de tratamiento, con el objetivo de ser implementados y evaluados en un entorno real y operativo, asegurando su aplicabilidad y eficacia en escenarios prácticos. Conclusión: A lo largo del meticuloso estudio que fusionó variables hidrológicas y meteorológicas, se resaltó la importancia cardinal de las condiciones climáticas en determinar la calidad del agua y la precisión en la dosificación de coagulantes. La implementación de modelos avanzados, en particular el algoritmo de Bosques Aleatorios (RF), demostró ser un instrumento prevalente y robusto, capaz de manejar la complejidad de dichas variables y ofrecer predicciones consistentes. Esta investigación no solo subraya la imperativa integración de datos ambientales en la gestión del agua, sino que también establece a RF como una herramienta clave, posicionando a la planta de tratamiento "El Tablazo" en la frontera de las innovaciones en tratamiento de agua.

Background: Water, vital for human existence and closely linked to public health, is treated in specialized plants, such as "El Tablazo" in Popayán, to ensure its quality. Coagulation, one of the essential processes in these plants, relies on accurate coagulant dosing to be effective and avoid health risks. Although "El Tablazo" employs the jar test technique, it can be susceptible to human errors and may not adapt to abrupt changes in water quality. The emergence of Machine Learning (ML) models promises greater accuracy in this task, but recent research often overlooks the impact of meteorological variables on coagulation and water quality. Objective: Develop a recommendation system for coagulant dosing in the water purification process at the "El Tablazo" plant in the municipality of Popayán using machine learning techniques. Methods: In this study, the adoption of advanced ML models is proposed to comprehensively consolidate and analyze hydrological and meteorological data. The main motivation for this integration is to design a robust recommendation system that accurately determines the required coagulant dose. Through this proposal, the goal is not only to ensure and significantly improve the quality of drinking water but also to achieve a notable reduction in water treatment and purification costs. Results: Throughout the research, an exhaustive data set was consolidated, encompassing both hydrological and meteorological information, specifically from the "El Tablazo" treatment plant. Additionally, two predictive models were developed and refined for determining the coagulant dose: one focused on classification and the other on regression. These models, the result of rigorous analysis, were subsequently provided to the production manager of the aforementioned treatment plant, aiming to be implemented and evaluated in a real and operational environment, ensuring their applicability and effectiveness in practical scenarios. Conclusion: Throughout the meticulous study that merged hydrological and meteorological variables, the cardinal importance of climatic conditions in determining water quality and accuracy in coagulant dosing was highlighted. Implementing advanced models, particularly the Random Forests (RF) algorithm, proved to be a prevalent and robust tool, capable of handling the complexity of these variables and providing consistent predictions. This research not only emphasizes the imperative integration of environmental data in water management but also establishes RF as a key tool, positioning the "El Tablazo" treatment plant at the forefront of innovations in water treatment.