Revista ELECTRO
Vol. 43 – Año 2021
Artículo
TÍTULO
Sistema de Clasificación de Agua Jabonosa Empleando Redes Neuronales
AUTORES
Luis Alberto Reyes Ibarra, Perla Alejandra Herrera Castillo, Sergio Alberto Sifuentes Montelongo, Raúl Villanueva Vallejo
RESUMEN
El prototipo presentado forma parte de un proyecto global que pretende ser un instrumento en casas habitación que cuenten con una lavadora, ya que este toma como entrada el agua de enjuague de lavadoras convencional o automática. El objetivo es tratar el agua de enjuague o jabonosa para que se le pueda ser reutilizada en usos comunes en una casa. El sistema de tratamiento utiliza diversos componentes como un agitador, inyector de minerales, filtro adaptado para las características del agua, etapa de sensado y principalmente un algoritmo inteligente con Redes Neuronales que permite clasificar el uso recomendado del agua una vez tratada. Este algoritmo es implementado en una Raspberry Pi 4 en conjunto con una etapa de sensores de pH y turbidez. La principal ventaja de este prototipo es que utiliza un modelo de red neuronal multicapa Perceptrón que aporta certeza en la determinación del uso del agua. La automatización del sistema coadyuva al uso efectivo del agua. Además se busca reducir el consumo de agua el cual es excesivo debido a que en promedio se consumen 200 litros en ciclos de lavados, esos litros pueden ser reutilizados haciendo el tratamiento adecuado mediante el uso de este prototipo.
Palabras Clave: Tratamiento de Agua, Raspberry Pi 4, Python, Ph, Turbidez, Redes neuronales
ABSTRACT
The presented algorithm is part of a global project that pretends to be an instrument in residential houses that have a washing machine, since the designed prototype takes the input water from conventional or automatic washing machines as input. The objective is to treat the water of soap to can use it to various common uses in a house. The treatment system uses various components: an agitator, a mineral injector, a filter adapted to the characteristics of the water, a sensing stage and, a mainly, an intelligent algorithm with Neural Networks that allows classifying the use recommended of the water once it has been treated. This algorithm is implemented on a Raspberry Pi 4 in conjunction with a stage of pH and turbidity sensors. The main advantage of this prototype is that it uses a multilayer Perceptron neural network model that provides certainty in determining the use of water. The automation of the system contributes to the effective use of water. In addition, it seeks to reduce water consumption which is excessive due to the fact that on average 200 liters are consumed in washing cycles, those liters can be reused making the appropriate treatment through the use of this prototype.
Keywords: Treated water, Raspberry Pi 4, Python, Ph, Turbidity
REFERENCIAS
[1] Primera encuesta nacional sobre consumo de energéticos en viviendas particulares (ENCEVI), INEGI, disponible: https://www.inegi.org.mx/programas/encevi/2018/, sitio visitado Marzo 2021
[2] Aguas grises: Origen, composición y tecnologías para su reciclaje, Aqua España, disponible: https://www.aguasresiduales.info/revista/blog/aguas-grises-origen-composicion-y-tecnologias-para-su-reciclaje, sitio visitado Marzo 2021
[3] Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools and Techniques to Build Intelligent Systems, O’Reilly, 2019
[4] Deep learning Introducción práctica con Keras Primera parte, Jordi Torres.AI, disponible: https://torres.ai/deep-learning-inteligencia-artificial-keras/#_ftn2, sitio visitado Marzo 2021
[5] Keras: the Python deep learning API, Keras.io, disponible: https://keras.io/api/models/sequential/#sequential-class, sitio visitado Marzo 2021
[6] Keras: the Python deep learning API, Keras.io, disponible: https://keras.io/api/losses/probabilistic_losses/#binarycrossentropy-class, sitio visitado Marzo 2021
[7] Keras: the Python deep learning API, Keras.io, disponible: https://keras.io/api/optimizers/, sitio visitado Marzo 2021
[8] Miguel Rigola Lapeña, Tratamiento de aguas industriales: Aguas de procesos y residuales, Marcombo, 1989
[9] José Mario Díaz Fernández, Ecuaciones y cálculos para el tratamiento de aguas, Paraninfo, 2018
CITAR COMO:
Luis Alberto Reyes Ibarra, Perla Alejandra Herrera Castillo, Sergio Alberto Sifuentes Montelongo, Raúl Villanueva Vallejo, "Sistema de Clasificación de Agua Jabonosa Empleando Redes Neuronales", Revista ELECTRO, Vol. 43, 2021, pp. 44-49.
VERSIÓN PDF