[ES]En esta investigación, se implementaron las redes neuronales profundas, Multi
Layer Perceptron (MLP) y Long-Short Term Memory (LSTM), para optimizar el
tratamiento de aguas residuales. Debido a la importancia crucial de asegurar que
las EDAR cumplan con los límites legales establecidos para los contaminantes, el
modelado y la predicción precisa de estos procesos es vital. Con este propósito, se
seleccionaron las redes MLP y LSTM por su capacidad para procesar y aprender de
los datos en los sistemas en lazo abierto como en lazo cerrado. Este enfoque permite
detectar de manera eficiente las posibles violaciones en la calidad del efluente. En
cuanto a los resultados obtenidos, se encontró que las predicciones hechas por la red
MLP mostraron una menor tasa de error en comparación con las realizadas por la
red LSTM. Sin embargo, se identificaron desafíos durante el entrenamiento de ambas
redes, tales como una tendencia al sobreajuste en las iteraciones posteriores. Esto
subraya la necesidad de desarrollar estrategias de regularización y optimización de
hiperparámetros para mejorar el rendimiento de los modelos de redes neuronales en
el tratamiento de aguas residuales.
[EN]In this research, deep neural networks, specifically Multi-Layer Perceptron (MLP)
and Long-Short Term Memory (LSTM), were implemented to optimize wastewater
treatment. Given the critical importance of ensuring that wastewater treatment
plants comply with established legal limits for contaminants, the modeling and ac curate prediction of these processes is vital. For this purpose, MLP and LSTM
networks were chosen due to their ability to process and learn from data in both
open-loop and closed-loop systems. This approach enables efficient detection of po tential violations in effluent quality. Regarding the results obtained, it was found
that predictions made by the MLP network exhibited a lower error rate than those
made by the LSTM network. However, challenges were identified during the trai ning of both networks, such as a tendency towards overfitting in later iterations.
This underscores the need to develop regularization strategies and hyperparameter
optimization to improve the performance of neural network models in wastewater
treatment.
