Benchmarking de controladores inteligentes distribuidos con métodos de aprendizaje profundo

Abstract

[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.