Resumen de Elaboración de un modelo neuronal artificial para la estimación de la demanda bioquímica de oxígeno en aguas marinas

Reynaldo Meza Castellar, Luis Gonzalez Salcedo

• español

  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.

• English

  Contextualization: Artificial Neural Networks are models designed from numerical methods called Artificial Neural Networks. The use of these, as a Biochemical Oxygen Demand (BOD) prediction tool, has shown various advantages, among others, the reduction of time and the economic costs associated with this parameter. BOD usually requires 5 to 7 days, as well as multiple chemical reagents, to obtain the levels of organic materials in the waters.

  Research gap: Artificial Neural Networks models allow calculating BOD in real time from physicochemical variables recorded in situ. Despite this, artificial neural networks have not been used until now as a method of estimating BOD in Colombian seawaters.

  Purpose: Taking this aspect into account, an artificial neural network model that allows estimating the BOD in waters of the Colombian Caribbean Sea was developed in this research.

  Methodology: For the elaboration of the model it was necessary to carry out five simulations (consisting of a number of 2 to 3 hidden layers, and 5 to 20 neurons per layer). The predictive performance of each of these simulations was evaluated through the correlation coefficient.

  Results and conclusions: The highest values of this statistical indicator (0.937, 0.951, 0.953, and 0.941), were obtained for the model that used 3 layers, of 20 neurons each, in its four learning sets (training, validation, testing, and all data). These values indicate a close fit between the observed data and estimations made by the network. These results also demonstrate that Biochemical Oxygen Demand can be estimated numerically, in seawaters, through artificial neural networks models.