En el trabajo de investigación se procedió a hacer un tratamiento de los datos para identificar y eliminar los valores atípicos, luego se comenzó a observar el comportamiento del ECM para diferentes valores de neuronas en la capa oculta y se identificó que la arquitectura con una capa oculta de 14 neuronas, 4 variables de entrada, una variable de salida, una función tangente sigmoidea como función de activación y una función lineal como función de salida, es la adecuada para pronosticar la cantidad de cloro gas, este modelo se validó con el coeficiente de determinación.
66
Respecto a los sostenido por Pavón (2019)
En esta investigación no se hace un tratamiento de los datos, por lo que no se sabe cuál es la distribución de los datos, para probar las hipótesis, no se sabe si existen valores atípicos en los datos que utiliza la red neuronal, hace uso de la entropía cruzada como función de coste por tratarse de un problema de clasificación, hizo uso de una red neuronal con una capa oculta de 10 neuronas con dos entradas y una salida, usa como indicador de rendimiento al coeficiente de correlación.
Respecto a los sostenido por Apesteguia & Huarcaya (2018)
Hizo pruebas con una red neuronal PMC con 50 neuronas en la capa oculta, no muestra un sustento del porque esa arquitectura, tampoco hace un tratamiento de los datos, el resultado es muy pobre solo 17% de aciertos, luego prueba con una configuración de 120-50-5 en esta configuración se logra alcanzar 100% con patrones de entrenamiento y 91% con patrones desconocidos, luego prueba una configuración de 120-75-5 alcanzando un porcentaje de acierto del 93%, se podría concluir que el modelo a memorizado los datos debido a la gran cantidad de neuronas usadas en la capa oculta.
Respecto a lo sostenido por Quispe (2018)
La metodología seguida en esta investigación es la de ensayo – error, se eligió el modelo en base al que presenta mejor ECM.
Para el entrenamiento uso algoritmos de entrenamiento diferente, Levenberg Marquardt, Regularización Bayesiana, Scalet Conjugate con el objetivo de minimizar el error en el pronóstico, sabiendo que el algoritmo Levenberg Marquardt es el adecuado.
Se manejó dos modelos uno con 4 variables de entrada para el pronóstico de oxígeno disuelto y otro con 6 variables de entrada para el pronóstico de clorofila, en ambos casos probó arquitecturas con 4, 7 y 10 neuronas en la capa oculta, el que presentó mejor resultado es el de 10 neuronas con un coeficiente de correlación de 0.99917 y para la clorofila 0.99925.
67
Respecto a lo sostenido por Peña (2016)
La Red Neuronal Artificial de Regresión Generalizada (GRN) con dos capas ocultas, una neurona por caso entrenado y dos neuronas en la segunda capa oculta presenta el mejor rendimiento en sus resultados de entrenamiento, el porcentaje de error es de 3,73 por ciento en el entrenamiento y su índice de determinación en el entrenamiento de 96,9 por ciento, se sospecha de overfitting en la red por la cantidad de neuronas empleadas en la capa oculta.
De acuerdo a la literatura para un problema de regresión no existe fundamento para elegir una red neuronal artificial de regresión generalizada (GRN) como modelo adecuado ya que una fitnet con una capa oculta es la adecuada.
Respecto a lo sostenido por Barajas & León (Barajas & León, 2015) Se hizo un análisis estadístico de las características, objetivo y la correlación entre ellas encontrándose que no existe forma de discriminar variables que tengan poca influencia en el modelo debido a que el número de variables de entrada es pequeña comparada con la cantidad de variables empleadas
Usa como indicador de rendimiento al ECM pero, de acuerdo a lo revisado en el marco teórico para validar una red neuronal se usa como indicador de rendimiento al coeficiente de determinación.
68
CONCLUSIONES
1. El modelo de red neuronal que permite estimar de manera adecuada la dosificación de cloro gas en la planta de tratamiento de agua potable de la Municipalidad Provincial de Tayacaja se expresa a través de la ecuación de regresión multivariante de E/S no lineal y=b0+LW*tansig(bh+ones(1,N)+IW*x).
2. La dosificación de cloro gas estimada por el modelo de red neuronal es similar a la dosificación de cloro gas objetivo a un nivel de significancia de 0.05, una confiabilidad del 95% y un error de 5%, significando esto que los valores pronosticados y los objetivos son bastante parecidos.
3. La correlación entre caudal y cloro gas es de 0,227 a un nivel de significancia de 0.05, una confiabilidad del 95% y un error de 5%, en el modelo de red neuronal de la planta de tratamiento de agua potable de la Municipalidad Provincial de Tayacaja, significando esto que a un mayor volumen de caudal le corresponde una mayor dosificación de cloro gas.
4. No existe correlación entre turbiedad y cloro gas, temperatura y cloro gas y pH y cloro gas a un nivel de significancia de 0.05, una confiabilidad del 95% y un error de 5%, en el modelo de red neuronal de la planta de tratamiento de agua potable de la Municipalidad Provincial de Tayacaja, se deduce que un agua turbia no indica la presencia de microorganismos y los niveles de temperatura y pH no muestran mucha variabilidad.
5. Los problemas de underfitting y overfitting se evitan probando con diferentes números de neuronas en la capa oculta y observando el valor de ECM.
6. A medida que el número de neuronas en la capa oculta aumenta, el valor del error de validación también aumenta por lo que los modelos van perdiendo validez, es decir el modelo pierde la capacidad de generalización.
69
RECOMENDACIONES
1. Es necesario continuar obteniendo más datos en la planta de tratamiento de agua potable para las variables de entrada y salida, ya que eso podría permitir mejorar los coeficientes de correlación y como consecuencia mejorar el coeficiente de determinación, haciendo que exista un mejor ajuste de los datos al modelo.
2. Es necesario implementar con un sensor de caudal a la planta de tratamiento de agua potable ya que esto permitiría obtener datos exactos y en tiempo real de la planta.
3. Es importante mejorar la etapa de filtración en la plata de tratamiento de agua potable, ya que esto permitiría obtener mejores valores de turbiedad del agua que entra a la etapa de desinfección.
4. Sería recomendable automatizar la planta de tratamiento usando como modelo inicial el obtenido en este trabajo de investigación, ya que esto permitiría obtener muchos datos que servirían para mejorar este modelo de red neuronal artificial.
70
REFERENCIAS BIBLIOGRÁFICAS
Alonso, A., Garcia, L., León, I., García, E., Gil, B., & Ríos, L. (20 de Julio de 2021).
Métodos de Investigación de enfoque experimental. Obtenido de
https://www.postgradoune.edu.pe/pdf/documentos-academicos/ciencias- de-la-educacion/10.pdf
Apesteguia, J. A., & Huarcaya, E. (2018). Redes neuronales artificiales aplicadas a la detección de fugas no visibles en las redes de agua potable de la ciudad de Lima (Tesis de maestría). Universidad Nacional del Callao, Callao, Perú.
Asociación española de abastecimientos de agua y saneamiento. (1984). Manual de la cloración. Recuperado el 14 de 05 de 2020, de
https://www.asoaeas.com/sites/default/files/Documentos/AEAS.%20Manual
%20de%20la%20Cloracion.pdf
Barajas, C. L., & León, A. J. (2015). Determinación de la dosis óptima de sulfato de aluminio (Al2(SO4)3 18H2O) en el proceso de coagulación - floculación para el tratamiento de agua potable por medio del uso de una red neuronal artificial (Tesis de pregrado). Universidad Santo Tomás, Bogotá, Colombia.
Bauchy, M. (14 de 05 de 2020). Training an Artificial Neural Network with Matlab – Machine Learning for Engineers. Obtenido de
https://youtu.be/xOzh6PMk21I
Bobadilla, J. (2020). Machine Learning y Deep Learning Usando Python, Scikit y Keras. Madrid: Ra-Ma.
Caceres, O. (1990). Desinfección del agua. Lima-Perú. Recuperado el 12 de 05 de 2020, de
https://cdn.www.gob.pe/uploads/document/file/321041/Desinfecci%C3%B3 n_del_agua20190613-19707-1yucod8.pdf
Caminati, A. M., & Caqui, R. C. (2013). Análisis y diseño de sistemas de tratamiento de agua para consumo humano y su distribución en la Universidad de Piura (Tesis de pregrado). Piura - Perú.
Casero, D. (1987). Potabilización del agua. Escuela de negocios. Recuperado el 09 de 05 de 2020, de
http://api.eoi.es/api_v1_dev.php/fedora/asset/eoi:45471/componente45469.
Castro, L. (2002). Modelo de dosificación de cloro en la planta de tratamiento de
71
agua Francisco Wiesner de la empresa de acueducto y alcantarillado de Bogotá -EAAB. Universidad de Los Andes. Recuperado el 16 de 05 de 2020, de
https://repositorio.uniandes.edu.co/bitstream/handle/1992/15728/u236792.p df?sequence=1&isAllowed=y
CNA. (2007). Diseño de plantas potabilizadoras tipo de tecnología simplificada.
Tlalpan-México. Recuperado el 10 de 05 de 2020, de
http://www.conagua.gob.mx/CONAGUA07/Publicaciones/Publicaciones/Lib ros/11DisenoDePlantasPotabilizadorasTipoDeTecnologiaSimplificada.pdf Comunidad de Madrid. (2012). Estaciones de tratamiento de agua potable
(E.T.A.P.). Recuperado el 27 de 05 de 2020, de http://siar.minam.gob.pe/puno/download/file/fid/59879
Cooperación Alemana, implementada por la Deutsche Gesellschaft für Internationale Zusammenarbeit (GIZ) GmbH. (2017). Manual para la cloración del agua en sistemas de abastecimiento de agua potable en el ámbito rural. Lima-Perú. Recuperado el 12 de 05 de 2020, de
https://drive.google.com/file/d/1MxNkYWAJ6akspGzCkK_Oq0rs7irsf9Vb/vie w?fbclid=IwAR22iSMmjOT4-
at2iuf7Qi4V4oGxw_byL1f4A63_7XaTjYL0dDHldewMH9E
EPS SEDALORETO S.A. (2015). Manual de Operación- Procedimientos-PTAP NUEVA. Recuperado el 08 de mayo de 2020, de
https://www.sedaloreto.com.pe/transparencia/planeaorganizacion/manuales /3.MaPro-PTAPNueva-Iqts.pdf
Gevrey, M., Dimopoulos, I., & Lek, S. (2003). Review and comparison of methods to study the contribution of variables in artificial neural network models.
Ecological Modelling, 60(3):249{264.
Hagan, M. T., Demuth, H. B., Beale, M. H., & De Jesus, O. (2014). Neural Network Design. Recuperado el 18 de 05 de 2020, de
https://hagan.okstate.edu/NNDesign.pdf
Hernández, E. J., & Corredor, C. A. (2017). Diseño y construcción de una planta modelo de tratamiento para la potabilizacion de agua, se dispondra en el laboratorio de aguas de la Universidad Católica de Colombia (Tesis de pregrado). Universidad Católica de Colombia, Bogotá-Colombia.
Recuperado el 10 de 05 de 2020, de
72
https://repository.ucatolica.edu.co/bitstream/10983/14556/1/DISE%C3%91 O%20Y%20CONSTRUCCION%20DE%20UNA%20PLANTA%20MODELO
%20DE%20TRATAMIENTO%20PARA%20LA%20POTABILIZACION%20D E%20AGUA.pdf
Hernández, R., Fernández, C., & Baptista, P. (2014). Metodología de la investigación. México: Mc Graw Hill Education.
Hristev, R. M. (1998). The ANN book. Recuperado el 18 de 05 de 2020, de http://www.pdg.cnb.uam.es/cursos/Complutense/Complutense2004/pages/
12_NeuralNetworks/Hritsev_The_ANN_Book.pdf
Hudson, M., Hagan, M. T., & Demuth, H. B. (2018). Neural Network Toolbox™
User's Guide. Recuperado el 20 de 05 de 2020, de
https://usermanual.wiki/Document/Neural20Network20User20Guide.13532 60851/help
IBM. (08 de 09 de 2020). IBM Knowledge Center. Obtenido de
https://www.ibm.com/support/knowledgecenter/es/SS3RA7_sub/modeler_m ainhelp_client_ddita/components/neuralnet/idh_neuralnet_basics.html Kriesel, D. (2005). A brief introduction to neural networks. University of Bonn,
Germany. Recuperado el 17 de 05 de 2020, de
http://www.dkriesel.com/_media/science/neuronalenetze-en-zeta2-2col- dkrieselcom.pdf
Lou, M. (1993). Preprocessing Data for Neural Networks. Technical Analysis of Stocks & Commodities Magazine.
Marchelli, L. (1980). Cloración del agua en la industria alimentaria. Uruguay:
Laboratorio Tecnológico del Uruguay.
Milamowski, B. M., & Irwin, J. D. (2011). The Industrial Electronics Handbook- Intelligent System. Sound Parkway NW: Taylor & Francis Group.
Mokate, K. (1999). EFICACIA, EFICIENCIA, EQUIDAD Y SOSTENIBILIDAD:
¿QUÉ QUEREMOS DECIR? Banco Interamericano de Desarrollo, Instituto Interamericano para el Desarrollo Social (INDES).
Nguyen, D., & Widrow, B. (1990). Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights. IEEE Neural Networks, 21-26.
Olden, J. D., & Jackson, D. (2002). Illuminating the "black box": a randomization approach for understanding variable contributions in artificial neural
73
networks. Ecological Modelling, 154(1):135{150.
OMS. (2018). Guías para la calidad del agua de consumo humano (cuarta edición ed.). Recuperado el 08 de mayo de 2020, de
https://apps.who.int/iris/bitstream/handle/10665/272403/9789243549958- spa.pdf?ua=1
OMS. (18 de Junio de 2019). Sitio web mundial. Obtenido de
https://www.who.int/es/news/item/18-06-2019-1-in-3-people-globally-do-not- have-access-to-safe-drinking-water-%E2%80%93-unicef-who
OPS. (1996). La desinfección del agua. Recuperado el 13 de 05 de 2020, de http://www.elaguapotable.com/aguadesi.pdf
OPS. (1999). Promoción del desarrollo y/o conservación de ambientes saludables.
Recuperado el 16 de 05 de 2020, de
http://cidbimena.desastres.hn/docum/crid/CD_Agua/pdf/spa/doc14587/doc1 4587-d.pdf
OXFAM. (20 de Julio de 2021). Entre 7 y 8 millones de peruanos no tienen acceso a agua potable. Obtenido de https://peru.oxfam.org/qu%C3%A9-hacemos- ayuda-humanitaria/entre-7-y-8-millones-de-peruanos-no-tienen-acceso- agua-potable
Palacín Silva, M. V. (2011). Visión artificial aplicada al monitoreo automatizado del proceso de cloración para mejorar la calidad del agua. Chiclayo:
Universidad Católica Santo Toribio de Mogrovejo.
Pavón, J. F. (2019). Modelo para el pronóstico de la demanda de agua potable de EMAPA-I aplicando redes neuronales artificiales (Tesis de pregrado).
Universidad Técnica del Norte, Ibarra, Ecuador.
Peña, A. C. (2016). Uso de redes neuronales artificiales para optimizar la
dosificación de coagulantes en la Planta de Tratamiento de Agua Potable – Huancayo (Tesis doctoral). Universidad Nacional Agraria La Molina, Lima, Perú.
Perez, J. A. (1981). Manual de tratamiento de aguas. Medellín-Colombia.
Recuperado el 14 de 05 de 2020, de http://bdigital.unal.edu.co/70/7/45_- _6_Capi_5.pdf
Quispe, A. (2018). Formulación de un modelo de red neuronal artificial para el pronóstico de concentración de oxígeno disuelto y clorofila en la bahía interior de Puno (Tesis de maestría). Universidad Nacional del Altiplano,
74 Puno, Perú.
Quispe, J. J., & Torres, C. J. (2018). Diseño de un sistema automatizado de dosificación de cloro para mejorar la calidad del agua potable en el sistema de abastecimiento de la comunidad La PlataPaiján-La Libertad. Trujillo- Perú. Recuperado el 14 de 05 de 2020, de
http://dspace.unitru.edu.pe/bitstream/handle/UNITRU/10532/QuispeLozano _J%20-%20TorresEsparta_C.pdf?sequence=1&isAllowed=y
Ramos, G. L., & Gentil, J. S. (2019). Diseño e implementación de guías
metodológicas prácticas para el manejo de las plantas piloto de ua potable y residual en el Centro Tecnológico de iente y Sostenibilidad (CTAS) de la Universidad de La Salle. Bogotá-Colombia. Recuperado el 14 de 05 de 2020, de
https://ciencia.lasalle.edu.co/cgi/viewcontent.cgi?article=1773&context=ing_
ambiental_sanitaria
Rojas, R. (1996). Neural Networks - A Systematic Introduction. Berlin, New-York:
Springer-Verlag.
Sattler, K. U., & Schallehn, E. (2001). A Data Preparation Framework Based on a Multidatabase Language. Proc. Int’l Symp. Database Eng. & Applications, 219-228.
Suárez, N. J. (2009). Métodos de investigación científica y técnica aplicados a ingeniería de telecomunicación. Recuperado el 27 de 05 de 2020, de http://www.iuma.ulpgc.es/~nunez/mastertecnologiastelecomunicacion/Recu rsosGenerales/NestorDoctoradoTrabajoCursoMetodosInvestigacion.pdf Thi, E. (01 de 06 de 2020). Training size and epochs DO matter in neural
networks, just saying. Obtenido de
https://medium.com/@emilytranthi/training-size-and-epochs-do-matter-in- neural-networks-just-saying-100c5349af79
Tomaylla, N. J. (2017). Diseño, construcción y evaluación de un sistema de cloración por goteo en la desinfección de agua para consumo de la
comunidad de capillapata - Los Morochucos - Cangallo, Ayacucho - 2016.
Ayacucho-Perú. Recuperado el 15 de 05 de 2020, de http://repositorio.unsch.edu.pe/handle/UNSCH/3412 Universidad de Salamanca. (15 de 05 de 2020). Obtenido de
https://cidta.usal.es/cursos/etap/modulos/curso/uni_06/u6c4s3.htm
75
Wang, L. (2014). Task Load Modelling for LTE Baseband Signal Processing with Artificial Neural Network Approach (Dissertation). KTH Royal Institute of Technology, Stockholm. Recuperado el 17 de 05 de 2020, de
http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-160947
Yu, L., Wang, S., & Lai, K. K. (2006). An Integrated Data Preparation Scheme for Neural Network Data Analysis. IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING, VOL. 18, NO. 2.
76 ANEXOS
77 Anexo I
Instrumentos de recolección de datos
Balanza de precisión modelo BTT10T
Especificación Detalles
Marca Henkel
Tecnología Alemana
Modelo BTT10T
Capacidad 310 g
Precisión ± 0.01 g
Ventana Led display
Bandeja Circular de acero Alimentación AC 220V 50/60 Hz
Fuente: https://www.maquinaelectroperu.com/shop/henkel-peru/henkel-bq311/
78
Medidor digital de pH y temperatura modelo pH 11
Especificación Detalles
pH Range -2.00 to 16.00
Resolution 0.01pH
Accuracy (Precisión) ± 0.01pH
Slope Range 80% to 120%
mV Range -1999 to +1999mV
Resolution 0.1mV (Between ±199.9mV); 1mV (beyond
±199.9mV)
Accuracy 0.2mV (Between ±199.9mV); 2mV (beyond
±199.9mV) Temperature Range -10.0 to 110.0°C
Resolution 0.1°C
Accuracy Accuracy ± 0.5°C
Compensation Automatic/Manual (from 0 to 100°C) Calibration Points Calibration Points 2 to 5 points
pH Buffer Values USA: pH 1.68,4.01,7.00, 10.01 & 12.45.
NIST: pH 1.68,4.01, 6.86, 9.18, & 12.45 pH Slope & Offset Display Yes
Memory 50 Data Sets
Auto Off Selectable
Auto Off Time 20 minutes after last key operation
HOLD Function Yes
Power Requirements 4 ‘AAA’ Batteries; AC/DC Adapter 9V, 200mA Battery Life > 700hrs (Alkaline Batteries)
Environmental Requirements 0 to 50°C (32 to 122°F) 0 to 50°C (32 to 122°F)
Weight & Dimensions (meter) 18.7 x 9 x 4cm; 290g
Boxed 24 x 23 x 7 cm; 650g
Meter Warranty 3 years
79
Fotómetro de filtro portatil Pocket Colorimeter II
Especificación Detalles
Dimensiones (An x Pr x Al) 6,1 x 3,2 x 15,2 cm (2,4 x 1,25 x 6 pulg.) Protección IP67, impermeable a 1 m (3,3 pies) durante
30 minutos (excepto el compartimento de las pilas). No exponer a la luz solar directa.
Fuente de luz Diodo de emisión de luz (LED)
Detector Fotodiodo de silicona
Pantalla LCD con retroiluminación
Peso 0,2 kg (0,43 lb)
Grado de contaminación 2 Tipo de instalación I Clase de protección 3 Requisitos de alimentación
eléctrica
4 pilas AAA, con una vida aproximada de 2000 pruebas (la función de retroiluminación reduce esta cifra). No se recomienda el uso de pilas recargables.
Entorno operativo De 0 a 50 °C (de 32 a 122 °F), del 0 al 90%
de humedad relativa, sin condensación Temperatura de
almacenamiento
–20 a 55 °C (–7,6 a 131 °F) Precisión fotométrica ± 0,0015 Abs
Wavelength (Longitud de onda)
Longitud de onda fija ±2 nm, varía en cada modelo
Ancho de banda del filtro 15 nm Rango de absorbancia 0 a 2,5 Abs Camino óptico de la cubeta de
muestra
1 cm (de 5 a 10 ml), 25 mm (10 ml) Almacenamiento de datos Últimas 10 mediciones
Certificaciones Marcado CE
Garantía 2 años
80 Medidor de Conductividad
Especificación Measurement
Detalles
Conductivity TDS Temperature
Range 0 to 19.99, 20
to199.9, 200 to1999 μS/cm;
2.00 to 19.99, 20.0 to 199.9 mS/cm
0 to 9.9, 10 to 99.9, 100 to 999 ppm;
1.00 to 9.99, 10.0 to
99.9ppt
-10ºC to 110ºC
Resolution 0.01, 0.1, 1μS;
0.01, 0.1mS
0.01, 0.1, 1ppm;
0.01, 0.1ppt
0.1°C
Accuracy ±0.2, 2, 20μS/cm;
±0.2,2mS/cm
±0.1, 1, 10ppm;
±0.1, 1ppt
±0.5oC Calibration up to 5 points (1 per
range)
TDS Factor 0.40 to 1.00 —
81 Medidor de Turbidez HI93703
Especificación Detalles
Range 0.00 to 1000 FTU*
Resolution 0.01 (0.00 to 50.00 FTU); 1 (50 to 1000 FTU) Accuracy @25°C/77°F ±0.5 FTU or ±5% of reading (whichever is greater) Calibration three points (0 FTU, 10 FTU and 500 FTU*)
Light Source / Life infrared LED / Life of instrument Light Detector silicon photocell
Battery Type / Life 1.5V AA (4) /approximately 60 hours of continuous use or 900 measurements;
auto-off after 5 minutes of non-use
Environment 0 to 50°C (32 to 122°F); RH max 95% (non condensing)
Dimensions 220 x 82 x 66 mm (8.7 x 3.2 x 2.6’’)
Weight 510 g (1.1 lb.)
82 Medidor de turbidez TU-2016
Especificación Detalles
Circuit Custom one-chip of microprocessor LSI circuit.
Display LCD size : 41 mm x 34 mm
Range 0.00 to 50.00 NTU, 50 to 1,000 NTU
* NTU: Nephelometric Turbidity Unit
* Auto range
Resolution 0.01 NTU/ 1 NTU
Accuracy ± 5 % F.S. or ± 0.5 NTU, which ever is greater.
Light source LED, 850 nm.
Detector Photo diode
Standard Meet ISO 7027.
Response time Less than 10 seconds.
Sample volume needed 10 mL.
Data Hold Freeze the display reading Memory Recall Maximum & Minimum value.
Display Sampling Time Approx. 1 second.
Power off Auto shut off saves battery life or manual off by push button.
Calibration points 0 NTU, 100 NTU.
Operating Temperature 0 to 50 ℃.
Operating Humidity Less than 85% R.H.
Power Supply DC 1.5 V battery ( UM4, AAA ) x 6 PCs, or equivalent.
Power Current Stand by Approx. DC 3.5 mA.
Testing Approx. DC 36 mA.
Weight 320 g/0.70 LB. @ Battery is included.
Dimension 155 x 76 x 62 mm ( 6.1 x 3.0 x 2.4 inch)
Accessories Included Testing bottle with 0 NTU standard solution ... 1 PC Testing bottle with 100 NTU standard solution ... 1 PC Empty testing bottle ... 2 PCs Clean cloth ... 1 PC Clean solution ( Distill water) ... 1 bottle Hard carrying case, CA-08 ... 1 PC Optional Accessories Testing bottle with 100 NTU standard solution, TU-100NTU
Testing bottle with 0 NTU standard solution, TU-0NTU Empty testing bottle, 0601
83 Anexo II
Conjunto de datos para modelar la red neuronal
N° Fecha Caudal Turbiedad Temperatura pH Cloro gas Cloro residual
(l/s) (NTU) °C (ppm) (ppm)
1 25/06/2018 58 8,01 11,00 7,53 1,3 1,13
2 26/06/2018 65 12,00 10,23 6,56 1,4 1,50
3 27/06/2018 66 13,22 12,00 7,68 1,6 1,72
4 28/06/2018 64 12,05 11,00 7,50 1,3 1,43
5 29/06/2018 68 6,00 9,80 7,44 1,4 1,45
6 02/07/2018 60 11,09 11,00 6,82 1,3 1,52
7 03/07/2018 54 16,20 10,23 6,06 1,3 1,39
8 04/07/2018 56 14,00 12,00 6,90 1,4 1,52
9 05/07/2018 48 7,40 11,00 7,40 1,3 1,40
10 06/07/2018 52 7,40 10,00 7,24 1,3 1,29
11 09/07/2018 46 11,36 12,00 7,40 1,5 1,45
12 10/07/2018 56 8,44 10,50 7,50 1,3 1,50
13 11/07/2018 54 20,69 11,05 6,82 1,3 1,32
14 12/07/2018 60 12,00 11,00 6,55 1,4 1,45
15 13/07/2018 58 16,50 10,23 7,83 1,5 1,56
16 16/07/2018 56 16,50 12,00 7,96 1,3 1,48
17 17/07/2018 48 16,50 11,00 7,38 1,2 1,56
18 18/07/2018 52 11,00 12,02 7,23 1,3 1,48
19 19/07/2018 56 16,50 10,01 6,92 1,3 1,32
20 20/07/2018 56 4,25 9,90 7,28 1,3 1,29
21 23/07/2018 54 8,90 10,08 8,10 1,3 1,40
22 24/07/2018 60 11,50 12,20 8,56 1,3 1,53
23 25/07/2018 58 10,30 11,00 8,12 1,3 1,46
24 26/07/2018 52 9,11 10,23 7,80 1,3 1,50
25 27/07/2018 56 6,00 12,00 6,82 1,2 1,60
26 01/08/2018 58 5,05 11,00 7,94 1,5 1,70
27 02/08/2018 48 9,00 10,08 7,40 1,4 1,60
28 03/08/2018 56 5,23 9,90 6,34 1,4 1,51
29 06/08/2018 46 4,56 10,00 7,40 1,4 1,40
30 07/08/2018 48 7,20 10,05 7,50 1,3 1,50
31 08/08/2018 46 22,00 11,00 6,82 1,4 1,72
32 09/08/2018 32 8,50 10,23 8,15 1,4 1,43
33 10/08/2018 35 12,30 12,00 8,38 1,4 1,39
34 13/08/2018 38 6,25 11,80 7,23 1,3 1,52
35 14/08/2018 52 12,00 11,00 6,92 1,3 1,62
36 15/08/2018 34 16,60 10,23 7,54 1,3 1,50
37 16/08/2018 48 8,26 12,00 7,28 1,3 1,60
38 17/08/2018 58 2,33 11,00 8,10 1,4 1,45
39 20/08/2018 55 7,20 9,98 8,56 1,3 1,40
40 21/08/2018 42 14,04 11,00 7,12 1,3 1,40
84
N° Fecha Caudal Turbiedad Temperatura pH Cloro gas Cloro residual
(l/s) (NTU) °C (ppm) (ppm)
41 22/08/2018 42 5,50 10,23 8,10 1,4 1,30
42 23/08/2018 54 11,60 10,50 6,82 1,4 1,50
43 24/08/2018 42 8,26 11,00 8,15 1,4 1,45
44 27/08/2018 45 8,33 12,35 7,86 1,3 1,40
45 28/08/2018 37 7,20 11,87 7,23 1,4 1,40
46 29/08/2018 42 14,04 11,00 6,92 1,4 1,30
47 30/08/2018 36 5,50 10,23 7,54 1,4 1,55
48 31/08/2018 35 9,35 12,00 7,28 1,4 1,65
49 03/09/2018 26 7,24 11,00 8,10 1,3 1,60
50 04/09/2018 22 8,90 10,00 6,90 1,1 1,70
51 05/09/2018 18 12,23 11,00 8,12 1,3 1,50
52 06/09/2018 14 10,30 10,23 7,35 1,3 1,60
53 07/09/2018 18 9,11 10,50 7,50 1,4 1,51
54 10/09/2018 20 7,00 11,00 7,44 1,3 1,13
55 11/09/2018 24 6,05 11,20 8,15 1,1 1,50
56 12/09/2018 18 9,00 9,80 7,86 1,2 1,72
57 13/09/2018 14 6,23 11,00 7,96 1,4 1,43
58 14/09/2018 18 4,68 10,23 8,38 1,2 1,45
59 17/09/2018 10 7,20 12,00 7,23 1,1 1,52
60 18/09/2018 16 22,00 11,00 6,92 1,3 1,39
61 19/09/2018 18 8,50 9,90 7,54 1,3 1,52
62 20/09/2018 22 12,30 10,00 7,28 1,4 1,52
63 21/09/2018 10 7,12 11,00 8,10 1,4 1,60
64 24/09/2018 18 12,00 10,23 8,56 1,1 1,70
65 25/09/2018 14 14,60 12,00 7,44 1,2 1,50
66 26/09/2018 18 8,26 11,00 7,35 1,4 1,60
67 27/09/2018 22 5,03 10,26 6,78 1,5 1,60
68 28/09/2018 14 7,20 11,35 7,20 1,3 1,70
69 01/10/2018 36 14,04 11,00 6,68 1,2 1,50
70 02/10/2018 22 5,50 10,23 6,90 1,1 1,60
71 03/10/2018 25 16,02 12,00 7,21 1,3 1,51
72 04/10/2018 35 3,96 11,00 7,05 1,1 1,13
73 05/10/2018 37 27,00 10,68 6,82 1,3 1,50
74 08/10/2018 25 7,00 11,00 6,96 1,4 1,72
75 10/10/2018 22 5,20 10,23 7,81 1,3 1,45
76 11/10/2018 37 7,89 12,00 6,46 1,1 1,52
77 12/10/2018 35 8,35 11,00 7,28 1,2 1,39
78 15/10/2018 40 11,62 10,16 6,77 1,1 1,52
79 16/10/2018 27 9,34 9,86 7,20 1,3 1,60
80 17/10/2018 56 10,84 9,40 6,98 1,1 1,70
81 18/10/2018 54 6,00 12,00 7,40 1,3 1,60
82 19/10/2018 48 4,92 11,00 7,44 1,3 1,51
83 22/10/2018 44 6,06 10,00 7,00 1,3 1,13
85
N° Fecha Caudal Turbiedad Temperatura pH Cloro gas Cloro residual
(l/s) (NTU) °C (ppm) (ppm)
84 23/10/2018 36 7,73 11,00 6,89 1,3 1,50
85 24/10/2018 48 5,39 9,59 7,28 1,1 1,72
86 25/10/2018 56 7,89 11,40 8,10 1,2 1,43
87 26/10/2018 60 8,34 11,00 8,56 1,4 1,45
88 05/11/2018 60 16,00 11,20 7,44 1,3 1,52
89 06/11/2018 68 12,50 9,80 7,35 1,3 1,39
90 07/11/2018 64 12,63 10,40 6,78 1,4 1,52
91 08/11/2018 55 9,86 9,91 7,20 1,4 1,20
92 09/11/2018 68 12,89 11,92 6,68 1,3 1,40
93 12/11/2018 57 11,20 11,77 6,90 1,2 1,50
94 13/11/2018 52 14,62 10,23 7,21 1,4 1,10
95 14/11/2018 54 9,00 12,00 7,05 1,2 1,30
96 15/11/2018 37 4,45 11,00 7,01 1,1 1,65
97 16/11/2018 22 7,12 11,21 6,80 1,3 1,63
98 19/11/2018 26 15,75 10,23 7,15 1,3 1,50
99 22/11/2018 15 4,26 12,00 6,78 1,3 1,60
100 23/11/2018 17 7,40 11,00 7,00 1,3 1,50
101 25/11/2018 68 13,89 10,00 6,89 1,2 1,72
102 26/11/2018 55 12,77 11,00 7,28 1,4 1,43
103 27/11/2018 58 16,56 10,23 8,10 1,5 1,39
104 28/11/2018 56 12,46 12,00 7,82 1,3 1,52
105 29/11/2018 40 10,26 11,00 7,44 1,4 1,62
106 30/11/2018 35 9,68 10,00 7,35 1,3 1,50
107 03/12/2018 10 5,12 12,00 6,78 1,3 1,60
108 04/12/2018 7 5,26 10,50 7,22 1,5 1,45
109 05/12/2018 10 5,30 9,32 7,02 1,3 1,55
110 06/12/2018 10 8,44 11,00 7,00 1,1 1,40
111 07/12/2018 55 16,28 10,23 6,92 1,4 1,45
112 10/12/2018 13 5,40 12,00 7,50 1,2 1,65
113 11/12/2018 28 6,36 9,89 7,00 1,1 1,52
114 12/12/2018 15 8,44 11,00 7,20 1,1 1,50
115 13/12/2018 20 9,29 10,50 6,68 1,2 1,56
116 14/12/2018 17 5,06 10,00 7,86 1,3 1,45
117 17/12/2018 22 6,23 11,36 7,12 1,2 1,56
118 18/12/2018 25 7,21 10,21 7,02 1,1 1,62
86 Anexo III
Tabla de números Z para identificar outliers
N° Caudal Turbiedad Temperatura pH Cloro gas Cloro residual 1 1,04519 -0,41292 0,22191 0,35896 -0,01561 -2,73533 2 1,44377 0,50511 -0,79077 -1,50354 0,90528 0,05692 3 1,50071 0,78581 1,53707 0,64698 2,74706 1,71717 4 1,38683 0,51661 0,22191 0,30136 -0,01561 -0,47134 5 1,61459 -0,87539 -1,35629 0,18615 0,90528 -0,32041 6 1,15907 0,29573 0,22191 -1,00431 -0,01561 0,20785 7 0,81743 1,47146 -0,79077 -2,46359 -0,01561 -0,77321 8 0,93131 0,96527 1,53707 -0,8507 0,90528 0,20785 9 0,47579 -0,55327 0,22191 0,10935 -0,01561 -0,69774 10 0,70355 -0,55327 -1,09326 -0,19787 -0,01561 -1,52787 11 0,36191 0,35786 1,53707 0,10935 1,82617 -0,32041 12 0,93131 -0,31398 -0,43568 0,30136 -0,01561 0,05692 13 0,81743 2,50453 0,28766 -1,00431 -0,01561 -1,30147 14 1,15907 0,50511 0,22191 -1,52274 0,90528 -0,32041 15 1,04519 1,54048 -0,79077 0,93499 1,82617 0,50972 16 0,93131 1,54048 1,53707 1,18461 -0,01561 -0,09401 17 0,47579 1,54048 0,22191 0,07095 -0,9365 0,50972 18 0,70355 0,27503 1,56337 -0,21707 -0,01561 -0,09401 19 0,93131 1,54048 -1,08011 -0,8123 -0,01561 -1,30147 20 0,93131 -1,27803 -1,22477 -0,12106 -0,01561 -1,52787 21 0,81743 -0,20815 -0,98804 1,45342 -0,01561 -0,69774 22 1,15907 0,39007 1,8001 2,33667 -0,01561 0,28332 23 1,04519 0,11397 0,22191 1,49182 -0,01561 -0,24494 24 0,70355 -0,15983 -0,79077 0,87739 -0,01561 0,05692 25 0,93131 -0,87539 1,53707 -1,00431 -0,9365 0,81158 26 1,04519 -1,09396 0,22191 1,1462 1,82617 1,56624 27 0,47579 -0,18514 -0,98804 0,10935 0,90528 0,81158 28 0,93131 -1,05255 -1,22477 -1,92596 0,90528 0,13239 29 0,36191 -1,20671 -1,09326 0,10935 0,90528 -0,69774 30 0,47579 -0,59929 -1,0275 0,30136 -0,01561 0,05692 31 0,36191 2,80594 0,22191 -1,00431 0,90528 1,71717 32 -0,43525 -0,30018 -0,79077 1,54942 0,90528 -0,47134 33 -0,26443 0,57413 1,53707 1,99105 0,90528 -0,77321 34 -0,09361 -0,81787 1,27404 -0,21707 -0,01561 0,20785 35 0,70355 0,50511 0,22191 -0,8123 -0,01561 0,96251 36 -0,32137 1,56349 -0,79077 0,37816 -0,01561 0,05692 37 0,47579 -0,3554 1,53707 -0,12106 -0,01561 0,81158 38 1,04519 -1,71979 0,22191 1,45342 0,90528 -0,32041 39 0,87437 -0,59929 -1,11956 2,33667 -0,01561 -0,69774 40 0,13415 0,97448 0,22191 -0,42828 -0,01561 -0,69774 41 0,13415 -0,99043 -0,79077 1,45342 0,90528 -1,4524
87
N° Caudal Turbiedad Temperatura pH Cloro gas Cloro residual 42 0,81743 0,41308 -0,43568 -1,00431 0,90528 0,05692 43 0,13415 -0,3554 0,22191 1,54942 0,90528 -0,32041 44 0,30497 -0,33929 1,99738 0,9926 -0,01561 -0,69774 45 -0,15055 -0,59929 1,3661 -0,21707 0,90528 -0,69774 46 0,13415 0,97448 0,22191 -0,8123 0,90528 -1,4524 47 -0,20749 -0,99043 -0,79077 0,37816 0,90528 0,43425 48 -0,26443 -0,10461 1,53707 -0,12106 0,90528 1,18891 49 -0,77689 -0,59008 0,22191 1,45342 -0,01561 0,81158 50 -1,00465 -0,20815 -1,09326 -0,8507 -1,85738 1,56624 51 -1,23241 0,55803 0,22191 1,49182 -0,01561 0,05692 52 -1,46017 0,11397 -0,79077 0,01334 -0,01561 0,81158 53 -1,23241 -0,15983 -0,43568 0,30136 0,90528 0,13239 54 -1,11853 -0,6453 0,22191 0,18615 -0,01561 -2,73533 55 -0,89077 -0,86388 0,48494 1,54942 -1,85738 0,05692 56 -1,23241 -0,18514 -1,35629 0,9926 -0,9365 1,71717 57 -1,46017 -0,82247 0,22191 1,18461 0,90528 -0,47134 58 -1,23241 -1,1791 -0,79077 1,99105 -0,9365 -0,32041 59 -1,68793 -0,59929 1,53707 -0,21707 -1,85738 0,20785 60 -1,34629 2,80594 0,22191 -0,8123 -0,01561 -0,77321 61 -1,23241 -0,30018 -1,22477 0,37816 -0,01561 0,20785 62 -1,00465 0,57413 -1,09326 -0,12106 0,90528 0,20785 63 -1,68793 -0,61769 0,22191 1,45342 0,90528 0,81158 64 -1,23241 0,50511 -0,79077 2,33667 -1,85738 1,56624 65 -1,46017 1,10332 1,53707 0,18615 -0,9365 0,05692 66 -1,23241 -0,3554 0,22191 0,01334 0,90528 0,81158 67 -1,00465 -1,09857 -0,75132 -1,08112 1,82617 0,81158 68 -1,46017 -0,59929 0,68221 -0,27467 -0,01561 1,56624 69 -0,20749 0,97448 0,22191 -1,27313 -0,9365 0,05692 70 -1,00465 -0,99043 -0,79077 -0,8507 -1,85738 0,81158 71 -0,83383 1,43004 1,53707 -0,25547 -0,01561 0,13239 72 -0,26443 -1,34475 0,22191 -0,56269 -1,85738 -2,73533 73 -0,15055 3,95635 -0,19895 -1,00431 -0,01561 0,05692 74 -0,83383 -0,6453 0,22191 -0,7355 0,90528 1,71717 75 -1,00465 -1,05945 -0,79077 0,89659 -0,01561 -0,32041 76 -0,15055 -0,44053 1,53707 -1,69555 -1,85738 0,20785 77 -0,26443 -0,33469 0,22191 -0,12106 -0,9365 -0,77321 78 0,02027 0,41768 -0,88283 -1,10032 -1,85738 0,20785 79 -0,71995 -0,10691 -1,27738 -0,27467 -0,01561 0,81158 80 0,93131 0,23821 -1,88236 -0,69709 -1,85738 1,56624 81 0,81743 -0,87539 1,53707 0,10935 -0,01561 0,81158 82 0,47579 -1,12388 0,22191 0,18615 -0,01561 0,13239 83 0,24803 -0,86158 -1,09326 -0,65869 -0,01561 -2,73533 84 -0,20749 -0,47734 0,22191 -0,8699 -0,01561 0,05692 85 0,47579 -1,01574 -1,63248 -0,12106 -1,85738 1,71717
88
N° Caudal Turbiedad Temperatura pH Cloro gas Cloro residual 86 0,93131 -0,44053 0,74797 1,45342 -0,9365 -0,47134 87 1,15907 -0,33699 0,22191 2,33667 0,90528 -0,32041 88 1,15907 1,42544 0,48494 0,18615 -0,01561 0,20785 89 1,61459 0,62015 -1,35629 0,01334 -0,01561 -0,77321 90 1,38683 0,65006 -0,56719 -1,08112 0,90528 0,20785 91 0,87437 0,01273 -1,21162 -0,27467 0,90528 -2,20706 92 1,61459 0,70988 1,43186 -1,27313 -0,01561 -0,69774 93 0,98825 0,32104 1,23458 -0,8507 -0,9365 0,05692 94 0,70355 1,10793 -0,79077 -0,25547 0,90528 -2,96172 95 0,81743 -0,18514 1,53707 -0,56269 -0,9365 -1,4524 96 -0,15055 -1,23201 0,22191 -0,63949 -1,85738 1,18891 97 -1,00465 -0,61769 0,49809 -1,04271 -0,01561 1,03798 98 -0,77689 1,36792 -0,79077 -0,37068 -0,01561 0,05692 99 -1,40323 -1,27573 1,53707 -1,08112 -0,01561 0,81158 100 -1,28935 -0,55327 0,22191 -0,65869 -0,01561 0,05692 101 1,61459 0,93997 -1,09326 -0,8699 -0,9365 1,71717 102 0,87437 0,68227 0,22191 -0,12106 0,90528 -0,47134 103 1,04519 1,55429 -0,79077 1,45342 1,82617 -0,77321 104 0,93131 0,61095 1,53707 0,91579 -0,01561 0,20785 105 0,02027 0,10477 0,22191 0,18615 0,90528 0,96251 106 -0,26443 -0,02868 -1,09326 0,01334 -0,01561 0,05692 107 -1,68793 -1,07786 1,53707 -1,08112 -0,01561 0,81158 108 -1,85875 -1,04565 -0,43568 -0,23627 1,82617 -0,32041 109 -1,68793 -1,03644 -1,98757 -0,62029 -0,01561 0,43425 110 -1,68793 -0,31398 0,22191 -0,65869 -1,85738 -0,69774 111 0,87437 1,48986 -0,79077 -0,8123 0,90528 -0,32041 112 -1,51711 -1,01344 1,53707 0,30136 -0,9365 1,18891 113 -0,66301 -0,79256 -1,23793 -0,65869 -1,85738 0,20785 114 -1,40323 -0,31398 0,22191 -0,27467 -1,85738 0,05692 115 -1,11853 -0,11841 -0,43568 -1,27313 -0,9365 0,50972 116 -1,28935 -1,09166 -1,09326 0,9926 -0,01561 -0,32041 117 -1,00465 -0,82247 0,69537 -0,42828 -0,9365 0,50972 118 -0,83383 -0,59699 -0,81707 -0,62029 -1,85738 0,96251