Inteligencia artificial para control y operación de procesos en tratamiento de aguas

I. ¿Que es la inteligencia artificial (IA)?

La inteligencia artificial (IA) es la rama central y conocida de la informática que se ocupa de la construcción de sistemas inteligentes, autónomos y programados para simular la inteligencia humana e imitar sus acciones. La principal motivación de las aplicaciones de la IA en un sistema es mejorar las funciones de los ordenadores que son relevantes para el conocimiento humano, como el aprendizaje, la resolución de problemas, el razonamiento y la percepción [1]. Actualmente esta tecnología está en auge debido a sus características únicas para aprender y adaptar un sistema a partir de datos históricos, así como su capacidad para la toma de decisiones, y se espera que con el tiempo su relevancia aumente, ya que representa una alternativa atractiva para la automatización y control de procesos industriales [2].

Uno de los procesos transversales, necesario en casi todas las industrias es el tratamiento de agua. Conocidas como PTAR (Plantas de tratamiento de aguas residuales) estos sistemas se dedican a la limpieza y purificación de agua contaminada durante los procesos productivos, ya sea para su reingreso al proceso o para su deshecho de acuerdo con las normas establecidas por el ente regulador en el Perú, es decir la ANA (Autoridad Nacional del Agua). Existen diversos tipos de PTAR, las de tipo biológico, físico, químico, híbridas, etc.; pero todas representan una inversión y costo operacional importante en las líneas productivas.

Es en este contexto que la implementación de la IA aporta un valor agregado importante, proporcionando la ventaja de optimizar los recursos. Se ha demostrado que la aplicación de esta tecnología puede ahorrar de un 20 a un 30% en gastos operativos y, así mismo, disminuir los costos de materia prima, optimizando el uso de sustancias químicas en este proceso [3]. Muchas investigaciones ya han demostrado aplicaciones exitosas de diferentes herramientas de IA para el modelado y optimización del proceso de tratamiento del agua, como la eliminación de contaminantes [4]. Sin embargo, también existen limitaciones en la implementación de esta tecnología, siendo una de las principales la disponibilidad de datos, ya que se depende de estos para predecir resultados futuros y ofrecer mejoras en los sistemas. De tener una base de datos limitada, se podría introducir errores en el programa y los resultados no tendrían la precisión adecuada, lo cual limita los sistemas en los que la IA es implementable.

II. Aplicaciones de las herramientas de IA en el tratamiento del agua

Las técnicas basadas en IA más comúnmente empleadas en el tratamiento de agua se basan en el uso de algoritmos de Redes Neuronales Artificiales (ANN, por sus siglas en inglés). Estas se utilizan para gestionar las operaciones de tratamiento, la reutilización del agua, el ahorro de la misma y la reducción de costes mediante la predicción, el diagnóstico, la evaluación y la simulación [4]. Un esquema de los algoritmos englobados por las ANN se muestra en la Figura 1.

Figura 1. Clasificación de las técnicas de inteligencia artificial basadas en ANN. Adaptado de “Applications of artificial intelligence in water treatment for the optimization and automation of the adsorption process: Recent advances and prospects” por Alam G, Ihsanullah I, Naushad M, Sillanpää M, Chemical Engineering Journal, 130011, 2021.

Dentro de las aplicaciones actuales de estas herramientas en las PTAR destacan las de eliminación de tintes, limpieza de metales pesados y eliminación de compuestos orgánicos, nutrientes, productos farmacéuticos, fármacos, pesticidas y PCP (Productos de cuidado personal) de fase acuosa. Siendo la primera de un gran interés por el volumen de agua que se genera en los procesos de coloración.

La tabla 1 muestra un ejemplo de las aplicaciones de la IA para la adsorción de tintes en fase acuosa. En estas, las técnicas de IA demostraron ser efectivas para establecer una relación entre variables en el tratamiento. Un ejemplo de esto es la adsorción de contaminantes, donde las variables de entrada comúnmente utilizadas son las concentraciones del contaminante, dosis de adsorbente, tiempo, pH, velocidad de agitación y temperatura, mientras que la variable de salida es principalmente la eficiencia de eliminación (%) y la capacidad de adsorción [6].

Los resultados predichos de los modelos se validan usando R² (coeficiente de determinación), MSE (error cuadrático medio), SSE (suma del error cuadrático), error porcentual absoluto medio (MAPE) y valores de RMSE (error cuadrático medio). En la mayoría de los casos, los resultados del modelo coincidieron estrechamente con los resultados experimentales [5].

Tabla 1. Aplicaciones de la IA para la adsorción de tintes en fase acuosa. 

Adaptado de “Applications of artificial intelligence in water treatment for the optimization and automation of the adsorption process: Recent advances and prospects” por Alam G, Ihsanullah I, Naushad M, Sillanpää M, 2021, Chemical Engineering Journal, 130011, 2021.

III. Desafíos y Perspectivas

La aplicación de las herramientas de la IA da la oportunidad a industrias que utilizan PTAR de optimizar, controlar, gestionar y abordar mejor problemas de calidad del agua, detección de fugas y optimización del proceso. Sin embargo, a pesar de las diversas ventajas que ofrecen las herramientas de inteligencia artificial, todavía existen algunas deficiencias que deben superarse para aprovechar al máximo su potencial en aplicaciones prácticas de tratamiento de agua.

En determinadas circunstancias los rendimientos del proceso predichos por las herramientas de IA pueden desviarse de los resultados reales. Por ejemplo, un cambio súbito en los parámetros operativos y de calidad del agua puede resultar en una predicción incorrecta.

Por tanto, se deben realizar esfuerzos por fortalecer el poder predictivo de estas herramientas. Un mayor número de estudios a nivel de planta piloto a fin de generar y seleccionar datos adecuados y en cantidad suficiente, el desarrollo de mejores algoritmos -p.e. herramientas de IA híbridas- capaces de adaptarse a fluctuaciones repentinas en las variables de entrada serán útiles para superar los desafíos presentes y así tener sistemas capaces de tomar decisiones y realizar predicciones inteligentes.

IV. Referencias

[1]        U. Paschen, C. Pitt, and J. Kietzmann, “Artificial intelligence: Building blocks and an innovation typology,” Bus. Horiz., vol. 63, no. 2, pp. 147–155, 2020.

[2]        M. Ghahramani, Y. Qiao, M. C. Zhou, A. O. Hagan, and J. Sweeney, “AI-based modeling and data-driven evaluation for smart manufacturing processes,” IEEE/CAA J. Autom. Sin., vol. 7, no. 4, pp. 1026–1037, 2020.

[3]        “Water Finances and Management,” Report: Annual OPEX for water and wastewater utilities nearing $100 billion. [Online]. Available: https://waterfm.com/report-opex-water-wastewater-utilities-nearing-100-b....

[4]        L. Zhao, T. Dai, Z. Qiao, P. Sun, J. Hao, and Y. Yang, “Application of artificial intelligence to wastewater treatment: A bibliometric analysis and systematic review of technology, economy, management, and wastewater reuse,” Process Saf. Environ. Prot., vol. 133, pp. 169–182, 2020.

[5]        G. Alam, I. Ihsanullah, M. Naushad, and M. Sillanpää, “Applications of artificial intelligence in water treatment for the optimization and automation of the adsorption process: Recent advancesandprospects,” Chem. Eng. J., p. 130011, 2021.

[6]        A. M. Ghaedi and A. Vafaei, “Applications of artificial neural networks for adsorption removal of dyes from aqueous solution: A review,” Adv. Colloid Interface Sci., vol. 245, no. April, pp. 20–39, 2017.