Resumen de la Tesis
-----------------------------------------------------------------------------------------------------------------------------------------------
La industria del agua potable tiene una presión creciente para producir un agua tratada de mayor calidad a costos más reducidos. La unidad Coagulación-Floculación es una de las etapas más importantes dentro de la producción de agua potable. Esta unidad permite eliminar en gran medida las partículas coloidales y fuentes de contaminación, además constituyen el proceso básico que determina en gran parte las condiciones de operación de las plantas de tratamiento.
Su implementación, en la mayor parte de las instalaciones es manual y requiere de análisis de laboratorio largos y costosos. Actualmente, la dosificación se realiza mediante “prueba de jarras”. Esta técnica manual resulta difícil integrarlo a un sistema de supervisión y diagnostico en línea y está estrechamente ligada a los estados de funcionamiento de la planta.
El presente trabajo de tesis describe una metodología para la predicción en línea de la dosis óptima de coagulante y una metodología de aprendizaje de clasificación para identificar los estados funcionales en una planta de producción de agua potable. La eficiencia en el proceso de producción está estrechamente relacionada a la operación de la planta. Debido a la falta de un modelo simple que permita describir a la planta potabilizadora, se propone un modelo de comportamiento, a partir del análisis de los parámetros físico-químicos del agua a la entrada de la planta, de tal maneta que permita conocer sus estados funcionales en línea utilizando técnicas de clasificación. Además mediante el uso de los datos históricos de la planta, se entrena una red neuronal artificial utilizando un algoritmo de aprendizaje que permita optimizar la dosis de coagulante. El aspecto innovador de la presente investigación reside en la aplicación de técnicas inteligentes para el análisis de la información de la planta (lógica difusa para el clasificador y redes neuronales para la predicción).

Abstract
-----------------------------------------------------------------------------------------------------------------------------------------------
The industrial of drinking water has a raise pressure to produce water with higher quality at lower cost. The coagulation-flocculation unit is one of the most important stages in the production of drinking water. This unit can largely eliminate the colloidal particles and sources of pollution, and is the basic process that largely determines the operating conditions of the treatment plants. Its implementation, in most of the facilities is manual and requires a lengthy and costly test. Currently, dosing is done by “jar testing”. This manual technique is difficult to integrate into a system of monitoring and diagnostic on-line, and is closely linked to the functional states of the plant.
This thesis describes a methodology for predicting online optimum coagulant dose, and classification learning methodology to identify the functional states in a production of drinking water. Efficiency in the production process is closely related to the operation of the plant. Due to the lack of a simple model for describing the water treatment plant, we propose a model of behavior, from the analysis of physical-chemical parameters of water at the plant entrance, so as to show its functional states on-line using classification techniques based on fuzzy logic. The fuzzy classification technique propose the interactive participation of the expert during the learning phase and the optimization of the classification. Also through using historical data from the plant, an artificial neural network is trained using a learning algorithm for optimizing the dose of coagulant. The innovative aspect of this research lies in the application of intelligent techniques for data analysis of the plant (fuzzy logic for the classifier and neural networks for the prediction).