Desarrollo de una red neuronal artificial para identificar la curva característica de un sensor de potencial de hidrógeno PH en una empresa de monitoreo de la calidad del agua

Abstract

En este trabajo se identifica de manera satisfactoria la curva característica de un sensor de pH mediante el entrenamiento y validación de una Red Neuronal Artificial. Esta afirmación resulta de la aceptación de la hipótesis general "El Desarrollo de una Red Neuronal Artificial permite identificar la Curva Característica de un Sensor de Potencial de Hidrógeno PH en una empresa de monitoreo de la calidad del agua". Esto se logró utilizando una metodología experimental, en la que se utilizó una arquitectura perceptrón con 6 entradas, 35 neuronas en la capa oculta, y 1 neurona en la capa de salida, se inicializaron los pesos utilizando el método Widrow y Nguyen y para el entrenamiento se utilizó el algoritmo general de regularización Bayesiana. Se aceptó cada una de las hipótesis específicas debido a los resultados óptimos del Capítulo V "Análisis de resultados" con respecto a la suma de errores cuadráticos, número efectivo de parámetros, regresión lineal de los objetivos y salidas de la RNA, coeficiente de correlación, histograma de errores, la comparación de las medidas del grado de pH de tres sustancias diferentes utilizando el módulo electrónico desarrollado con la RNA entrenada y un dispositivo electrónico de medición (de fábrica) fueron valores similares con un error máximo de 0.057pH. Finalizamos este trabajo realizando las recomendaciones como un punto de partida para ampliar este trabajo.

In this work, the characteristic curve of a pH sensor is satisfactorily identified through the training and validation of an Artificial Neural Network. This statement results from the acceptance of the general hypothesis "The Development of an Artificial Neural Network allows the identification of the Characteristic Curve of a Hydrogen PH Potential Sensor in a water quality monitoring company." This was achieved using an experimental methodology, in which a perceptron architecture was used with 6 inputs, 35 neurons in the hidden layer, and 1 neuron in the output layer, the weights were initialized using the Widrow and Nguyen method and for training The general Bayesian regularization algorithm was used. Each of the specific hypotheses was accepted due to the optimal results of Chapter V "Analysis of results" with respect to the sum of squared errors, effective number of parameters, linear regression of the objectives and outputs of the ANN, correlation coefficient, histogram of errors, the comparison of the measurements of the pH degree of three different substances using the electronic module developed with the trained ANN and an electronic measuring device (factory) were similar values with a maximum error of 0.057pH. We conclude this work by making recommendations as a starting point to expand this work.