Implementación de algoritmos de aprendizaje no supervisado, profundo y por refuerzo en redes de distribución de agua

Abstract

The implementation of artificial intelligence algorithms in chemical engineering addresses the need to overcome the computational limitations of current models. These algorithms allow for addressing the high degree of nonlinearity and uncertainty inherent in the modeling of wastewater treatment plants that are part of water distribution networks. This enables the optimization of economic, water consumption, and environmental decision-making in scenarios where conventional simulations are insufficient. This work proposes the implementation of artificial intelligence algorithms for subsets of unsupervised, deep, and reinforcement learning in water distribution networks. Furthermore, it addresses implementation strategies for k-means (KM), Deep Artificial Neural Networks (DANN), and Critical Actor (CA) algorithms for a specific water distribution network case. Additionally, the data generated from the KM implementation are applied to a mathematical model of water distribution networks. Finally, the integration of a DANN and a mathematical model of water distribution networks within mathematical optimization strategies is implemented. CA is also used for economic, water consumption, and environmental decision-making in water distribution networks, considering the integration of a DANN into a mathematical model. KM, DANN and CA algorithms have proven efficient in solving water distribution network problems, performing tasks such as finding the optimal location for an arsenic removal treatment plant, representing the behavior of a wastewater treatment plant, and acting as a decision-maker for water supply in a residential complex.

La implementación de algoritmos de inteligencia artificial en la ingeniería química responde a una necesidad de traspasar las limitantes computacionales de los modelos actuales. Estos algoritmos permiten discutir la elevada no linealidad e incertidumbre inherente en el modelamiento de plantas de tratamiento de aguas residuales que son parte de las redes de distribución de agua. Con ello, se permite optimizar la toma de decisión económica, consumo de agua y ambiental en los escenarios donde las simulaciones convencionales resultan insuficientes. En este trabajo se propone la implementación de algoritmos de inteligencia artificial para los subconjuntos de aprendizaje no supervisado, profundo y por refuerzo en redes de distribución de agua. Además, se abordan estrategias de implementación de los algoritmos de k-means (KM), Redes Neuronales Artificiales Profundas (RNAP) y Actor-Critico (AC) para un caso específico de red de distribución de agua. Asimismo, los datos desplegados como resultado de la implementación de KM, son aplicados en un modelo matemático de redes de distribución de agua. Además, se implementa la integración de una RNAP y un modelo matemático de redes de distribución de agua dentro de estrategias de optimización matemática. También, un AC es empleado para la toma de decisión económica, consumo de agua y ambiental en una red de distribución de agua considerando la integración de una RNAP en un modelo matemático. Los algoritmos de KM, RNAP y AC han demostrado ser eficientes en las soluciones de las redes de distribución de agua desempañando tareas como: encontrar la ubicación óptima de una planta de tratamiento de remoción de arsénico, representar el comportamiento de una planta de tratamiento de agua residuales y como un tomador de decisión en el suministro de agua en un complejo residencial.