Modelos basados en redes neuronales artificiales para la degradación de contaminantes emergentes: desarrollo y validación

Autores
Álvarez, Dolores María Eugenia; Modesti, Mario Roberto; Gerbaldo, María Verónica; Mendieta, Silvia Nazaret; Crivello, Mónica Elsie
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Los contaminantes emergentes son sustancias químicas que comúnmente que no se encuentran monitoreadas pero pueden causar efectos adversos ecológicos y para la salud humana, tal es el caso del diclofenaco sódico. Éste puede ser degradado mediante un proceso heterogéneo de Photo-Fenton, utilizando CoFe2O4 como catalizador, H2O2 como oxidante y radiación germicida UV. El objetivo del trabajo es comprobar la capacidad de generalización de modelos matemáticos basados en redes neuronales artificiales que caractericen la relación entre la degradación del diclofenaco y el consumo de H2O2, con los porcentajes de Carbono Orgánico Total logrados en la mineralización del fármaco. La red neuronal bakpropagation que mejor desempeño mostró está constituida con una capa oculta con función de transferencia sigmoidea, conteniendo 10 neuronas y una de salida con lineal. Se determinó que el modelo posee capacidad de aproximar la tendencia en cuanto a la combinación de datos de entrada (Absorbancia y concentración de H2O2) y salida del mismo (% de TOC), cuando se valida con el catalizador reusado por primera y segunda vez. El desarrollo de estos modelos es de interés por la consecuente disminución de tiempos y costos en ensayos experimentales; representa un estudio preliminar de la evolución en el tratamiento de contaminantes emergentes.
Fil: Álvarez, Dolores María Eugenia. Centro de Investigación y Tecnología Química. Consejo Nacional de Investigaciones Científicas y Técnicas. Universidad Tecnológica Nacional. Facultad Regional Córdoba; Argentina.
Fil: Gerbaldo, María Verónica. Centro de Investigación y Tecnología Química. Consejo Nacional de Investigaciones Científicas y Técnicas. Universidad Tecnológica Nacional. Facultad Regional Córdoba; Argentina.
Fil: Mendieta, Silvia Nazaret. Centro de Investigación y Tecnología Química. Consejo Nacional de Investigaciones Científicas y Técnicas. Universidad Tecnológica Nacional. Facultad Regional Córdoba; Argentina.
Fil: Crivello, Mónica Elsie. Centro de Investigación y Tecnología Química. Consejo Nacional de Investigaciones Científicas y Técnicas. Universidad Tecnológica Nacional. Facultad Regional Córdoba; Argentina.
Fil: Modesti, Mario Roberto. Laboratorio de Sensores e Instrumentación. LabSen. Universidad Tecnológica Nacional. Facultad Regional Córdoba; Argentina.
Materia
Contaminantes Emergentes
Redes Neuronales Artificiales
Ferritas
Modelos Matemáticos
Nivel de accesibilidad
acceso abierto
Condiciones de uso
2022-05-03T20:34:15Z
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/6207
Acceder
id RIAUTN_e09ac6c0a07f8e33ca3ddfa0c7a5318f
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/6207
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Modelos basados en redes neuronales artificiales para la degradación de contaminantes emergentes: desarrollo y validaciónÁlvarez, Dolores María EugeniaModesti, Mario RobertoGerbaldo, María VerónicaMendieta, Silvia NazaretCrivello, Mónica ElsieContaminantes EmergentesRedes Neuronales ArtificialesFerritasModelos MatemáticosLos contaminantes emergentes son sustancias químicas que comúnmente que no se encuentran monitoreadas pero pueden causar efectos adversos ecológicos y para la salud humana, tal es el caso del diclofenaco sódico. Éste puede ser degradado mediante un proceso heterogéneo de Photo-Fenton, utilizando CoFe2O4 como catalizador, H2O2 como oxidante y radiación germicida UV. El objetivo del trabajo es comprobar la capacidad de generalización de modelos matemáticos basados en redes neuronales artificiales que caractericen la relación entre la degradación del diclofenaco y el consumo de H2O2, con los porcentajes de Carbono Orgánico Total logrados en la mineralización del fármaco. La red neuronal bakpropagation que mejor desempeño mostró está constituida con una capa oculta con función de transferencia sigmoidea, conteniendo 10 neuronas y una de salida con lineal. Se determinó que el modelo posee capacidad de aproximar la tendencia en cuanto a la combinación de datos de entrada (Absorbancia y concentración de H2O2) y salida del mismo (% de TOC), cuando se valida con el catalizador reusado por primera y segunda vez. El desarrollo de estos modelos es de interés por la consecuente disminución de tiempos y costos en ensayos experimentales; representa un estudio preliminar de la evolución en el tratamiento de contaminantes emergentes.Fil: Álvarez, Dolores María Eugenia. Centro de Investigación y Tecnología Química. Consejo Nacional de Investigaciones Científicas y Técnicas. Universidad Tecnológica Nacional. Facultad Regional Córdoba; Argentina.Fil: Gerbaldo, María Verónica. Centro de Investigación y Tecnología Química. Consejo Nacional de Investigaciones Científicas y Técnicas. Universidad Tecnológica Nacional. Facultad Regional Córdoba; Argentina.Fil: Mendieta, Silvia Nazaret. Centro de Investigación y Tecnología Química. Consejo Nacional de Investigaciones Científicas y Técnicas. Universidad Tecnológica Nacional. Facultad Regional Córdoba; Argentina.Fil: Crivello, Mónica Elsie. Centro de Investigación y Tecnología Química. Consejo Nacional de Investigaciones Científicas y Técnicas. Universidad Tecnológica Nacional. Facultad Regional Córdoba; Argentina.Fil: Modesti, Mario Roberto. Laboratorio de Sensores e Instrumentación. LabSen. Universidad Tecnológica Nacional. Facultad Regional Córdoba; Argentina.2022-05-03T20:34:15Z2022-05-03T20:34:15Z2021info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaplainapplication/pdfhttp://hdl.handle.net/20.500.12272/6207-spainfo:eu-repo/semantics/openAccess2022-05-03T20:34:15Zhttp://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 InternacionalCrivello, Mónica ElsieX Atribución (Attribution): En cualquier explotación de la obra autorizada por la licencia será necesario reconocer la autoría (obligatoria en todos los casos). X No comercial (Non Commercial): La explotación de la obra queda limitada a usos no comerciales. X Sin obras derivadas (No Derivate Works): La autorización para explotar la obra no incluye la posibilidad de crear una obra derivada (traducciones, adaptaciones, etc.). X Compartir igual (Share Alike): La explotación autorizada incluye la creación de obras derivadas siempre que se mantenga la misma licencia al ser divulgadas.2021reponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-10-01T11:57:58Zoai:ria.utn.edu.ar:20.500.12272/6207instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-10-01 11:57:59.636Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Modelos basados en redes neuronales artificiales para la degradación de contaminantes emergentes: desarrollo y validación
title Modelos basados en redes neuronales artificiales para la degradación de contaminantes emergentes: desarrollo y validación
spellingShingle Modelos basados en redes neuronales artificiales para la degradación de contaminantes emergentes: desarrollo y validación
Álvarez, Dolores María Eugenia
Contaminantes Emergentes
Redes Neuronales Artificiales
Ferritas
Modelos Matemáticos
title_short Modelos basados en redes neuronales artificiales para la degradación de contaminantes emergentes: desarrollo y validación
title_full Modelos basados en redes neuronales artificiales para la degradación de contaminantes emergentes: desarrollo y validación
title_fullStr Modelos basados en redes neuronales artificiales para la degradación de contaminantes emergentes: desarrollo y validación
title_full_unstemmed Modelos basados en redes neuronales artificiales para la degradación de contaminantes emergentes: desarrollo y validación
title_sort Modelos basados en redes neuronales artificiales para la degradación de contaminantes emergentes: desarrollo y validación
dc.creator.none.fl_str_mv Álvarez, Dolores María Eugenia
Modesti, Mario Roberto
Gerbaldo, María Verónica
Mendieta, Silvia Nazaret
Crivello, Mónica Elsie
author Álvarez, Dolores María Eugenia
author_facet Álvarez, Dolores María Eugenia
Modesti, Mario Roberto
Gerbaldo, María Verónica
Mendieta, Silvia Nazaret
Crivello, Mónica Elsie
author_role author
author2 Modesti, Mario Roberto
Gerbaldo, María Verónica
Mendieta, Silvia Nazaret
Crivello, Mónica Elsie
author2_role author
author
author
author
dc.subject.none.fl_str_mv Contaminantes Emergentes
Redes Neuronales Artificiales
Ferritas
Modelos Matemáticos
topic Contaminantes Emergentes
Redes Neuronales Artificiales
Ferritas
Modelos Matemáticos
dc.description.none.fl_txt_mv Los contaminantes emergentes son sustancias químicas que comúnmente que no se encuentran monitoreadas pero pueden causar efectos adversos ecológicos y para la salud humana, tal es el caso del diclofenaco sódico. Éste puede ser degradado mediante un proceso heterogéneo de Photo-Fenton, utilizando CoFe2O4 como catalizador, H2O2 como oxidante y radiación germicida UV. El objetivo del trabajo es comprobar la capacidad de generalización de modelos matemáticos basados en redes neuronales artificiales que caractericen la relación entre la degradación del diclofenaco y el consumo de H2O2, con los porcentajes de Carbono Orgánico Total logrados en la mineralización del fármaco. La red neuronal bakpropagation que mejor desempeño mostró está constituida con una capa oculta con función de transferencia sigmoidea, conteniendo 10 neuronas y una de salida con lineal. Se determinó que el modelo posee capacidad de aproximar la tendencia en cuanto a la combinación de datos de entrada (Absorbancia y concentración de H2O2) y salida del mismo (% de TOC), cuando se valida con el catalizador reusado por primera y segunda vez. El desarrollo de estos modelos es de interés por la consecuente disminución de tiempos y costos en ensayos experimentales; representa un estudio preliminar de la evolución en el tratamiento de contaminantes emergentes.
Fil: Álvarez, Dolores María Eugenia. Centro de Investigación y Tecnología Química. Consejo Nacional de Investigaciones Científicas y Técnicas. Universidad Tecnológica Nacional. Facultad Regional Córdoba; Argentina.
Fil: Gerbaldo, María Verónica. Centro de Investigación y Tecnología Química. Consejo Nacional de Investigaciones Científicas y Técnicas. Universidad Tecnológica Nacional. Facultad Regional Córdoba; Argentina.
Fil: Mendieta, Silvia Nazaret. Centro de Investigación y Tecnología Química. Consejo Nacional de Investigaciones Científicas y Técnicas. Universidad Tecnológica Nacional. Facultad Regional Córdoba; Argentina.
Fil: Crivello, Mónica Elsie. Centro de Investigación y Tecnología Química. Consejo Nacional de Investigaciones Científicas y Técnicas. Universidad Tecnológica Nacional. Facultad Regional Córdoba; Argentina.
Fil: Modesti, Mario Roberto. Laboratorio de Sensores e Instrumentación. LabSen. Universidad Tecnológica Nacional. Facultad Regional Córdoba; Argentina.
description Los contaminantes emergentes son sustancias químicas que comúnmente que no se encuentran monitoreadas pero pueden causar efectos adversos ecológicos y para la salud humana, tal es el caso del diclofenaco sódico. Éste puede ser degradado mediante un proceso heterogéneo de Photo-Fenton, utilizando CoFe2O4 como catalizador, H2O2 como oxidante y radiación germicida UV. El objetivo del trabajo es comprobar la capacidad de generalización de modelos matemáticos basados en redes neuronales artificiales que caractericen la relación entre la degradación del diclofenaco y el consumo de H2O2, con los porcentajes de Carbono Orgánico Total logrados en la mineralización del fármaco. La red neuronal bakpropagation que mejor desempeño mostró está constituida con una capa oculta con función de transferencia sigmoidea, conteniendo 10 neuronas y una de salida con lineal. Se determinó que el modelo posee capacidad de aproximar la tendencia en cuanto a la combinación de datos de entrada (Absorbancia y concentración de H2O2) y salida del mismo (% de TOC), cuando se valida con el catalizador reusado por primera y segunda vez. El desarrollo de estos modelos es de interés por la consecuente disminución de tiempos y costos en ensayos experimentales; representa un estudio preliminar de la evolución en el tratamiento de contaminantes emergentes.
publishDate 2021
dc.date.none.fl_str_mv 2021
2022-05-03T20:34:15Z
2022-05-03T20:34:15Z
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/20.500.12272/6207
-
url http://hdl.handle.net/20.500.12272/6207
identifier_str_mv -
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
2022-05-03T20:34:15Z
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Crivello, Mónica Elsie
X Atribución (Attribution): En cualquier explotación de la obra autorizada por la licencia será necesario reconocer la autoría (obligatoria en todos los casos). X No comercial (Non Commercial): La explotación de la obra queda limitada a usos no comerciales. X Sin obras derivadas (No Derivate Works): La autorización para explotar la obra no incluye la posibilidad de crear una obra derivada (traducciones, adaptaciones, etc.). X Compartir igual (Share Alike): La explotación autorizada incluye la creación de obras derivadas siempre que se mantenga la misma licencia al ser divulgadas.
2021
eu_rights_str_mv openAccess
rights_invalid_str_mv 2022-05-03T20:34:15Z
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Crivello, Mónica Elsie
X Atribución (Attribution): En cualquier explotación de la obra autorizada por la licencia será necesario reconocer la autoría (obligatoria en todos los casos). X No comercial (Non Commercial): La explotación de la obra queda limitada a usos no comerciales. X Sin obras derivadas (No Derivate Works): La autorización para explotar la obra no incluye la posibilidad de crear una obra derivada (traducciones, adaptaciones, etc.). X Compartir igual (Share Alike): La explotación autorizada incluye la creación de obras derivadas siempre que se mantenga la misma licencia al ser divulgadas.
2021
dc.format.none.fl_str_mv plain
application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877862379812814848
score 13.365483

Publicaciones similares