La monitorització de la qualitat d'aigua

La monitorització de la qualitat d'aigua durant els processos de potabilització o sanejament en les Estacions de Tractament d'Aigua Potable (ETAP), Estacions Depuradores d'Aigües Residuals (EDAR) i Estacions de Regeneració d'Aigua (ERA), és un pas necessari per a observar el funcionament dels sistemes involucrats, controlar contaminants que estan al punt de mira de les administracions i poder proveir als consumidors d'aigua de qualitat i confiable. Cada vegada és més comú obtenir informació de la qualitat de l'aigua a través de sensors i sondes que, una vegada instal·lats, envien informació en continu per a la correcta monitorització d'aquest recurs.
La present investigació ha tingut com objectiu dotar la sonda espectrofotomètrica spectro::lyser® de més capacitats en la detecció i predicció de contaminants, tant en aigua potable com en aigua residual.
A través de l'espectre de llum Ultraviolada Visible (UV–Vis), i utilitzant mètodes estadístics aplicats i eines d'estudi químic s'han desenvolupat diferents models matemàtics de predicció per tal de monitoritzar el potencial de formació de trihalometans (THM FP) durant el procés de sanejament de l'aigua potable en ETAP, la concentració d'una mescla d'hidrocarburs (toluè, m-xilè i p-xilè) en aigües residuals urbanes, i la concentració de coagulant afegit a l'aigua residual durant el procés de coagulació-floculació en ERA.
Els resultats demostraren que és necessari aplicar nous models matemàtics per a poder monitoritzar aquests tipus de contaminants. En la modelització duta a terme per predir el THM PF s'ha conclòs que les xarxes neuronals artificials (de l'anglès Artificial Neural Networks, ANN) va ser l'algoritme amb més capacitats de predicció, donant els millors resultats de correlació i error (R2 = 0,92, RMSE = 0,77). Per altra banda, en la modelització desenvolupada per a predir la presència d'una mescla controlada d'hidrocarburs en aigua residual, la utilització de l'algoritme de regressió múltiple (de l'anglès Multiple Linear Regression, MLR) va donar molt bons resultats (R2MLR1 = 0,82; RMSE MLR1 = 0,22; R2 MLR2 = 0,87; RMSE MLR2 = 0,21; R2 MLR3 = 0,79; RMSE MLR3 = 0,24). Per predir la concentració òptima de coagulant que s'ha d'afegir durant el procés de coagulació-floculació, es conclou que ANN és l'algoritme que va donar millors resultats (R2 = 0,86, RSE = 0,02).
Els algoritmes desenvolupats són específics de cada punt estudiat, i poden utilitzar-se com una eina per a donar una resposta ràpida i eficaç, en cas que els tècnics i operaris de planta en tinguin necessitat.