Aplicación de Aprendizaje Automático para la Predicción de la Calidad del Agua Potable en la Universidad Nacional Micaela Bastidas de Apurímac

Abstract

El presente proyecto de investigación se transcribió para presentar al concurso de Feria de Ciencia y Tecnología FERCYT del 2024, en la categoría de póster científico, organizado por la Universidad Micaela Bastidas de  Apurímac, el proyecto de  investigación tiene por objetivo evaluar la calidad del agua potable que llega a la Universidad Nacional Micaela Bastidas de Apurímac (UNAMBA) para  ello  se  usara  modelos  de  aprendizaje  predictivo  como  lo  son Redes  Neuronales  (RN)  y  Sistemas  Neuro-Difusos  Adaptativos (ANFIS). Los datos se recopilarán en la universidad, se analizarán con los indicadores de la calidad del agua. Los modelos se corroboran mediante el uso de las métricas como RMSE que es el error cuadrático medio, MAE que es el error absoluto medio, y R² que es el coeficiente de determinación, las pruebas estadísticas que se usaran son T student para evaluar diferencias significativas en los parámetros de calidad antes y después del ajuste de modelos predictivos y ANOVA para comparar los desempeños de RN y ANFIS en diferentes parámetros de calidad del agua. Se espera que los resultados permitan implementar sistemas de monitoreo en tiempo real, contribuyendo a la mejora de la calidad del agua en la institución [1] -[2]This  research  project  was  transcribed  to  present  to  the FERCYT Science and Technology Fair contest of 2024, in the scientific poster category, organized by the Micaela Bastidas University of Apurímac, the research project aims to evaluate the quality of drinking water that arrives at the Micaela Bastidas de Apurímac National University (UNAMBA) for this purpose, predictive learning models such as Neural Networks (RN) and Systems will be used. Adaptive Neuro-Diffuse (ANFIS). Data will be collected at the university, analyzed with water quality indicators. The models are corroborated by using metrics such as RMSE, which is the mean square error, MAE, which is the mean absolute error, and R², which is the coefficient of determination. The statistical tests that will be used are T student to evaluate significant differences in the quality parameters before and after fitting predictive models and ANOVA to compare the performances of RN and ANFIS on different water quality parameters. It is expected that the results will allow the implementation of real-time monitoring systems, contributing to the improvement of water quality in the institution.