Thesis: Predicción y mitigación de emisiones de N2O en plantas de tratamiento de aguas residuales
| datacite.subject.fos | Engineering and technology::Chemical engineering | |
| dc.contributor.correferente | Garcia Gen, Santiago | |
| dc.contributor.department | Departamento de Ingeniería Química y Ambiental | |
| dc.contributor.guia | Bergh Olivares, Luis Guillermo | |
| dc.contributor.patrocinante | Bergh Olivares, Luis Guillermo | |
| dc.coverage.spatial | Campus Casa Central Valparaíso | |
| dc.creator | Gallardo Avendaño, Joaquín Francisco | |
| dc.date.accessioned | 2025-12-22T13:56:19Z | |
| dc.date.available | 2025-12-22T13:56:19Z | |
| dc.date.issued | 2025-12-19 | |
| dc.description.abstract | Las plantas de tratamiento de aguas residuales son una fuente significativa de N2O, un potente gas de efecto invernadero. La predicción precisa de estas emisiones es un desafío debido a la complejidad y naturaleza no lineal de los procesos biológicos involucrados. Esta investigación se enfoca en el desarrollo de un modelo predictivo para las emisiones de N2O en una PTAR, utilizando datos operacionales en tiempo real e incorporando la dinámica temporal del afluente para considerar la variabilidad de la alimentación y el tiempo de residencia hidráulico. Inicialmente, se constató que la planta opera en un estado predominantemente no estacionario, lo que impidió el uso de Análisis de Componentes Principales para la reducción de dimensionalidad. Como alternativa, se evaluó un modelo de Mínimos Cuadrados Parciales (PLS) dinámico, sin embargo, fue descartado debido a que el análisis de sus residuos reveló un comportamiento no normal, indicando que no lograba capturar adecuadamente la complejidad del sistema. Posteriormente, se implementó un modelo de machine learning basado en XGBoost. Este enfoque demostró ser altamente eficaz, logrando una predicción precisa de las emisiones de N2O. El análisis de importancia de características identificó al pH, el flujo de aire, el oxígeno disuelto y los sólidos suspendidos como las variables más determinantes en la predicción de emisiones. La validación del modelo confirmó que los residuos siguen una distribución normal y están centrados en cero. Además, se obtuvo un coeficiente de variación entre la desviación estándar del error y la media de los datos de tan solo 0.6%, lo que subraya la alta precisión y capacidad predictiva del modelo. Adicionalmente, se validó un horizonte predictivo robusto de aproximadamente 20 horas, el cual coincide con el tiempo de residencia hidráulico del reactor, delimitando así la ventana temporal confiable para la aplicación de estrategias de control. Se concluye que el modelo XGBoost es una herramienta robusta y precisa para la modelación de emisiones en sistemas dinámicos y no lineales como las PTAR. Finalmente, se sugiere la integración de este modelo en estrategias de control operativo, permitiendo la modificación de las variables críticas identificadas para reducir activamente la generación de gases de efecto invernadero. Además, se sugiere evaluar la posibilidad de expandir el modelo a los demás gases principales de efecto invernadero (CO2 y CH4). | es |
| dc.description.abstract | Wastewater treatment plants are a significant source of N₂O, a potent greenhouse gas. Accurately predicting these emissions is challenging due to the complexity and nonlinear nature of the biological processes involved. This research focuses on developing a predictive model for N₂O emissions from a wastewater treatment plant (WWTP), using real-time operational data and incorporating the influent's temporal dynamics to account for feed variability and hydraulic residence time. Initially, it was found that the plant operates in a predominantly non-steady state, which precluded the use of Principal Component Analysis for dimensionality reduction. As an alternative, a dynamic Partial Least Squares (PLS) model was evaluated; however, it was discarded because the analysis of its residuals revealed non-normal behavior, indicating that it failed to adequately capture the system's complexity. Subsequently, a machine learning model based on XGBoost was implemented. This approach proved highly effective, achieving accurate prediction of N₂O emissions. Feature importance analysis identified pH, airflow, dissolved oxygen, and suspended solids as the most critical variables in predicting emissions. Model validation confirmed that the effluents follow a normal distribution and are centered at zero. Furthermore, a coefficient of variation of only 0.6% was obtained between the standard deviation of the error and the mean of the data, highlighting the model's high accuracy and predictive capacity. Additionally, a robust predictive horizon of approximately 20 hours was validated, coinciding with the reactor's hydraulic residence time, thus defining the reliable time window for implementing control strategies. It is concluded that the XGBoost model is a robust and accurate tool for modeling emissions in dynamic and nonlinear systems such as wastewater treatment plants. Finally, the integration of this model into operational control strategies is suggested, allowing for the modification of the identified critical variables to actively reduce greenhouse gas emissions. Furthermore, the possibility of expanding the model to include the other major greenhouse gases (CO2 and CH4) is recommended. | en_US |
| dc.description.degree | Magíster en Ciencias de la Ingeniería Química | |
| dc.driver | info:eu-repo/semantics/masterThesis | |
| dc.format.extent | 53 páginas | |
| dc.identifier.doi | 10.71959/7ta8-ym50 | |
| dc.identifier.uri | https://cris.usm.cl/handle/123456789/4223 | |
| dc.identifier.uri | https://doi.org/10.71959/7ta8-ym50 | |
| dc.language.iso | es | |
| dc.publisher | Universidad Técnica Federico Santa María | |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Machine Learning | |
| dc.subject | XGBoost | |
| dc.subject | PLS | |
| dc.subject | Predicción | |
| dc.subject | GEI | |
| dc.subject | PTAR | |
| dc.subject | Emisiones | |
| dc.subject.ods | 6 Agua limpia y saneamiento | |
| dc.subject.ods | 13 Acción por el clima | |
| dc.title | Predicción y mitigación de emisiones de N2O en plantas de tratamiento de aguas residuales | |
| dspace.entity.type | Tesis |
Política de Privacidad 
