MÁQUINA DE APRENDIZAJE PARA OPTIMIZACIÓN VÍA SIMULACIÓN DE ACIDULACIÓN DE RESIDUOS ORGÁNICOS HÚMEDOS

(MACHINE LEARNING FOR OPTIMIZATION VIA SIMULATION OF WET ORGANIC WASTE ACIDULATION)

Resumen

Esta investigación experimental exploratoria estocástica y determinística de machine
learning en el ajuste de un modelo de red neuronal artificial con ajuste por el método de
Gauss Newton para optimización predictiva multifactor-multiobjetivo vía simulación de un
acidulante (mezcla de ácidos orgánicos carboxílicos) de residuos orgánicos no persistentes
con alta humedad (ROnoP-AH) de consumo animal, residuos estandarizado al 2 % de sal
(NaCl) consumo animal estándar y 2 % de melaza de caña de azúcar; el acidulante como
tecnología de control de variables indicadoras de cambios fisicoquímica para la
estabilización biológica de los ROnoP-AH. El diseño de muestreo estadístico fue un
Gaussiano IMSE optimal (GIMSEOp). Para las restricciones de variabilidad de las
respuestas de calidad en la optimización vía simulación se utilizaron funciones de reglas
difusas multimétrica: minimizar la acidez iónica (pH: índice de moles H+
/litro) y la acidez
titulable total (ATT: ml NaOH 1N), target el potencial redox (POR: mV) entre +0 y +200
mV y maximizar la capacidad buffer (CB: ml NaOH 1N±1∆pH); bajo la hipótesis
fisiológica de que un POR negativo cercano a cero (alejado de -450 mV) inhibe el
metabolismo respiratorio de microorganismos (MRM) anaerobios y un POR cercanos a 0
mV (alejados de +850 mV) inhibe el MRM aerobios. La mezcla optima operativa de ácidos
obtenida fue: 3,46 g de Citrato de Na (~35,67%), 0,62 g de Benzoato de Na (~6,39%), 3 ml
de Acido Fórmico (~30,93%) y 2,62 ml de Ácido Acético (~27,01%), con una deseabilidad
de calidad del acidulante de ATT: 290,1, CB: 147,6 POR: 22,9 y pH: 2,15. Validándose la
mezcla óptima acidulante en ROnoP-AH, con excelentes resultados, lográndose
estabilizarlos biológicamente y almacenarlos al ambiente sin refrigeración ni biocidas, por
periodos de más de 3 meses.
Palabras clave: Diseño experimental, Redox, Modelo, Optimización.