1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Estado de México
4. Instituto Tecnológico de Toluca
5. MAESTRÍA EN CIENCIAS EN INGENIERÍA AMBIENTAL

Titre:	MODELADO NEURONAL ARTIFICIAL PARA EL PROCESO DE ADSORCIÓN POR LOTES DEL COLORANTE AMARILLO NO. 5 EN SOLUCIÓN ACUOSA MEDIANTE EL HIDROGEL DE QUITOSANO-POLI(VINIL ALCOHOL
Auteur(s):	Salvador Domínguez Beltrán
metadata.dc.subject.other:	Modelado Neuronal Adsorción de colorantes Amarillo No. 5
Date de publication:	2026-06-30
Editeur:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Toluca
Description:	La liberación de aguas residuales industriales que contienen colorantes sintéticos plantea un problema ambiental importante debido a su toxicidad y persistencia. Entre las opciones de tratamiento, los materiales naturales, específicamente el hidrogel de quitosano-alcohol polivinílico (quitosano-PVA), han demostrado una alta eficacia en la eliminación de colorantes debido a sus abundantes grupos funcionales y capacidad de adsorción comprobada. Sin embargo, la optimización experimental de estos sistemas suele ser laboriosa y requiere muchos recursos. Este estudio introduce un modelo de red neuronal artificial (RNA) para predecir la capacidad de adsorción (!") y el tiempo necesario para alcanzar el equilibrio durante la eliminación del colorante tartrazina utilizando perlas de hidrogel de quitosano-PVA de diferentes tamaños promedio, categorizados como pequeños, medianos y grandes (2,1, 2,5 y 3,2 mm, respectivamente) a temperaturas de 10, 30 y 50 °C. El modelo RNA se comparó con modelos cinéticos tradicionales: pseudo-primer orden, pseudo-segundo orden y Elovich. Los resultados mostraron que la ANN superó a los modelos convencionales en la predicción de qe y el tiempo de equilibrio, especialmente para perlas pequeñas a 10 °C, donde !" = 945 mg/g en 40 h con un #2 de 0.9428. En todas las condiciones, la ANN logró altos coeficientes de correlación (#2>0.94) y acortó significativamente los tiempos de predicción. Aunque el modelo de pseudo-segundo orden alcanzó altos valores de #2 (hasta 0.9929), tardó más de 72 h en alcanzar la predicción de equilibrio. Estos resultados demuestran que el modelado basado en ANN puede reducir el esfuerzo experimental hasta en un 50 % en el tiempo de predicción, manteniendo una alta capacidad predictiva (#2>0,94), lo que ofrece un enfoque sostenible y eficiente para el diseño de procesos de tratamiento de aguas residuales.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Collection(s) :

Ce document est protégé par copyright Voir la licence

Ce document est autorisé sous une licence de type Licence Creative Commons