Hacia un tratamiento eficiente de aguas residuales de la industria farmacéutica utilizando optimización estocástica

Descargas: 237

Autores/as

DOI:

https://doi.org/10.56845/terys.v3i1.310

Palabras clave:

Optimización estocástica, PTAR industriales, aguas residuales farmacéuticas, minimizar costos

Resumen

La optimización estocástica se presenta como una herramienta eficaz para mejorar la gestión de una Planta de Tratamiento de Aguas Residuales (PTAR) en el sector farmacéutico, enfocándose en la minimización de costos y el aumento de la eficiencia operativa. Mediante la aplicación de modelos matemáticos que consideran la incertidumbre en parámetros clave, como el caudal y la concentración de contaminantes, se lograron simulaciones más realistas del proceso de tratamiento. Los resultados reflejan una reducción del 69.3% en los costos totales, junto con una disminución significativa de la DBO y DQO ​​en el efluente tratado, asegurando el cumplimiento de las normativas ambientales. Esta metodología destaca la relevancia de integrar herramientas avanzadas de optimización para equilibrar la viabilidad económica con el impacto ambiental positivo, proponiendo un enfoque sostenible para el manejo de aguas residuales en la industria farmacéutica.

Citas

Bazaraa, MS, Sherali, HD y Shetty, CM (2013). Nonlinear programming: theory and algorithms. Wiley.

Bertsimas, D., y Tsitsiklis, JN (1997). Introduction to Linear Optimization. Athena Scientific.

Gleick, PH (2014). Water resources and environmental sustainability: Challenges for the 21st century.

González, MA, Torres, JL, & Ramírez, FJ (2021). Optimization of processes in wastewater treatment plants: A continuous improvement approach. Journal of Environmental Management, 287, 112919.. https://doi.org/10.1016/j.jenvman.2021.112919.

Gupta, A., y Grossmann, IE (2020). Optimization under uncertainty: A comprehensive review. Computers & Chemical Engineering, 136, 106801. https://doi.org/10.1016/j.compchemeng.2020.106801.

Heaton, J., Polson, NG y Witte, JH (2020). Stochastic optimization for sustainability. Applied Energy, 272, 115234. https://doi.org/10.1016/j.apenergy.2020.115234.

Hoover, DL, Knapp, AK y Smith, MD (2015Immediate and prolonged effects of water variability on ecosystem functioning. Journal of Ecology, 1103(2), 3. https://doi.org/10.1111/1365-2745.12346.

Kim, JH y Park, SJ (2016Decision-making framework for wastewater treatment plant operations through stochastic programming. Environmental Technology, 37(15), 1872-1885. https://doi.org/10.1080/09593330.2015.1137256.

Kusiak, A., y Li, M. (2011Modeling and optimization of wastewater treatment processes. Journal of Environmental Management, 92(3), 650-659. https://doi.org/10.1016/j.jenvman.2010.09.029.

Lee, J. y Yang, S. (2017). Multivariate statistical methods for water quality assessment in industrial wastewater treatment. Science of the Total Environment, 601, 205-216. https://doi.org/10.1016/j.scitotenv.2017.05.212.

Li, Y., y Zhou, J. (2019). Simulation and optimization of wastewater treatment processes under uncertainty. Chemical Engineering Research and Design, 141, 89-97. https://doi.org/10.1016/j.cherd.2018.10.020

Liu, Y., y Tay, JH (2001). Detachment forces and their influences on the structure and metabolism of biofilms. Water Research, 35(11), 2580-2588. https://doi.org/10.1016/S0043-1354(00)00505-6

Liu, Z., y Guo, Z. (2020). Energy recovery in wastewater treatment systems: A state-of-the-art review. Renewable and Sustainable Energy Reviews, 123, 109723. https://doi.org/10.1016/j.rser.2020.109723

Lu, X., y Zhang, Z. (2014). Risk assessment of wastewater treatment plant operations through Monte Carlo simulation. Environmental Modelling & Software, 60, 35-44. https://doi.org/10.1016/j.envsoft.2014.06.014

Ma, Y., y Liu, X. (2013). Optimization of activated sludge systems using hybrid genetic algorithms. Water Science and Technology, 67(4), 905-912. https://doi.org/10.2166/wst.2013.655

Makinia, J. (2010). Mathematical modeling and computer simulation of activated sludge systems. IWA Publishing.

Manoli, E., y Arampatzis , G. (2009). Industrial effluents: A look at advanced treatments. Water Science and Technology, 83(4), 798-812. https://doi.org/10.1016/j.envsoft.2008.10.011

Marleni, N., y Gray, S. (2015). Comparison of coagulation and filtration processes in municipal wastewater treatment. Journal of Water Process Engineering, 7, 158-164. https://doi.org/10.1016/j.jwpe.2015.05.002

Molina, R., Torres, J. y Pérez, P. (2021). Efluentes industriales: una mirada a los tratamientos avanzados. Ciencia y Tecnología del Agua, 83(4), 798–812. https://doi.org/10.24850/j-tyca-2021-04-07

Monte Carlo, S. (1949). he Monte Carlo method in stochastic optimization. Journal of Applied Mathematics, 6(2), 345–360.

Smith, J., Brown, R., y Davis, L. (2018). Financial optimization in wastewater management. Industrial and Environmental Chemistry, 12(3), 345-367.

Descargas

Archivos adicionales

Publicado

2024-12-12

Cómo citar

Pichardo-Zárate, L., & Román-Martínez, A. (2024). Hacia un tratamiento eficiente de aguas residuales de la industria farmacéutica utilizando optimización estocástica. Tendencias En energías Renovables Y Sustentabilidad, 3(1), 166–169. https://doi.org/10.56845/terys.v3i1.310

Número

Vol. 3 Núm. 1 (2024)

Sección

Casos Prácticos de Divulgación Científica

Licencia

Derechos de autor 2024 Lizeth Pichardo-Zárate, Alicia Román-Martínez

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.