Universidad Nacional Mayor de San Marcos

Universidad del Perú. Decana de América

Facultad de Química e Ingeniería Química
Escuela Profesional de Ingeniería Química

Simulación de una PTAR basado en el modelo de lodos

activos N°1 (ASM1) para evaluar la eficiencia de
remoción de materia orgánica y nutrientes de las aguas
residuales municipales

TESIS
Para optar el Título Profesional de Ingeniero Químico

AUTOR
Gustavo LÓPEZ AMÉSQUITA

ASESOR
Eder Clidio VICUÑA GALINDO

Lima, Perú

2021
Reconocimiento - No Comercial - Compartir Igual - Sin restricciones adicionales

https://creativecommons.org/licenses/by-nc-sa/4.0/
Usted puede distribuir, remezclar, retocar, y crear a partir del documento original de modo no
comercial, siempre y cuando se dé crédito al autor del documento y se licencien las nuevas
creaciones bajo las mismas condiciones. No se permite aplicar términos legales o medidas
tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita esta licencia.
Referencia bibliográfica

López, G. (2021). Simulación de una PTAR basado en el modelo de lodos activos

N°1 (ASM1) para evaluar la eficiencia de remoción de materia orgánica y nutrientes
de las aguas residuales municipales. [Tesis de pregrado, Universidad Nacional
Mayor de San Marcos, Facultad de Química e Ingeniería Química, Escuela
Profesional de Ingeniería Química]. Repositorio institucional Cybertesis UNMSM.
 Metadatos complementarios

Datos del autor

Nombres y apellidos Gustavo López Amésquita
Tipo de documento de identidad DNI
Número de documento de identidad 72224519
URL de ORCID No aplica
Datos del asesor
Nombres y apellidos Eder Clidio Vicuña Galindo
Tipo de documento de identidad DNI
Número de documento de identidad 09069542
URL de ORCID https://orcid.org/0000-0003-4980-0490

Datos del jurado

Presidente del jurado
Nombres y apellidos Gilberto Vicente Salas Colotta
Tipo de documento de identidad DNI
Número de documento de identidad 07942804
Miembro del jurado 1
Nombres y apellidos Pedro Romero y Otiniano
Tipo de documento de identidad DNI
Número de documento de identidad 15612279
Datos de investigación
C.0.4.1. Desarrollo de modelos,
Línea de investigación
simulación y optimización de procesos
Grupo de investigación DEINPRO
Agencia de financiación Sin financiamiento
País: Perú
Departamento: Lima
Provincia: Lima
Ubicación geográfica de la investigación
Distrito: Lurigancho-Chosica
Latitud: -12.006163014713104
Longitud: -76.87364212421998
Año o rango de años en que se realizó la
2020
investigación
Ingeniería química
URL de disciplinas OCDE https://purl.org/pe-repo/ocde/ford#2.04.00
 UNIV E R SIDA D NA C IONA L MA Y OR DE SA N MA R C OS
Universidad del Perú, Decana de A mérica
FA CUL T A D DE QUIÍMICA E INGENIERÍA QUÍMICA
ESCUE L A PROFE SIONA L DE INGENIERÍA QUÍMICA
“A ñ o del Bicentenario del Perú: 200 añ os de Independencia”
E SC UE L A PR OF E SIONA L DE INGE NIE R IA QUÍMIC A

A C T A DE T IT UL A C IÓN POR T E SIS

L os suscritos Miembros del J urado nombrados por la Dirección de la Escuela Profesional de
Ingeniería Química, bajo la Presidencia del Ing. Gilberto V icente Salas C olotta, el Ing. Pedro
R omero y Otiniano (Miembro) y el Ing. E der C lidio V icuñ a Galindo (A sesor), habiendo
presentado para el efecto la T E SIS, titulada “SIMUL A C ION DE UNA PT A R BA SA DO E N E L
MODE L O DE L ODOS A C T IV OS N°1 (A SM1) PA R A E V A L UA R L A E F IC IE NC IA DE
R E MOC IÓN DE MA T E R IA OR GÁ NIC A Y NUT R IE NT E S DE L A S A GUA S
R E SIDUA L E S MUNIC IPA L E S”, después de SUST E NT A DA Y A PR OBA DA L A T E SIS
elaborada por el Bachiller en Ingeniería Química: GUST A V O L ÓPE Z A MÉ SQUIT A ; para optar
el T IT UL O PR OF E SIONA L DE INGE NIE R O QUÍMIC O, acordando calificarlo con la NOT A
de:

Diecinueve 19
… … … .… … ..… … … .… … … … … … … … … … … … … … … … … .… … … … … … … … … … … .…
(LETRA S) (NÚMEROS)

L ima, 27 de febrero del 2021

____________________________
Ing. Gilberto V icente Salas Colotta
Presidente de jurado
 UNIV E R SIDA D NA C IONA L MA Y OR DE SA N MA R C OS
Universidad del Perú, Decana de A mérica
FA CUL T A D DE QUIÍMICA E INGENIERÍA QUÍMICA
ESCUE L A PROFE SIONA L DE INGENIERÍA QUÍMICA
“A ñ o del Bicentenario del Perú: 200 añ os de Independencia”

_____________________________
Ing. Eder Clidio V icuña Galindo
A sesor
________________________
Ing. Pedro Romero y Otiniano
Docente R evisor
Firmado digitalmente por PALOMINO
INFANTE Ruben Alfredo FAU
20148092282 soft
Motivo: Soy el autor del documento

__________________________
Fecha: 02.03.2021 11:22:45 -05:00

Dr. R. A lfredo Palomino

Director de la E PIQ
 AGRADECIMIENTOS

Quiero agradecer primero a Dios, por permitirme llegar a esta etapa de mi vida y
por guiarme por el camino del bien, desde siempre y para siempre. “La ciencia sin
religión está coja y la religión sin ciencia está ciega”.

Gracias infinitas a mi familia, por su incondicional amor, apoyo y comprensión,

especialmente en esta etapa, que no he podido pasar mucho tiempo con ustedes. Una
mención especial a mi madre, agradeciéndole por sus consejos y enseñanzas, sobre
cómo mejorar como persona y conseguir mis sueños y metas con empeño y dedicación.

Un especial agradecimiento a mi profesor y asesor, Eder Vicuña, un excelente

profesional y persona, quien me ha enseñado y aconsejado tanto a nivel académico
como personal, dentro y fuera de las aulas; toda su experiencia y pasión por la
ingeniería, y por el conocimiento científico en general, me ha motivado a tomar la
decisión de realizar este trabajo y empezar con muchos proyectos más.

Agradecer a mis amigos, en especial a Gerardo Mallma por apoyarme en mi

decisión de iniciar este trabajo; gracias a él he podido comprender lo maravilloso que es
la vida cuando tienes personas que, a pesar de no ser tu familia, te comprenden y
quieren como si fuera una.

Agradecer también a la señora Martha Yagi, quién me ha brindado un espacio

adecuado para que pueda desarrollar este trabajo de la mejor manera posible, sin
distracciones y con un amplio espacio.

También agradecer al Ing. Francisco Quezada y la Ing. Lorena de la Cruz, su

ayuda fue fundamental para conseguir la aprobación de mi visita a la planta de
tratamiento y obtener los datos necesarios para la elaboración de este trabajo.

Finalmente, quiero agradecer a mi alma mater, la Universidad Nacional Mayor

de San Marcos, y a la Facultad de Química e Ingeniería Química, las cuales me han
dado la oportunidad de estudiar una carrera profesional, de salir al extranjero y por
supuesto, de conocer a personas extraordinarias que me han ayudado y enseñado
muchas cosas, y con las cuales he compartido experiencias que jamás olvidaré.

-2-
 DEDICATORIA

A mi madre Fabiola, por su incondicional amor, apoyo y comprensión a lo largo de mi

vida, quien me ha forjado con valores y principios, y quien me ha aconsejado y ha

estado conmigo en todo momento; ella es para mí ejemplo de lucha y superación,

quién se ha esmerado en darme una educación de calidad y que ahora, me toca

retribuir todo lo bueno que me has dado. Todo te lo debo a ti madre mía, te amo. Este

trabajo va para ti con mucho cariño.

A mi padre Armando, por amarme y protegerme, y por enseñarme valores desde

pequeño; tu responsabilidad, humildad y respeto son cualidades invaluables, que has

sabido transmitirme muy bien con el ejemplo. Gracias por apoyarme en todo lo que

necesito y por darme ánimos siempre, te amo mucho.

A mi hermano Diego, gracias a tu ejemplo, decidí estudiar ingeniería. Todos esos

lindos momentos de infancia y adolescencia me han llenado de felicidad, aun en las

dificultades, siempre serás mi hermano y te amaré con todo mi corazón.

A toda mi familia en general, a mis tíos, primos y sobrinos, sé que están felices por mí

y mis logros, pronto habrá momento para poder reunirnos todos nosotros, juntos. Los

quiero muchísimo.

A Gerardo, mi mejor amigo, mi compañero de estudio desde el primer día de mi vida

universitaria. Gerardo, eres una excelente persona, te considero como mi familia,

tantas cosas que pasamos juntos, tantas anécdotas, viajes y experiencias que nunca

olvidaré. Gracias por estar ahí, en los momentos buenos y malos, por tus consejos,

por tus bromas y por tu apoyo sincero.

-3-
 ÍNDICE

Índice de tablas................................................................................................................. 8
Índice de figuras ............................................................................................................. 11
Lista de abreviaturas ...................................................................................................... 14
RESUMEN ...................................................................................................................... 15
CAPÍTULO I .................................................................................................................... 17
INTRODUCCIÓN ............................................................................................................ 17
CAPÍTULO II ................................................................................................................... 20
ANTECEDENTES .......................................................................................................... 20
2.1. Principios del proceso de lodos activos .......................................................... 20
2.2. Reacciones en el sistema de lodos activos .................................................... 22
2.2.1. Oxidación de la materia orgánica............................................................. 22
2.2.2. Nitrificación ............................................................................................... 23
2.2.3. Desnitrificación ......................................................................................... 25
2.3. Configuraciones del sistema de lodos activos ................................................ 26
2.4. Configuración física del reactor de lodos activos ............................................ 29
2.5. Parámetros operacionales del sistema de lodos activos ................................ 29
2.6. Marco legal sobre aguas residuales ................................................................ 32
2.6.1. Ley N°28611-General del Ambiente ........................................................ 32
2.6.2. Decreto Supremo N°004-2017-MINAM ................................................... 32
2.6.3. Decreto Supremo N°003-2010-MINAM ................................................... 33
2.7. Modelado de un proceso de un proceso lodos activos ................................... 34
2.7.1. Definiciones básicas de un modelo.......................................................... 34
2.7.2. Aplicaciones prácticas del modelado ....................................................... 37
2.7.3. Modelos en el proceso de lodos activos .................................................. 39
2.8. Modelo de Lodos Activos No. 1 (ASM1) ......................................................... 40
2.8.1. Breve reseña del modelo ASM1 .............................................................. 40
2.8.2. Componentes del modelo ASM1 ............................................................. 42
2.8.3. Procesos biológicos del modelo ASM1 .................................................... 45
2.8.4. Parámetros del modelo ASM1 ................................................................. 48
2.9. Casos de simulación de procesos de lodos activos ....................................... 49
2.9.1. Antecedentes a nivel nacional ................................................................. 49
2.9.2. Antecedentes a nivel internacional .......................................................... 50
2.10. Características de las aguas residuales ...................................................... 53
2.10.1. El caso de Lima Metropolitana ............................................................. 53

-4-
 2.10.2. Otros casos en Latinoamérica .............................................................. 53
2.11. Caracterización de las aguas residuales ..................................................... 54
2.12. Modelado del sedimentador secundario ...................................................... 56
2.13. Hidrodinámica del proceso .......................................................................... 57
2.14. MATLAB® .................................................................................................... 57
2.15. Presentación de la PTAR Santa Clara ........................................................ 58
2.15.1. Ubicación .............................................................................................. 58
2.15.2. Parámetros de diseño de la planta ....................................................... 59
2.15.3. Descripción general de la planta .......................................................... 60
CAPÍTULO III .................................................................................................................. 67
ESTADO DEL ARTE ...................................................................................................... 67
3.1. Otros modelos biocinéticos.............................................................................. 67
3.2. Comparación entre el ASM1 y ASM3.............................................................. 68
3.3. Pautas de modelado del proceso de lodos activos ......................................... 69
3.4. El futuro del modelado de lodos activos.......................................................... 70
CAPÍTULO IV ................................................................................................................. 74
PLANTEAMIENTO DE LA INVESTIGACIÓN ................................................................ 74
4.2. Justificación...................................................................................................... 75
4.3. Objetivos .......................................................................................................... 76
4.3.1. Objetivos específicos................................................................................ 76
4.4. Hipótesis .......................................................................................................... 77
4.4.1. Hipótesis específicas ................................................................................ 77
CAPÍTULO V .................................................................................................................. 78
METODOLOGÍA ............................................................................................................. 78
5.1. Protocolo Unificado de las Buenas Prácticas de Modelado (GMP) ............... 78
5.2.1. Detección del error ................................................................................... 82
5.2.2. Aislamiento del error................................................................................. 83
5.2.3. Identificación del error .............................................................................. 84
5.3. Configuración del modelo de planta ................................................................ 84
5.3.1. Distribución de la planta ........................................................................... 85
5.3.2. Estructura de los submodelos .................................................................. 85
5.3.3. Conexiones con la base de datos ............................................................ 89
5.3.4. Configuración de la salida ........................................................................ 89
5.3.5. Verificación del modelo ............................................................................ 90
5.4. Calibración ....................................................................................................... 92
5.4.1. Definición de error aceptable ................................................................... 92

-5-
 5.4.2. Corrida inicial del modelo ......................................................................... 93
5.4.3. Calibración ................................................................................................ 93
CAPÍTULO VI ................................................................................................................. 95
DATOS RECONCILIADOS (RESULTADOS Y DISCUSIÓN) ....................................... 95
6.1. Caudales .......................................................................................................... 95
6.2. Concentraciones .............................................................................................. 99
6.3. Balances de masa ......................................................................................... 104
CAPÍTULO VII .............................................................................................................. 108
CONFIGURACIÓN DEL MODELO DE PLANTA (RESULTADOS Y DISCUSIÓN) ... 108
7.1. Caracterización de aguas residuales del afluente ........................................ 108
7.2. Verificación del programa de simulación....................................................... 111
CAPÍTULO VIII ............................................................................................................. 113
CALIBRACIÓN DEL MODELO (RESULTADOS Y DISCUSIÓN) ............................... 113
8.1. Análisis de sensibilidad.................................................................................. 113
8.2. Resultados del programa calibrado ............................................................... 117
CAPÍTULO IX ............................................................................................................... 126
CONCLUSIONES Y RECOMENDACIONES............................................................... 126
REFERENCIAS ............................................................................................................ 128
ANEXO 1 ...................................................................................................................... 135
MATRIZ DEL MODELO ASM1 .................................................................................... 135
ANEXO 2 ...................................................................................................................... 136
PARÁMETROS DEL MODELO ASM1 ........................................................................ 136
ANEXO 3 ...................................................................................................................... 137
TIPOS DE TRATAMIENTO BIOLÓGICO PARA AGUAS RESIDUALES ................... 137
ANEXO 4 ...................................................................................................................... 139
CONCENTRACIONES TÍPICAS DE LAS AGUAS RESIDUALES MUNICIPALES.... 139
ANEXO 5 ...................................................................................................................... 140
RELACIONES MÁSICAS TÍPICAS DE LAS AGUAS RESIDUALES MUNICIPALES 140
ANEXO 6 ...................................................................................................................... 141
SUBMODELOS INVOLUCRADOS EN EL PROCESO DE LODOS ACTIVOS .......... 141
ANEXO 7 ...................................................................................................................... 142
MODELOS TÍPICOS DE CLARIFICADORES PARA LA SIMULACIÓN CON ASM .. 142
ANEXO 8 ...................................................................................................................... 143
PERFILES HORARIOS DE CAUDALES DE PURGA Y RECIRCULACIÓN (DÍA
09/07/2020)................................................................................................................... 143
ANEXO 9 ...................................................................................................................... 144

-6-
GRÁFICOS DE CONSUMO DE ENERGÍA E INSUMOS QUÍMICOS EN EL MES DE
FEBRERO DE LA PTAR SANTA CLARA.................................................................... 144
ANEXO 10 .................................................................................................................... 146
ESTADÍSTICA DESCRIPTIVA DE LOS DATOS RECOPILADOS DE CAUDALES Y
CONSUMOS DE LA PTAR SANTA CLARA ................................................................ 146
ANEXO 11 .................................................................................................................... 147
ESTADÍSTICA DESCRIPTIVA DE LOS DATOS RECOPILADOS DE
CONCENTRACIONES DE LA PTAR SANTA CLARA ................................................ 147
ANEXO 12 .................................................................................................................... 148
ESTADÍSTICA DESCRIPTIVA DE LOS DATOS RECOPILADOS DE LAS
CONDICIONES AMBIENTALES DE LA PTAR SANTA CLARA ................................. 148
ANEXO 13 .................................................................................................................... 149
BALANCES DE MASA DE SSI PARA EL AJUSTE DE LOS CAUDALES DE LA PTAR
SANTA CLARA ............................................................................................................. 149
ANEXO 14 .................................................................................................................... 150
EXPRESIONES CINÉTICAS Y BALANCES DE MASA DEL MODELO ASM1 .......... 150
ANEXO 15 .................................................................................................................... 154
MODELO CODFRACTIONS DEL INFLUENT ADVISOR ........................................... 154
ANEXO 16 .................................................................................................................... 156
FOTOGRAFÍAS DE LA PTAR SANTA CLARA ........................................................... 156
ANEXO 17 .................................................................................................................... 161
CÓDIGO EN MATLAB® DEL PROGRAMA DE SIMULACIÓN DE LA PTAR SANTA
CLARA .......................................................................................................................... 161

-7-
 Índice de tablas

Tabla 2.1. Tipos de microorganismos y características principales de su

metabolismo……………………………………………………………………………………. 22

Tabla 2.2. Parámetros de operación típicos para procesos de lodos activos según

tipo de configuración del reactor…………………………………………………………….. 30

Tabla 2.3. Descripción de las principales configuraciones físicas de reactores de

lodos activos…………………………………………………………………………………… 31

Tabla 2.4. ECA para conservación del ambiente acuático……………………………….. 33

Tabla 2.5. Límites Máximos Permisibles (LMP) para efluentes domésticos o

municipales…………………………………………………………………………………….. 34

Tabla 2.6. Variables de estado del modelo ASM1………………………………………… 44

Tabla 2.7. Casos de aplicación del modelo ASM1 en la simulación de plantas de

tratamiento de lodos activos………………………………………………………………..… 52

Tabla 2.8. Parámetros de las aguas residuales de diferentes zonas de Lima

Metropolitana…………………………………………………………………………………... 53

Tabla 2.9. Relaciones de interés de las aguas residuales en algunas regiones de

Latinoamérica………………………………………………………………………………….. 54

Tabla 2.10. Caudales de diseño PTAR Santa Clara……………………………………… 59

Tabla 2.11. Parámetros de diseño de calidad en el afluente de la PTAR Santa Clara.. 59

Tabla 2.12. Parámetros de diseño de calidad en el efluente de la PTAR Santa Clara.. 60

Tabla 3.1. Modelos biocinéticos del proceso de lodos activos…………………………… 67

Tabla 3.2. Fortalezas, debilidades, oportunidades e inconveniencias de los diferentes

protocolos de calibración……………………………………………………………………... 72

Tabla 5.1. Tipos de datos recolectados para el presente estudio.………………………. 82

Tabla 5.2. Características físicas de las unidades del proceso de lodos activos de la

PTAR Santa Clara. …………………………………………………………………………… 87

Tabla 6.1. Fuente de los datos recopilados de la PTAR Santa Clara…………………… 95

Tabla 6.2. Promedio de caudales y concentraciones de carga orgánica y nitrogenada

de todos los flujos del sistema (antes del balance de masa) …………………………… 104

-8-
Tabla 6.3. Caudales usados para los balances de masa de SSI. ………………………. 105

Tabla 6.4. Comparación de los parámetros operacionales de la planta………………… 107

Tabla 6.5. Porcentaje de error de los caudales medidos…………………………………. 107

Tabla 7.1. Coeficientes estequiométricos del modelo CODfractions. …………………... 109

Tabla 7.2. Resultados de la caracterización del afluente (variables de estado)……….. 110

Tabla 7.3. Otras variables compuestas de interés. ……………………………………….. 110

Tabla 7.4. Otras variables compuestas de interés. ……………………………………….. 110

Tabla 7.5. Composición de la materia orgánica del afluente reportados en la

literatura. ……………………………………………………………………………………….. 111

Tabla 7.6. Resultados del ejemplo de Henze con el programa computacional………... 112

Tabla 7.7. Porcentajes de desviación de simulación del ejemplo de Henze. ……………112

Tabla 8.1. Resultados del análisis de sensibilidad para las variables de estado del

licor mezclado………………………………………………………………………………….. 114

Tabla 8.2. Resultados del análisis de sensibilidad para las variables de salida

(efluente y otros parámetros).…………………………………………………..................... 115

Tabla 8.3. Resultados de la simulación del programa ASM1 usando los parámetros

calibrados. ……………………………………………………………………………………... 116

Tabla 8.4. Valores de parámetros ASM1 por defecto, ajustado y % de variación……. 125

Tabla 8.5. Resultados de las variables de salida, errores y sus rangos aceptables….. 125

Tabla 8.6. Porcentaje de remoción de los contaminantes del agua residual………….. 125

Tabla A1. Matriz de variables y procesos del modelo ASM1…………………………….. 135

Tabla A2. Parámetros cinéticos y estequiométricos del modelo ASM1………………… 136

Tabla A3. Principales procesos de tratamiento biológico usado para aguas

residuales………………………………………………………………………………………. 137

Tabla A4. Características típicas de las aguas residuales municipales………………… 139

Tabla A5. Relaciones másicas típicas para plantas de tratamiento de aguas

residuales municipales. ………………………………………………………………………. 140

Tabla A6. Submodelos comunes en un proceso de lodos activos………………………. 141

Tabla A7. Submodelos comunes de clarificadores. ………………………………………. 142

-9-
Tabla A10.1. Estadística de los caudales del afluente, efluente y recirculación entre

los meses de enero y febrero 2020…………………………………………………………. 146

Tabla A10.2. Estadística de los caudales del afluente, efluente, recirculación y purga

de lodos del mes de febrero 2020 (L/s) ……………………………………………………..146

Tabla A10.3. Estadística de la producción de lodos y consumo de energía, polímero

y cloro gas del mes de junio 2020…………………………………………………………… 146

Tabla A11.1. Estadística de las concentraciones de materia orgánica, particulada y

nitrogenada del afluente (entre enero y febrero) ………………………………………….. 147

Tabla A11.2. Estadística de las concentraciones de materia orgánica, particulada y

nitrogenada del efluente (entre enero y febrero) ………………………………………….. 147

Tabla A11.3. Estadística de las concentraciones de sólidos en los reactores A y B y

la recirculación (entre enero y febrero) …………………………………………………….. 147

Tabla A12.1. Estadística del pH, temperatura y OD del afluente y efluente entre los

meses de enero y febrero……………………………………………………………………..148

Tabla A12.2. Estadística del pH, temperatura y OD del reactor A y B entre los meses

de enero y febrero……………………………………………………………………………...148

Tabla A12.3. Estadística de la concentración de OD en los reactores A y B del mes

de febrero………………………………………………………………………………………. 148

Tabla A13.1. Balances de masa respecto a los SSI para el ajuste de los caudales del

sistema de lodos activos de la PTAR Santa Clara. ………………………………………..149

Tabla A15.1. Coeficientes y ecuaciones para calcular variables ASM1 y

compuestas……………………………………………………………………………………..155

- 10 -
 Índice de figuras

Figura 2.1. Representación simple del sistema de lodos activos……………………….. 22

Figura 2.2. Representación esquemática de los procesos para la remoción de

materia orgánica………………..………………..………………..………………..………… 24

Figura 2.3. Representación esquemática de las diferentes formas del material

nitrogenado presente en las aguas residuales y sus reacciones………………..………. 27

Figura 2.4. Representación esquemática de las configuraciones de lodos activos…… 29

Figura 2.5. Conexión entre el mundo real y un modelo de planta………………………. 35

Figura 2.6. Clasificación de modelos de un sistema………………..…………………….. 37

Figura 2.7. Aplicaciones del modelado matemático de sistemas de lodos activos……. 38

Figura 2.8. Representación esquemática de un modelo completo de sistema de

lodos activos………………..………………..………………..………………..……………… 39

Figura 2.9. Fraccionamiento de la DQO de la materia orgánica según el modelo

ASM1………………..………………..………………..………………..………………..……. 43

Figura 2.10. Fraccionamiento de la NTK de la materia nitrogenada según el modelo

ASM1………………..………………..………………..………………..………………..…… 44

Figura 2.11. Esquema general del modelo ASM1………………..……………….……… 47

Figura 2.12. Ubicación de la PTAR Santa Clara………………..………………..……….. 59

Figura 2.13. Vista de planta de la PTAR Santa Clara………………..………………..…. 65

Figura 2.14. Diagrama de flujo de la PTAR Santa Clara……………….………………... 66

Figura 3.1. Comparación de los modelos ASM1 y ASM3………………..………………. 69

Figura 5.1. Etapas del Protocolo Unificado de las Buenas Prácticas de Modelado…... 80

Figura 5.2. Procedimiento para la recolección y reconciliación de datos………………. 81

Figura 5.3. Pasos para la reconciliación de los datos. ………………..…………………. 82

Figura 5.4. Pasos para la configuración del modelo de planta. ………………..……….. 84

Figura 5.5. Esquema de flujo representativo de la hidráulica del sistema de lodos

activos de la PTAR Santa Clara………………..………………..………………..…………. 86

Figura 5.6. Diagrama de flujo general para la simulación del modelo ASM1. ………… 91

Figura 6.1. Perfil horario del afluente de la PTAR Santa Clara………………..………… 96

- 11 -
Figura 6.2. Perfil horario del efluente de la PTAR Santa Clara………………..………… 96

Figura 6.3. Caudales del afluente, efluente y recirculación………………..…………….. 97

Figura 6.4. Caudales del afluente, efluente y recirculación durante el mes de febrero. 98

Figura 6.5. Caudales de la purga de lodos durante el mes de febrero…………………. 98

Figura 6.6. Concentraciones de DQO total, DBO5, SST y SSV en el afluente………… 100

Figura 6.7. Concentraciones de DQO total, DBO5, SST y SSV en el efluente………… 100

Figura 6.8. Concentración de SST en la recirculación y los reactores A y B…………... 101

Figura 6.9. Valores de pH en el afluente, efluente, recirculación y reactores A y B…... 101

Figura 6.10. Valores de temperatura en el afluente, efluente, recirculación y

reactores A y B………………..………………..………………..………………..…………... 102

Figura 6.11. Valores de OD en afluente, efluente, recirculación y reactores A y B…… 103

Figura 6.12. Valores de OD en los reactores A y B durante el mes de febrero………...103

Figura 6.13. Sistemas usados para los balances de masa de SSI………………..……. 105

Figura 7.1. Composición de la materia orgánica (DQO total) ………………..…………..111

Figura 7.2. Composición de la materia nitrogenada (N total) ………………..………….. 111

Figura 8.1. Concentración de componentes solubles en el licor mezclado durante

todo el tiempo de simulación de la planta (t=100 días) ………………..…………………. 118

Figura 8.2. Concentración de componentes particulados I en el licor mezclado

durante todo el tiempo de simulación de la planta (t=100 días) ………………………….118

Figura 8.3. Concentración de componentes particulados II en el licor mezclado

durante todo el tiempo de simulación de la planta (t=100 días) ………………..……….. 119

Figura 8.4. Concentración de variables de estado I en todos los tanques CSTR del

modelo de planta (perfil de concentraciones). ………………..………………..………….. 120

Figura 8.5. Concentración de variables de estado II en todos los tanques CSTR del

modelo de planta (perfil de concentraciones). ………………..………………..………….. 120

Figura 8.6. Concentración de variables de estado III en todos los tanques CSTR del

modelo de planta (perfil de concentraciones). ………………..………………..………….. 121

Figura A8.1. Perfil horario del caudal de purga de lodos de la PTAR Santa Clara…… 143

Figura A8.2. Perfil horario del caudal de recirculación de la PTAR Santa Clara……….143

Figura A9.1. Producción diaria de lodos de la PTAR Santa Clara (febrero)…………… 144

- 12 -
Figura A9.2. Consumo diario de energía en la PTAR Santa Clara (febrero)…………...144

Figura A9.3. Consumo diario de polímero catiónico en la PTAR Santa Clara

(febrero).. ………………..………………..………………..………………..………………… 145

Figura A9.4. Consumo diario de cloro gas en la PTAR Santa Clara (febrero)………… 145

Figura A15.1. Variables ASM1 y compuestas de fracciones de materia orgánica y

nitrogenada………………..………………..………………..………………..………………. 154

Figura A1. Reactor A zona aerobia………………..………………..……………………… 156

Figura A2. Reactor B zona aerobia………………..………………..………………..…….. 156

Figura A3. Canal de licor mezclado con dirección hacia los clarificadores……………..157

Figura A4. Clarificadores secundarios y cárcamo de lodos………………..……………..157

Figura A5. Tanque de contacto de cloro (laberinto) ………………..………………..……158

Figura A6. Balones de cloro gas………………..………………..………………..………...158

Figura A7. Sistema SCADA – Tanque de contacto de cloro………………..…………… 159

Figura A8. Sistema SCADA – Vista general Tratamiento Primario………………..……. 159

Figura A9. Sistema SCADA – Vista general Tratamiento Terciario………………..…… 160

Figura A10. Sistema SCADA – Vista general Tratamiento de Lodos……………………160

- 13 -
 Lista de abreviaturas

ALICIA Acceso Libre a Información Científica para la Innovación

ALK Alcalinidad
ASM Activated Sludge Model
ASM1 Activated Sludge Model N°1
ASM2d Activated Sludge Model N°2d
ASM3 Activated Sludge Model N°3
BSM1 Benchmark Simulation Model N°1
C Materia orgánica
CFD Computational fluid dynamics
CSTR Continuous Stirred Tank Reactor
CV Carga volumétrica
DBO Demanda Bioquímica de Oxígeno
DQO Demanda Química de Oxígeno
ECA Estándares de Calidad Ambiental
F/M Relación alimento-microorganismos
GMP Good Modelling Protocol
HRT Hidraulic Retention Time
HSG-Sim Hochschulgruppe Simulation
INEI Instituto Nacional de Estadística e Informática
IWA International Wastewater Association
LMP Límites Máximos Permisibles
MBBR Moving Bed Biofilm Reactor
MBR Membrane Bioreactor
MINAM Ministerio del Ambiente
MMC Millones de metros cúbicos
N Material nitrogenado
NMP Número más probable
NTK Nitrógeno Total Kjeldahl
OD Oxígeno disuelto
OED Optimal experimental design
OEFA Organismo de Evaluación y Fiscalización Ambiental
PFR Plug Flow Reactor
PTAR Planta de Tratamiento de Aguas Residuales
SRT Solids Retention Time
SSLM Sólidos Suspendidos del Licor Mezclado
SSV Sólidos Suspendidos Volátiles
STOWA Dutch Foundation of Applied Water Research
UCT University of Cape Town
WERF Water Environment Research Foundation

- 14 -
 RESUMEN

La simulación de una PTAR es una herramienta muy potente, con mucha aplicabilidad y

flexibilidad para todo tipo de tratamientos, con la cual se puede simular y analizar diversos

escenarios en poco tiempo y a un menor costo. El modelo matemático más empleado para

el caso del tratamiento por lodos activos es el ASM1, un modelo muy complejo con trece

variables de estado y diecinueve parámetros, reconocido por describir muy bien casi todos

los aspectos de los procesos biológicos del sistema. Es por ello, que el presente estudio

tiene como objetivo aplicar el modelo ASM1 para simular el comportamiento de la PTAR

Santa Clara, con la finalidad de evaluar la eficiencia de remoción de la materia orgánica y

nitrogenada de las aguas residuales municipales. La metodología se basó en el Protocolo

Unificado de las Buenas Prácticas de Modelado (GMP, por sus siglas en inglés), una

propuesta desarrollada por la International Wastewater Association (IWA), la cual fue

adaptada a cinco pasos: Definición del proyecto, recolección y reconciliación de datos,

configuración del modelo de planta, calibración del programa y resultados y discusión. Los

resultados de la caracterización establecieron que el agua residual del afluente tenía una

composición de materia orgánica principalmente particulada (58% de XS, 20% de XI, 17%

de SS y 5% de SI), mientras que el material nitrogenado era de tipo amoniacal en su mayoría

(64% de SNH, 22% de XND, 13% de SND y 1% de SNO); dichos valores mostraron que la

caracterización del afluente fue coherente con los resultados reportados por trabajos

similares, lo que permitió implementar satisfactoriamente el modelo altamente complejo del

ASM1 en MATLAB®. Asimismo, la simulación del programa calibrado proporcionó

concentraciones del efluente de 51.75, 2.55, 3.99, 2.99, 0.22, 68.82 y 7.05 mg/L para el DQO

total, DBO5, SST, SSV, N-NH3, N-NO3 y OD, respectivamente. Además, los errores de estas

variables, expresados como residuales absolutos, tuvieron valores muy por debajo de lo

estipulado por el protocolo GMP, salvo en el caso del DBO5, cuyo error fue de 26.08 mg/L.

En tanto que, los porcentajes de remoción fueron de 94.33, 99.47, 98.99, 99.06 y 25.99 %

para el DQO total, DBO5, SST, SSV y N total, respectivamente, observando una elevada

eficiencia en la remoción de la materia orgánica pero baja para los nitrogenados, causado

posiblemente por defectos en el diseño u operación de la planta.

Palabras clave: Simulación de lodos activos, ASM1 en MATLAB, caracterización de aguas

residuales municipales, protocolo GMP.

- 15 -
 ABSTRACT

The simulation of a WWTP is a very powerful tool, with great applicability and flexibility for all

types of treatments, with which it is possible to simulate and analyze various scenarios in a

short time and at a lower cost. The most used mathematical model in the case of activated

sludge treatment is ASM1, a very complex model with thirteen state variables and nineteen

parameters, recommended because it describes very well almost all the aspects of the

biological processes of the system. The purpose of this study is to apply the ASM1 model

to simulate the behavior of the Santa Clara WWTP, in order to determine the efficiency of

elimination of organic and nitrogenous matter from municipal wastewater. The methodology

was based on the Unified Protocol of Good Modeling Practices (GMP), a proposal developed

by the International Wastewater Association (IWA), which was adapted to five steps: Project

definition, data collection and reconciliation, plant model set-up, calibration and results and

discussion. The influent wastewater exhibited a majority composition of particulate organic

matter (58% of XS, 20% of XI, 17% of SS and 5% of SI), while the nitrogenous material was

of the type mostly ammoniacal (64% of SNH, 22% of XND, 13% of SND and 1% of SNO).

Likewise, the simulation of the calibrated program provided effluent concentrations of 51.75,

3.99, 2.99, 0.22, 68.82 and 7.05 g/m3 for the total COD, TSS, VSS, N-NH3, N-NO3 and DO,

respectively. The average error of these results, expressed as the absolute value of the

residual, was 0.63 g/m3, well below what is acceptable by the protocol. While the removal

percentages were 94.33, 98.99, 99.06 and 25.99 % for the total COD, TSS, VSS and total

N, respectively. Finally, it was concluded that the characterization of the tributary was

consistent with the results reported by similar works, which successfully implemented the

highly complex model of ASM1 in MATLAB®, which once calibrated, reported a high

efficiency in the removal of organic matter but low for nitrogenous matter, possibly caused

by defects in the design or operation of the plant.

Keywords: Activated sludge simulation, ASM1 in MATLAB, characterization of municipal

wastewater, GMP protocol.

- 16 -
 CAPÍTULO I

INTRODUCCIÓN

La contaminación de los recursos hídricos y los factores que la contribuyen han sido

materia de discusión y análisis por parte de las entidades estatales de muchos países

desde hace buen tiempo, debido a que se ha visto que esto impacta gravemente, directa

e indirectamente, a la salud pública, a la economía y el ecosistema natural. Es debido a

ello que las tecnologías y los objetivos, orientados al tratamiento de aguas residuales

municipales e industriales, han ido cambiando y mejorando con el pasar del tiempo; se

pasó de eliminar inicialmente solo sólidos suspendidos con sistemas de sedimentación

simples a realizar un tratamiento completo de las aguas residuales con instalaciones y

procesos complejos, los cuales permiten remover todo tipo de contaminantes hasta

obtener un efluente apto para reúso industrial o consumo directo, dependiendo de la

tecnología. El proceso de lodos activos es uno de los mayores sistemas usados por las

PTAR alrededor del mundo, este proceso fue diseñado hace más de un siglo atrás, y a

lo largo de su historia ha pasado por diversas modificaciones hasta convertirse en un

proceso integral que remueve la mayoría de los contaminantes orgánicos, nutrientes y

sólidos suspendidos y disueltos de las aguas residuales municipales. Muchos de los

avances tecnológicos se deben a las publicaciones científicas de la línea de

investigación referente al tratamiento de aguas residuales, que ha ido aumentando en

número y diversificación en los temas, lo que supone una vez más, el creciente interés

de las instituciones de los gobiernos nacionales y supranacionales y de la comunidad

científica, en disminuir el impacto ambiental en el ámbito de los recursos hídricos.

Un factor importante que afecta a las plantas de tratamiento de aguas residuales es la

concentración de la población en las grandes ciudades, un fenómeno demográfico que

está presente siempre. Por ejemplo, en el Perú, la ciudad de Lima Metropolitana alberga

cerca de 10 millones de personas, aproximadamente el 30% de la población nacional

(INEI, 2020). La población en la metrópoli ha ido aumentando significativamente desde

el siglo pasado, y esta tendencia supone un gran desafío para las autoridades en el

tema del saneamiento urbano, pues el volumen de aguas residuales domésticas

- 17 -
generadas por la población e industrias aumenta cada año. Según datos de INEI (2009),

Lima generó cerca de 428 millones de metros cúbicos (MMC) de aguas residuales

domésticas, de las cuales solo el 20% fue tratada. Siete años después, en el 2016, se

descargaron en el sistema de alcantarillado de la ciudad, 654 MMC, de las cuales 148

MMC se vertieron sin recibir tratamiento alguno. Como se observa, el caudal creciente

de las aguas residuales muchas veces sobrepasa la capacidad de las plantas de

tratamiento, haciendo que no se puedan tratar en su totalidad, sumado a esto el mal

manejo del proceso, inadecuado mantenimiento de equipos y/o tecnología deficiente,

hace que estas plantas tengan dificultades a los pocos años de haberse construido. Por

ello, regularmente se hacen modificaciones a estas plantas, reevaluando su capacidad,

con la finalidad de soportar un afluente cada vez mayor. Para evitar este tipo de

problemas y teniendo en cuenta la incertidumbre del proceso, es práctica común la

realización de diseños conservadores de las plantas, teniendo factores de seguridad

elevados, lo que lleva a un sobredimensionamiento de las unidades de proceso. Esto,

por supuesto, lleva a costos innecesarios que podrían evitarse si se tuviera una

herramienta de decisión, que describa y prediga de manera confiable y efectiva, el

comportamiento de la planta bajo las condiciones actuales o posibles escenarios en el

futuro.

Tanto el diseño, operación y control de las PTAR que implementan diversas tecnologías,

en especial el de lodos activos, pueden realizarse eficientemente con herramientas

como la simulación. No fue hasta los años 80, cuando se desarrolló complejos modelos

matemáticos que describían los procesos biológicos más importantes de los lodos

activos, basándose en la cinética de crecimiento y decaimiento de ciertos

microorganismos. Los modelos más importantes fueron desarrollados por la Asociación

Internacional del Agua (IWA, por sus siglas en inglés) desde 1987, y son conocidos

como modelos de la familia ASM (ASM1, ASM2d, ASM3), que son los modelos de

referencia más empleados actualmente como herramienta para modelar y simular

plantas complejas de lodos activos alrededor del mundo. Diversos paquetes de software

que existen en el mercado para la simulación de estos procesos se basan en estos

- 18 -
modelos matemáticos. La simulación de una planta es una herramienta muy potente,

con mucha aplicabilidad y flexibilidad para todo tipo de procesos, además de ser muy

confiable y eficiente. Con él se puede simular y analizar diversos escenarios en poco

tiempo y a un menor costo que si se analizara a escala real o en una planta piloto.

El presente estudio se llevó a cabo empleando el modelo ASM1 (Henze et al. 2002),

desarrollando la simulación en el software MATLAB®. La metodología que se siguió

estuvo basada principalmente en el “Protocolo Unificado” de las Buenas Prácticas de

Modelado (GMP, por sus siglas en inglés), una propuesta desarrollada por el “Grupo de

Trabajo sobre Buenas Prácticas de Modelado” de la IWA, que es un trabajo cuyos

lineamientos son la síntesis de los protocolos más importantes para llevar a cabo

proyectos de tratamiento de aguas residuales elaborados en Norteamérica, Europa y

Asia (Japón). Para complementar dicho protocolo, tomando en cuenta la realidad del

estudio con respecto a la cantidad de datos disponibles, se usaron algunos enfoques de

otros protocolos como STOWA (Hulsbeek et al., 2002), WERF (Melcer et al., 2003),

pautas de Makinia et al. (2002) y Petersen et al. (2002).

En el Capítulo II de este estudio, se hace una descripción de los antecedentes referidos

al tratamiento de aguas por lodos activos y su modelado y simulación, en el Capítulo III,

se detalla el estado del arte, dando a conocer la actualidad y futuro del modelado y

simulación de lodos activos, así como la comparación entre los modelos ASM1 y ASM3,

y diversos protocolos de calibración. En el Capítulo IV, se realiza el planteamiento de la

investigación, describiendo aspectos como la justificación, objetivos, hipótesis y otros.

En el Capítulo V, se realiza una descripción detallada de la metodología usada para este

estudio. En los Capítulos VI, VII y VIII se analiza y discute los resultados de cada etapa

del protocolo, mientras que en el Capítulo IX se presentan las conclusiones y

recomendaciones.

- 19 -
 CAPÍTULO II

ANTECEDENTES

2.1. Principios del proceso de lodos activos

La tecnología de lodos activos fue desarrollada por primera vez a inicios del siglo

XX, con la finalidad de remover contaminantes presentes en el agua residual

municipal que no se podían eliminar con un tratamiento primario como la

sedimentación, debido a que este tipo de contaminantes eran coloidales y/o

solubles y por tanto no sedimentables. En 1914, Lockett y Ardern, de la

Universidad de Manchester, notaron que la aireación de agua residual municipal

incrementaba la velocidad de remoción de materia orgánica, mientras que al

mismo tiempo se observaba la formación de flóculos formando un “lodo activo” en

suspensión. Su contribución fue la de observar que la adición de pequeñas

cantidades de lodo en un nuevo lote de agua residual incrementaba aún más la

velocidad de remoción de materia orgánica (Van Haandel et al., 2012). La

evidencia de la elevada eficiencia de remoción de carga orgánica dio inicio a que

se empezara a utilizar este sistema para tratar las aguas residuales municipales,

haciendo de este proceso el más popular para el tratamiento biológico de aguas

residuales municipales.

El sistema de lodos activos convencional (ver Figura 2.1) se basa en la

degradación de la materia orgánica por efecto del metabolismo de diversos tipos

de microorganismos (ver Tabla 2.1); la materia orgánica, expresada como

Demanda Bioquímica de Oxígeno (DBO), es oxidada (removida) para obtener la

fuente de carbono y energía necesaria para llevar a cabo el crecimiento de los

microorganismos (síntesis). El suministro de oxígeno al reactor debe ser adecuado

para homogenizar la mezcla y favorecer la degradación de la materia orgánica. El

crecimiento de microorganismos da origen a la aparición de flóculos en

suspensión, que van aumentando de tamaño y se aglomeran hasta convertirse en

lodo (biomasa activa); paralelo a este crecimiento ocurre el decaimiento de

- 20 -
 microorganismos, que consiste en la disminución de la masa activa del lodo debido

a fenómenos como lisis, muerte o depredación. La mezcla de agua residual y lodos

en el reactor se denomina licor mezclado, el cual se direcciona a una etapa de

sedimentación secundaria que separa los lodos generados del líquido clarificado.

En este punto, la mayor parte de los lodos son recirculados al tanque reactor, con

la finalidad de incrementar la concentración de microorganismos, expresada como

Sólidos Suspendidos Volátiles (SSV), y favorecer la degradación de la materia

orgánica, disminuyendo el tiempo de retención de líquidos. Los lodos restantes

son considerados excedentes y son enviados a una etapa de tratamiento de lodos,

en donde son deshidratados y estabilizados para finalmente ser conducidos a un

relleno sanitario o para su uso en actividades de cultivo.

Tabla 2.1. Tipos de microorganismos y características principales de su metabolismo.

Adaptado de Metcalf & Eddy Inc. (2003)

Nombre de Fuente Donador de

Tipo de Aceptor
reacción de e- (sustrato Productos
bacteria de e-
común carbono oxidado)
Aerobia Oxidación Materia Materia
O2 CO2, H2O
heterótrofa aerobia orgánica orgánica
Aerobia + − − −
Nitrificación CO2 , O2 ,
autótrofa
Facultativa Materia Materia − − N2, CO2,
Desnitrificación ,
heterótrofa orgánica orgánica H2 O

SEDIMENTADOR
REACTOR SECUNDARIO

Afluente Efluente

Exceso de
Recirculación de lodos lodos

Figura 2.1. Representación simple del sistema de lodos activos. Adaptado de Von

Sperling (2007)

- 21 -
2.2. Reacciones en el sistema de lodos activos

A continuación, se detallarán los fenómenos que ocurren en un proceso de lodos

activos asociados con los microorganismos.

2.2.1. Oxidación de la materia orgánica

La materia orgánica biodegradable es oxidada debido a que es usada como

sustrato para llevar a cabo el crecimiento de los microorganismos, manifestada

como la formación del lodo activo o biomasa. En un ambiente como el de un

sistema de lodos activos, existen diferentes tipos de microorganismos,

involucrados en diferentes procesos biológicos; sin embargo, en el caso de la

materia orgánica, ésta es consumida principalmente por las bacterias

heterótrofas en condiciones aerobias adecuadas; diversos autores, como Henze

et al. (2002), establecen que una concentración de oxígeno disuelto (OD) de al

menos 2 mg/L es suficiente para no afectar el crecimiento de dichos

microorganismos. El oxígeno actúa como el “aceptor de electrones” y se reduce

(ver E2.1), mientras que el compuesto orgánico biodegradable se comporta

como el “donador de electrón” y se oxida.

− + (E2.1)
+ + ⟶

Lo descrito anteriormente puede explicarse analizando el metabolismo

bacteriano: los microorganismos realizan dos procesos complementarios que

ocurren simultáneamente: el anabolismo, que convierte parte del sustrato en

lodo activo (crecimiento de microorganismos) y el catabolismo, en donde se

oxida la fracción restante del sustrato para generar la energía que necesita el

proceso anabólico para que se lleve eficientemente (respiración exógena). Una

vez formado el lodo activo le sigue el proceso de muerte celular o decaimiento,

en donde la fracción biodegradable del lodo se sigue oxidando (respiración

endógena) hasta obtener productos inertes. La materia orgánica no

biodegradable particulada no participa en los procesos de oxidación, estos solo

se acumulan, floculándose y eliminándose con el lodo excedente, mientras que

- 22 -
 la fracción orgánica no biodegradable soluble sale del sistema con el efluente

clarificado, a la misma concentración a la que entró. La Figura 2.2 muestra los

procesos principales que involucra la materia orgánica biodegradable y no

biodegradable, además, muestra la degradación de la materia orgánica

biodegradable particulada, donde primero ocurre el almacenamiento del material

para luego realizar un rompimiento enzimático de enlaces (hidrólisis) antes de

ser absorbidos y utilizados.

Descarga
de lodos

Floculación Lodo Material Lodo Residuo

inerte almacenado activo endógeno

No biodegradable
particulado

Biodegradable Almacenamiento
particulado
Afluente
Anabolismo
Biodegradable Hidrólisis
soluble
Decaimiento
Metabolismo
No biodegradable
soluble Catabolismo

Efluente Respiración Respiración

exógena endógena

Figura 2.2. Representación esquemática de los procesos para la remoción de materia

orgánica. Adaptado de Van Haandel et al. (2012)

2.2.2. Nitrificación

La nitrificación es el proceso mediante el cual el nitrógeno amoniacal o ion

amonio, la especie nitrogenada en mayor cantidad en el agua residual, es

oxidado biológicamente en dos etapas, mediado por bacterias específicas: en la

primera, el ion amonio es oxidado a ion nitrito (ver E2.2) mediado por la bacteria

Nitrosomonas y en la segunda, el nitrito es oxidado a nitrato (ver E2.3) mediado

- 23 -
por la bacteria Nitrobacter. La segunda etapa es mucho más rápida que la

primera, por lo que en la mayoría de los casos el amoniaco oxidado se

encontrará principalmente como nitrato. La nitrificación, al remover parte de la

carga de DBO, demanda un consumo de oxígeno adicional, según Van Haandel

et al. (2012), dicha demanda representa alrededor de un tercio de la demanda

total de oxígeno.

Las bacterias Nitrosomonas y Nitrobacter son denominadas autótrofas aerobias,

es decir, aquellas que utilizan una fuente inorgánica de carbón, como el CO 2,

para convertirlo en carbono celular durante la síntesis; la oxidación del ion

amonio en un ambiente aerobio es la fuente de energía necesaria para llevar a

cabo el crecimiento de los microorganismos. Las reacciones de oxidación se

muestran a continuación:

+ − +
+ ⟶ + + (E2.2)

− −
+ ⟶ (E2.3)

+ − +
+ ⟶ + + (E2.4)

Como se cita en Espinosa (2010), por cada gramo de amoníaco que se oxida a

ion nitrato, se consumen 4.18 gramos de O2, se utilizan 7.14 gramos de

alcalinidad (como CaCO3), se producen 0.15 gramos de células nuevas y se

consumen 0.09 gramos de carbono inorgánico.

Por otra parte, se ha observado que los organismos autótrofos deben gastar más

de su energía para la síntesis de la que gastan los heterótrofos, resultando

generalmente en menores rendimientos de masa celular y velocidad de

crecimiento (Metcalf & Eddy Inc., 2003), lo que justifica incrementar el tiempo de

retención de sólidos (edad del lodo) para que la nitrificación sea lo más completa

posible. Sin embargo, existen muchos factores que influyen en la velocidad de

nitrificación, como el oxígeno disuelto, temperatura, pH, alcalinidad, mezcla,

- 24 -
 entre otros. Por ejemplo, condiciones como baja temperatura (invierno), pH bajo

y aumento de concentración de contaminantes industriales puede inhibir

significativamente la velocidad de crecimiento de las bacterias autótrofas.

Finalmente, cabe mencionar que la nitrificación que se desarrolla en un proceso

de lodos activos es prácticamente inevitable cuando las aguas residuales

alcanzan temperaturas de 22 a 24°C, que será el caso durante al menos parte

del año en regiones tropicales y subtropicales (Van Haandel et al., 2012).

2.2.3. Desnitrificación

La desnitrificación es un proceso que ocurre en condiciones de ausencia de

oxígeno, mejor conocido como condiciones anoxias. Al no haber presencia de

oxígeno, los microorganismos utilizan el nitrato presente, formado en la

nitrificación, como el sustituto para el aceptor de electrones. La reacción es

llevada a cabo por bacterias facultativas heterótrofas, en la cual el nitrato es

reducido biológicamente por la materia orgánica a nitrógeno gas, el cual se libera

al ambiente; la reacción se muestra a continuación:

− + −
+ + ⟶ + (E2.5)

Por estequiometría de las reacciones E2.4 y E2.5 que involucra la materia

nitrogenada, se puede calcular que 5/8 (o 63%) de la demanda de oxígeno de la

nitrificación puede ser recuperado en el proceso de desnitrificación; y de manera

global, el consumo total de oxígeno del proceso de lodos activos puede ser 21%

menos comparado con procesos con solo nitrificación. La alcalinidad es otro

parámetro que es afectado durante los procesos de conversión de materia

nitrogenada, lo que podría requerir la adición de cal para estabilizar el pH a la

neutralidad; sin embargo, la desnitrificación, al recuperar cerca de la mitad de la

alcalinidad perdida en la nitrificación, hace que las variaciones de pH sean

mínimas y por tanto, evita el uso de reguladores de pH.

- 25 -
 Como se observa, la desnitrificación trae muchos beneficios al proceso, si se

planea adecuadamente en conjunto con la nitrificación. Mientras que en la

nitrificación, el oxígeno y alcalinidad son consumidos, en la desnitrificación, parte

de este consumo es restituido, disminuyendo costos por uso y suministro de

oxígeno y reguladores de pH como el Ca(OH)2.

La Figura 2.3 muestra todos los procesos biológicos que involucran la conversión

del material nitrogenado presente en las aguas residuales; se incluyen además

el proceso de amonificación, que convierte el nitrógeno orgánico en ion amonio

y su proceso inverso, llamado asimilación.

Nitrógeno
gas ( )
Desnitrificación Límites del
sistema de
Nitrato
− lodos activos

Nitrificación

Nitrógeno en Nitrógeno en
el afluente el efluente
Amonio
+

Amonificación

Asimilación

Nitrógeno
orgánico

Nitrógeno en lodo
excedente (sólido)

Figura 2.3. Representación esquemática de las diferentes formas del material

nitrogenado presente en las aguas residuales y sus reacciones. Adaptado de

Van Haandel et al. (2012)

2.3. Configuraciones del sistema de lodos activos

Los procesos de tratamientos biológicos han ido modificándose y combinándose

entre sí con la finalidad de realizar un tratamiento cada vez más completo y eficiente

de las aguas residuales municipales, acorde con la demanda cada vez más

- 26 -
exigente de la legislación ambiental de los países en el tema de la contaminación.

En el Anexo 3 se presenta una tabla con la clasificación principal de los procesos

de tratamientos biológicos de aguas residuales y sus aplicaciones.

El sistema de lodos activos ha tenido cambios significativos respecto a sus diseños

iniciales con la finalidad de expandir su aplicabilidad y mejorar la eficiencia, apoyado

en gran medida por un mejor entendimiento de los procesos microbiológicos,

mejoras en la caracterización de los microorganismos individuales involucrados,

mejoras en la tecnología de aireación e innovación de nuevos equipos. (Metcalf &

Eddy Inc., 2003). En la década de 1950 fue muy popular la configuración en forma

de “pista de carreras” desarrollada por Pasveer, esto llevó a que los sistemas de

zanja de oxidación sean uno de los más usados actualmente. Sin embargo,

problemas en la sedimentación debido a la formación de bacterias filamentosas hizo

que se opte por un sistema por etapas. Es así como, en 1973, Barnard propuso el

sistema Bardenpho, que comprendía reactores anoxios y aerobios conectados en

serie de forma alternada, con recirculación interna y externa (Figura 2.4a) de tal

manera que en los reactores anoxios siempre haya una elevada concentración de

lodos para que la desnitrificación se lleve a cabo a velocidades altas y evitar también

la formación de filamentosos. La adición de una zona de contacto anaerobia a este

sistema hizo que el proceso de lodos activos mejore su capacidad para la remoción

de fósforo (Figura 2.4b). En los finales de los años 90, una mejora significativa del

proceso tuvo lugar con el acoplamiento de la tecnología de membranas, dando lugar

al sistema de biorreactor de membrana (MBR, por sus siglas en inglés), en el cual

se reemplazó los clarificadores por membranas fijas sumergibles, pues resultaba

mucho más eficiente para el proceso de separación sólido-líquido (Figura 2.4c).

Posteriormente, principios de crecimiento adherido fueron aplicados a sistemas por

etapas, en la cual la biomasa crece sobre la superficie de pequeños carriers o

biomedias sumergidos en un tanque, aumentando en masa y facilitando la posterior

sedimentación de los lodos (Figura 2.4d); a estos tanques se les conoce como

reactores de biopelícula de lecho móvil (MBBR, por sus siglas en inglés).

- 27 -
(a)
Reciclo interno

Clarificador
Afluente Efluente
Anoxio Aerobio Anoxio Aerobio

Retorno de lodo activo Exceso de

lodos
(b)
Reciclo

Clarificador
Efluente

Aerobio
Afluente Anaerobio Anoxio Aerobio Anoxio

Retorno de lodo activo

Lodos
(c) (conteniendo P)
Membranas fijas
(sumergidas)
Permeado
Afluente
Anoxio Aerobio
Bomba de
extracción

Retorno de lodo activo Exceso de

lodos
(d)
Reciclo de nitrato

Clarificador
Afluente Aerobio Efluente
Anoxio Aerobio
con media

Retorno de lodo activo Exceso de

lodos

Figura 2.4. Representación esquemática de las configuraciones de lodos

activos. (a) Sistema Bardenpho, (b) Remoción de N y P, (c) MBR y (d) MBBR.

Adaptado de Metcalf & Eddy Inc. (2003)

- 28 -
2.4. Configuración física del reactor de lodos activos

En las plantas de tratamiento existen diversos tipos de reactores de acuerdo con

sus características físicas, cada uno diseñado con objetivos específicos. En la Tabla

2.3 se detallan las características principales de los tipos de reactores de lodos

activos de acuerdo con su configuración física.

2.5. Parámetros operacionales del sistema de lodos activos

Para el desempeño óptimo de una planta de tratamiento de lodos activos es

necesario evaluar y monitorear ciertos parámetros de operación. Según Loaiza

(2007), es fundamental tener claro todos los factores que pueden afectar la

velocidad degradación de los sustratos tales como las características del afluente,

las condiciones ambientales, el diseño del proceso, el tipo de reactor y la modalidad

de operación. De igual manera, es importante tener un buen entendimiento sobre

los microorganismos involucrados, las reacciones específicas que ellos desarrollan,

sus necesidades nutricionales y sus reacciones cinéticas. Cuanto más

eficientemente pueda el proceso biológico combinar las condiciones y los factores

señalados, tanto más eficiente resultará el tratamiento (Espinosa, 2010).

Tabla 2.2. Parámetros de operación típicos para procesos de lodos activos según

el tipo de configuración del reactor. Adaptado de Metcalf & Eddy Inc. (2003)

F/M, CV,
SRT, SSLM, HRT,
Tipo de reactor kg DBO/ kg DBO/
días g/L horas
kg SSV-d m3-d
Convencional
3-15 0.2-0.4 0.3-0.7 1-3 1-2
tipo pistón
Completamente
3-15 0.2-0.6 0.3-1.6 1.5-4 3-6
mezclado
Alimentación
3-15 0.2-0.4 0.7-1.0 1.5-4 3-5
escalonada
Aireación
20-40 0.04-0.1 0.1-0.3 2-4 20-30
extendida
Zanja de
15-30 0.04-0.1 0.1-0.3 3-5 15-30
oxidación
Reactor por
15-30 0.04-0.1 0.1-0.3 2-5 15-40
lotes secuencial
Nota. SRT: Edad del lodo, F/M: Relación alimento-microorganismos en el reactor, CV: Carga
volumétrica, SSLM: Sólidos suspendidos en el licor mezclado, HRT: Tiempo de retención hidráulico

- 29 -
Tabla 2.3. Descripción de las principales configuraciones físicas de reactores de lodos activos. Adaptado de Von Sperling (2007)

Variante Esquema Descripción

• Predominantemente dimensiones cuadradas
Completamente • Las concentraciones son las mismas en cualquier punto del reactor
mezclado • Alta resistencia a sobrecargas y sustancias tóxicas
• Adecuado para efluentes industriales
• Predominantemente dimensiones longitudinales
• Más eficiente que el reactor completamente mezclado
• Capaz de producir lodos con mejor características de sedimentación
Flujo pistón
• La demanda de oxígeno incrementa a lo largo del reactor
• La concentración de oxígeno disuelto (OD) incrementa a lo largo del reactor
• Menos resistencia a impacto de cargas
• Similar al flujo pistón
• La demanda de oxígeno decrece a lo largo del reactor
Aireación
• El suministro de oxígeno es igual a la demanda (la aireación decrece a lo largo del reactor)
escalonada
• Ahorro en suministro de oxígeno
• Control más fácil por aire difuso
• Entrada al reactor en varios puntos
• El reactor se comporta como un reactor completamente mezclado
Alimentación • El consumo de oxígeno es homogéneo
escalonada • Operación flexible
• Posibilidad de almacenamiento temporal de sólidos en la parte inicial, si la entrada inicial es
cerrada
• El reactor tiene una forma ovalada
• El líquido circula a alta velocidad por el impulso de ejes rotatorios horizontales
Zanja de • Usado en modo de aireación extendida
oxidación tipo • El reactor se comporta como flujo pistón para OD y completamente mezclado para las otras
Pasveer variables
• La existencia de zonas anoxias puede hacer posible la desnitrificación
• Los ejes rotatorios requieren de tanques de baja profundidad (requisitos de área más grande)
• Similar a la zanja de oxidación Pasveer
Zanja de
• Los aireadores de eje vertical pueden trabajar en tanques más profundos, lo que requiere un
oxidación tipo
área más pequeña
Carrusel

- 31 -
2.6. Marco legal sobre aguas residuales

Diversas normas han sido establecidas en el país a fin de garantizar un adecuado

tratamiento de las aguas residuales domésticas e industriales y su respectiva

disposición en los cuerpos receptores de agua o su posible reúso. A continuación,

se presentan algunas de estas normas que comprenden la base legal para el

tratamiento adecuado de aguas residuales en el país.

2.6.1. Ley N°28611-General del Ambiente

El Artículo 31° de la Ley define al Estándar de Calidad Ambiental (ECA) como la

medida que establece el nivel de concentración o del grado de elementos,

sustancias o parámetros físicos, químicos y biológicos, presentes en el aire, agua

o suelo, o en su condición de cuerpo receptor, que no representa riesgo

significativo para la salud de las personas ni al ambiente.

Sobre el tratamiento de residuos líquidos, el Artículo 122° de la Ley establece

que las empresas de saneamiento tienen la responsabilidad del tratamiento

adecuado de las aguas residuales domésticas y pluviales. Así mismo, el sector

de Vivienda, Construcción y Saneamiento tiene a su cargo la fiscalización de las

diversas plantas de tratamiento, para que cumplan con los LMP, ECA y demás

instrumentos de gestión que comprende el marco legal vigente. Finalmente, se

obliga a las empresas que realizan actividades extractivas, productivas o de

comercialización tratar sus efluentes, ya sean ellos mismos o mediante terceros

debidamente acreditados en la materia por las autoridades competentes.

2.6.2. Decreto Supremo N°004-2017-MINAM

Decreta los nuevos Estándares de Calidad Ambiental (ECA) estableciendo los

valores adecuados dependiendo de los cuerpos naturales de agua, las cuales

son clasificadas por categorías: Categoría 1-Población y recreacional, Categoría

2-Extracción, cultivo y otras actividades marino-costeras y continentales,

Categoría 3-Riego de vegetales y bebida de animales y Categoría 4-

- 32 -
 Conservación del ambiente acuático. Para ver los valores específicos para cada

parámetro véase la Tabla 2.4.

Tabla 2.4. ECA para conservación del ambiente acuático. Adaptado del D.S.

N°004-2017-MINAM

Ecosistemas
Unidad Ríos costeros y
Lagunas marinos
Parámetros de
y lagos
medida Costa y
Selva Estuarios Marinos
sierra
Aceites y Grasas mg/L 5 5 5 5 5
DBO5 mg/L 5 10 10 15 10
Fósforo Total mg/L 0.035 0.05 0.05 0.124 0.062
Nitratos mg/L 13 13 13 200 200
Nitrógeno Total mg/L 0.315 * * * *
Oxígeno Disuelto mg/L >5 >5 >5 >4 >4
Unidad
pH 6.5-9.0 6.5-9.0 6.5-9.0 6.8-8.5 6.8-8.5
de pH
Sólidos
Suspendidos mg/L <25 <100 <400 <100 <30
Totales
Temperatura °C Δ3 Δ3 Δ3 Δ2 Δ2
Coliformes NMP/100
1000 2000 2000 1000 2000
Termotolerantes mL
Nota. El símbolo * dentro de la tabla significa que el parámetro no aplica para esta Subcategoría.
Δ 3: significa variación de 3 grados Celsius respecto al promedio mensual multianual del área
evaluada.

2.6.3. Decreto Supremo N°003-2010-MINAM

En el Artículo 2° del Decreto define el Límite Máximo Permisible (LMP) como “la

medida de la concentración o del grado de elementos, sustancias o parámetros

físicos, químicos y biológicos, que caracterizan a una emisión, que al ser

excedida causa o puede causar daños a la salud, al bienestar humano y al

ambiente”. Los Límites Máximos Permisibles para efluentes de Plantas de

Tratamiento de Aguas Residuales Domésticas o Municipales (PTAR) se

presentan en la Tabla 2.5. Para información más detallada acerca de la base

legal sobre aguas residuales, revisar la publicación de OEFA (2014).

- 33 -
 Tabla 2.5. Límites Máximos Permisibles (LMP) para efluentes domésticos o

municipales. Extraído del D.S. N°003-2010-MINAM

Parámetro Unidad LMP

Aceites y grasas mg/L 20
Coliformes Termotolerantes NMP/100 mL 10000
Demanda Bioquímica de Oxígeno mg/L 100
Demanda Química de Oxígeno mg/L 200
pH unidad 6.5-8.5
Sólidos Totales en Suspensión mg/L 150
Temperatura °C <35

2.7. Modelado de un proceso de un proceso lodos activos

Se describe las ideas básicas del modelado de un proceso y de su importancia y

aplicación en el tratamiento de las aguas residuales por lodos activos.

2.7.1. Definiciones básicas de un modelo

Un modelo es una representación aproximada y simplificada de la realidad

(objetos, procesos, etc.), en la cual ciertos comportamientos y características

claves del sistema son utilizados para construir dicho modelo. Tomando como

referencia el tema de tratamiento de aguas, los límites del sistema pueden ser

desde el proceso de tratamiento, hasta toda la zona urbana o incluso la cuenca

hidrográfica. Sin embargo, en la simulación, cualquiera que sea los límites del

sistema, las entradas del modelo, que son mediciones recopiladas a partir de la

observación del sistema, son transformadas a variables de estado que son los

datos de entrada que necesita el modelo para resolver el sistema; similarmente,

los datos de salida son transformados a mediciones observables que puedan

compararse con las mediciones reales de salida para así calibrar y validar el

modelo de simulación. Esta conexión entre la realidad y el modelo puede verse

mejor en la Figura 2.5.

- 34 -
 Mundo real

Límites del
sistema

observaciones
observaciones

Entradas del Simulador (software) Salidas del

modelo Modelo de planta modelo

Datos de Datos de
entrada salida
Submodelos
(ej., hidráulico, biocinético,
control, operación…)

Figura 2.5. Conexión entre el mundo real y un modelo de planta.

Adaptado de Rieger et al. (2013)

Un modelo es conceptual, físico o matemático, pero por lo general es una mezcla

de los tres. La parte conceptual es el entendimiento del sistema mismo, describe

las relaciones (cualitativas y/o cuantitativas) de las variables en un sentido de

causa-efecto, en tanto que el modelo físico es, por ejemplo, una planta piloto

para simular a escala un proceso determinado, la cual se caracteriza por ser

costoso y por lo general no puede trasladarse fácilmente a otro lugar. A su vez,

el modelo matemático es un conjunto de ecuaciones complejas que describen

un sistema basándose en las leyes fundamentales de la naturaleza y sus

derivados.

Para que un modelo sea factible siempre se busca la utilidad antes que la

exactitud, es decir, “un modelo debería ser tan simple como sea posible y solo

tan complejo como sea necesario” (Makinia, 2010). Hay ciertos modelos que son

“simples” y que se pueden resolver analíticamente mediante estadística, cálculo

o álgebra, pero por lo general no es así, y se necesita de métodos numéricos

- 35 -
para poder resolver la matemática de todo el modelo, mientras más complejo

sea el modelo, éste representará mejor al sistema y por tanto se obtendrán

resultados más exactos, sin embargo, esto requerirá el uso de mayores recursos

informáticos. Es por ello, que siempre se busca un balance entre complejidad

(exactitud) y simplicidad (utilidad).

En el lenguaje del modelador se establecieron diversos tipos de modelos de

acuerdo con sus características, con la finalidad de diferenciarlos y evitar

confusiones. Se hablan de pares de modelos y no son jerarquizados

necesariamente (ver Figura 2.6).

• Modelos determinísticos vs estocásticos: los primeros se caracterizan por

obtener un número finito de respuestas para un conjunto de entradas

determinadas, mientras que los segundos emplean entradas asociadas con

funciones de distribución de probabilidad, es decir, son funciones de

probabilidad que dan un número infinito de resultados probables.

• Modelos mecanísticos vs empíricos: los modelos mecanísticos también

llamados de “caja blanca”, se basan en leyes fundamentales de la naturaleza

y por lo tanto están bien respaldadas y además son exactas, es por ello por

lo que es el modelo de preferencia actual para el modelado de sistemas; un

modelo mecanístico es por lo general determinístico. Por otra parte, los

modelos empíricos, denominados de “caja negra”, se basan en la observación

y experiencia (y no en leyes físicas) para establecer el modelo matemático.

Es decir, se puede emplear cuando halla poca o nula información acerca de

los procesos mecánicos del sistema, o cuando las observaciones que se

hacen de estás no son suficientes para calibrar o verificar un modelo

mecanístico.

• Modelos estacionarios vs dinámicos: En un modelo estacionario sus

parámetros y/o entradas no cambian con el tiempo, mientras que el dinámico

si ocurre dicho cambio, por lo que se puede modelar sistemas que tengan,

- 36 -
 por ejemplo, entradas cambiantes, como ocurre casi siempre con el afluente

de una PTAR y otro tipo de funciones o series de tiempo.

• Modelos de parámetros distribuidos vs parámetros agrupados: Si un

modelo dinámico es modelado tomando en cuenta solo su comportamiento

en el tiempo entonces es un modelo de parámetros agrupados y las

ecuaciones diferenciales son ordinarias; el modelo está representado por un

reactor de tanque agitado continuo (CSTR, por sus siglas en inglés). Si

además del tiempo, el modelo considerase su comportamiento en el espacio,

entonces sería un modelo de parámetros distribuidos y las ecuaciones

diferenciales serían parciales. Según Makinia (2010), el autor Beck (1989)

dice que usando múltiples CSTR elementales, es posible predecir las

variaciones espaciales con un modelo de parámetros agrupados.

Modelo de un
sistema

Físico Matemático Conceptual

Parámetros
Determinístico Mecanístico Estacionario agrupados vs.
vs. Estocástico vs. Empírico vs. Dinámico Parámetros
distribuidos

Figura 2.6. Clasificación de modelos de un sistema. Adaptado de Makinia (2010)

2.7.2. Aplicaciones prácticas del modelado

Según Makinia (2010), el autor Grady (1989) enlistó cinco potenciales áreas de

aplicación del modelado matemático en el tratamiento de aguas residuales:

“Para el investigador, el modelado sirve como un marco de referencia conceptual

sobre el cual construye y prueba hipótesis, extendiendo así el conocimiento. Para

el diseñador, el modelado permite explorar el impacto de una amplia gama de

- 37 -
variables del sistema, lo que aumenta considerablemente su espacio

experimental con respecto a un proceso propuesto. Además, cuando se emplea

dentro del marco apropiado, el modelado permite el desarrollo de diseños casi

óptimos en los que se obtienen los objetivos del proceso deseados a un costo

mínimo. Para el operador, el modelado permite el desarrollo de estrategias de

control al facilitar la investigación de la respuesta del sistema de tratamiento a

una amplia gama de entradas sin poner en peligro el rendimiento real del

sistema. Para el regulador, el modelado permite realizar juicios sobre el impacto

de los nuevos requisitos de efluentes en el diseño y el costo del sistema de

tratamiento. Finalmente, para el educador de ingeniería, el modelado

proporciona una herramienta con la cual los estudiantes pueden explorar nuevas

ideas, enriqueciendo así su educación al involucrarlos activamente en el proceso

de aprendizaje ".

En la Figura 2.7 se resume las aplicaciones más importantes del modelado y

simulación de una planta de tratamiento de aguas residuales.

Investigación Operación
Diagnóstico y Diseño y
Desarrollo de nuevos
optimización actualización
conceptos de
Exploración del
tratamiento,
impacto de
entendimiento del
diferentes variables
proceso, etc.

Regulación legal Control de

Evaluación del impacto procesos
de nuevos estándares de Educación Prueba de
efluentes Enseñanza y nuevos sistemas
entrenamiento de de control
personal

Figura 2.7. Aplicaciones del modelado matemático de sistemas de lodos

activos. Adaptado de Makinia (2010)

- 38 -
2.7.3. Modelos en el proceso de lodos activos

Cuando se habla de un modelo completo de un proceso de lodos activos, hay

que tener en cuenta primero el desarrollo de los submodelos que conforman

dicho modelo. Los submodelos describen, cada uno por sí solo, un aspecto del

proceso, por lo que deben trabajan en conjunto para obtener los resultados

deseados que caracterizan al sistema completo. Una lista general de todos los

submodelos que intervienen en el modelado de un sistema de lodos activos se

presenta en el Anexo 6. Para el presente estudio se tomará en cuenta los

siguientes cuatro submodelos debido a su importancia: caracterización de las

aguas residuales del afluente, hidráulica del sistema, el modelo del reactor

(biocinética + hidrodinámica) y el modelo del sedimentador secundario. La Figura

2.8 muestra el esquema de los submodelos más importantes.

MODELO DE UN SISTEMA DE LODOS ACTIVOS

MODELO HIDRÁULICO DEL PROCESO

Zona Zona Zona MODELO

anaerobia anoxia aerobia CLARIFICADOR

Afluente Efluente
MODELO MODELO MODELO
REACTOR REACTOR REACTOR

MODELO DEL REACTOR

MODELO DE
CARACTERIZACIÓN MODELO DE MEZCLA MODELO DE
DE AGUA RESIDUAL HIDRODINÁMICA TEMPERATURA
DEL AFLUENTE (ej. CSTR, PFR)

MODELO DE
MODELO DE LODOS TRANSFERENCIA
DE OXÍGENO
ACTIVOS

Procesos
estequiométricos Condiciones
del entorno en
Procesos el reactor
cinéticos (ej. OD, T)

Figura 2.8. Representación esquemática de un modelo completo de sistema de lodos

activos. Adaptado de Makinia (2010)

- 39 -
2.8. Modelo de Lodos Activos No. 1 (ASM1)

A continuación, se hace una revisión del Modelo de Lodos Activos No.1, más

conocido como ASM1, donde se detalla su procedencia, variables de estado,

parámetros y procesos biológicos.

2.8.1. Breve reseña del modelo ASM1

El Modelo de Lodos Activos No.1 (ASM1), del cual se basan los modelos de la

familia ASM, es considerado actualmente como el modelo de referencia para

muchos proyectos científicos y prácticos realizados alrededor del mundo y que

se ha implementado, en algunos casos con modificaciones, en la mayoría de los

softwares comerciales disponibles para modelar y simular las PTAR para la

eliminación de nitrógeno (Katic, 2016).

La publicación del modelo ASM1, realizado en 1987 por el grupo de trabajo de

la IWA, conformado por Grady (EE. UU.), Gujer (Suiza), Henze (Dinamarca),

Marais (Sudáfrica) y Matsuo (Japón), marcó un hito en el modelado del sistema

de lodos activos debido a que con él se lograron dos objetivos: (1) revisar los

modelos existentes hasta ese entonces y sintetizarlos y, (2) llegar a un

“consenso” a nivel internacional para tener el modelo matemático más simple

capaz de predecir de manera realista el comportamiento de sistemas de lodos

activos donde se llevan a cabo la oxidación de materia orgánica, nitrificación y

desnitrificación. La presentación del modelo ASM1 se realizó adoptando un

nuevo formato: una matriz que contenía los procesos biológicos (filas) y las

variables de estado (columnas), permitiendo tener una visión general de las

interacciones de los componentes (y su destino), y colocando la máxima cantidad

de información mediante una notación estandarizada. Dicha matriz se presenta

en el Anexo 1, detallando los procesos y componentes involucrados.

Según Jeppsson (2001), el modelo ASM1 toma dos conceptos importantes

provenientes del modelo de la Universidad de Ciudad del Cabo (UCT, por sus

siglas en inglés) desarrollado por el profesor G.v.R. Marais, las cuales son la

- 40 -
hipótesis del “bisustrato” y la hipótesis de “muerte-regeneración”. De hecho,

cuando se realiza la simulación de ambos modelos (ASM1 y UCT), bajo las

mismas condiciones y calibradas correctamente, se logra resultados muy

similares. La hipótesis del “bisustrato” establece la división del DQO

biodegradable del afluente en DQO rápidamente biodegradable, conformada por

moléculas simples que atraviesan la pared celular fácilmente para ser

sintetizadas, y DQO lentamente biodegradable, comprendida por moléculas más

complejas que se adhieren a la pared celular y en donde ocurre un rompimiento

de enlaces para generar moléculas más simples que puedan ser sintetizadas, en

un proceso que se denomina hidrólisis. Por otra parte, la hipótesis de “muerte-

regeneración” indica que en el decaimiento de la biomasa (heterótrofa y

autótrofa), una parte de ella se convierte en un residuo inerte y otra en material

lentamente biodegradable que posteriormente será de nuevo utilizado por los

microorganismos remanentes como sustrato (retornando al proceso).

El modelo ASM1 también introduce el término de “función interruptor” (switching

function), que es una expresión de Monod y que es matemáticamente continua,

por lo que reduce problemas de inestabilidad numérica durante la simulación.

Con este componente se toma en cuenta el efecto del entorno, especialmente el

del oxígeno disuelto, en la velocidad de los procesos biológicos “activando” o

“desactivando” gradualmente las ecuaciones de velocidad de crecimiento a

medida que cambian las condiciones ambientales, especialmente entre zonas

aerobias y anoxias (Jeppsson, 2001).

Respecto al modelo matemático en sí, el modelo ASM1 cuenta con trece

componentes o variables de estado, siete solubles y seis particulados, así como

ocho procesos (tres de crecimiento, dos de decaimiento, dos de hidrólisis y uno

de amonificación), y en cuanto a los parámetros, el modelo utiliza diecinueve,

cinco parámetros estequiométricos y catorce cinéticos.

- 41 -
2.8.2. Componentes del modelo ASM1

El modelo ASM1 divide la DQO de la materia orgánica en material biodegradable

(sustrato), que son afectados por los procesos biológicos, y no biodegradable,

que son inertes a la acción de los microorganismos. De acuerdo con la hipótesis

del bisustrato, el material biodegradable se divide en material rápidamente

biodegradable (SS), que consiste en moléculas simples solubles que son

fácilmente absorbidos por los microorganismos y son metabolizados para

energía y síntesis, y material lentamente biodegradable (XS), conformado por

moléculas particuladas, coloidales y/o complejas que se adhieren a la pared

celular y realizan un rompimiento enzimático de enlaces (hidrólisis) antes de ser

absorbidos y utilizados. En el caso del material no biodegradable, el componente

“soluble inerte” (SI) no es afectado por la acción de los microorganismos y al ser

soluble, este sale del sistema a la misma concentración a la que entró, mientras

tanto el componente “particulado inerte”, que consiste en material particulado

inerte proveniente del afluente (XI) y productos inertes generados durante el

decaimiento (XP), se adhieren a los lodos de la biomasa y son eliminados del

sistema en el flujo de lodo excedente. También se toma en cuenta la biomasa

generada durante el crecimiento de los microorganismos, la cual se divide por el

tipo de bacterias que la forman: heterótrofas y autótrofas. Para la notación de los

componentes del modelo ASM1, como letras mayúsculas: S representa un

componente soluble y X representa uno particulado, como subíndices: S, I y B

representan componentes biodegradables, no biodegradables y la biomasa,

respectivamente. El esquema de la Figura 2.9 muestra la división de la materia

orgánica incluyendo la notación descrita anteriormente.

- 42 -
 DQO
Total

DQO DQO No DQO

Biodegradable Biodegradable Biomasa

Soluble Particulado Heterótrofa Autótrofa

SS XS XBH XBA

Soluble Particulado
SI XI y XP

Figura 2.9. Fraccionamiento de la DQO de la materia orgánica según el

modelo ASM1. Adaptado de Jeppsson (2001)

Para la división del material nitrogenado, el modelo considera la medición del

Nitrógeno Total Kjeldahl (NTK, por sus siglas en inglés), que incluye

componentes como el nitrógeno amoniacal libre e ionizado (SNH), el nitrógeno

orgánico, que se divide similarmente como la materia orgánica en orgánico

soluble y orgánico particulado, y a su vez, de acuerdo con su comportamiento

ante la acción de los microorganismos, en biodegradable y no biodegradable.

Hay que señalar que, de estos componentes nitrogenados orgánicos, solo la

fracción biodegradable soluble (SND) y particulada (XND) son usadas

explícitamente dentro el modelo. También se considera la concentración de

iones nitritos y nitratos dentro de una misma variable (S NO), todo esto con la

finalidad de simplificar la complejidad matemática.

Los últimos componentes del modelo son la concentración de oxígeno disuelto

(SO), variable muy importante para la cinética de los procesos biológicos, y la

alcalinidad (SALK), para verificar y controlar el pH del entorno. Se sintetiza la

información de los componentes del modelo ASM1 en la Tabla 2.6.

- 43 -
 N Total Nitrato y nitrito
Kjeldahl NTK SNO

N amoniacal Masa activa N

N orgánico
SNH XNB

N orgánico N orgánico
soluble particulado

N no biodegr. SND XND N no biodegr.

SNI XNI y XNP
N
biodegr.

Figura 2.10. Fraccionamiento de la NTK de la materia nitrogenada según el

modelo ASM1. Adaptado de Jeppsson (2001)

Tabla 2.6. Variables de estado del modelo ASM1

Símbolo Variable de estado (componente) Unidad

SI Materia orgánica soluble inerte g DQO/m3
SS Sustrato rápidamente biodegradable g DQO/ m3
XI Materia orgánica particulada inerte g DQO/ m3
XS Sustrato lentamente biodegradable g DQO/ m3
XBH Biomasa activa heterótrofa g DQO/ m3
XBA Biomasa activa autótrofa g DQO/ m3
XP Materia particulada producto de decaimiento g DQO/ m3
SO Oxígeno disuelto - g DQO/ m3
SNO Nitritos y nitratos g N/ m3
SNH Nitrógeno amoniacal libre e ionizado g N/ m3
SND Nitrógeno orgánico biodegradable soluble g N/ m3
XND Nitrógeno orgánico biodegradable particulado g N/ m3
SALK Alcalinidad ud. molar

Valores típicos de dichos componentes y sus fracciones reportados en la literatura se

presentan en el Anexo 4, en donde también se incluyen componentes derivados del

fósforo.

- 44 -
2.8.3. Procesos biológicos del modelo ASM1

Como ya se mencionó, el modelo ASM1 considera ocho procesos biológicos bien

definidos, las cuales se basan en el modelo de Monod modificado, que incluye

funciones interruptor. Estos procesos se describen detalladamente a

continuación, y sus interrelaciones se muestran en la Figura 2.11.

• Crecimiento aerobio de heterótrofos. En este proceso, una parte del

material rápidamente biodegradable (SS) es convertido a biomasa heterótrofa

y la otra parte es oxidada para producir la energía para el proceso, la cual

está asociada con una demanda de oxígeno. Además, el nitrógeno amoniacal

(SNH) es usado como fuente de nitrógeno y es incorporado a la masa celular

(biomasa). La velocidad de crecimiento está limitada por las concentraciones

de oxígeno (SO) y el material rápidamente biodegradable; a pesar de ello, en

este proceso se genera la mayor cantidad de biomasa. Existen, además,

cambios de alcalinidad.

• Crecimiento anoxio de heterótrofos. Este proceso se conoce también como

desnitrificación; en ausencia de oxígeno y presencia de nitratos (ambiente

anoxio), estos últimos actúan como el aceptor final de electrones (oxidante) y

son reducidos a nitrógeno gas. El material rápidamente biodegradable se

sigue utilizando como sustrato, pero la velocidad del crecimiento será menor

en un factor de ƞg (<1). Esto se debe a que no todos los microorganismos son

capaces de usar al nitrato como el aceptor final de electrones (algo que no

ocurre con el oxígeno), además, es probable que la velocidad máxima de

crecimiento específico también sea menor en condiciones anoxias. En este

proceso ocurre ganancia de alcalinidad.

• Crecimiento aerobio de autótrofos. Más conocido como nitrificación, donde

las bacterias autótrofas utilizan el CO2 como fuente de carbono (sustrato) y

oxida el nitrógeno amoniacal a nitrito, y éste inmediatamente se oxida a

nitrato; dicho proceso está asociado a una demanda de oxígeno (aceptor de

electrones). La generación de biomasa autótrofa es mínima debido al bajo

- 45 -
 rendimiento del crecimiento autótrofo. La variación de alcalinidad es

importante en este proceso.

• Decaimiento de heterótrofos. Se sigue el modelo de muerte-regeneración.

A una determinada velocidad, cierta parte de la biomasa se convierte en

productos inertes (XP) y la otra se “regenera” convirtiéndose en material

lentamente biodegradable (XS), que se reintegrará al proceso de hidrólisis,

crecimiento, etc. En este proceso no hay consumo de oxígeno ni cambios de

alcalinidad. La velocidad del proceso se asume igual para condiciones

aerobias, anoxias y anaerobias.

• Decaimiento de autótrofos. Sigue la misma cinética que el proceso de

decaimiento de heterótrofos.

• Amonificación de nitrógeno orgánico soluble. Nitrógeno biodegradable

soluble (SND) se convierte en nitrógeno amoniacal (SNH) mediado por bacterias

heterótrofas. Iones hidrógeno consumidos en el proceso de conversión resulta

en un cambio de alcalinidad (Jeppsson, 2001).

• Hidrólisis de orgánicos entrampados. En la hidrólisis, el material

lentamente biodegradable (XS) debe ser tratado enzimáticamente, mediante

una serie de reacciones complejas, antes de ser absorbido por los flóculos de

la biomasa, debido a que las moléculas de este sustrato son complejas y no

son asimilables fácilmente por los microorganismos. En este rompimiento

enzimático extracelular (hidrólisis), las moléculas se adhieren (o entrampan)

a los flóculos y se convierten en unas más sencillas (material rápidamente

biodegradable), lo cual les permite atravesar la pared celular para finalmente

ser sintetizadas. La velocidad de hidrólisis disminuye cuando el ambiente

cambia de aerobio a anoxio en un factor de ƞh (<1).

• Hidrólisis de nitrógeno orgánico entrampado. Nitrógeno orgánico

biodegradable particulado se descompone en nitrógeno orgánico

biodegradable soluble a una velocidad definida por la hidrólisis de orgánicos

entrampados descrito antes.

- 46 -
 Nitrógeno orgánico
biodegradable �
particulado �

Hidrólisis Hidrólisis
aerobia anoxia

Nitrógeno orgánico
biodegradable �
Sustrato soluble
Bacteria
Materia orgánica rápidamente
heterótrofa Amonificación
Bacteria
soluble inerte biodegradable
Crecimiento Crecimiento autótrofa
aerobio aerobio
� � Crecimiento
aerobio
�
Crecimiento Crecimiento
anoxio anoxio Nitrógeno como
Nitrificación +
+

Hidrólisis Hidrólisis
aerobia anoxia

Nitrógeno como
nitrato + nitrito

� �� �
Materia orgánica Sustrato lentamente Productos particulados del
particulada inerte biodegradable decaimiento de biomasa
Muerte

Figura 2.11. Esquema general del modelo ASM1. Adaptado de Alex et al. (2008)

- 47 -
2.8.4. Parámetros del modelo ASM1

Los parámetros del modelo son característicos de cada sistema en particular; el

modelo ASM1 establece diecinueve parámetros, cinco parámetros

estequiométricos y catorce cinéticos. En el Anexo 2 se enlista todos estos

parámetros, mostrando su simbología, unidades y rango de valores reportados

en la literatura; tener en cuenta que los valores deben tomarse como un

promedio que indican una orden de magnitud razonable.

Los parámetros del modelo ASM1 pueden calcularse experimentalmente

realizando bioensayos, que utilizan una planta piloto o de banco para simular las

condiciones de la PTAR real (Melcer et al. 2003). Para la realización de estos

bioensayos hay que tener en cuenta la confiabilidad de los resultados debido a

que, en ciertas ocasiones, este tipo de ensayos no representa las condiciones lo

suficientemente bien, y por tanto, los valores de los parámetros no serán los

mismos que la planta real. Por otro lado, cabe mencionar que múltiples factores

pueden afectar los valores de los parámetros como, por ejemplo, las

características del agua residual del afluente, las condiciones de operación, las

condiciones ambientales (pH, temperatura, etc.), la configuración de planta, el

grado de inhibición de componentes tóxicos presentes en el agua residual, etc.

Además, tener en cuenta que muchas veces se considera el valor de los

parámetros constante a lo largo del proceso, a pesar de que muchos de ellos

cambian con el tiempo a los pocos días. Para la determinación experimental de

cada uno de los parámetros, se puede consultar el reporte científico-técnico del

modelo ASM1 (Henze, 2002) o la publicación de Melcer et al. (2003).

Para la simulación del modelo se asumen valores iniciales por defecto para todos

estos parámetros, obtenidos de la literatura (ver Anexo 2); luego, los valores de

los parámetros más sensibles del proceso se van ajustando hasta obtener

resultados que se aproximen a la realidad, este procedimiento se llama

calibración. Lo ideal es realizar una calibración de todos los parámetros para

- 48 -
 sintonizarlos en su conjunto. De hecho, diferentes conjuntos de valores de

parámetros pueden dar aproximadamente los mismos resultados.

2.9. Casos de simulación de procesos de lodos activos

Se analizan trabajos anteriores relacionados con casos de estudio sobre la

simulación de plantas de tratamiento de aguas residuales por lodos activos, tanto

a nivel nacional como internacional.

2.9.1. Antecedentes a nivel nacional

En el Perú se han desarrollado diversos trabajos de investigación relacionados

con el tratamiento de aguas residuales por lodos activos. Algunos de ellos, como

los trabajos de Farfán (2015) y Baca (2017), aplican una configuración de lodos

activos usando un reactor batch secuencial (SBR, por sus siglas en inglés) a

nivel de laboratorio, para determinar el porcentaje de eficiencia de dichos

sistemas para las características del afluente de la zona. Otros autores, como

Castillo et al. (2019), utiliza el diseño experimental Taguchi para obtener las

variables de operación óptimas de un sistema de lodos activos convencional.

Otras investigaciones se enfocan más en la determinación experimental de

parámetros del modelo clásico de lodos activos de McCarty y Lawrence (1970),

como Chocce et al. (2012) y Ochoa (2016), que calcularon los valores de

parámetros clásicos como k, KS, Y, kd y um; y otras publicaciones realizan un

estudio para el diseño de plantas de tratamiento, como Pérez et al. (2016) que

diseñó una planta para Chiclayo, y Condori et al. (2017), que dimensiona una

planta de tratamiento basándose en las características de las aguas residuales

en Puno. La mayoría de estas investigaciones tienen serias limitaciones,

principalmente porque éstas no se basan ni analizan a profundidad los procesos

biológicos que ocurren en el sistema de lodos activos bajo estudio, lo que

ocasiona que los resultados de las características del afluente y efluente,

dimensionamiento y diseño de unidades, determinación de coeficientes

cinéticos, entre otros, sean cuestionables y dudosos, además de limitar el

- 49 -
 impacto de dichos trabajos a escenarios y periodos muy específicos, teniendo

una aplicabilidad muy baja para futuros trabajos. Todo lo descrito anteriormente

revela que, en el Perú, no se suele aplicar modelos complejos de lodos activos

para la simulación y análisis de las plantas de tratamiento actuales y/o futuras.

Esto lleva a que el presente trabajo inicie la investigación en el país, referente al

tema de simulación de plantas de tratamiento, empleando modelos matemáticos

complejos que formen parte del estado de arte, como lo es el modelo ASM1.

2.9.2. Antecedentes a nivel internacional

A pesar del avance en el desarrollo de modelos cada vez más completos, y

complejos, el modelo ASM1 se considera el modelo de referencia en el modelado

y simulación de diversas configuraciones del sistema de lodos activos, como lo

mencionan Petersen et al. (2002), Katic (2016), Espinosa (2010) y varios otros

autores y especialistas en la simulación de procesos de tratamiento de aguas

residuales. El modelo ASM1 es actualmente muy utilizado tanto para el diseño,

operación, y análisis de los procesos de lodos activos de las plantas de

tratamiento de aguas residuales alrededor del mundo. Por ejemplo, Alex et al.

(2008) modela una PTAR con una configuración de planta estandarizada (BSM1)

utilizando el ASM1 para modelar la planta tanto en MATLAB® como en

FORTRAN, con la finalidad de evaluar diferentes estrategias de control. Nuhoglu

et al. (2004) por su parte, modelan la PTAR Erzican City con configuración de

carrusel, usando el ASM1 y el modelo de Takács para el modelado del reactor y

sedimentador secundario, respectivamente; su objetivo fue desarrollar un

modelo calibrado en GPS-X que permita caracterizar adecuadamente la planta

de tratamiento. Otros autores se enfocan especialmente en la simulación de

configuraciones de lodos activos para la eliminación biológica de nutrientes,

como Xiang Hu et al. (2014) y Liwarska et al. (2011), quienes analizaron plantas

de tratamiento de lodos activos con configuración A2O modificado para simular

sus comportamientos en condiciones estacionarias y dinámicas, usando el

software BioWin para tales propósitos; ellos describieron a grandes rasgos todo

- 50 -
el procedimiento que se siguió: desde la caracterización de las aguas residuales

del afluente hasta la calibración y validación del programa en el software.

Asimismo, Petersen et al. (2002) y Sochacki et al. (2000) también modelan sus

respectivas plantas de estudio bajo las características del modelo ASM1 y, en

dichos casos, utilizan el software WEST como ambiente de simulación. Es

importante mencionar que Petersen et al. (2002) siguen un protocolo muy bien

elaborado, desarrollando campañas de muestreo, diversos análisis

experimentales y calibración en estado estacionario y dinámico, incluso

realizando un análisis de sensibilidad para determinar cuáles son los mejores

parámetros para ajustar durante la calibración; esto, indudablemente le trajeron

excelentes resultados en su simulación y análisis del comportamiento del

proceso. En la Tabla 2.7 se describen mejor estos y otros casos en los que la

aplicación del modelo ASM1 ha tenido lugar para la simulación de plantas de

tratamiento de aguas residuales reales.

- 51 -
Tabla 2.7. Casos de aplicación del modelo ASM1 en la simulación de plantas de tratamiento de lodos activos
Referencia Ciudad, país Planta Tipo Aplicación
Municipal, secundario (lodos El programa basado en ASM1 y calibrado en GPS-X
Espinosa Monterrey, PTAR Dulces
activos), sistema de trenes fue usado para evaluar escenarios de ampliación de la
(2010) México Nombres
(PFRs) para remoción de C y N planta (capacidad límite y volumen de reactores)
El modelo ASM1, desarrollado y calibrado en WEST,
Municipal, lodos activos
Sochacki et al. Verona, puede indicar tendencias de las concentraciones del
PTAR Verona diseñado para nitrificación y
(2009) Italia efluente, además de tener aplicaciones interesantes
desnitrificación
en el futuro
Se desarrolló un benchmark, que es un entorno de
BSM1 simulación independiente definiendo la distribución de
Sistema de lodos activos
Alex et al. (Benchmark la planta, un modelo de simulación (ASM1), cargas del
Suecia convencional (nitrificación y
(2008) Simulation afluente y procedimientos de prueba para la
desnitrificación)
Model no. 1) evaluación de estrategias de control de plantas de
tratamiento
Municipal (70% industrial), Se evalúan diversos modelos reducidos del ASM1
Mulas Cagliari, PTAR sistema de lodos activos para mejorar el lazo de control del proceso. Además,
(2006) Italia TecnoCasic diseñado para nitrificación y realizan aplicaciones con sensores para mediciones
desnitrificación on-line

Varias plantas Desarrolla un procedimiento estadístico para diseñar

Huo Estados Municipales, sistema de lodos
de Estados PTARs más rentables basado en simulaciones de
(2005) Unidos activos convencional
Unidos Monte Carlo y el modelo ASM1

Doméstico, lodos activos con

Utiliza ASM1 (en el software GPS-X) para obtener un
Nuhoglu et al. Erzincan, sistema de carrusel para
PTAR Erzincan modelo calibrado que describa el comportamiento de
(2004) Turquía remoción de C y N, más 2
la planta
clarificadores
Municipal (60% industrial), Modelado con ASM1 (en el software WEST++) para
Petersen et al. Zele, lodos activos con sistema de calcular el % de remoción de contaminantes. Se
PTAR Zele
(2002) Bélgica carrusel para remoción de C y realiza reducción del modelo calibrado y análisis de
N, más 2 clarificadores sensibilidad de parámetros del modelo

- 52 -
2.10. Características de las aguas residuales

Se detalla las características fisicoquímicas típicas del agua residual municipal de

Lima Metropolitana, así como la de otros países de Latinoamérica.

2.10.1. El caso de Lima Metropolitana

Lima Metropolitana cuenta actualmente con 24 plantas de tratamiento de aguas

residuales distribuidos en las zonas centro (6), sur (13) y norte (5) de la ciudad;

el gran número de plantas de tratamiento ubicadas en el sur de Lima se debe

principalmente a la elevada cantidad de carga orgánica y sólidos suspendidos

de las aguas residuales que se generan en esa zona, debido a que un gran

porcentaje de la población de Lima se encuentra asentada en el sur. La Tabla

2.8 muestra las características de las aguas residuales por zonas (centro, sur y

norte) y de toda Lima Metropolitana.

Tabla 2.8. Parámetros de las aguas residuales de diferentes zonas de Lima

Metropolitana. Adaptado de INEI (2018)

Lima Lima Lima Lima

Parámetro Unidad
Metropol. Centro Sur Norte
Caudal total(a) L/s 20274 659 7093 12522
Temperatura(a) °C 24.8 24.7 25 24.7
pH(a) Uds. 7.7 7.7 7.7 7.7
SST(b) mg/L 335 252 477 276
DBO5(b) mg/L 369 265 587 256
OD(b) mg/L 1.23 2.1 0.8 0.8
Nota. (a) Datos del año 2017. (b) Datos del año 2007.

2.10.2. Otros casos en Latinoamérica

El estilo de vida de la población, las actividades económicas y las condiciones

climáticas suelen influir significativamente en las características de las aguas

residuales municipales de una determinada región; tomando en cuenta lo

anterior, se consideró adecuado para propósitos de comparación, reportar

relaciones másicas típicas de varias regiones de Latinoamérica, ya que éstas

son más universalmente aplicables que las concentraciones y son menos

afectados por las condiciones anteriores; estos datos se muestran en la Tabla

- 53 -
 2.9. Además, Rieger et al. (2013) presenta información de más relaciones

másicas típicas para plantas de tratamientos de aguas residuales municipales

ubicadas en Norteamérica y Europa, ver Anexo 5.

Tabla 2.9. Relaciones de interés de las aguas residuales en algunas regiones

de Latinoamérica

Ciudad, DQOt/ DQOpart/ SSV/ NTK/

Referencia ALK(a)
país DBO5 SSV SST DQOt
Loaiza Monterrey,
2.44 2.39 0.77 0.08 370.3
(2007) México
Espinosa Monterrey,
1.75 1.87 0.77 0.06 399.0
(2010) México
Zoby(b) Recife,
4.38 2.76 0.89 0.28 279.1
(2011) Brasil
Zoby(c) Recife,
2.74 3.70 0.74 0.23 200.7
(2011) Brasil
Peña et al. Bogotá,
1.55 - - 0.07 352.9
(s.f.) Colombia
(a) (b)
Nota. Valores de alcalinidad en mg CaCO3/L. Datos de la PTAR Cocote.
(c)
Datos de la PTAR Janga.

2.11. Caracterización de las aguas residuales

La caracterización de las aguas residuales son un conjunto de procedimientos,

generalmente experimentales, en la cual se realiza el fraccionamiento del material

orgánico (DQO total) y nitrogenado (NTK), con la finalidad de obtener las variables

de estado que utiliza el modelo como entrada para las simulaciones. Para su

realización se requieren pruebas experimentales, diseñadas a partir de un modelo

de fraccionamiento del material orgánico y nitrogenado; dichas pruebas

experimentales pueden ser de dos tipos, según Melcer et al. (2003):

fisicoquímicas, las cuales utilizan por lo general un filtro de un determinado tamaño

de paso (0.45 o 1.0 um), y bioensayos (o bioassays), que requiere la instalación

de pequeños reactores batch a escala de laboratorio para medir la velocidad de

degradación del sustrato, denominadas también como técnicas respirométricas.

Hay que mencionar que, un conjunto suficiente de datos de las variables medibles

no siempre está disponible en la planta (mediciones de rutina), por lo que en la

mayoría de las veces se requiere realizar lo que se denomina una “campaña

- 54 -
intensiva de muestreo”; esto quiere decir que en un plazo muy corto de tiempo (en

unos pocos días) se realizan varias tomas de muestra al día (frecuencia alta

usando equipos de muestreo) en distintos puntos de la planta, con la finalidad de

obtener suficientes datos para realizar la caracterización del agua residual del

afluente, de los reactores, para analizar la hidrodinámica, el proceso de

sedimentación de lodos y la calidad del efluente. Esto, como es obvio, requiere de

muchos más recursos de tiempo, materiales, equipos, personal, etc. De acuerdo

con los objetivos de la simulación se decidirá qué calidad y cantidad de datos se

obtendrán implementando o no una campaña de muestreo; por ejemplo, es muy

común observar hacer este tipo de procedimientos cuando el objetivo del

modelado es optimizar o controlar los procesos de la planta, lo cual requiere que

los datos obtenidos sean confiables y lo más exactos posibles, en cambio, para

propósitos de decisiones o descripciones cualitativas del proceso, basta muchas

veces con los datos proporcionados por los análisis de rutina que realiza el

personal de la planta.

Las campañas intensivas de muestreo conllevan a la realización de muchas

pruebas experimentales para poder caracterizar adecuadamente las aguas

residuales en cuestión; sin embargo, cuando existe el problema de falta de

equipos o materiales, como es el caso del presente estudio, para realizar dichas

pruebas es mejor utilizar ecuaciones y relaciones empíricas que permitan realizar

el fraccionamiento del DQO y el NTK con una suficiente confiabilidad, como lo

hacen Makinia et al. (2002). En dicho trabajo realizaron la caracterización del

afluente de agua residual de dos plantas, basándose solo en mediciones de DQO

y SST (para la fracción orgánica) y NTK (para la fracción nitrogenada) del afluente,

debido a que esos datos eran los únicos con los que contaba las plantas. Mediante

el uso de ecuaciones empíricas y asumiendo valores para ciertos parámetros

estequiométricos, los autores pudieron obtener las variables de estado que

necesitaba el modelo ASM1.

- 55 -
2.12. Modelado del sedimentador secundario

Existen varios modelos para el sedimentador, desde modelos simples como el de

clarificador puntual, el cual es una separación simple sólido-líquido que no

considera el volumen del clarificador, hasta modelos muy complejos como el

desarrollado mediante fluidos dinámicos computacionales, que actualmente solo

están disponibles para propósitos de investigación. La aplicación de un

determinado modelo obedece a los objetivos de la investigación y a los datos

disponibles para la simulación; por ejemplo, Petersen et al. (2002) emplean un

modelo de sedimentador puntual simple debido a que las campañas de muestreo

están más enfocadas en el análisis de los reactores y los flujos de entrada y salida.

Huo (2005), considera el mismo modelo para el sedimentador estableciendo una

eficiencia de 99.75%, basándose en el comportamiento de sedimentadores de

varias plantas de tratamiento en EE. UU.

El modelo de clarificador por capas también es muy utilizado y se ha reportado en

la literatura, destacando el modelo desarrollado por Takács et al. (1991). Por

ejemplo, en el trabajo desarrollado por Alex et al. (2008), para la aplicación del

Modelo de Simulación de Referencia N°1 (BSM1, por sus siglas en inglés), se

utilizó el modelo de Takács para modelar el sedimentador secundario separándolo

en diez capas para establecer la distribución de las concentraciones de sólidos.

Otros autores como Nuhoglu et al. (2004) y Sochacki et al. (2009) también

utilizaron este tipo de sedimentador; sin embargo, a pesar de que este modelo es

confiable y preciso, se necesita disponer de bastante información en las pruebas

de sedimentación, lo que supone esfuerzos adicionales durante las campañas de

muestreo. En general, el modelo de clarificador ideal, que considera el volumen

del sedimentador, es el más adecuado para una gran variedad de objetivos, ya

que modelos más complejos, incluso si están calibrados, podrían no predecir los

sólidos del efluente correctamente (Rieger et al., 2013). En el Anexo 7 se muestran

esquemas gráficos de los modelos usados para el sedimentador secundario, en

los casos de separación completa y pérdida de sólidos en el efluente.

- 56 -
2.13. Hidrodinámica del proceso

En la literatura, generalmente el comportamiento hidrodinámico del proceso es

representado como una serie de tanques CSTR. Para determinar el número y

arreglo de estos reactores se puede apoyar mediante la experiencia, ecuaciones

empíricas, flujos dinámicos computacionales o realizando una prueba de

trazadores. Éste último es el método experimental más común para determinar el

régimen de flujo, se basa en inyectar en el afluente de la planta cierta cantidad de

un componente no reactivo fácil de medir conocido como “trazador” (ej. bromuro,

litio, cloruro de potasio, rodamina, etc.), luego su concentración es medida en

zonas sensibles hasta que sale de la planta evaluada. Aparte del número

requerido de CSTR para el modelo, se puede obtener ciertas características del

flujo como cortocircuitos, zonas muertas, flujo inverso, etc. Para más información

acerca de la prueba de trazadores véase Metcalf & Eddy Inc. (2003), Loaiza (2007)

y/o Sánchez (2010). Por otro lado, si una campaña de muestreo para la prueba de

trazadores no es posible, una posible alternativa es utilizar relaciones empíricas,

como la ecuación propuesta por el Centro de Investigación del Agua del Reino

Unido, para estimar el número tanques CSTR conectados en serie para un sistema

de aireación difusa (Melcer et al., 2003).

2.14. MATLAB®

El software MATLAB® (Matrix Laboratory) es un potente programa informático

desarrollado por The Math Works Inc. (EE. UU.), muy utilizado a nivel mundial por

científicos, estudiantes y profesionales de las áreas de ciencia e ingeniería para

la resolución de problemas matemáticos, utilizando métodos numéricos, mediante

la operación de matrices. Es también importante mencionar a SIMULINK®, el otro

producto de The Math Works Inc., que es un entorno de diagrama de bloques para

simulación basado en modelos de ingeniería y que puede trabajar conjuntamente

con MATLAB®, potenciando sus aplicaciones.

- 57 -
 El entorno de MATLAB® está diseñado para poder crear programas mediante

comandos y funciones, algunas de estas funciones elementales, built-in functions,

están integradas dentro del software para ser utilizadas directamente; otras

funciones más específicas y complejas, user-defined functions, deben ser

programadas por el usuario para poder ser empleadas.

MATLAB® es un lenguaje de programación de alto nivel, lo que quiere decir que

su sintaxis tiene una comprensión lógica y puede ser entendible medianamente

bien por el usuario, lo que supone una mayor facilidad para programar en dicho

lenguaje. Esto por supuesto, tiene la desventaja de requerir mayores recursos

computacionales, dado que se debe convertir el lenguaje de alto nivel a uno de

bajo nivel para que pueda ser comprendido y procesado por la computadora. Es

por ello, que muchas veces se prefiere trabajar con lenguajes de bajo nivel como

C, C++, Python, Visual Basic, etc., que pueden realizar cálculos más complejos

en menor tiempo. Sin embargo, su utilización requiere conocimientos avanzados

de programación; por tal motivo MATLAB® sigue siendo una buena opción,

utilizada a nivel mundial, tanto para investigación y desarrollo como para el ámbito

profesional.

2.15. Presentación de la PTAR Santa Clara

En esta sección se presenta una descripción de la PTAR Santa Clara, detallando

su ubicación, parámetros de diseño, procesos y diagrama de flujo de la planta.

2.15.1. Ubicación

La PTAR Santa Clara se ubica en la Av. Pedro Ruiz Gallo S/N frente a Plaza Vea

del Centro Comercial Santa Clara, al lado del Puente Santa Clara, en la margen

izquierda del río Rímac, en el distrito de Ate Vitarte, en Lima.

- 58 -
 Río Rímac

PTAR Sta. Clara

Figura 2.12. Ubicación de la PTAR Santa Clara. Elaboración propia

2.15.2. Parámetros de diseño de la planta

• Tecnología de Tratamiento: Lodos Activos

Tabla 2.10. Caudales de diseño PTAR Santa Clara. Extraído de SCRIBD (2019)

Caudal Valor Unidad

Caudal de diseño 437.81 L/s
Caudal máximo horario 1,024.48 L/s
Caudal máximo diario 569.15 L/s

Tabla 2.11. Parámetros de diseño de calidad en el afluente de la PTAR Santa Clara.

Extraído de SCRIBD (2019)

Parámetro Valor Unidad

DBO5 530 mg/l
SST 471 mg/l
Grasas y Aceites 45 mg/L
Nitrógeno orgánico 50.28 mg/L
Fosfatos 38.3 mg/L
Alcalinidad Total 469.4 mg/L
Temperatura 24 ºC
pH 7.6 Uds.

- 59 -
 Tabla 2.12. Parámetros de diseño de calidad en el efluente de la PTAR

Santa Clara. Extraído de SCRIBD (2019)

Caudal Valor Máximo Unidad

DBO5 15.0 mg/L
SST 10.0 mg/L

2.15.3. Descripción general de la planta

La PTAR Santa Clara ha sido diseñada con la tecnología de lodos activos por

aireación extendida, el tratamiento primario está conformado por un sistema de

cribado por rejas, el proceso de tratamiento secundario comprende un sistema

de tratamiento biológico mixto (anoxio-aerobio) y el tratamiento terciario está

comprendido por un sistema de cloración. A este tren, está integrado un

sistema de acondicionamiento de lodos generados en la etapa biológica (ver

Figuras 2.13 y 2.14). A continuación, se detallan las etapas de cada

tratamiento.

A. Tratamiento Primario

El principio fundamental es la remoción de sólidos gruesos, medianos y finos;

consta de las siguientes etapas:

A.1. Cámara de Ingreso a la Planta de Tratamiento

El agua cruda que ingresa la PTAR de Santa Clara llega por gravedad a

través de un colector subterráneo. La cámara de llegada está conformada

por un elemento de concreto armado de 4.5 x 4.5 x 3.5 m. Esta unidad está

equipada con una reja manual gruesa de barras verticales con un tamaño

de paso de 60 mm y una cuchara bivalva para la extracción de sólidos

gruesos.

- 60 -
A.2. Pretratamiento

• Las Rejas Mecánicas Medianas son de tipo cadena que pueden retener

desechos de tamaño mayor a 10mm. Los sólidos retenidos caen en un

transportador-compactador y cuentan con un lavador

• Las rejas finas son de tipo escalera que pueden retener desechos de

tamaño mayor a 3mm. Los sólidos retenidos caen en un transportador,

compactador, lavador

• Para extraer la arena del agua cribada se tienen dos desarenadores

circulares tipo Vortex, los cuales están equipados con un par de

agitadores mecánicos de acero, así como de un par de bombas para la

extracción de arena de la tolva de acumulación.

A.3. Medición de caudal

La medición del caudal se lleva a cabo mediante un medidor de régimen

crítico tipo Parshall. Este medidor se encuentra después del desarenado; el

material de construcción de esta unidad es plástico reforzado con fibra de

vidrio cuyo diámetro de garganta es de 0.914 m.

B. Tratamiento Secundario

Este tratamiento tiene por finalidad eliminar la materia orgánica y nutrientes

nitrogenados de las aguas residuales empleando un diseño de lodos activos.

Consta de las siguientes etapas:

B.1. Proceso biológico

El proceso biológico consta de dos reactores (A y B), en cada reactor se

tiene una unidad anoxia en donde se lleva a cabo la desnitrificación y una

unidad aerobia en donde se lleva a cabo la nitrificación. Existe una

corriente de recirculación interna entre los reactores nitrificadores y

desnitrificadores, con esto se logra ciertas condiciones con las que se

- 61 -
 pueda llevar a cabo la remoción de materia orgánica y nutrientes del agua

residual.

• Reactor anoxio

El término anoxio se utiliza para distinguir el uso de nitritos y nitratos

como aceptores de electrones en condiciones de ausencia de oxígeno.

En tales condiciones ocurre la reducción de nitritos y nitratos a nitrógeno

gas, esta reacción también se conoce como desnitrificación biológica.

• Reactor aerobio

El tratamiento aerobio del efluente del reactor anoxio se trata de un

sistema comúnmente conocido como proceso de lodos activos en su

variante aireación extendida. Para el tratamiento aerobio del efluente de

los reactores anoxios, se dispone de dos módulos aerobios cada uno

con un volumen útil de 20,448 m3. En el fondo de ambos módulos existe

una red de difusores alimentados por los sopladores, los cuales tienen

una doble función: transferir el oxígeno necesario a los microorganismos

y mantener el mezclado dentro del reactor. Los sopladores y la red de

difusores tienen la capacidad de suministrar el aire necesario para el

flujo máximo diario (49,174.82 m3/d). La demanda teórica de oxígeno de

diseño es de 1799.68 kg/hr.

B.2. Sedimentación

El licor mezclado del reactor fluye por gravedad hacia una caja de

distribución secundaria para enviarse hacia los dos clarificadores

secundarios. Estos clarificadores son tanques circulares de 45 m de

diámetro cada uno con un volumen útil de 7,155.97 m3 y un tiempo de

residencia hidráulica a caudal de diseño de 9 horas. Así, el agua clarificada

es evacuada por vertedores en la parte superior de los sedimentadores,

siendo esta agua el efluente final del tratamiento biológico secundario. La

mayor parte de los lodos sedimentados son recirculados a las zonas

- 62 -
 anoxias del reactor biológico mientras que el excedente es enviado al

espesador para su tratamiento final. La carga superficial de diseño y la

carga másica de éstos son de 11.89 m3/m2.d y 47.57 kg/m2.d,

respectivamente.

C. Tratamiento Terciario

En el tratamiento terciario se destruyen microorganismos que no han podido

ser eliminados en los procesos anteriores; básicamente consta de la

desinfección final de las aguas residuales para su reúso en agricultura.

C.1. Desinfección

En esta etapa se utiliza gas cloro como desinfectante, el cual elimina los

microorganismos viables de infectar y causar daño a la salud pública. El

agua clorada pasa a través de dos laberintos de cloración y una parte va a

dar a un cárcamo de agua de servicios de donde se dispone para ser

reutilizada en las diversas áreas de la Planta de Tratamiento, mientras la

otra parte es el efluente que es utilizado para actividades de cultivo de la

zona. Los tanques de contacto con cloro fueron diseñados para un tiempo

de retención hidráulica de 25 minutos a flujo promedio y de 10.68 minutos

a flujo máximo horario. El consumo de cloro requerido es de 9.46 y de

22.13 kg/hr para flujo promedio y máximo horario, respectivamente. Por

último, se tiene un canal medidor Parshall, para medir el caudal del efluente

de la planta.

D. Tratamiento de lodos generados

A continuación, se detalla las etapas para el tratamiento final de los lodos.

D.1. Espesador

Del cárcamo de lodos mediante las bombas centrífugas se envía la purga

de lodo hacia dos espesadores por gravedad. La carga con la que fueron

diseñados estos espesadores es de 31.85 kg SST/m2/d. El sobrenadante

- 63 -
 de los espesadores se envía por gravedad al cárcamo de bombeo de agua

cruda. Los lodos ya espesados son enviados mediante las bombas de

cavidad progresiva hacia la etapa de deshidratación de lodos.

D.2. Deshidratación

La deshidratación de los lodos tiene como objetivo reducir su contenido de

humedad para facilitar su manejo, reduciendo los costos de transporte y

minimizando la generación de lixiviados en el sitio de disposición. La

deshidratación de los lodos se lleva a cabo mediante dos centrífugas

decantadoras con capacidad máxima de 521.588 kg de sólidos/hora. Para

obtener mejores resultados de deshidratación, se lleva a cabo una

dosificación de polímero catiónico FLOPAM en la línea de lodos.

OBSERVACIONES

• Actualmente, la etapa de control de olores, perteneciente al tratamiento

primario, y la etapa de filtración, perteneciente al tratamiento terciario,

no están operativos debido a problemas técnicos

• Las bombas que realizaban la recirculación interna de lodos dentro de

los reactores A y B no están operativas debido también a problemas

técnicos

• Los sopladores instalados inicialmente en la planta fueron

reemplazados por otros con más potencia y que proporcionan un mayor

flujo de aire a las zonas aerobias de los reactores

• El aspecto actual de las unidades de proceso de la planta puede

visualizarse en las fotografías del Anexo 16

- 64 -
 Oficinas

Instalaciones
eléctricas

Reactor Reactor Cárcamo de

Sopladores aerobio A aerobio B Filtros
lodos
Cámara de
bombeo
Centrífugas

Biofiltros

Desarenador
Espesadores

Rejas
Reactor Reactor
principales anoxio A anoxio B

Cámara de Caja
admisión Clarificadores secundarios Laberinto de
distribuidora contacto de cloro
TRATAMIENTO TRATAMIENTO DE TRATAMIENTO TRATAMIENTO
PRELIMINAR LODOS SECUNDARIO TERCIARIO

Figura 2.13. Vista de planta de la PTAR Santa Clara. Elaboración propia

- 65 -
 Oxígeno
Límites del sistema
Cloro
CRIBADO CRIBADO CRIBADO TANQUE DE
GRUESO MEDIO FINO CLARIFICADOR CONTACTO DE
DESARENADOR REACTOR BIOLÓGICO SECUNDARIO CLORO
Licor
Afluente mezclado Clarificado Efluente

CÁMARA DE
INGRESO Sólidos Sólidos Sólidos Recirculación de lodos Lodos
Arena
gruesos medios finos activos

Exceso de lodos

ESPESADOR DE Polímero
Sobrenadante LODOS
CENTRÍFUGA

Residuos
sólidos

Figura 2.14. Diagrama de flujo actualizada de la PTAR Santa Clara. Elaboración propia

- 66 -
 CAPÍTULO III

ESTADO DEL ARTE

3.1. Otros modelos biocinéticos

Luego de la publicación del modelo ASM1 en 1987, la IWA desarrolló el modelo

ASM2, que incluía por primera vez la remoción del fósforo, y el ASM2d, que

consideraba la desnitrificación en dicho proceso. En 1998, se publicó el trabajo que

presenta el modelo ASM3, una mejora respecto al modelo ASM1. Posteriormente

se han desarrollado variantes de dichos modelos como el modelo ASM2d+TUD en

2004, o el modelo UCTPHO+ en 2007. Cabe señalar que hay muchos más modelos

e innumerables extensiones de los modelos disponibles. Algunos de estos son

patentados y otros están disponibles en simuladores específicos (Rieger et al.,

2013). A continuación, se muestra la Tabla 3.1 con los modelos matemáticos más

recientes y empleados por los simuladores, especificando sus autores y año de

publicación. Si se quiere profundizar más en los diferentes tipos de modelos que

existen, sobre todo en los de la familia ASM, se recomienda revisar Henze et al.

(2002) para más detalles.

Tabla 3.1. Modelos biocinéticos del proceso de lodos activos

Año de Re-
Modelo Autores
publicación publicación
ASM1 Henze et al. 1987 2000
Barker & Dold Barker y Dold 1997 -
ASM2d Henze et al. 1999 2000
ASM3 Gujer et al. 1999 2000
ASM3+EAWAG Bio-P Rieger et al. 2001 -
ASM2d+TUD Meijer 2004 -
UCTPHO+ Hu et al. 2007 -

- 67 -
3.2. Comparación entre el ASM1 y ASM3

La experiencia en el uso del modelo ASM1 desde su publicación hizo que se

notaran ciertas deficiencias en la descripción de los procesos; algunos de ellos son:

• El modelo no incluye la cinética para describir las limitaciones de nitrógeno y

alcalinidad en el crecimiento heterótrofo

• Las fracciones de nitrógeno orgánico, SND y XND, las de material orgánico inerte

particulado: XI y XP, así como la velocidad de amonificación, no son fácilmente

medibles y solo aumentan la complejidad del modelo, y por ende su aplicabilidad

• Para elevadas concentraciones de SS, se observa el almacenamiento de ciertos

componentes (biopolímeros) en condiciones anoxias y aerobias. Este fenómeno

no es tomado en cuenta en el modelo ASM1

• No se incluye las diferencias entre decaimiento de nitrificantes según el tipo de

aceptor de electrones

La falta de descripción de estos puntos por parte del modelo ASM1 condujo a la

elaboración de un modelo con más especificaciones, pero manteniendo un

adecuado nivel de simpleza para su aplicación en la ingeniería. Este nuevo modelo

fue publicado por Gujer et al. (1999) bajo el nombre de modelo ASM3; dicho modelo

sigue relacionando los fenómenos dominantes como lo hace el ASM1: consumo de

oxígeno, producción de lodos, nitrificación y desnitrificación para sistemas de lodos

activos, tratando principalmente aguas residuales domésticas; sin embargo, otros

fenómenos como: precipitación química, crecimiento de organismos filamentosos o

cálculos de pH, no son parte del modelo ASM3, pero pueden ser fácilmente

conectados como módulos adicionales.

La diferencia entre los modelos ASM1 y ASM3 es principalmente el hecho de que

los procesos que involucran los dos tipos de poblaciones bacterianas (heterótrofos

y nitrificantes o autótrofos) están claramente separadas; mientras que en el modelo

ASM1 existe conexiones en donde el decaimiento de autótrofos aporta al

- 68 -
 mejoramiento del crecimiento heterótrofo, en el modelo ASM3 ambos procesos

ocurren separadamente (ver Figura 3.1). Además de ello, en el modelo ASM1 existe

un ciclo de regeneración de la materia orgánica y solo dos entradas de oxígeno

(consumo), en tanto, en el modelo ASM3 los procesos son lineales, sin

regeneración, y con varias entradas de oxígeno, incluyendo para la respiración

endógena.

SO SNH ASM3 SO
ASM1 SO

Crecimiento Autótrofos
Autótrofos SNH XBA XP
XBA
SNO
Crecimiento Respiración
Heterótrofos Decaimiento Heterótrofos endógena

XP SO SO
Hidrólisis XS SO

Decaimiento XS SS XSTO XBH XP

SS XBH
Hidrólisis Almacenamiento Crecimiento Respiración
endógena
SO Crecimiento

Figura 3.1. Comparación de los modelos ASM1 y ASM3. Adaptado de Henze et al.

(2002)

3.3. Pautas de modelado del proceso de lodos activos

La calibración es el ajuste de los parámetros del modelo (cinéticos y

estequiométricos) para lograr una buena descripción del proceso, donde exista una

buena aproximación de los resultados obtenidos (simulados) con los datos reales

de la planta. Según Nuhoglu et al. (2004): “en la calibración, valores son asignados

a los parámetros usados en el modelo tal que la diferencia entre las predicciones

del modelo y las observaciones estén en su mínimo”.

El procedimiento de calibración del modelo es quizás, el paso más importante de

todo el proceso de la simulación; es por ello, que diferentes autores y

organizaciones han tratado de establecer “pautas de modelado” (protocolos) con la

finalidad de estandarizar dicho procedimiento, ya que, al hacerlo, los investigadores

aseguran que se mejorará la calidad de los resultados y que podría reducir los

- 69 -
 esfuerzos requeridos. Otros beneficios de establecer pautas de modelado, según

Rieger et al. (2013), son los siguientes:

• Conducir a resultados que son típicamente más comparables, reproducibles

y transferibles

• Proveer una guía para definir claramente los requerimientos, limitaciones y

expectativas

• Mejorar el aseguramiento de la calidad/ control de calidad

• Ayudar a modeladores inexpertos a través de un proyecto

Los siguientes protocolos mencionados a continuación, orientados para la

simulación de procesos de tratamiento de aguas residuales, han sido publicados y

ampliamente referenciados en la literatura:

• STOWA (Hulsbeek et al. 2002; Roeleveld & van Loosdrecht, 2002),

Holanda

• BIOMATH (Petersen et al. 2002; Vanrolleghem et al. 2003), Bélgica

• WERF (Melcer et al. 2003), Norteamérica

• HSG (Langergraber et al. 2004)

En la Tabla 3.2 se presentan las características más importantes de los protocolos

arriba mencionados.

3.4. El futuro del modelado de lodos activos

Actualmente, la tendencia en cuanto a la investigación del modelado es hacia el

desarrollo de modelos más generalizados que involucren una mayor cantidad de

procesos de un tratamiento de aguas residuales, con la finalidad de investigar las

interacciones entre dichos procesos. Por ejemplo, las investigaciones empiezan a

ver la posibilidad de tomar en cuenta tanto la cuenca hidrográfica y el sistema de

alcantarillado (aguas arriba) como el efluente de la PTAR (aguas abajo), con la

finalidad de diseñar modelos que involucren todo, o casi todo, el ciclo del agua.

- 70 -
Con el paso del tiempo, el poder de procesamiento de las computadoras se hace

cada vez mayor y, por ende, el desarrollo de un modelado utilizando fluidos

dinámicos computacionales (CFD, por sus siglas en inglés) se hace cada vez más

factible; además, con el avance de la tecnología, se obtendrán mejores

instrumentos de medición dinámica online y por lo tanto, se hará mayor uso de

modelos dinámicos para el control y optimización de la planta. Otra tendencia

importante es la investigación cada vez mayor en modelos enfocados en

componentes específicos, como gases de efecto invernadero (N 2O), metales

pesados o ciertos microconstituyentes. A su vez, los investigadores siguen en su

camino por consolidar los fundamentos microbiológicos de los modelos como la

dinámica poblacional de bacterias, metabolismo, entre otros aspectos (Rieger et al.,

2013).

- 71 -
Tabla 3.2. Fortalezas, debilidades, oportunidades e inconveniencias de los diferentes protocolos de calibración (Sin et al., 2005)

Protocolo Fortalezas Debilidades Oportunidades Inconveniencias

STOWA • Caracterización biológica y • Caracterización hidráulica no • Fácil de usar • No hay técnicas
de sedimentación detallada detallada • Métodos matemáticas/estadísticas
• Control en el proceso • Pruebas de DBO con experimentales para la selección de
• Tiempo estimado para las problemas (fp) prácticos parámetros para la
etapas de calibración • No caracterización de biomasa • No requiere de calibración
• Calidad en el análisis de • No hay un procedimiento de la especialistas • Puede ser no aplicable para
datos campaña de medición • Bueno para diferentes PTAR, puesto
• Calibración por etapas en • No hay información sobre el consultores y que los parámetros para la
el proceso biológico análisis de sensibilidad nuevos modeladores calibración pueden cambiar
• Protocolo estructurado • Fija parámetros para de una planta a otra
• Líneas de retroalimentación calibración biológica
BIOMATH • Caracterización hidráulica, • El OED no ha sido aplicado en • Generalmente • No todos los softwares de
de sedimentación y la práctica, pero está en etapa aplicable modelación y simulación
biológica de investigación • El trabajo se vuelve tienen OED y análisis de
• Caracterización detallada • El OED requiere de software y eficiente si se sensibilidad (SA)
del afluente especialistas implementa en un • Se requiere de un alto grado
• Caracterización de • No detalla metodología para simulador de especialización para su
biomasa verificar la calidad de los datos • La campaña de aplicación
• Análisis de sensibilidad/ • No presenta un procedimiento medición dinámica
selección de parámetros práctico para la calibración de puede ser diseñada
• OED para el diseño de la los parámetros y comparada
campaña de medición basándose en OED
• Protocolo estructurado
• Líneas de retroalimentación
Nota. OED: Diseño Experimental Óptimo.

- 72 -
Tabla 3.2. Fortalezas, debilidades, oportunidades e inconveniencias de los diferentes protocolos de calibración (continuación)

Protocolo Fortalezas Debilidades Oportunidades Inconveniencias

WERF • Caracterización del • Menos énfasis en el proceso • Basado en • Se enfoca en la
afluente detallada de sedimentación experiencias determinación de μA y en la
• Determinación de μA y bA • No hace énfasis en otros prácticas caracterización del afluente
detallada parámetros cinéticos más • Provee diferentes • Ignora otros
• Caracterización de que en los de nitrificación niveles de compartimientos del modelo
biomasa • No presenta un protocolo calibración a gran escala
• Selección de parámetros y estructurado • Bueno para • Métodos laboriosos
análisis de sensibilidad consultores y nuevos
• Análisis de calidad de modeladores
datos
• Ejemplos de casos de
estudio
HSG • CFD para la • No presenta líneas de • Generalmente • No se detalla lo suficiente
caracterización hidráulica retroalimentación en el aplicable para nuevos practicantes
• Caracterización biológica diagrama • Formato estándar • Los casos de metodologías
• Diseño de campaña de • Provee solamente líneas para completar experimentales para
medición generales documentación afluente y caracterización
• Formato estándar para • No detalla caracterización de • Reportes de cinética pueden poner
documentar sedimentación estudios de obstáculos en la calibración
• Análisis de calidad de • No presenta métodos calibración estándar
datos particulares para
• Protocolo estructurado caracterización del afluente
y/o estimación de parámetros
• No detalla análisis de
sensibilidad y selección de
parámetros

- 73 -
 CAPÍTULO IV

PLANTEAMIENTO DE LA INVESTIGACIÓN

La investigación que se desarrolló es de tipo Simulación de Procesos, pues el sistema

de lodos activos de la PTAR Santa Clara fue modelado y simulado en MATLAB®,

usando como base el Modelo de Lodos Activos N°1 (ASM1) para describir los procesos

biológicos. Con esto se pudo evaluar la eficiencia de remoción de la materia orgánica y

nitrogenada del agua residual, para su control y monitoreo en el futuro, dentro del marco

de la legislación ambiental peruana.

4.1. Planteamiento del problema

Se establece el planteamiento del problema basado en el contexto actual del país

en el tema de tratamiento de aguas residuales por lodos activos.

4.1.1. Identificación del problema

En el Perú, la población en las grandes ciudades ha ido aumentando

significativamente desde el siglo pasado, lo que ha provocado que el caudal de

aguas residuales, generado por la población e industrias, aumente cada año.

Dicho caudal creciente muchas veces sobrepasa la capacidad de las plantas de

tratamiento, haciendo que no se puedan tratar las aguas residuales en su

totalidad, sumado a esto el mal manejo del proceso, inadecuado mantenimiento

de equipos y/o tecnología deficiente, hace que estas plantas tengan dificultades

a los pocos años de haberse construido. Por ello, regularmente se hacen

modificaciones a las instalaciones de la planta, reevaluando su capacidad y

diseño, con la finalidad de aceptar un afluente cada vez mayor y obtener un

efluente de mejor calidad. Teniendo en cuenta la incertidumbre y complejidad del

proceso, es necesario una herramienta de decisión, como el modelado y

simulación de procesos, que sea económica, relativamente fácil de usar y que

tenga diversas aplicaciones en el diseño y actualización de la planta, en su

control, operación y su regulación ambiental, para que de esa manera el país

- 74 -
 pueda contar con plantas de tratamiento modernas, pero sobre todo, eficientes

y que permita reutilizar sus efluentes para otras actividades, como las actividades

agrícolas e industriales.

4.1.2. Formulación del problema

Se formula el problema anterior para el caso específico de la PTAR Santa Clara:

¿Cómo adaptar el modelo ASM1 al proceso de lodos activos de la PTAR Santa

Clara para evaluar la eficiencia de remoción de contaminantes del agua residual

municipal?

Los problemas específicos que deben ser resueltos por el presente trabajo son:

• ¿Qué método usar para caracterizar las aguas residuales de la zona de

Santa Clara?

• ¿Qué protocolo se debe seguir para la configuración del modelo ASM1, la

calibración y simulación de la PTAR Santa Clara?

• ¿Qué variables usar para el cálculo de la eficiencia de remoción de la

PTAR Santa Clara?

4.2. Justificación

El modelado y la simulación de sistemas de lodos activos se han vuelto muy

populares para el tratamiento biológico de las aguas residuales en los últimos

treinta años. En particular, los modelos de la familia ASM son muy utilizados y

están disponibles en varios paquetes de software especializados en la simulación

de PTAR como GPS-X, SIMBA, WEST, etc.. Sin embargo, la realidad del Perú y

de casi toda Latinoamérica, es que no se aplican estos conocimientos debido a

que muchas veces se desconoce de la importancia (y potencial) del modelado y

simulación de procesos como herramienta de diseño, optimización y control. A

continuación, se muestran algunas características y aplicaciones que hacen de

esta herramienta un importante medio para la resolución de problemas de

ingeniería típicos en el área del tratamiento biológico de aguas residuales:

- 75 -
 • La simulación permite una variedad de aplicaciones en enseñanza,

investigación, control, operación, optimización y diseño

• Es mucho menos costoso y más eficiente comparado con modelos de planta a

escala, lo que supone también ahorro en temas de espacio y tiempo

• Evalúa una gran cantidad de escenarios en muy poco tiempo y sin comprometer

las instalaciones y procesos de la planta

• Dependiendo de la calidad de los datos recopilados, pueden obtenerse

resultados con muy buena exactitud y confiabilidad

• Existen diversos protocolos estandarizados para su implementación en procesos

reales, lo cual permite ayudar a los modeladores sin o con poca experiencia a

disminuir los esfuerzos requeridos y desarrollar una metodología eficiente y

confiable

• La implementación de modelos como el ASM1 en un software comercial es

relativamente sencillo e intuitivo

4.3. Objetivos

Adaptar el modelo ASM1 al proceso de lodos activos de la PTAR Santa Clara para

simular su comportamiento actual, con la finalidad de evaluar la eficiencia de

remoción de la materia orgánica y nitrogenada de las aguas residuales

municipales.

4.3.1. Objetivos específicos

• Caracterizar las aguas residuales que trata la PTAR Santa Clara para obtener

las fracciones de materia orgánica (DQO) y nitrogenada (NTK) en términos de

las variables de estado del modelo ASM1

• Configurar en MATLAB®, el modelo ASM1 del proceso de lodos activos de la

PTAR Santa Clara, de acuerdo con sus características físicas, hidrodinámica

y condiciones de operación

- 76 -
 • Utilizar el modelo ASM1, calibrado y validado, para obtener la eficiencia de

remoción de la materia orgánica y nitrogenada para las condiciones actuales

de la planta

4.4. Hipótesis

A partir de la simulación de la PTAR Santa Clara usando el modelo ASM1 en

MATLAB®, se obtendrán resultados precisos y confiables de la capacidad real de

remoción de material orgánico y nitrogenado de las aguas residuales.

4.4.1. Hipótesis específicas

• La caracterización del agua residual del afluente resultará en concentraciones

que será muy exactas y confiables

• El modelo ASM1 adaptado a la planta es realista y adecuado para los

procesos biológicos de la PTAR Santa Clara

• La simulación del modelo ASM1 del programa en MATLAB® entregará

resultados con una elevada precisión y confiabilidad de la capacidad real de

remoción de contaminantes de la PTAR Santa Clara

- 77 -
 CAPÍTULO V

METODOLOGÍA

La metodología se basó en las pautas descritas en el “Protocolo Unificado de las Buenas

Prácticas de Modelado” de la IWA; sin embargo, también fue útil aplicar algunos

procedimientos de otros protocolos, como el de STOWA, WERF y Petersen. La primera

etapa del protocolo GMP de la IWA es el planteamiento de los objetivos del proyecto,

que es el trabajo de investigación en este caso y que ya fue establecido en el capítulo

anterior. Las demás etapas se siguieron con la finalidad de cumplir los objetivos trazados

y son descritos en este capítulo.

5.1. Protocolo Unificado de las Buenas Prácticas de Modelado (GMP)

La aparición de cada vez más protocolos de modelado dio origen a que se realicen

esfuerzos con la finalidad de sintetizar los distintos enfoques de dichas pautas hasta

el momento existentes en la literatura. Es por ello, que la IWA creo el Grupo de

Trabajo Sobre Buenas Prácticas de Modelado (Rieger et al., 2013) con la finalidad

de desarrollar los lineamientos para un protocolo unificado y estandarizado, que

permita guiar al modelador (experto/inexperto) en el proceso de modelado orientado

al tratamiento de aguas residuales; dicho trabajo fue publicado bajo el formato de

reporte científico-técnico denominado “Protocolo Unificado de las Buenas Prácticas

de Modelado”, el cual incluye elementos claves como:

• Una visión general estructurada del protocolo, incluyendo lazos de

retroalimentación

• Nivel de esfuerzo (ej. Requerimiento de datos, niveles de calibración,

tiempo estimado) en función de los objetivos

• Estrategias de recolección y reconciliación de datos

• Metodologías prácticas para desarrollar una caracterización detallada del

afluente de agua residual, sedimentación, hidráulica y procesos biológicos

• Pautas para selección y configuración del modelo

- 78 -
 • Un procedimiento de calibración/validación del modelo de planta que

incluya selección de parámetros

• Análisis de incertidumbres

• Pautas para la interacción entre los modeladores y usuarios finales

• Pautas para la documentación

• Ejemplos, incluyendo dificultades típicas

El Protocolo Unificado de las Buenas Prácticas de Modelado presenta una

estructura general bien definida, la cual comprende cinco etapas principales:

• Etapa 1. Definición del trabajo

• Etapa 2. Recolección y reconciliación de datos

• Etapa 3. Configuración del modelo de planta

• Etapa 4. Calibración

• Etapa 5. Resultados y discusión

El presente estudio, con la finalidad de ser coherente con los lineamientos

propuestos por la IWA en cuanto al modelado, adoptará este protocolo a fin de

garantizar resultados con la calidad requerida, así como alcanzar los demás

beneficios arriba mencionados. En la Figura 5.1 se presenta el diagrama de flujo de

las etapas del “Protocolo Unificado de las Buenas Prácticas de Modelado”, la cual

incluye retroalimentaciones entre algunas etapas. Este protocolo ha sido adaptado

en cierta manera (Figura 5.1) con respecto al protocolo original, debido

principalmente a la limitada cantidad de información recopilada durante la

realización de este estudio, además se utilizaron otros enfoques de otras fuentes

para un desarrollo más detallado de algunas etapas; sin embargo, se respetó la

estructura general del protocolo siguiendo la misma secuencia que el modelo

original y tomando en consideración los principales lineamientos de cada etapa.

- 79 -
 Justificación del estudio Definición de error aceptable
DEFINICIÓN DEL
TRABAJO

Definición del problema Corrida inicial del modelo

Definición de objetivos

Rango de error Si
alcanzado

CALIBRACIÓN
RECONCILIACIÓN DE DATOS

Entendimiento de la planta No
Calibración
RECOLECCIÓN Y

Recolección de datos
existentes

No Rango de error
Análisis y reconciliación
alcanzado
de datos

Si

Distribución de la planta
CONFIGURACIÓN DEL MODELO

DISCUSIÓN DE RESULTADOS
Estructura de submodelos
DE PLANTA

Conexiones con la base

de datos Fin

Configuración de la salida

Verificación del modelo

Figura 5.1. Etapas del Protocolo Unificado de las Buenas Prácticas de Modelado.

Adaptado de Rieger et al. (2013)

5.2. Recolección y reconciliación de datos

Esta etapa, en la versión original del protocolo GMP de la IWA, tiene como

finalidad la obtención y análisis de todos los datos disponibles acerca de la planta

de tratamiento, así como el planeamiento y obtención de datos de potenciales

campañas de muestreo para el complemento de la base de datos general. En la

- 80 -
 Figura 5.2. se resume los pasos de la etapa 2 de recolección y reconciliación de

datos que se siguió; aquí no se tomó en cuenta el paso de la planeación de una

campaña intensiva de muestreo.

Análisis y
Entendimiento de Recolección de
reconciliación de
la planta datos existentes
datos

• Visita a la planta • Recolección de datos • Primera evaluación de

• Actualización del • Tipos de datos los datos
diagrama de flujo • Requerimientos de datos • Cerrando brechas en
• Localización de puntos los datos
de muestreo

Figura 5.2. Procedimiento para la recolección y reconciliación de datos.

Elaboración propia

La recolección y reconciliación de datos comienza por un entendimiento general

de la planta, analizando su proceso y operación, la cual se realizó a partir de la

visita a las instalaciones de la PTAR Santa Clara, en la cual se conversó con el

personal a cargo de la operación del proceso de tratamiento. Se obtuvo

información general de la planta: ubicación, descripción de los procesos, uso de

químicos, parámetros de diseño, la vista de planta de la PTAR y el diagrama de

flujo actual, así como los límites del sistema (lodos activos), los cuales ya se

describieron en la Sección 2.15.

Los datos recolectados fueron muy valiosos para llevar a cabo el proceso de

simulación; información como datos de entrada, datos físicos de la planta,

configuración operacional, datos de desempeño e información adicional se obtuvo

de diversas fuentes como: análisis de rutina (laboratorio fisicoquímico), sistema

SCADA, documentación de diseño de la planta, apuntes y entrevistas con el

personal administrativo y de la planta. En la Tabla 5.1 se especifica cada uno de

los datos recopilados.

- 81 -
 Tabla 5.1. Tipos de datos recolectados para el presente estudio

Tipo de dato Datos recolectados específicos

Caudal del afluente y sus concentraciones de DQO total,
Datos de entrada DBO5, SST, SSV, nitrógeno amoniacal, nitratos, nitritos,
temperatura, pH y OD
Datos físicos de Número y volumen de reactores, clarificadores, conexiones
la planta de flujos, equipamiento, diagrama P&ID
Configuración
Estrategias de control de OD y flujos con set-points
operacional
Caudal del efluente y sus concentraciones de DQO total,
DBO5, SST, SSV, nitrógeno amoniacal, nitratos, nitritos,
Datos de
temperatura, pH y OD. Además, SST, SSV, pH, OD y
desempeño
temperatura en reactores, recirculación y purga. Consumo
de energía
Información Problemas operacionales usuales de la planta, consumo de
adicional insumos químicos y producción de desechos

Una vez recopilados los datos, estos fueron evaluados para verificar su

consistencia y calidad, en la cual se eliminaron errores sistemáticos (errores

gruesos). Esto se realiza debido a que comúnmente se ha observado que calibrar

un modelo con datos erróneos lleva a un procedimiento de calibración más

laborioso, pudiendo ocasionar la adaptación injustificada de parámetros del

modelo cuyos valores pudieran estar fuera del rango usual (Meijer et al., 2002).

En la Figura 5.3 se resume el procedimiento para la reconciliación de los datos.

Detección del Aislamiento Identificación

error del error del error

Figura 5.3. Pasos para la reconciliación de los datos. Elaboración propia

5.2.1. Detección del error

Aunque los datos de laboratorio son generalmente “correctos”, aun así existe una

probabilidad de error muy fuerte sobre las mediciones, especialmente de la purga

de lodos (Espinosa, 2010); es por ello que, para el proceso de evaluación de los

datos recopilados, denominado por Rieger et al. (2013) como “reconciliación”, se

siguieron los siguientes pasos para la detección de los errores:

- 82 -
 • Agrupar información según la estación, optando por utilizar datos del mes

de febrero principalmente (época de verano), en la cual no se presentaron

inconvenientes ni cambios bruscos en la operación de la planta de

tratamiento Santa Clara

• Se graficó los datos como series de tiempo, obteniendo figuras del perfil

horario de algunos flujos y concentraciones, así como la variación a lo largo

de todo un mes (febrero)

• Con la ayuda de la estadística descriptiva se calcularon parámetros como

el promedio, máximos, mínimos, desviación estándar y coeficiente de

variación con la finalidad de evaluar la variabilidad de los datos y detectar

valores atípicos

• Verificación simple, empleando relaciones sencillas como DQO total >

DBO5, SST>SSV y otros, y detectando/eliminando valores atípicos

• Verificación avanzada, comparando relaciones másicas de interés con

valores típicos reportados en la literatura (Tabla 2.9 y Anexo 5)

• Balances de masa, para diferentes flujos y concentraciones del sistema,

pudiendo realizar balances en paralelo y superpuestos

• Verificación del rendimiento, comparando parámetros de operación con

valores típicos reportados en la literatura para sistemas de tratamiento

similares (Tabla 2.2)

5.2.2. Aislamiento del error

Una vez detectado los errores en los datos recopilados, se estableció la

localización o aislamiento de estos; para ello, se hizo uso de los balances de masa

(paralelos y/o superpuestos) y de la experiencia. Basado en este último, a partir

de la información encontrada en Rieger et al. (2013), Loaiza (2007) y Espinosa

(2010), se asume que la causa raíz de los errores es el caudal de recirculación

(RAS) y el exceso de lodos (WAS), debido a que son flujos intermitentes que son

probablemente mal medidos, ya que el muestreo que se realiza es simple y no

compuesto, además que se asume que la concentración de sólidos del flujo WAS

- 83 -
 es la misma que el flujo RAS, lo cual no siempre es cierto. Meijer et al. (2002)

concluyeron que la medición de sólidos en los flujos de RAS y WAS basados en

muestras simples pueden generar errores de medición de hasta un 40%.

Asimismo, con los balances de masa se pudieron observar otros errores,

localizados en las mediciones del caudal del afluente y efluente.

5.2.3. Identificación del error

A partir del aislamiento de los errores fue posible determinar la fuente del error, la

cual probablemente esté en la medición que realizan los sensores de los flujos del

afluente y efluente, pero sobre todo de las corrientes de recirculación y purga de

lodos de la planta; una inadecuada calibración de dichos sensores podría ser la

causa de la desviación de los valores reales de los caudales. Además de ello, se

observó errores en los muestreos debido a que estos se realizaron solo en la

mañana y no durante todo el día, obteniendo muestras que no eran

representativas de los parámetros que se analizaban. Métodos analíticos de

laboratorio también son factibles de ser el origen de estos errores; sin embargo,

esto no se ha demostrado.

5.3. Configuración del modelo de planta

En esta etapa se establece los límites del sistema a estudiar, seleccionando los

submodelos y detallándolos de acuerdo con los objetivos del trabajo; también se

construye el programa computacional, que fue evaluado usando el caso del estudio

(ejemplo) de Henze et al. (2002). La etapa de configuración del modelo de planta

comprende cinco pasos que son resumidos en la Figura 5.4.

Estructura Conexiones
Distribución Configuración Verificación
de sub- con la base
de la planta de la salida del modelo
modelos de datos

Figura 5.4. Pasos para la configuración del modelo de planta. Elaboración propia

- 84 -
5.3.1. Distribución de la planta

La distribución de planta se desarrolló de acuerdo con los objetivos planteados en

el Capítulo IV; se establecen los límites del sistema, se seleccionan las unidades

de proceso y el nivel de detalle.

• Límites del sistema; el cual comprende solo el proceso de lodos activos,

ya identificado en la Figura 2.14. En él, no se consideran corrientes que

llegan al sistema por parte del tratamiento de lodos.

• Selección de las unidades de proceso; se seleccionan los reactores

biológicos y los clarificadores, así como el sistema de aireación; sin

embargo, éste último es modelado solo para la transferencia de oxígeno.

• Nivel de detalle; los reactores son detallados ampliamente usando el

modelo ASM1, el cual desarrolla toda la cinética del proceso que involucra

varios componentes del agua residual, muchos de ellos conceptuales y no

medibles directamente; en tanto que los clarificadores son modelados

simplemente a partir del porcentaje de eficiencia real.

5.3.2. Estructura de los submodelos

En este paso se seleccionan y detallan todos los submodelos asociados a cada

unidad del proceso de lodos activos (sistema).

a) Modelado hidráulico del sistema e hidrodinámica del reactor

Se define el modelo hidráulico a partir de la configuración real del sistema de

lodos activos, la cual es un proceso MLE (Modified Ludzack-Ettinger),

caracterizada por tener una configuración de pre-desnitrificación con

recirculación interna. El estado del arte sugiere modelar el comportamiento

hidráulico del sistema como una serie de reactores completamente

mezclados (CSTR); de acuerdo con Rieger et al. (2013), el proceso MLE

puede ser descrito mediante el esquema de flujo mostrado en la Figura 5.5.

- 85 -
Figura 5.5. Esquema de flujo representativo de la hidráulica del sistema de lodos

activos de la PTAR Santa Clara. Obtenido de Rieger et al. (2013)

b) Selección de modelos

Para el reactor biológico se seleccionó el modelo ASM1, mientras que para

el clarificador secundario, dado que la prioridad es evaluar el comportamiento

del proceso mediante el modelo ASM1, solo se utilizó un modelo puntual

simple basado en el porcentaje de eficiencia real de dicha unidad. En tanto,

para el modelo de aireación (difusa), se consideró solamente el modelo de

transferencia de oxígeno, el cual se basó en la ley de Fick (ver E5.1). Así

mismo, la caracterización de las aguas residuales, la cual tiene un impacto

significativo en la salida, se basó principalmente en el modelo CODfractions

del Influent Advisor del programa computacional GPS-X, descrito por Loaiza

(2007), a su vez que se toma el enfoque del protocolo de STOWA para el

fraccionamiento del material nitrogenado. Por otra parte, no se considera la

adición de flujos externos de agua residual ni de insumos químicos dentro

del proceso de lodos activos, a pesar de que la primera si existe en la realidad

dentro del sistema (despreciables). Finalmente, para el modelo de salida se

consideró convertir las variables de estado en variables medibles como DQO

total, DBO5, SST, etc., usando las ecuaciones de E5.3, con la finalidad de

realizar la comparación de resultados (calibración del modelo).

= �� � ( , � − ) (E5.1)

- 86 -
c) Configuración del modelo

Las características físicas de los reactores y sedimentadores reales están

dadas en la Tabla 5.2; hay que precisar que para los reactores

implementados en el esquema de flujo (Figura 5.5) se estableció volúmenes

iguales (8378 m3) cuya suma es equivalente a la suma de los volúmenes de

los reactores A y B, por consiguiente, para representar mejor la relación de

volúmenes anoxio/aerobio (1/5 aproximadamente), se estableció en el

esquema un reactor anoxio y cinco reactores anoxios.

Tabla 5.2. Características físicas de las unidades del proceso de lodos

activos de la PTAR Santa Clara.

Largo (m) x Profundidad Volumen

Unidad
Ancho (m) (m) (m3)
Reactor anoxio 16.5 x 35.5 8.0 4686
Reactor aerobio 72.0 x 35.5 8.0 20448
Clarificador 45.0* 5.0 7156
Nota. (*) Diámetro de clarificador en metros.

La operación del sistema se basará en los parámetros operacionales

calculados a partir de los datos reconciliados, los cuales se muestran en la

Tabla 6.4. En cuanto a la operación del sistema de aireación, se establecen

principalmente valores fijos de OD que simulan un proceso controlado, con

valores de 0 y 2 g/m3 para el reactor anoxio y los reactores aerobios,

respectivamente; solo en el último reactor aerobio se asume un valor fijo del

coeficiente de transferencia de oxígeno (kLa) igual a 150 d-1, en tanto que la

concentración de saturación de OD fue de 8.637 g/m3; todo ello fue de

acuerdo con lo planteado por Henze et al. (2002) y Alex et al. (2008) en sus

respectivos trabajos de simulación. Asimismo, los valores de los coeficientes

cinéticos y estequiométricos quedan establecidos (inicialmente) en los

valores por defecto del modelo ASM1 para una temperatura de 20°C, los

cuales se muestran en el Anexo 2. Por otra parte, los valores iniciales que

- 87 -
 se utilizaron para las variables del modelo se presentan en la Tabla 7.6;

estos fueron obtenidos luego de realizar la simulación del ejemplo de Henze

et al. (2002), en donde se observó una rápida convergencia del modelo

usando la función integrada de MATLAB® llamada fsolve.

d) Construcción del programa computacional

Para la elaboración del programa computacional se utilizó el software

MATLAB®, en la cual se plasmó todas las características del modelo de

planta vistas anteriormente. Primero, para implementar el modelo ASM1

dentro del software, fue necesario desarrollar por completo todas las

expresiones cinéticas de la matriz de Petersen (Anexo 1), que son las

velocidades de conversión de cada uno de los componentes que conforman

el modelo biocinético. Una vez realizado esto, se procede con el balance de

masa por componente en cada reactor, obteniendo ecuaciones con una

forma general como la que muestra en la ecuación E5.2. Hay que aclarar

que, en el caso de los cinco primeros reactores, el coeficiente k La se

convierte en la variable de estado en el modelo desde que el OD es fijado

en dichas unidades. Las ecuaciones de balance deben realizarse de tal

forma que se conecten todas las unidades, en coherencia con la Figura 5.5,

de manera que exista un flujo de información entre los submodelos del

sistema.

La ecuación E5.2 se puede interpretar como la acumulación de un número

de componentes (CX) dentro de un volumen V que es igual a la suma de un

término de velocidad de conversión representado por r, que proviene del

modelo ASM1, y un término de transporte, conformado por el caudal y

concentraciones de la entradas y salidas. Es preciso indicar que el desarrollo

completo de las expresiones cinéticas, así como los balances de los

caudales y de cada componente son detallados en el Anexo 14.

- 88 -
 Término de conversión
(modelo biocinético)
��
� = ∙� + ∙ ��, − ∙ ��, (E5.2)

Acumulación Término de transporte

(modelo de transporte)

5.3.3. Conexiones con la base de datos

Una vez que el modelo de planta ha sido desarrollado con todos sus detalles

dentro del ambiente de MATLAB®, es necesario alimentar al programa con la

información requerida; en este caso la simulación del sistema se desarrolló bajo

condiciones de estado estacionario, por lo tanto, información de los promedios de

caudales y concentraciones de todos los flujos involucrados en el sistema son

necesarios. Esta información fue obtenida de los datos reconciliados de la etapa

anterior, las cuales serán empleadas en una Hoja de Excel para la caracterización

de las aguas residuales del afluente, que las convertirá en las variables de estado,

las entradas del modelo ASM1.

5.3.4. Configuración de la salida

La salida del modelo de planta es muy importante para la verificación del

programa, ya que permite obtener resultados que puedan ser comparables con

las mediciones realizadas en el efluente del sistema de lodos activos de la planta,

lo cual también es de interés para la evaluación del desempeño de ésta. Por tanto,

se configuró el programa computacional de tal manera que se obtengan variables

compuestas usualmente medidas en el muestreo rutinario de la planta, así como

otras variables importantes. Las ecuaciones que se usaron para tal fin fueron

obtenidas de Huo (2005) y del modelo CODfractions del software GPS-X (Loaiza,

2007), las cuales se muestran a continuación:

DQOtotal = SI + SS +XI + XS + XBH + XBA + XP

DBO5 = fbod (SS + XS + XBH + XBA)

SSV = (XS + XBH + XBA + XI + XP) / icv

SST = SSV / ivt

- 89 -
 NTK = SNH + SND + XND

Ntotal = NTK + SNO (E5.3)

5.3.5. Verificación del modelo

Para verificar que el programa computacional esté correctamente implementado

en MATLAB® y que muestre resultados acordes con la cinética y condiciones de

los procesos biológicos, verificando todas las ecuaciones programadas, primero

se tuvo que adaptar el programa al ejemplo de Henze et al. (2002) relacionado

con la implementación del modelo ASM1. Dicho ejemplo muestra la simulación

de un sistema de lodos activos de alimentación por etapas, en la cual se ejecutó

primero una simulación de un reactor CSTR con un volumen equivalente al total

de la planta para predecir el estado estacionario, y luego los resultados

establecieron las condiciones iniciales para llevar a cabo la simulación del

esquema de planta real con un tiempo de relajación de diez días. Dicho

procedimiento se resume en el diagrama de flujo mostrado en la Figura 5.6., la

cual es una adaptación de los esquemas mostrados en Henze et al. (2002) y Huo

(2005). Hay que precisar que ese mismo procedimiento también fue utilizado

para la ejecución del programa computacional de la PTAR Santa Clara.

Así, se comparó los resultados mostrados por dichos autores con los resultados

obtenidos de la simulación del programa computacional; dicha comparación se

expresó como porcentajes de desviación, considerando los valores de los

autores como los verdaderos; se verificó que el programa es confiable y preciso.

Luego se hizo algunos ajustes para adaptarlo al caso de estudio de la PTAR

Santa Clara, corroborando en este caso que las simulaciones proporcionen

resultados sensibles (pero no calibradas), como por ejemplo, que las salidas se

encuentren dentro de los rangos típicos de desempeño de sistemas de lodos

activos similares; a su vez, también se verificó que el tiempo de simulación sea

relativamente corto con la finalidad de agilizar las simulaciones en el proceso de

calibración y validación del programa.

- 90 -
 Sistema inicial

Ingresar parámetros cinéticos y estequiométricos

Ingresar concentraciones promedio del afluente

Definición de planta incluyendo SRT, SO,sat, etc.

Simulación en estado estacionario de un CSTR simple

con � = σ �

SALIDA DE VALORES PROMEDIO

Inicialización del esquema de planta basado en estado

estacionario

Relajación sobre ∆ = ∗ para alcanzar el estado

estacionario para todos los componentes

SALIDA DE ESTADO ESTACIONARIO

Análisis de datos

Fin

Figura 5.6. Diagrama de flujo general para la simulación del modelo ASM1 en

estado estacionario. Adaptado de Henze et al. (2002)

Finalmente, cabe aclarar que cuando se menciona el término “programa

computacional” en realidad se hace referencia a tres programas creados en

MATLAB®, las cuales trabajan en conjunto para ejecutar la simulación de la

planta en estado estacionario. Para la PTAR Santa Clara, estos programas se

crearon bajo los nombres de staclara_cstr.m, staclara_ptar.m y

staclara_solver.m, de los cuales los dos primeros son archivos M tipo función

- 91 -
 que contienen el modelo ASM1 y el esquema de flujo para la simulación del

CSTR simple y de la planta real, respectivamente. Mientras la función

staclara_cstr.m resuelve el sistema de ecuaciones no lineales usando la función

integrada de MATLAB® llamada fsolve, la función staclara_ptar.m, resuelve el

sistema de EDOs usando el método de Euler, con un tamaño de paso de 0.0001

y con un tiempo de simulación de 100 días. Asimismo, el programa

staclara_solver.m, un archivo M tipo script, proporciona todas las entradas para

las dos funciones y configura la visualización de los resultados en forma de tablas

y gráficos.

5.4. Calibración

La calibración del programa informático es una de las etapas más importantes en

el proceso de simulación de un sistema de lodos activos. Básicamente es una etapa

donde se busca aproximar lo más posible los valores simulados de ciertas variables

objetivo con sus respectivos valores medidos, ajustando iterativamente los

parámetros del modelo que provoquen cambios significativos en la respuesta, lo

cual se comprueba mediante un análisis de sensibilidad. La etapa de la calibración

consta de tres pasos: definición del error aceptable, corrida inicial del modelo y

calibración propiamente dicha.

5.4.1. Definición de error aceptable

Para la calibración, las variables objetivo que se seleccionaron fueron variables

compuestas y concentraciones del efluente como DQOtotal, DBO5, SST, SSV, SNH,

SNO y OD, así como otros parámetros: F/M, SSLM y flujo másico de la purga de

lodos. Asimismo, se establecen rangos aceptables de error entre los valores

simulados y los experimentales de las variables objetivo basándose en los valores

propuestos por Rieger et al. (2013); esto decidirá cuándo detener el ajuste de los

parámetros durante el proceso de calibración. Los errores fueron expresados en

forma de residual y porcentaje de desviación.

- 92 -
5.4.2. Corrida inicial del modelo

La corrida inicial del modelo fue llevada a cabo durante la verificación del programa

informático en la etapa anterior, en la cual se usaron los datos reconciliados y los

parámetros cinéticos y estequiométricos por defecto del modelo ASM1 (Henze et

al., 2002). La comparación de los valores simulados y experimentales mostró que

era necesario un ajuste en los parámetros del ASM1 para obtener valores

aceptables de error.

5.4.3. Calibración

Para la calibración, primero se seleccionaron los parámetros que deben ser

ajustados en el proceso iterativo manual; esto se realizó tomando en cuenta la

influencia de los parámetros sobre los resultados de la simulación, la cual debe

ser suficientemente significativa para justificar la modificación de sus valores por

defecto; es por ello que se realizó un análisis de sensibilidad con la finalidad de

cuantificar dicha influencia sobre las variables de estado del licor mezclado y las

variables de salida del modelo. En dicho procedimiento de análisis de tipo lineal,

propuesto por Melcer et al. (2003), se realizó varias simulaciones del programa,

una por cada parámetro modificado, cuyo valor se aumentó en un 1% para

registrar los cambios en la respuesta tanto de las variables de estado del licor

mezclado como de las variables de salida del modelo. Luego del análisis de

sensibilidad, se hace una evaluación y selección de los parámetros más

influyentes cuyos valores se ajustaron para calibrar la planta siguiendo el

procedimiento iterativo que se muestra a continuación:

• Primero, se calibraron las concentraciones de SST y SSV del efluente y

el flujo másico de la purga (en kg/d); para ello se ajustó primero el valor

del rendimiento heterótrofo (YH), considerado el parámetro más influyente

para la mayoría de las variables de estado, de acuerdo con el análisis de

sensibilidad realizado anteriormente. También se modificaron los

parámetros bH y bA para dicho propósito.

- 93 -
 • Segundo, se calibraron las variables relacionadas con la concentración

de compuestos nitrogenados, en este caso las concentraciones de

nitrógeno amoniacal y nitrato del efluente. Los parámetros que se

ajustaron fueron bA, uA, KOH, KNH, KNO, ng, nh, ka y kh.

• Tercero, se calibró la única variable de salida relacionada con la

concentración de oxígeno, el OD del efluente; para ello se ajustó la

concentración de OD fijo en el primer reactor (anoxio), así como el

coeficiente de transferencia de oxígeno KLa, ambos modificados a un

valor ligeramente mayor que el inicialmente supuesto.

Parámetros de operación como la relación F/M y los sólidos suspendidos en el

licor mezclado (SSLM) son usados como referencia para verificar que la

calibración se ha llevado a cabo correctamente. Asimismo, las variables de salida

de DQOtotal y DBO5 del efluente deberían estar calibradas por sí solas, una vez que

se ha culminado el proceso descrito líneas arriba. El procedimiento se detuvo

cuando se cumplieron los rangos de error aceptables para la mayoría de las

variables seleccionadas. Un aspecto importante para mencionar es lo conveniente

que hubiese sido que el proceso de calibración se lleve a cabo siguiendo un

método de diseño experimental, como el método superficie de respuesta (RSM,

por sus siglas en inglés), el cual es sugerido por el protocolo HSG (Vanrolleghem

et al. 2003), con el cual se obtendrían los valores óptimos de los parámetros más

influyentes del modelo, resultando en un mínimo de error; esto es recomendable

para modeladores inexpertos en el proceso de calibración de un modelo de lodos

activos, ya que permite obtener resultados confiables y precisos con un menor

esfuerzo y sin necesidad de conocer a profundidad las relaciones que tienen los

parámetros y variables entre sí. A pesar de esto último, el procedimiento aplicado

para la calibración del programa informático, basado en lo propuesto por el

protocolo GMP de la IWA, continúa siendo una buena referencia para el proceso

de calibración, el cual tiene una estructura fácil de seguir y bien fundamentada por

la experiencia de los modeladores que la diseñaron.

- 94 -
 CAPÍTULO VI

DATOS RECONCILIADOS (RESULTADOS Y DISCUSIÓN)

En este capítulo se detalla los resultados de la etapa de “Recolección y reconciliación

de datos” del protocolo GMP de la IWA, analizando y discutiendo tendencias, valores

atípicos, comparación con valores encontrados en la literatura, entre otros. En la Tabla

6.1 se agrupan todas las figuras obtenidas en esta etapa de acuerdo con las fuentes de

las que fueron recopiladas los respectivos datos.

Tabla 6.1. Fuente de los datos recopilados de la PTAR Santa Clara

Fuente Figuras
Laboratorio fisicoquímico
6.3, 6.6, 6.7, 6.8, 6.9, 6.10, 6.11
de Sedapal
SCADA/Reporte de
6.1, 6.2, 6.4, 6.5, 6.12, A8.1-2, A9.1-4
operarios

6.1. Caudales

En la Figura 6.1 se muestra el perfil horario del caudal del afluente para los días 1

y 2 de julio de 2020. Como es de esperarse, de acuerdo con Rieger et al. (2013),

Loaiza (2007) y Espinosa (2010), ambos perfiles adoptan una forma senoidal con

los valores más bajos, entre 65 y 90 L/s, en horas de la madrugada, entre las 02:00

y 06:00 horas, y valores más altos, entre 370 y 390 L/s, alrededor del mediodía,

entre las 11:00 y 14:00 horas. Esto se puede explicar fácilmente considerando que

el caudal de las aguas residuales municipales está influenciado directamente por

las actividades de la población y en cierta parte por las industrias, solo si estos

últimos tienen acceso al sistema de alcantarillado de la zona; en la madrugada las

actividades son limitadas generando un mínimo de caudal para el afluente, mientras

que en horas de la mañana-tarde alrededor del mediodía, las actividades que se

desarrollan son diversas, provocando el efecto contrario en dicho caudal. La gran

variación de los valores del caudal en pequeños lapsos de tiempo, sobre todo en el

pico, indica la variabilidad propia del sensor. En el caso del perfil horario del

efluente, Figura 6.2, el análisis es el mismo.

- 95 -
 450
1-Jul 2-Jul
400
350
300
Afluente, L/s
250
200
150
100
50
0
00:00 02:00 04:00 06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00 22:00 00:00
Tiempo, hrs.

Figura 6.1. Perfil horario del afluente de la PTAR Santa Clara.

450
400
350
300
Efluente, L/s

250
200
150
100
50
0
00:00 02:00 04:00 06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00 22:00 00:00
Tiempo, hrs.

1-Jul 2-Jul

Figura 6.2. Perfil horario del efluente de la PTAR Santa Clara

Asimismo, en el Anexo 8 se tiene los perfiles horarios de los caudales de purga y

recirculación. En dichas figuras se puede observar una caída en los caudales entre

las 05:00 y 07:00 horas, esto se debe probablemente a la manipulación de los flujos

por parte de los operadores debido al bajo caudal del afluente que se presenta en

ese periodo de tiempo. Sin embargo, en las demás horas los caudales se

mantuvieron prácticamente constantes con valores entre 7 y 8 L/s para la purga y

entre 510 y 530 L/s para la recirculación.

- 96 -
En la Figura 6.3 se muestra los valores de los caudales del afluente, efluente y

recirculación (RAS) para cinco días no consecutivos comprendidos entre el 8 de

enero y el 26 de febrero de 2020. Durante ese periodo los caudales promedios

fueron de 246.9, 206.1 y 456.8 L/s para el afluente, efluente y recirculación,

respectivamente. En general, los datos mostraron una baja variabilidad, con

coeficientes de variación (CV) menores a 5% en todos los casos. Esto último indica

que, durante los meses de enero y febrero, no se presentaron cambios bruscos

durante la operación de la planta, lo que hace suponer que durante ese periodo el

proceso se desarrolla manteniendo un estado pseudo-estacionario.

600

500

400
Caudal, L/s

300

200

100

0
8-Ene 15-Ene 22-Ene 29-Ene 5-Feb 12-Feb 19-Feb 26-Feb
Tiempo, días

Afluente Efluente Recirculación

Figura 6.3. Caudales del afluente, efluente y recirculación

En la Figura 6.4 y 6.5 se muestran los valores de los caudales del afluente, efluente,

recirculación (RAS) y purga (WAS) de lodos para todos los días del mes de febrero,

excepto del 7 y 21, debido a que presentaron valores muy por debajo de lo normal

para todos los caudales. Con esta modificación, los caudales promedio fueron de

252.6, 210.8, 458.7 y 6.8 L/s para el afluente, efluente, recirculación y purga de

lodos, respectivamente; mientras que la variabilidad mostrada fue mínima, con CV

menores al 4.5%. De nuevo, los datos muestran que el sistema se mantiene estable

durante su operación, al menos en el periodo medido (febrero). Debido a que en la

Figura 6.4 y 6.5 existe mayor cantidad de datos que los mostrados en la Figura 6.3,

- 97 -
los primeros fueron empleados para los balances de masa y la calibración posterior

del modelo ASM1.

600

500

400
Caudal, L/s

300

200

100

0
3-Feb 6-Feb 9-Feb 12-Feb 15-Feb 18-Feb 21-Feb 24-Feb 27-Feb 1-Mar
Tiempo, días

Afluente Recirculación Efluente

Figura 6.4. Caudales del afluente, efluente y recirculación durante el mes de

febrero

6
Purga, L/s

0
3-Feb 6-Feb 9-Feb 12-Feb 15-Feb 18-Feb 21-Feb 24-Feb 27-Feb 1-Mar
Tiempo, días

Figura 6.5. Caudales de la purga de lodos durante el mes de febrero

Los cálculos relacionados con la estadística descriptiva para determinar el

promedio, máximo, mínimo, desviación estándar y coeficiente de variación fueron

desarrollados en una Hoja de Excel y los resultados se muestran en el Anexo 10.

- 98 -
6.2. Concentraciones

Las concentraciones de variables compuestas (medibles) que representan la

cantidad de materia orgánica, así como condiciones de temperatura, pH y oxígeno

disuelto (OD), son mostradas a continuación en forma de gráficas, cuyos datos

fueron medidos en cinco días no consecutivos entre el 8 de enero y el 26 de febrero

de 2020. La información de los cálculos para determinar el promedio, máximo,

mínimo, desviación estándar y CV de las concentraciones fueron desarrollados en

una Hoja de Excel y los resultados se muestran en el Anexo 11 y 12. Las

concentraciones del material nitrogenado (N-NH3 y N-NO3) no fueron graficadas;

sin embargo, los resultados de los cálculos estadísticos también son mostrados en

los anexos mencionados.

En la Figura 6.6 se muestran las concentraciones de DQO total, DBO5, SST y SSV

en el caudal del afluente. El promedio de las concentraciones fue de 1153, 606.8,

497.2 y 402.8 g/m3 para el DQO total, DBO5, SST y SSV, respectivamente. Los

valores de DBO5 son los que mostraron mayor dispersión, con un CV igual a 10.9%,

todas las demás concentraciones tuvieron un CV menor a 6.6%. Por otra parte, las

tendencias para todas las concentraciones son similares entre sí y la relación DQO

total > DBO5 y SST > SSV se verifica durante todo el periodo. A su vez, la

comparación de relaciones de interés con valores típicos reportados en la literatura

muestra que existe una gran similitud entre ellos, lo cual indica una buena

confiabilidad en los datos. Los valores de DQO total/DBO5, SST/DQO total y

SSV/SST fueron de 1.92, 0.43 y 0.81, respectivamente; todos ellos se encuentran

dentro de los rangos mostrados por Rieger et al. (Anexo 5) y son similares a las

relaciones reportadas por Loaiza y Espinosa (Tabla 2.9).

En la Figura 6.7 se muestran las concentraciones de DQO total, DBO5, SST y SSV

en el caudal del efluente. El promedio de las concentraciones fue de 71, 38.8, 5.6 y

4.4 g/m3 para el DQO total, DBO5, SST y SSV, respectivamente. Todas las

concentraciones, a excepción del DBO 5, mostraron un CV entre el 20 y 26%. El

- 99 -
análisis de las tendencias y las relaciones simples también se cumplen en este caso

y son coherentes con los valores de entrada, dando una buena razón para asumir

que los datos medidos aquí también resultan ser confiables.

1400
Concentración, g/m3 1200

1000

800

600

400

200

0
8-Ene 15-Ene 22-Ene 29-Ene 5-Feb 12-Feb 19-Feb 26-Feb

DQO total DBO5 SST SSV

Figura 6.6. Concentraciones de DQO total, DBO5, SST y SSV en el afluente

120

100
Concentración, g /m3

80

60

40

20

0
8-Ene 15-Ene 22-Ene 29-Ene 5-Feb 12-Feb 19-Feb 26-Feb

DQO total DBO5 SST SSV

Figura 6.7. Concentraciones de DQO total, DBO5, SST y SSV en el efluente

La concentración de SST en la línea de recirculación de lodos y en los reactores A

y B se muestran en la Figura 6.8. Se verifica la alta concentración de sólidos en la

recirculación, la cual es mayor que la encontrada en los reactores, las que a su vez

mantienen concentraciones de sólidos entre 2700 y 4280 g SST/m3, valores

coherentes considerando que las concentraciones de operación a la que operan

normalmente dichos reactores se encuentran entre 3000 y 3500 g SST/m3. Por otro

lado, se puede ver que en el reactor A existe una mayor concentración de SST que

en el reactor B, al menos en casi todo el mes de febrero; esto último comprueba

- 100 -
porque, durante la visita, a simple vista parecía que en el reactor A el licor mezclado

era espeso y casi estático (alta concentración de SST), mientras que el licor del

reactor B se observaba un movimiento del fluido relativamente rápido.

8000
7000
6000
SST, g SS/m3

5000
4000
3000
2000
1000
0
8-Ene 15-Ene 22-Ene 29-Ene 5-Feb 12-Feb 19-Feb 26-Feb

Recirculación Reactor A Reactor B

Figura 6.8. Concentración de SST en la recirculación y los reactores A y B

Para las condiciones ambientales como el pH, temperatura y OD, se presentan sus

valores en las Figuras 6.9, 6.10 y 6.11, respectivamente. En el caso del pH, puede

verse que existe una disminución de dicho valor en el efluente con respecto al

afluente, esto se debe al efecto neto que genera los procesos de nitrificación y

desnitrificación en los reactores, como ya se analizó en la Sección 2.8.3. En la

Figura 6.9 también se observa que el pH del flujo de recirculación y efluente son

mayores que el pH de ambos reactores, lo que significa indudablemente que en el

clarificador se desarrolla la desnitrificación, el cual tiene como efecto aumentar

ligeramente la alcalinidad del medio.

8.4
8.2
8.0
7.8
7.6
pH

7.4
7.2
7.0
6.8
6.6
8-Ene 15-Ene 22-Ene 29-Ene 5-Feb 12-Feb 19-Feb 26-Feb

Afluente Efluente Recirculación

Reactor A Reactor B

Figura 6.9. Valores de pH en el afluente, efluente, recirculación y reactores A y B

- 101 -
La temperatura mostró una ligera tendencia al aumento a lo largo del periodo en

cuestión, tanto en el afluente, efluente, recirculación y los reactores A y B. Los

valores estuvieron en coherencia con las temperaturas ambientales del verano,

entre 20.6 y 26.7°C en promedio registrados en Lima, y algo más elevadas al este

de la ciudad (donde se encuentra la PTAR Santa Clara). Algo especialmente

importante es el hecho que la temperatura de salida es mayor que la temperatura

de entrada, lo cual se debe a varios factores como el contacto directo con el

ambiente, la fricción del flujo con las tuberías y equipos y el proceso mismo de

degradación de materia orgánica, la cual es exotérmica, disipando el calor en el

licor mezclado.

30

29
Temperatura, °C

28

27

26

25

24
8-Ene 15-Ene 22-Ene 29-Ene 5-Feb 12-Feb 19-Feb 26-Feb

Afluente Efluente Recirculación

Reactor A Reactor B

Figura 6.10. Valores de temperatura en el afluente, efluente, recirculación y

reactores A y B

En tanto, para el OD se mostraron valores con mayor dispersión para todos los

flujos y reactores medidos. Esta variabilidad se debe principalmente a la

manipulación de los sistemas de aireación de los reactores, realizados por los

operadores con la finalidad de tener una concentración de oxígeno adecuada en

dichos reactores. Se puede observar que los valores de OD a la salida son mayores

que a la entrada de la planta, esto por la oxigenación que realiza el sistema de

aireación de los reactores. Por otra parte, la Figura 6.12 muestra también la

concentración de OD de los reactores A y B, pero cubriendo todo el mes de febrero.

Aquí se nota más claramente como la cantidad de OD del reactor A es siempre

- 102 -
mayor que la cantidad de OD en el reactor B. Esto, sumado a que la concentración

de SST en el reactor A es mayor que en el B (Figura 6.8), da indicios de que la

carga de oxígeno proporcionada por los sopladores al reactor A es claramente

mayor que en el reactor B, lo que podría suponer algunas fallas técnicas en el

sistema de distribución de oxígeno de este último reactor.

9
8
7
OD, g O2/m3

6
5
4
3
2
1
0
8-Ene 15-Ene 22-Ene 29-Ene 5-Feb 12-Feb 19-Feb 26-Feb

Afluente Efluente Recirculación

Reactor A Reactor B

Figura 6.11. Valores de OD en afluente, efluente, recirculación y reactores A y B

2.5

2.0
OD, g O2/m3

1.5

1.0

0.5

0.0
3-Feb 6-Feb 9-Feb 12-Feb 15-Feb 18-Feb 21-Feb 24-Feb 27-Feb 1-Mar
Tiempo, días

Reactor A Reactor B

Figura 6.12. Valores de OD en los reactores A y B durante el mes de febrero

En cuanto a los LMP, se observó que se cumplió con obtener un efluente con

valores por debajo de todos los parámetros establecidos en la legislación. Además,

como información adicional, en el Anexo 9 se muestran las gráficas del consumo

- 103 -
 diario de energía e insumos químicos como el polímero catiónico y el cloro gas,

utilizados dentro de la planta de tratamiento.

Con toda la información anterior se resume los datos a los promedios, tanto de

caudales como de sus respectivas concentraciones de materia orgánica y

nitrogenada; la Tabla 6.2 muestra dicha síntesis, preparando la información para

los balances de masa. Hay que mencionar que, en dicha tabla, las concentraciones

promedio del afluente y efluente se ajustaron a los promedios reales diarios debido

a que el muestreo para el análisis de las concentraciones se realizó solo en la

mañana. Tomando en cuenta que la variabilidad horaria de todas las

concentraciones sigue una tendencia muy similar a la del caudal del afluente (Alex

et al., 2008), se multiplicó a las concentraciones del afluente y efluente por los

factores 0.791 y 0.738, respectivamente; dichos valores se derivan de la relación

entre el promedio diario del caudal del afluente (Figuras 6.1 y 6.2) y el promedio

entre las 8:00 y 12:00 horas, periodo en el cual se realizaron los muestreos.

Tabla 6.2. Promedio de caudales y concentraciones de carga orgánica y

nitrogenada de todos los flujos del sistema (antes del balance de masa)

Licor
Parámetro Unidad Afluente Efluente Reciclo Purga
Mezclado*
Caudal** L/s 252.62 210.79 - 458.66 6.77
DQO total g/m3 912.46 52.39 - - -
DBO5 g/m3 480.21 28.63 - - -
SST g SS/m3 393.47 4.13 3250.80 5515.40 5515.40
SSV g SS/m3 318.77 3.25 2196.20 3780.00 3780.00
N-NH3 g N/m3 60.64 0.26 - - -
N-NO3 g N/m3 0.53 68.85 - - -
Nota. (*) Promedio de concentración en los reactores A y B. (**) Promedio de datos presentados en
Figuras 6.4 y 6.5.

6.3. Balances de masa

Para los balances de masa se realizaron los cálculos en un Hoja de Excel, tomando

en cuenta el formato desarrollado por Espinosa (2010) y Meijer et al. (2002). Dichos

balances se hicieron sobre la base de la concentración de Sólidos Suspendidos

Inertes (SSI=SST-SSV) para tres sistemas diferentes dentro de los lodos activos.

- 104 -
La concentración de inertes es un parámetro adecuado para la realización de los

balances de masa, ya que dicho componente no interviene en los procesos

biológicos y no sale del sistema a través de la fase gaseosa, como algunos

componentes del DQO y NTK. Esto significa que, con las mediciones de SSI en las

entradas y salidas, se puede corroborar todos los flujos del sistema resolviendo

simultáneamente los balances de SSI (Puig et al., 2008).

La Figura 6.13 muestra los sistemas utilizados y la Tabla 6.3 presenta los caudales

empleados, asignándoles un símbolo y mostrando su balance en la última columna.

Sistema 1

Sistema 3
Sistema 2

Q1 Q2 Q3 Q4

Q5
Q7 Q6

Figura 6.13. Sistemas usados para los balances de masa de SSI. Elaboración

propia

Tabla 6.3. Caudales usados para los balances de masa de SSI

Flujo Descripción del caudal Obtención Ecuación

Q1 Afluente Medido
Q2 Entrada al reactor Calculado Q1 + Q 7
Q3 Licor mezclado Calculado Q2
Q4 Efluente Medido
Q5 Lodos del clarificador Calculado Q3 - Q4
Q6 Purga de lodos Medido
Q7 Recirculación Medido

Es preciso mencionar que sólo para el balance de masa se supuso el esquema de

planta de la Figura 6.13, en la cual el reactor representa el proceso biológico con

un volumen equivalente a la suma de los reactores A y B, mientras que el clarificador

tiene un volumen igual a la suma de los dos clarificadores de la planta de

- 105 -
tratamiento. Por otro lado, los balances de masa de SSI empleados para cada

sistema se muestran a continuación:

▪ Sistema 1: ∙ = ∙ + ∙

▪ Sistema 2: ∙ = ∙

▪ Sistema 3: ∙ = ∙ + ∙ (E6.1)

El esquema de cálculo para reconciliar los datos mediante los balances de masa de

SSI es mostrado en el Anexo 13. Allí, la primera columna muestra los balances para

el cálculo de los caudales desconocidos, la segunda columna muestra el símbolo

asignado para cada caudal y en la tercera, se muestra sus valores iniciales que

permanecerán sin cambios, con el propósito de recordarlos durante el ajuste, el cual

se realiza en la cuarta columna; la quinta columna expresa los caudales ajustados

en m3/d. Las concentraciones de SST, SSV y SSI se muestran en las columnas del

6 al 8, respectivamente; mientras que el flujo másico está en la columna 9. Para los

balances de los sistemas 1, 2 y 3 se muestran los respectivos flujos másicos (con

signo) en las columnas del 10 al 12. Así mismo, con relación al procedimiento de

ajuste, los pasos que se siguieron fueron los siguientes:

• Cierre del balance del sistema 1 mediante el ajuste progresivo del caudal del

afluente (Q1) y purga (Q6); se observó que el balance resultó ser muy sensible

al cambio de Q6 debido a su elevada concentración de SSI

• Cierre del balance del sistema 2 ajustando el caudal de recirculación (Q7)

• Cierre del balance del sistema 3 mediante ajuste del caudal del efluente (Q 4)

Los balances se cerraron correctamente, obteniendo porcentajes de desviación de

1.10, 0.39 y 0.20 % para los sistemas 1, 2 y 3, respectivamente.

Para verificar el buen resultado de los ajustes, se compararon los parámetros

operacionales de edad del lodo (SRT), relación alimento-microorganismos (F/M),

sólidos suspendidos en el licor mezclado (SSLM) y tiempo de retención hidráulico

(HRT) de la planta con información reportada en la literatura, mostrada

- 106 -
 anteriormente en la Tabla 2.2. Es por ello por lo que, en la Tabla 6.4 se muestra

dicha comparación, observándose que los valores de los parámetros operacionales

de la planta se encuentran dentro de los rangos reportados por Metcalf & Eddy Inc.

(2001) para un sistema de aireación extendida; solo la relación F/M se encontró por

encima de lo normal.

Tabla 6.4. Comparación de los parámetros operacionales de la planta

PTAR Metcalf & Eddy

Parámetro Unidad Ecuación de cálculo
Sta. Clara Inc. (2003) *
SRT día 28.76 20-40 (V*SST3)/(Q4*SST4+Q6*SST6)
F/M día-1 0.42 0.04-0.1 DQOt1/(HRT*SSV3)
SSLM g/L 3.25 2-4 SST3
HRT hora 23.67 20-30 V/Q1
Nota. (*) Rangos para un sistema de aireación extendida.

La reconciliación de datos resultó en un incremento de todos los caudales medidos,

a excepción de la recirculación (Q7), que disminuyó de 458.66 L/s a 310 L/s. Si se

considera a los datos reconciliados como los valores reales de los flujos, se puede

establecer la desviación de los datos “crudos” no reconciliados, expresados como

porcentajes de error; esto se muestra en la Tabla 6.5. En dicha tabla, se verifica lo

indicado en la sección anterior, de que las medidas de los flujos de recirculación y

purga de lodos son los datos menos confiables de la PTAR Santa Clara. Un

programa de recalibración de los sensores de todos los caudales y concentraciones

de sólidos es necesario para obtener información correcta de dichos parámetros.

Para más detalle sobre cómo realizar los balances de masa para componentes

específicos se recomienda revisar los trabajos de Espinosa (2010), Rieger et al.

(2013), Puig et al. (2008), Meijer et al. (2002) y Hulsbeek et al. (2002).

Tabla 6.5. Porcentaje de error de los caudales medidos

Flujo Qi, L/s Qa, L/s % error

Q1 252.62 280.00 -9.78
Q4 210.79 270.00 -21.93
Q6 6.77 10.50 -35.52
Q7 458.66 310.00 47.95
Nota. Qi: caudal antes del BM. Qa: caudal ajustado

- 107 -
 CAPÍTULO VII

CONFIGURACIÓN DEL MODELO DE PLANTA (RESULTADOS Y DISCUSIÓN)

En este capítulo se muestran y discuten los resultados de la etapa de configuración del

modelo de planta, tanto para la caracterización de las aguas residuales como para la

verificación del programa computacional usando el ejemplo de Henze et al. (2002).

7.1. Caracterización de aguas residuales del afluente

Como ya se mencionó, para la caracterización de las aguas residuales se empleó

un procedimiento basado principalmente en el modelo CODfractions del Influent

Advisor del programa computacional GPS-X, descrito por Loaiza (2007); a su vez,

se toma el enfoque del protocolo de STOWA para el fraccionamiento del material

nitrogenado. Los cálculos realizados para obtener los valores de las variables de

estado, así como otras variables compuestas de interés se realizaron en una Hoja

de Excel, cuyos resultados son mostrados en la Tablas 7.2 y 7.3. El procedimiento

comenzó a partir de las variables compuestas del afluente mostradas anteriormente

en la Tabla 6.2; dichos resultados fueron utilizados separadamente con dos sets de

datos de coeficientes estequiométricos del modelo del Influent Advisor: un set con

valores por defecto del programa y el otro obtenidas de las mediciones realizadas

por Loaiza (ver Tabla 7.1). Toda esta información fue usada para resolver las

ecuaciones del modelo CODfractions, ajustando el valor del coeficiente de material

no biodegradable inerte (frxi) en set de datos, de tal manera que se obtuviera una

desviación mínima del DBO5 calculado respecto del DBO5 medido (ver Tabla 7.4).

Esto permitió obtener las variables de estado del modelo ASM1, así como otras

variables compuestas de interés como DBO sol, DBOpart, DQOsol, entre otros. Para

más detalle sobre los coeficientes, ecuaciones y estructura del modelo

CODfractions del Influent Advisor, revisar el Anexo 15.

Si se observa detenidamente la Tabla 7.1 se verá que ambos sets de coeficientes

son muy similares entre sí, a su vez que se asume que las concentraciones de X P,

XBH y XBA son cero en el afluente. Por otro lado, el hecho de que los valores se

- 108 -
encuentren dentro de los rangos establecidos en el Anexo 4 y en los trabajos de

Rieger et al. (2013), Huo (2005), Makinia et al. (2002) y Roeleveld (2002), apoya la

idea de obtener resultados confiables en cuanto a la caracterización del afluente.

Sin embargo, debido a que las características del caso de estudio de Loaiza (2007)

reflejan una realidad muy parecida a la del presente estudio, y porque fueron

determinados experimentalmente, se decidió utilizar los resultados de ese set de

datos para la caracterización del afluente. Dichos resultados se ilustran en las

Figuras 7.1 y 7.2 en términos de composición de materia orgánica y nitrogenada,

respectivamente.

Los resultados de la Tabla 7.2 muestran una composición (%) con características

similares a las reportadas en la literatura (Tabla 7.5), en donde el agua residual del

afluente está conformada en su mayoría por material orgánico lentamente

biodegradable (XS), en el orden del 47%, y en su minoría por material no

biodegradable soluble (SI), en el orden del 10%. Asimismo, en las Figuras 7.1 y 7.2

puede observarse que las aguas residuales del afluente se caracterizan por tener

un alto porcentaje de material orgánico particulado (72%) y un material nitrogenado

que en su mayoría está presente en forma de nitrógeno amoniacal (64%).

Tabla 7.1. Coeficientes estequiométricos del modelo CODfractions

Referencia
Significado
Coeficiente GPS-X Loaiza
(fracción)
(default) (2007)
icv DQOpart/SSV 1.8 2.2708
fbod DBO5/DBOu 0.66 0.7042
ivt SSV/SST 0.75 0.766
frsi SI/DQOtot 0.05 0.048
frss SS/DQOtot 0.2 0.171
frxi XI/ DQOtot 0.155 0.2
frxp XP/ DQOtot 0 0
frxbh XBH/ DQOtot 0 0
frxba XBA/ DQOtot 0 0
frsnh SNH/NTKsol 0.9 0.8353
ixb iXB (ASM1) 0.086 0.086
ixp iXP (ASM1) 0.06 0.06
inxs XND/XS 0.04 0.04

- 109 -
Tabla 7.2. Resultados de la caracterización del afluente (variables de estado)

Con Con
Variable GPS-X (default) Loaiza (2007)
ASM1
Valor % Valor %
Material orgánico
SI 45.62 5 43.80 4.8
SS 182.49 20 156.03 17.1
XI 141.43 15.5 182.49 20.0
XS 542.91 59.5 530.14 58.1
XBH 0.00 0.0 0.00 0.0
XBA 0.00 0.0 0.00 0.0
XP 0.00 0.0 0.00 0.0
Material nitrogenado
SNO 0.53 0.6 0.53 0.6
SNH 60.64 67.7 60.64 64.3
SND 6.74 7.5 11.96 12.7
XND 21.72 24.2 21.21 22.5
Oxígeno disuelto
SO 0.77 100 0.77 100

Tabla 7.3. Otras variables compuestas de interés

Con Con
Variable
GPS-X Loaiza
compuesta
(default) (2007)
DBO5,sol 120.44 109.88
DBO5,part 358.32 373.32
DBOu,sol 182.49 156.03
DBOu,part 542.91 530.14
DBOu,tot 725.40 686.17
DQOsol 228.11 199.83
DQOpart 684.34 712.63
NTKtot 89.10 93.81
NTKsol 67.38 72.60
NTKpart 21.72 21.21
Ntot 89.63 73.13

Tabla 7.4. Otras variables compuestas de interés

Con Con
Variable
GPS-X Loaiza
compuesta
(default) (2007)
DBO5 medido 480.21 480.21
DBO5 calculado 493.82 483.20
% error -2.84 -0.62

- 110 -
Tabla 7.5. Composición de la materia orgánica del afluente reportados en la literatura.

Adaptado de Zoby (2011)

Variables ASM1 (%)

Referencias
SI SS XI XS
Ekama et al. (1986) 5 20 - 62
Henze (1992) 20-25 20 - -
Orhon et al. (1997) 15 8 44 -
Sperandio (1997) - 8.5 - 48
Stricker (2000) 8.5 17.4 13.8 53.9
Roeleveld* (2002) 6 26 39 28
Loaiza (2007) 4.8 17.1 36.7 41.4
Espinosa (2010) 6.9 44.1 2.5 46.5
Nota. (*) Promedio de datos del estudio de 21 PTAR.

5% 1%

17% XS 13% SNH

XI 22% XND
20% 58% 64%
SS SND
SI SNO

Figura 7.1. Composición de la Figura 7.2. Composición de la

materia orgánica (DQO total) materia nitrogenada (N total)

7.2. Verificación del programa de simulación

Los resultados de la verificación del programa con el ejemplo de Henze se muestran

en la Tabla 7.6. En dicha tabla, puede verse los valores iniciales de las variables

ASM1 que se usaron para la simulación del CSTR simple. Asimismo, en la Tabla

7.7 se establecen las desviaciones expresadas como porcentaje, las cuales son

definidas por la ecuación E7.1. En ésta última tabla se observan errores del orden

del 5% o menos para todas las variables; estas ligeras desviaciones se deben a

que los autores ejecutaron la simulación de estado estacionario estableciendo tres

distintos tamaños de paso para SO, las variables solubles y variables particuladas,

con la finalidad de optimizar el uso de los recursos informáticos y obtener resultados

en el menor tiempo posible. Por otra parte, las desviaciones más altas se obtuvieron

para el SNH, con valores absolutos de 11 y 15% para el CSTR simple y el reactor 3,

- 111 -
respectivamente. Estas desviaciones relativamente altas no deben ser un problema

si se considera que, para las fracciones de nitrógeno, se suele expresar dichas

desviaciones como residuales, en cuyo caso resultaron ser mucho menores que la

desviación aceptable de 1 g/m3, establecido por el protocolo GMP de la IWA.

� � � −� �
% ��� �� = ( ) (E7.1)
� �

Tabla 7.6. Resultados del ejemplo de Henze con el programa computacional

Variable Valor CSTR Reactor Reactor Reactor

Unidad
ASM1 inicial simple 1 2 3
SI 40 40.00 40.00 40.00 40.00 g DQO/m3
SS 3 2.62 2.07 3.83 2.80 g DQO/ m3
XI 200 888.89 990.27 831.89 831.89 g DQO/ m3
XS 30 29.44 86.71 63.75 38.27 g DQO/ m3
XBH 150 1450.30 1606.90 1363.70 1362.50 g DQO/ m3
XBA 90 90.46 99.83 84.77 85.22 g DQO/ m3
XP 1 737.11 816.06 683.51 686.97 g DQO/ m3
SO 50 0.00 0.00 2.00 2.98 -g DQO /m3
SNO 0.4 33.36 7.36 14.22 17.89 g N/m3
SNH 0.9 0.36 5.98 1.88 0.34 g N/m3
SND 2.5 0.93 0.66 1.26 0.92 g N/m3
XND 2.7 2.54 7.53 5.66 3.17 g DQO/ m3
SALK 2 2.82 5.08 4.30 3.93 mol HCO3/m3

Tabla 7.7. Porcentajes de desviación de simulación del ejemplo de Henze

Variable CSTR Reactor Reactor Reactor

ASM1 simple 1 2 3
SI 0.00 0.00 0.00 0.00
SS 0.13 -1.40 0.73 3.63
XI 0.00 -0.94 -0.44 0.06
XS -0.07 4.84 4.67 5.14
XBH 0.00 -0.51 0.03 0.58
XBA 0.08 -0.86 -0.27 0.26
XP 0.00 -1.23 -0.74 -0.24
SO 0.00 0.00 0.00 -0.75
SNO 0.14 -5.65 -0.59 -0.64
SNH -11.03 4.86 -5.99 -15.03
SND 0.02 -5.50 4.86 2.60
XND -0.14 4.65 4.73 5.80
SALK -0.28 1.60 -0.06 0.65

- 112 -
 CAPÍTULO VIII

CALIBRACIÓN DEL MODELO (RESULTADOS Y DISCUSIÓN)

En este capítulo se detalla y analiza los resultados de la etapa de la calibración,

tanto para el análisis de sensibilidad como para la simulación de la planta usando

el programa computacional calibrado.

8.1. Análisis de sensibilidad

El análisis de sensibilidad fue realizado con la finalidad de tener una ayuda para la

selección de los parámetros que más influyen en la respuesta del modelo, las cuales

se deben ajustar para lograr la aproximación de las variables simuladas con las

variables medidas. El procedimiento empleado se basó en el propuesto por Melcer

et al. (2003), cuyos resultados son expresados como el cambio relativo en la

variable de estado yj para un cambio del 100% en el parámetro Өi; esto se puede

calcular aproximadamente según se muestra en la ecuación E8.1. El análisis es

desarrollado perturbando cada parámetro individualmente de manera positiva a un

1% de su valor, uno a la vez por cada simulación del programa; los resultados se

registraron en la Tabla 8.1. Con la finalidad de tener una mejor visualización de los

resultados y rápida ubicación de los parámetros más importantes, se eliminaron los

valores menores al 10%, por ser muy poco sensitivos, y se marcaron en negrita los

mayores al 150%, por tener elevada sensibilidad. Además, se calcula la suma de

los valores absolutos de las sensibilidades de cada fila y columna, ordenando la

matriz (tabla) de acuerdo con estos valores en orden descendente de arriba a abajo

y de izquierda a derecha, siendo las celdas “más sensitivas” las ubicadas más cerca

de la esquina superior izquierda de la matriz. Como ejemplo para interpretar los

resultados, el número 243.9 en la columna de X S indica que dicha variable aumenta

su valor en un 2.439% cuando el parámetro YH aumenta en un 1% de su valor (∆� ).

Por otro lado, los valores absolutos de las variables, mostrados en la fila “Valores

(20°C)”, proporcionan una guía adicional cuando se quizo evaluar el impacto de la

sensibilidad.
� � − � + ∆�
�, = (E8.1)
� ∆�

- 113 -
Tabla 8.1. Resultados del análisis de sensibilidad para las variables de estado del licor mezclado

Variables
XND SNH XS SS XBH XP SND SALK XBA SNO SI XI SO
ASM1
Valores*
0.51 0.12 5.78 1.39 783.94 1187 0.64 1.02 40.17 37.671 43.8 2485.9 7.14
(20°C)
Parámetros Henze + 1%
ASM1 (20°C) perturbación
YH 0.67 0.6767 244.0 90.2 243.9 101.5 250.3 240.1 53.7 -28.9 -19.9
bH 0.62 0.6262 32.7 32.5 107.2 -91.7 11.8 100.7 -31.2 12.2
iXB 0.086 0.08686 106.0 136.1 105.8 24.4
kh 3 3.03 -125.0 -125.2 22.5
KX 0.03 0.0303 101.1 101.0
bA 0.2 0.202 98.4 -84.4
fp 0.08 0.0808 -21.2 -24.0 -13.4 87.6
uA 0.8 0.808 -110.7
uH 6 6.06 -105.8
KNH 1 1.01 100.9
KS 20 20.2 100.0
YA 0.24 0.2424 99.6
ka 0.08 0.0808 -99.0
iXP 0.06 0.0606 -11.5 19.5
ng 0.8 0.808 23.4
KOH 0.2 0.202 19.5
nh 0.4 0.404 19.5
KNO 0.5 0.505
KOA 0.4 0.404
Nota. (*) Valores del licor mezclado del reactor 6 (salida), usando los parámetros por defecto de Henze et al.

- 114 -
Tabla 8.2. Resultados del análisis de sensibilidad para las variables de salida (efluente y otros parámetros)

Variables
N-NH3 DBO5 SST SSV SSLM Mlodos F/M N-NO3 DQOt OD
ASM1
Valores*
0.1222 1.6432 5.3191 3.9893 4058.2 8008.3 0.29884 37.879 51.104 7.1445
(20°C)
Parámetros Henze + 1%
ASM1 (20°C) perturbación
YH 0.67 0.6767 89.2 160.1 108.3 108.3 108.2 105.9 -104.7 -20.3 15.3
iXB 0.086 0.08686 135.8
fp 0.08 0.0808 -10.6 -11.0 21.2 21.3 21.2 20.6 -20.4
uA 0.8 0.808 -122.7
KNH 1 1.01 88.4
bH 0.62 0.6262 22.5 -13.2 -13.0 -13.1 -12.6 12.7
bA 0.2 0.202 85.1
KS 20 20.2 -12.3 56.0
uH 6 6.06 -59.6
kh 3 3.03 -15.5 -14.5
nh 0.4 0.404 -13.1 -14.5
ng 0.8 0.808 -12.3 -15.3
KOH 0.2 0.202 -12.3 -14.5
ka 0.08 0.0808 -13.9
iXP 0.06 0.0606 -12.3
KNO 0.5 0.505 -12.3
KX 0.03 0.0303 -10.6
YA 0.24 0.2424
KOA 0.4 0.404
Nota. (*) Valores de las variables de salida, usando los parámetros por defecto de Henze et al. (2002) a 20°C.

- 115 -
Tabla 8.3. Resultados de la simulación del programa ASM1 usando los parámetros calibrados

Variable
Unidad Afluente CSTR Reactor 1 Reactor 2 Reactor 3 Reactor 4 Reactor 5 Reactor 6 Efluente
ASM1
SI g DQO/m3 43.80 43.80 43.80 43.80 43.80 43.80 43.80 43.80 43.80
SS g DQO/m3 156.03 6.57 15.02 7.81 6.99 6.45 5.17 3.53 3.53
XI g DQO/m3 182.49 2525.9 2457 2457 2457 2457 2457 2457 3.22
XS g DQO/m3 530.14 27.00 231.36 170.04 110.26 56.33 20.10 7.54 0.01
XBH g DQO/m3 0.00 236.05 233.48 241.54 245.35 246.07 239.22 222.71 0.29
XBA g DQO/m3 0.00 29.35 27.24 29.12 30.77 31.00 30.34 29.54 0.04
XP g DQO/m3 0.00 671.97 639.77 643.70 647.70 651.71 655.60 659.24 0.86
SO g O2/m3 0.77 4.45 0.01 4.45 4.45 4.45 4.45 7.05 7.05
SNO g N/m3 0.53 85.29 26.33 40.14 53.31 60.63 64.08 66.82 66.82
SNH g N/m3 60.64 0.84 26.95 17.30 5.82 0.89 0.29 0.22 0.22
SND g N/m3 11.96 3.23 3.62 3.16 3.21 3.36 3.26 2.78 2.78
XND g N/m3 21.21 1.75 11.12 9.29 6.81 3.92 1.56 0.64 0.00
SALK mol HCO3/m3 8.00 -2.33 3.96 2.08 0.31 -0.56 -0.85 -1.05 -1.05
Otros parámetros
X total g DQO/m3 0.00 0.00 3603.80 3549.20 3498.10 3448.60 3407.50 3379.60 7.95
Req. O2 Het. g O2/(m3*d) 0.00 0.00 246.85 352.28 330.08 311.53 255.02 173.46 0.00
Req. O2 Aut. g O2/(m3*d) 0.00 0.00 8.37 364.59 347.74 193.42 91.35 72.46 0.00
Req. O2 Tot. g O2/(m3*d) 0.00 0.00 255.22 716.86 677.82 504.95 346.37 245.92 0.00
r desnitrific. g N/(m3*d) 0.00 0.00 56.89 0.16 0.15 0.15 0.12 0.05 0.00

- 116 -
 De la Tabla 8.1 puede observarse que el parámetro más influyente en la mayoría

de las variables de estado del licor mezclado del reactor 6 es por lejos el rendimiento

heterótrofo (YH), por lo que dicho parámetro fue el primero en ser utilizado para

empezar la calibración del programa. El parámetro b H también resultó ser muy

influyente, sobre todo para los componentes relacionados con el material orgánico,

mientras que los parámetros iXB, kh y KX están relacionados con las variables X S y

XND, a su vez que la variable SNH es influenciada significativamente por los

parámetros iXB, bA, uA y KNH. Asimismo, en la Tabla 8.2 se muestra los resultados

del análisis de sensibilidad para las variables de salida (concentraciones del

efluente y otros parámetros). Aquí también se verifica que el rendimiento heterótrofo

(YH) es el parámetro más influyente de todos; además, se puede observar que casi

todos los parámetros tienen una influencia sobre la concentración del nitrógeno

amoniacal, mientras que sólo los parámetros Y H, kh, nh, ng, KOH afectan la

concentración de nitratos del efluente. La información de ambas tablas muestra

resultados similares cuando se le compara con los análisis de sensibilidad

realizados por Xiang Hu et al. (2014) y Liwarska et al. (2011), quienes usaron una

función de sensibilidad propuesta por la EPA, y en cuyos trabajos obtuvieron que

los parámetros más influyentes eran Y H, uA, bA, uH, según Xiang Hu, y uA, KNH, uH,

YH, KS, bH, ka, KS, según Liwarska.

8.2. Resultados del programa calibrado

La simulación se realizó para un periodo de 100 días, tiempo de relajación suficiente

para que el sistema pueda estabilizarse y alcanzar el estado estacionario sin

problemas. Los valores de las variables de estado durante el tiempo de simulación,

del licor mezclado del último reactor, pueden observarse en las Figuras 8.1, 8.2 y

8.3, en donde en casi todos los casos, los valores de las variables de los

componentes solubles (Figura 8.1) alcanzan el estado estacionario más rápido que

las variables de componentes particulados (Figuras 8.2 y 8.3); según Henze et al.

(2002), esto se debe a la gran diferencia entre el tiempo de retención hidraúlico, del

- 117 -
 orden de horas, y el tiempo de retención de sólidos, del orden de días, asociados

con las variables solubles y particuladas, respectivamente.

Figura 8.1. Concentración de componentes solubles en el licor mezclado durante

todo el tiempo de simulación de la planta (t=100 días)

Figura 8.2. Concentración de componentes particulados I en el licor mezclado durante

todo el tiempo de simulación de la planta (t=100 días)

- 118 -
 Figura 8.3. Concentración de componentes particulados II en el licor mezclado

durante todo el tiempo de simulación de la planta (t=100 días)

En la Tabla 8.3 se muestran los resultados del programa ASM1 usando los

parámetros ya calibrados. En dicha tabla puede observarse el valor de las variables

de estado del afluente, los resultados de la simulación del tanque CSTR en estado

estacionario y los resultados de la simulación de la planta en su estado estacionario

final; dichos resultados fueron obtenidos de la etapa de caracterización y del uso de

las funciones staclara_cstr y staclara_ptar en MATLAB®, respectivamente; también

se muestra las concentraciones de las variables para el efluente considerando una

eficiencia del clarificador secundario de 99.94% de remoción de sólidos. Las

concentraciones de todas las variables de estado en los seis tanques CSTR se

muestran en las Figuras 8.4, 8.5 y 8.6, constituyendo así un perfil de

concentraciones, las cuales fueron agrupadas según el orden de magnitud de las

concentraciones, para poder tener una escala que permita una buena visualización

de las tendencias.

- 119 -
Figura 8.4. Concentración de variables de estado I en todos los tanques CSTR

del modelo de planta (perfil de concentraciones)

Figura 8.5. Concentración de variables de estado II en todos los tanques CSTR

del modelo de planta (perfil de concentraciones)

- 120 -
 Figura 8.6. Concentración de variables de estado III en todos los tanques CSTR

del modelo de planta (perfil de concentraciones)

Como puede observarse en las Figuras 8.4 y 8.6, las concentraciones de la materia

orgánica no biodegradable soluble (SI) y particulada (XI) se mantienen sin cambios

a lo largo de la serie de reactores, como era de esperarse debido a su inactividad

en los procesos biológicos; en tanto que, las concentraciones de la biomasa activa

heterótrofa (XBH) y autótrofa (XBA), mostradas en la Figura 8.4, muestran un perfil

suave en forma de montículo, distinguible mejor en el caso de los heterótrofos; esta

tendencia se explica a partir de la velocidad de crecimiento de la biomasa: en los

primeros reactores existe todavía una cantidad significativa de material

biodegradable soluble (SS) y particulado (XS), y de concentración de nitrógeno

amoniacal (SNH) y alcalinidad (SALK), que favorecen la velocidad de crecimiento de

la biomasa activa (XBH y XBA), lo que se traduce en una elevada concentración de

ésta en dichos reactores, apoyado también por la entrada del flujo de lodos de la

recirculación externa (RAS) al primer reactor; en tanto que, a medida que el flujo de

agua residual se desplaza por los tanques, la velocidad de crecimiento de la

biomasa disminuye progresivamente, debido a que la concentración de las variables

(SS, XS, SNH y SALK) que le favorecen también lo hacen; sumado a esto, el aumento

en la velocidad de generación de productos particulados inertes (XP), también está

- 121 -
involucrado en la disminución de la concentración de la biomasa, evidenciado en el

perfil de la concentración de los productos inertes, con ligera tendencia al aumento

(Figura 8.6). En el caso de los perfiles de concentración del material biodegradable

soluble (SS) y particulado (XS), nitrógeno amoniacal (SNH), nitrógeno orgánico

biodegradable particulado (XND) y alcalinidad (SALK), estos muestran disminución a

medida que el flujo avanza en los reactores (Figuras 8.4 y 8.5), debido a que la

degradación de la materia orgánica consume dichas concentraciones como ya se

ha explicado anteriormente; solo la concentración de nitratos y nitritos (SNO) de la

Figura 8.4, muestra un perfil con tendencia al aumento causado por el proceso de

nitrificación que ocurre en los reactores aerobios. En el caso de la alcalinidad del

licor mezclado (SALK), cuyo perfil es mostrado en la Figura 8.5, indica que en el

primer reactor se tiene una concentración de 4 mol HCO3/m3, cuya cantidad

desciende progresivamente hasta llegar a un valor negativo de 1.05 mol HCO 3/m3,

lo que indica una acidificación importante del licor mezclado durante el proceso en

los reactores; si bien es cierto que el valor de S ALK no afecta la cinética del modelo

(esto es una limitación del ASM1), éste resultado sugiere la necesidad de

monitorear y regular el pH del sistema a su valor óptimo entre 7 y 9, con la finalidad

de mantener un buen rendimiento de los procesos biológicos.

Además de las variables de estado, también fueron calculados otros parámetros

como la concentración total de sólidos, los requerimientos de oxígeno para el

crecimiento de heterótrofos y autótrofos, así como el requerimiento total de oxígeno

y la velocidad de desnitrificación, todo esto para cada reactor del modelo (Tabla

8.2). Las tendencias de estos parámetros a lo largo del esquema de planta fueron

utilizadas como referencia para validar y confirmar la coherencia de los resultados

de la simulación con los procesos biológicos que ocurren dentro del sistema. Por

ejemplo, la disminución de los requerimientos de oxígeno para el crecimiento de la

biomasa, heterótrofa o autótrofa, confirma la disminución progresiva de la

concentración de la materia orgánica biodegradable disponible, y por ende, la

disminución de su velocidad de degradación.

- 122 -
Los valores de los parámetros calibrados se muestran en la Tabla 8.4, indicando su

porcentaje de variación respecto de sus valores por defecto. Se observa que los

parámetros que se ajustaron fueron: YH, uH, KOH, KNO, bH, KNH, bA, ng, ka, kh y nh. Según

Xiang Hu et al. (2014), los autores Wiejers y Vanrolleghem (1997) propusieron un

conjunto de parámetros típicos que debían ser calibrados, las cuales son: YH, YA, uH,

bH, uA, KS, KOA y nh. Como se observa, en general, los parámetros calibrados en el

presente estudio son congruentes con lo afirmado por dichos autores. Por otra parte,

los resultados de las variables de salida del modelo, incluyendo sus errores expresados

como residuales y porcentaje de desviación, se muestran en la Tabla 8.5. Tomando en

cuenta los rangos aceptables de error propuestos por el protocolo GMP de la IWA, y

luego de hacer la comparación con los resultados de la simulación del programa

calibrado, puede observarse que los errores obtenidos de casi todas las variables de

salida se encuentran dentro de dichos rangos; solo en los casos de oxígeno disuelto

(OD), nitratos (N-NO3) y la purga de lodos (Mlodos) se obtienen errores ligeramente

mayores a los recomendados, causado probablemente por la dificultad para realizar

dichas mediciones y su variabilidad inherente. Un caso particular es el del DBO5, con

un error es muy significativo, llegando a un residual negativo de 26.08 g/m3, cuyo valor

aceptable debería ser máximo de 3 g/m3; esto se debe en parte a las mediciones

experimentales de DBO5, cuya variabilidad alcanza el 20% en laboratorios certificados

e incrementa entre resultados de diferentes laboratorios, debido a la variabilidad de las

poblaciones microbianas muestreadas (Jouanneau et al., 2013). Por ejemplo, Loaiza

(2007), luego de realizar la simulación con los parámetros calibrados, encontró que la

diferencia entre el valor del DBO5 medido y simulado era de alrededor de 10 g/m3, muy

por encima del error usualmente aceptado; aun así, concluyó que el proceso fue exitoso.

Por otro lado, hay que tener en cuenta que los datos recopilados del laboratorio de la

PTAR Santa Clara son relativamente escasos, y que variaciones de operación de la

planta y de las condiciones climáticas podrían provocar ciertas incertidumbres en las

mediciones, especialmente para el DBO5, dada las dificultades ya mencionadas;

además, ajustes no óptimos en la calibración, debido a la inexperiencia, puede ser otro

factor de tal significativo error en el DBO5. Debido a estos problemas con el DBO5, varios

autores como Nuhoglu et al. (2004), Espinosa (2010), Xiang Hu et al. (2014), entre otros,

- 123 -
se inclinaron por realizar la calibración de la concentración de la materia orgánica

basándose principalmente en las mediciones de DQO total, por ser un parámetro más

preciso, práctico y confiable; por tanto, siguiendo el enfoque anterior, se puede afirmar

que el proceso de calibración resultó adecuado para la materia orgánica, considerando

el DQO total como su variable de salida principal. Por otro lado, el programa determinó

la eficiencia de remoción de la planta usando los datos de salida obtenidos de la

simulación; dichos resultados se expresaron como porcentaje de remoción en términos

de DQO total, SST, SSV y nitrógeno total, las cuales se muestran en la Tabla 8.6. En

todos los casos se observa un porcentaje de remoción mayor al 94%, un valor común

en este tipo de sistemas; sin embargo, en el caso del nitrógeno total, éste fue calculado

en 25.99%, el cual es un valor muy bajo teniendo en cuenta que la planta fue diseñada

especialmente para la remoción de nutrientes. Existen muchas causas por la cual puede

observarse este resultado, la principal es la operación misma del proceso, la cual no es

eficiente en la actualidad debido a que, como ya se mencionó en la Sección 2.15, la

recirculación interna no está operativa en los dos reactores. Esto ocasiona que el licor

mezclado del reactor aerobio, rico en nitratos, salga directamente del sistema sin ser

tratado con desnitrificación, lo cual se refleja en la elevada concentración de nitratos en

el efluente (68.85 g N/m3). Otros factores que también podrían afectar la desnitrificación

son: limitaciones en el diseño como un volumen relativamente pequeño para la zona

anoxia, problemas de operación como tener un pH que no se encuentra en su valor

óptimo entre 7 y 9, que la concentración de OD no es lo suficientemente baja para que

ocurra la desnitrificación a una adecuada velocidad (inadecuada operación), y/o que la

comunidad bacteriana facultativa dentro de la población total de microorganismos es

tan pequeña que no permite una adecuada desnitrificación. Además, una fracción

relativamente importante de aguas residuales industriales podrían disminuir también la

velocidad de desnitrificación debido a su poca afinidad y toxicidad para ciertas

bacterias.

- 124 -
 Tabla 8.4. Valores de parámetros ASM1 por defecto, ajustado y % de variación
Parámetros Valor Valor %
ASM1 defecto ajustado Variación
YH 0.67 0.49 -26.9
YA 0.24 0.24
fp 0.08 0.08
iXB 0.086 0.086
iXP 0.06 0.06
uH 6 5 -16.7
KS 20 20
KOH 0.2 0.01 -95.0
KNO 0.5 0.3 -40.0
bH 0.62 1.2 93.5
uA 0.8 0.8
KNH 1 1.1 10.0
KOA 0.4 0.4
bA 0.2 0.3 50.0
ng 0.8 0.6 -25.0
ka 0.08 0.05 -37.5
kh 3 2.8 -6.7
KX 0.03 0.03
nh 0.4 0.3 -25.0

Tabla 8.5. Resultados de las variables de salida, errores y sus rangos aceptables

Variable Valor Valor % Error

Unidad Residual
de salida Calculado Medido Desviación aceptable
DQOtotal g DQO/m3 51.75 52.39 -0.64 ± 3.00
DBO5 g DBO5/m3 2.55 28.63 -26.08 ± 3.00
SST g SST/m3 3.99 4.13 -0.14 ± 5.00
SSV g SSV/m3 2.99 3.25 -0.26 ± 5.00
N-NH3 g N/m3 0.22 0.26 -0.04 ± 1.00
N-NO3 g N/m3 66.82 68.85 -2.03 ± 1.00
OD g O2/m3 7.05 7.73 -0.68 ± 0.30
F/M d-1 0.39 0.42 -0.03 -
SSLM g SST/m3 3044.70 3250.80 -6.34 ± 10%
Mlodos kg sólidos/d 6084.20 5586.10 8.92 ± 5%

Tabla 8.6. Porcentaje de remoción de los contaminantes del agua residual

Variable %
Unidad Afluente Efluente
de salida Remoción
DQOtotal g DQO/m3 912.46 51.75 94.33
DBO5 g DBO5/m3 480.21 2.55 99.47
SST g SST/m3 393.47 3.99 98.99
SSV g SSV/m3 318.77 2.99 99.06
Ntotal g N/m3 94.34 69.82 25.99

- 125 -
 CAPÍTULO IX

CONCLUSIONES Y RECOMENDACIONES

A continuación, se detallan las conclusiones y recomendaciones del presente trabajo, luego de

haber desarrollado todo el protocolo para la simulación de la PTAR Santa Clara usando MATLAB®.

9.1. Conclusiones

Luego de obtener y discutir los detalles más importantes de los resultados de la simulación

de la planta, se ha llegado a las siguientes conclusiones:

• La caracterización de las aguas residuales del afluente de la PTAR Santa Clara mostró

que la materia orgánica está compuesta principalmente por sólidos (58% para XS y 20%

para XI) mientras que el material nitrogenado es en su mayoría nitrógeno amoniacal (64%);

estos valores se obtuvieron usando el modelo CODfractions del Influent Advisor del

programa computacional GPS-X. Los resultados de la caracterización fueron coherentes

con los valores y rangos reportados en la literatura por diversos autores

• Se logró implementar satisfactoriamente el modelo altamente complejo del ASM1 en

MATLAB®; cohesionando el sistema de ecuaciones algebraico-diferenciales y los

parámetros del modelo con las características físicas y operacionales de la planta del

PTAR Santa Clara, lográndose una adecuada caracterización del comportamiento

dinámico del mismo

• El modelo ya calibrado fue utilizado para evaluar la capacidad de remoción de la PTAR

Santa Clara, encontrándose, en las fechas que se evaluó, que para los parámetros de

DQO total, DBO5, SST y nitrógeno total, la remoción fue del 94, 94, 99 y 26%,

respectivamente; resultando en un efluente con concentraciones de 51.75, 2.55, 3.99, 2.99,

0.22, 68.82 y 7.05 g/m3 para el DQO total, DBO5, SST, SSV, N-NH3, N-NO3 y OD,

respectivamente; estos valores están muy por debajo de los LMP establecidos por la

legislación nacional. Además, los errores de estas variables, expresados como residuales

absolutos, tuvieron valores muy por debajo de lo estipulado por el protocolo GMP, salvo el

caso del DBO5 cuyo error fue de 26.08 g/m3, debido posiblemente a la falta de cantidad y

calidad de datos y calibración no óptima, la cual se podría alcanzar implementando un

diseño experimental. Por otra parte, el bajo porcentaje de eliminación de nitrógeno podría

indicar una posible ineficiencia en el diseño u operación de la planta.

- 126 -
9.2. Recomendaciones

El trabajo realizado ha puesto en evidencia algunas oportunidades de mejora para

la realización de un trabajo de investigación con características similares. Algunas

recomendaciones se describen a continuación.

• Realizar una campaña intensiva de muestreo, incluyendo pruebas de

trazador, con la finalidad de recopilar una gran cantidad de información que

permita realizar simulaciones, tanto en estado estacionario como dinámico,

de manera confiable y con aplicación para posibles escenarios futuros.

• Se recomienda realizar, tanto como sea posible, pruebas experimentales

(bioassays) para desarrollar la caracterización de las aguas residuales,

siguiendo los protocolos más usados actualmente en el área, como STOWA,

WERF, entre otros. Esto permitirá obtener información de entrada más

precisa y confiable, la cual impactará positivamente en la simulación del

proceso, que se llevará a cabo sin problemas y con mucho menor esfuerzo.

• Realizar pruebas experimentales respirométricas para determinar los valores

de los parámetros más importantes del modelo ASM1 para las condiciones

actuales de la planta; esto disminuirá los esfuerzos en el proceso de

calibración y permitirá tener resultados más confiables y precisos.

• Debido a la gran dispersión en los resultados del DBO5, se sugiere corroborar

los valores de dicha variable llevando a cabo pruebas experimentales

adicionales. Lo anterior también debe aplicarse en la determinación de la

purga de lodos, con la finalidad de calcular con gran exactitud el SRT, el

parámetro de operación más importante de la planta.

• Como trabajo futuro para mejorar la etapa de calibración, especialmente si no

se tiene mucha experiencia, se recomienda implementar alguno de los

métodos que proporciona el diseño experimental, como el método de

superficie de respuesta, con la finalidad de sintonizar simultáneamente los

parámetros más sensibles, para así llegar a un mínimo de error en todas las

variables de salida. Esto asegurará un buen proceso de calibrado.

- 127 -
 REFERENCIAS

1. Alasino, N. (2009). Síntesis y diseño de plantas de tratamiento de aguas residuales.

Universidad Nacional del Litoral, Argentina.

2. Alex, J., Benedetti, L., Copp, J., Gernaey, K., Jeppsson, U., Nopens, I., . . . Winkler,
S. (2008). Benchmark Simulation Model no. 1 (BSM1). IWA Taskgroup on
benchmarking of control strategies for WWTPs? Universidad de Lund, Dept. of
Industrial Electrical Engineering and Automation, Lund, Suecia.

3. Alex, J., Beteau, J., Copp, J., Hellinga, C., Jeppsson, U., Marsili-Libelli, S., . . .
Vanhooren, H. (1999). Benchmark for evaluating control strategies in wastewater
treatment plants. European Control Conference ECC'99. Alemania.

4. ANA. (2013). Situación actual y perspectivas en el sector agua y saneamiento en el

Perú. Autoridad Nacional del Agua (ANA), Dirección de Gestión de la Calidad de los
Recursos Hídricos, Lima, Perú.

5. Andraka, D., Piszczatowska, I. K., Dawidowicz, J., & Kruszyński, W. (2018).

Calibration of Activated Sludge Model with Scarce Data Sets. Journal of Ecological
Engineering.

6. APHA; AWWA; WEF;. (2017). Standard Method for the Examination of Water and
Wastewater. Washington, EE. UU.

7. Arroyo González, R. (s.f.). Estructura de un informe de investigación. Universidad

de Granada, España.

8. Artos B., B., & Constante C., J. (2020). Modelado y simulación de una PTAR
empleando modelos ASM. Universidad Politécnica Salesiana , Ecuador.

9. Carlsson, B. (s.f.). The Activated Sludge Model No 1 ASM1. Uppsala University,

Suecia.

10. Centro de Escritura Javeriano. (s.f.). Normas APA Sexta Edición.

11. Chapra, S. (2018). Applied Numerical Methods with MATLAB® for Engineers and
Scientists (4 ed.). EE. UU.: McGraw-Hill Education.

- 128 -
12. Codeiro U., D. (2018). Optimización matemática de proceso de lodos activados de
una industria multipropósito. Instituto de Pesquisas Tecnológicas do Estado de Sao
Paulo, Brasil.

13. EPA. (2009). Nutrient Control Design Manual. State of Technology Review Report.
EPA, Washington.

14. ESAN. (2016). Obtenido de https://www.esan.edu.pe/apuntes-

empresariales/2016/04/que-son-los-estandares-de-calidad-ambiental-y-los-limites-
maximos-permisibles/

15. Espinosa R., M. (2010). Modelación y simulación del proceso de lodos activados de
la PTAR Dulces Nombres de Monterrey. Universidad Autónoma del Estado de
México, Estado de México, México.

16. Francisco Quezada , N. (s.f.). Tratamiento de aguas residuales en Lima y Callao.

Sedapal, Lima, Perú.

17. González M., A. (2017). Modelado y simulación de una PTAR empleando el

software GPS-X. Universidad Autónoma de San Luis Potosí, México.

18. Gustavsson, L., Borjesson, P., Johansson, B., & Svenningsson, P. (1995). Reducing
CO2 emissions by substituting biomass for fossil fuels. Lund University, Lund,
Suecia.

19. Hauduc, H., Gillot, S., Rieger, L., Ohtsuki, T., Shaw, A., Takács, I., & Winkler, S.
(2009). Activated sludge modelling in practice. An international survey. Water
Science and Technology.

20. Hauduc, H., Rieger, L., Oehmen, A., van Loosdrecht, M., Comeau, Y., Héduit, A., .
. . Gillot, S. (2012). Critical Review of Activated Sludge Modeling: State of Process
Knowledge, Modeling Concepts, and Limitations. Wiley Periodicals, Inc.

21. Henze, M., Gujer, W., Mino, T., & van Loosdrecht, M. (2002). Activated Sludge
Models ASM1, ASM2, ASM2d AND ASM3. IWA, Task Group on Mathematical
Modelling for Design and Operation of Biological Wastewater Treatment. Londres:
IWA Publishing.

- 129 -
22. Hreiz, R., Latifi, M., & Roche, N. (2017). Optimal design and operation of activated
sludge processes: State-of-the-art. HAL. Chemical Engineering Journal.

23. Hu, X., Xie, L., Mi, C., & Yang, D.-h. (2014). Calibration and validation of an activated
sludge model for a pilot-scale anoxic/anaerobic/aerobic/post-anoxic process.
Zhejiang University, China.

24. Hulsbeek, J., Kruit, J., Roeleveld, P., & van Loosdrecht, M. (2002). A practical
protocol for dynamic modelling of activated sludge systems. Water Science and
Technology, 45(6).

25. Huo, J. (2005). Application of Statistical Methods and Process Models for the Design
and Analysis of Activated Sludge Wastewater Treatment Plants (WWTPs).
University of Tennessee, EE. UU.

26. Hvala, N., Vrecko, D., & Bordon, C. (2017). The use of Dynamic Mathematical
Models for improving the designs of upgraded Wastewater Treatment Plants. Jožef
Stefan Institute, Eslovenia.

27. INACAL. (s.f.). Norma OS.090 Plantas de tratamiento de aguas residuales. INACAL,
Lima, Perú.

28. INEI. (2018). Perú Anuario de Estadísticas Ambientales. INEI, Lima, Perú.

29. Jeppsson, U. (2001). A general description of the IAWQ activated sludge model No.
1. Lund Institute of Technology, Suecia.

30. Jouanneau, S., Recoules, L., Durand, M., Boukabache, A., Picot, V., Primault, Y., .
. . Thouand, G. (2013). Methods for assessing biochemical oxygen demand (BOD):
A review. IWA. Water Research.

31. Katic, V. (2016). Improving the design of a full scale wastewater treatment plant with
the use of the complex activated sludge model. Politecnico Di Milano, Italia.

32. Liu, G., & Wang, J. (2017). Enhanced removal of total nitrogen and total phosphorus
by applying intermittent aeration to the Modified Ludzack-Ettinger (MLE) process.
Journal of Cleaner Production.

- 130 -
33. Liwarska-Bizukojc, E., Olejnik, D., Biernacki, R., & Ledakowicz, S. (2011).
Calibration of a complex activated sludge model for the full-scale wastewater
treatment plant.

34. Loaiza N., J. (2007). Modelación del Proceso de Lodos Activados en la PTAR
Noreste, del Área Metropolitana de Monterrey. Universidad Autónoma del Estado
de México, Estado de México, México.

35. Makinia, J. (2010). Mathematical Modelling and computer Simulation of Activated

Sludge Systems. Reino Unido: IWA Publishing.

36. Makinia, J., Swinarski, M., & Dobiegala, E. (2002). Experiences with computer
simulation at two large wastewater treatment plants in northern Poland. Water
Science and Technology, 45(6).

37. Mannina, G., Cosenza, A., Vanrolleghem, P., & Viviani, G. (2011). A practical
protocol for calibration of nutrient removal wastewater treatment models.

38. Meijer, S., Van Loosdrecht, M., & Susanti, S. (2002). Error diagnostics and data
reconciliation for activated sludge modelling using mass balances.

39. Melcer, H., Dold, P., Jones, R., Bye, C., Tackács, I., Stensel, H., . . . Sun, P. (2003).
Methods for Wastewater Characterization in Activated Sludge Modeling. EE. UU.:
IWA Publishing & WERF.

40. Metcalf & Eddy Inc.; AECOM. (2003). Wastewater Engineering. Treatment and
Resource Recovery (5 ed.). EE. UU.: Mc Graw Hill Education.

41. Mhlanga, F., Brouckaert, C., Foxon, K., Fennemore, C., Mzulwini, D., & Buckley, C.
(2008). Simulation of a wastewater treatment plant receiving industrial effluents.
Sudáfrica.

42. MINAM. (2010). Aprueba Límites Máximos Permisibles para los efluentes de
Plantas de Tratamiento de Aguas Residuales Domésticas o Municipales. Ministerio
del Ambiente. Lima, Perú: El Peruano.

- 131 -
43. MINAM. (2017). Aprueban Estándares de Calidad Ambiental (ECA) para Agua y
establecen Disposiciones Complementarias. Ministerio del Ambiente. Lima, Perú:
El Peruano.

44. Ministerio de Vivienda, Construcción y Saneamiento. (2009). Aprueban Valores

Máximos Admisibles (VMA) de las descargas de aguas residuales no domésticas
en el sistema de alcantarillado sanitario. Lima, Perú: El Peruano.

45. Mulas, M. (2006). Modelling and Control of Activated Sludge Processes. Universit`a
degli Studi di Cagliari, Italia.

46. Ni, B.-J., Pan, Y., Guo, J., Virdis, B., Hu, S., Chen, X., & Yuan, Z. (2016).
Denitrification Processes for Wastewater Treatment. University of Queensland.

47. Nuhoglu, A., Keskinler, B., & Yildiz, E. (2004). Mathematical modelling of the
activated sludge process. The Erzincan case. Turquía: Elsevier Ltd.

48. Ocho León, H. (2016). Comparación de la eficiencia de remoción de materia

orgánica entre un reactor de lodos activados y un reactor anaerobio de flujo
ascendente. Universidad Nacional del Centro del Perú, Unidad de Posgrado de la
Facultad de Ingeniería Química, Huancayo.

49. OEFA. (2014). Fiscalización ambiental en aguas residuales. OEFA, Lima, Perú.

50. Ortiz Bardales, P. (2014). Fundamentos de tratamientos por lagunas. SANAA, Taller
Operación y Mantenimiento de Sistemas de Alcantarillado Sanitario y Plantas de
Tratamiento de Aguas Residuales, La Ceiba, Honduras.

51. Petersen, B., Gernaey, K., Henze, M., & Vanrolleghem, P. (2002). Evaluation of an
ASM1 model calibration procedure on a municipal–industrial wastewater treatment
plant. Journal of Hydroinformatics.

52. Puig, S., Van Loosdrecht, M., Colprim, J., & Meijer, S. (2008). Data evaluation of
full-scale wastewater treatment plants by mass balance.

53. Quiroz P., P., & . (2009). Planta de tratamiento de aguas residuales para regadío
en la Universidad Nacional Mayor de San Marcos. Universidad Nacional Mayor de
San Marcos, Lima, Perú.

- 132 -
54. Ramalho, R. (s.f.). Tratamiento de Aguas Residuales. Canadá: Laval University.

55. Rey, H. (2018). The MBR Site. Obtenido de

https://www.thembrsite.com/features/designing-and-managing-wastewater-
treatment-plants-using-cae-the-lynxasm1-modelling-and-simulation-tool/

56. Richardson, H. (s.f.). Troubleshooting Activated Sludge Processes.

57. Rieger, L., Gillot, S., Langergraber, G., Ohtsuki, T., Shaw, A., Takács, I., & Winkler,
S. (2013). Guidelines for Using Activated Sludge Models (IWA Task Group). Reino
Unido: IWA Publishing.

58. Roeleveld, P., & van Loosdrecht, M. (2002). Experience with guidelines for
wastewater characterisation in The Netherlands. Water Science and Technology,
45(6).

59. Sánchez F., F. (2019). Análisis y mejora de la fluidodinámica en estaciones

depuradoras de aguas residuales. Universidad Politécnica de Cartagena, España.

60. Sánchez-Ramírez, J., Ribes, J., Ferrer, J., & García-Usach, M. (2017). Obtención
de los principales parámetros del agua residual urbana empleados en los modelos
matemáticos de fangos activados a partir de una caracterización analítica simple.

61. Scribbr. (2019). Obtenido de https://www.scribbr.com/apa-style/apa-seventh-

edition-changes/

62. Sedapal. (s.f.). Planta de Tratamiento de Aguas Residuales Carapongo. Sedapal,

Gerencia Recolección, Tratamiento y Disposición Final, Lima, Perú.

63. Sedapal. (s.f.). Planta de Tratamiento de Aguas Residuales Puente Piedra.

Sedapal, Gerencia Recolección, Tratamiento y Disposición Final, Lima, Perú.

64. Sedapal. (s.f.). Planta de Tratamiento de Aguas Residuales San Antonio de

Carapongo. Sedapal, Gerencia Recolección, Tratamiento y Disposición Final, Lima,
Perú.

65. Simulación RVD. (s.f.). Obtenido de

https://sites.google.com/site/simulacionrvd/home/tarea-2/tarea-3

- 133 -
66. Sin, G., Van Hulle, S., De Pauw, D., Van Griensven, A., & Vanrolleghem, P. (2005).
A critical comparison of systematic calibration protocols for activated sludge models:
A SWOT analysis.

67. Sochacki, A., Knodel, J., Geissen, S.-U., Zambarda, V., Bertanza, G., & Plonka, L.
(s.f.). Modelling and simulation of a municipal WWTP with limited operational data.

68. Sunass, Cooperación Alemana, & . (2015). Diagnóstico de las plantas de

tratamiento de aguas residuales en el ámbito de operación de las EPS de
saneamiento. Sunass y Cooperación Alemana, Lima, Perú.

69. Theobald, D. (1 de Agosto de 2014). Processing . Obtenido de

https://www.processingmagazine.com/home/article/15583654/control-of-activated-
sludge-including-troubleshooting

70. Tixe Huaynate , M. (2019). Obtenido de SCRIBD:

https://es.scribd.com/document/420479638/PTAR-SANTA-CLARA

71. van Haandel, A. C., & van der Lubbe, J. G. (2012). Handbook of Biological
Wastewater Treatment (Segunda ed.). Londres, Reino Unido: IWA Publishing.

72. Vanrolleghem, P., Insel, G., Petersen, B., Sin, G., De Pauw, D., Nopens, I., . . .
Gernaey, K. (2003). A comprehensive model calibration procedure for activated
sludge models. WEFTEC.

73. von Sperling, M. (2007). Activated Sludge and Aerobic Biofilm Reactors (Vol. 5).
IWA Publishing.

74. WasteWater System. (s.f.). Obtenido de WasteWater System:

http://www.wastewatersystem.net/2010/11/what-causes-bulking-sludge-
problem.html

75. Zoby J., L. (2011). Aplicación de modelo ASM1 en simulación de condiciones de

operación de una estación de tratamiento de efluentes por lodos activados.
Universidade Federal de Pernambuco, Brasil.

- 134 -
 ANEXO 1

MATRIZ DEL MODELO ASM1

Tabla A1. Matriz de variables y procesos del modelo ASM1. Adaptado de Henze et al. (2002)
Componente i 1 2 3 4 5 6 7 8 9 10 11 12 13 Velocidad del proceso
j Proceso � � �� � , � , � � � � �
ρj [g/(m3*d)]
Crecimiento aerobio de − �� �
1 − 1 − −� � −
�� + � +
� ,
heterótrofos � ,

Crecimiento anoxio de − − �� � � ,
2 − 1 − −� � − − � ,
heterótrofos �� + � � , + � +
Crecimiento aerobio de − ��
3 1 − −�� − − −
� + � +
� ,
autótrofos ,

4 'Decaimiento' de heterótrofos − -1 �� − �� � ,

5 'Decaimiento' de autótrofos − -1 �� − �� � ,

Amonificación de nitrógeno
6 1 -1 � �� ,
orgánico soluble
�� � ,

'Hidrólisis' de orgánicos �� + �� � ,
� , +
7 1 -1 �
entrampados +
,
� ,
� , + � +

'Hidrólisis' de nitrógeno � ��
8 1 -1 �
orgánico entrampado
Velocidades de conversión = �
observadas [g/L-dia]
Parámetros estequiométricos: Parámetros cinéticos:
Sustrato lentamente biodegradable
Materia orgánica inerte particulada

Nitrógeno orgánico biodegradable

Nitrógeno orgánico biodegradable

Productos particulados derivados

Rendimiento Crecimiento y decaimiento heterótrofo:

Biomasa heterotrófica activa [g
Materia orgánica inerte soluble

sssheterótrofo:YH sssuH, KS, KOH, KNO, bH

Biomasa autotrófica activa [g

de la descomposición de la
biodegradable [g DQO/m3]

Rendimiento Crecimiento y decaimiento autotrófo:

Alcalinidad (Unidad molar)

sssautotrófo: YA sssuA, KNH, KOA, bA
Oxígeno [g (-DQO)/m3]

Nitrato y nitrito [g N/m3]

Sustrato rápidamente

biomasa [g DQO/m3]

Fracción de biomasa que produce Factor de correción para crecimiento

particulado [g N/m3]
NH4+NH3 [g N/m3]
sssproductos particulados: fp sssanoxio de heterótrofos: ng

soluble [g N/m3]
Masa N/Masa COD en Amonificación: ka
[g DQO/m3]

[g DQO/m3]

[g DQO/m3]

sssbiomasa: iXB Hidrólisis: kh, KX

DQO/m3]

DQO/m3]

Masa N/Masa COD en productos Factor de correción para hidrólisis

sssde biomasa: iXP sssanoxia: nh

- 135 -
 ANEXO 2

PARÁMETROS DEL MODELO ASM1

Tabla A2. Parámetros cinéticos y estequiométricos del modelo ASM1. Adaptado de Henze et al. (2002)
Parámetros del modelo ASM1 Símbolo Unidad 20°C 10°C Literatura
Parámetros estequiométricos
Rendimiento heterótrofo YH g DQO celular formado/g DQO oxidado 0.67 0.67 0.38-0.75
Rendimiento autótrofo YA g DQO celular formado/g DQO oxidado 0.24 0.24 0.07-0.28
Fracción de biomasa que produce productos particulados fp adimensional 0.08 0.08 -
Masa N/masa DQO en biomasa iXB g N/g DQO en biomasa 0.086 0.086 -
Masa N/masa DQO en productos de biomasa iXP g N/g DQO en masa endógena 0.06 0.06 -
Parámetros cinéticos
Velocidad de crecimiento heterótrofo máximo específico uH dia-1 6 3 0.6-13.2
-1
Velocidad de decaimiento heterótrofo bH dia 0.62 0.2 0.05-1.6
Coeficiente de saturación media para heterótrofos KS g DQO/m3 20 20 5-225
Coeficiente de saturación media de oxígeno para heterótrofos KOH g O2 /m3 0.2 0.2 0.01-0.20
Coeficiente de saturación media de nitrato para heterótrofos
KNO g NO3-N/m3 0.5 0.5 0.1-0.5
desnitrificantes
Velocidad de crecimiento autótrofo máximo específico uA dia-1 0.8 0.3 0.2-1.0
Velocidad de decaimiento autótrofo bA dia-1 0.2 0.1 0.05-0.2
Coeficiente de saturación media de oxígeno para autótrofos KOA g O2/m3 0.4 0.4 0.4-2.0
Coeficiente de saturación media de amonio para autótrofos KNH g NH3-N/m3 1 1 -
Factor de corrección para crecimiento anoxio de heterótrofos ng adimensional 0.8 0.8 0.6-1.0
Velocidad de amonificación ka m3/(g DQO*dia) 0.08 0.04 -
Velocidad de hidrólisis máxima específica kh g DQO lentamente biod./(g DQO cel*día) 3 1 -
Coeficiente de saturación media para hidrólisis de sustrato
KX g DQO lentamente biod./(g DQO cel*día) 0.03 0.01 -
lentamente biodegradable
Factor de corrección para hidrólisis anoxia nh adimensional 0.4 0.4 -

- 136 -
 ANEXO 3

TIPOS DE TRATAMIENTO BIOLÓGICO PARA AGUAS RESIDUALES

Tabla A3. Principales procesos de tratamiento biológico usado para aguas residuales.

Adaptado de Metcalf & Eddy Inc. (2003)

Tipo Nombre común Uso

Procesos aerobios
Proceso de lodos activos Remoción de DBO, nitrificación
Lagunas aireadas Remoción de DBO, nitrificación
Crecimiento
Digestión aerobia Estabilización, remoción de DBO
suspendido
Biorreactor de membrana(a) Remoción de DBO, nitrificación
Filtros biológicos aireados Remoción de DBO, nitrificación
Biorreactor de lecho móvil(b) Remoción de DBO, nitrificación
Reactores con lecho empacado Remoción de DBO, nitrificación
Crecimiento fijo
Contactores rotativos biológicos Remoción de DBO, nitrificación
Filtros de goteo Remoción de DBO, nitrificación
Filtro de goteo/lodos activos Remoción de DBO, nitrificación
Procesos híbridos Lodos activos de película fija
Remoción de DBO, nitrificación
integrada(c)
Procesos anoxios
Crecimiento Desnitrificación de crecimiento
Desnitrificación
suspendido suspendido
Filtro de desnitrificación de
Crecimiento fijo Desnitrificación
crecimiento suspendido
Procesos anaerobios

Procesos de contacto anaerobio Remoción de DBO

Crecimiento Estabilización, destrucción de
suspendido Digestión anaerobia
sólidos, muerte de patógenos
Desnitrificación, remoción de
Proceso Anammox
amonio
Lecho fluidizado y empacado Remoción de DBO, estabilización
Crecimiento fijo
anaerobio de residuos, desnitrificación
Remoción de DBO,
Manta de lodo anaeróbico de
Manta de lodos especialmente residuos
flujo ascendente(d)
altamente resistentes
Manta de lodo de flujo
Híbrido Remoción de DBO
ascendente/crecimiento fijo

- 137 -
 Tabla A3. Principales procesos de tratamiento biológico usado para aguas residuales.

(Continuación)

Tipo Nombre común Uso

Procesos combinados aerobios, anoxios y anaerobios
Remoción de DBO, nitrificación,
Crecimiento Procesos simples o de múltiples
desnitrificación y remoción de
suspendido etapas, procesos patentados
fósforo
Procesos de crecimiento
Remoción de DBO, nitrificación,
suspendido simple o de
Híbrido desnitrificación y remoción de
múltiples etapas con medios de
fósforo
película fija
Procesos de lagunas
Lagunas aerobias Lagunas aerobias Remoción de DBO, nitrificación
Lagunas de
Lagunas de maduración
maduración Remoción de DBO, nitrificación
(terciarias)
(terciarias)
Lagunas facultativas Lagunas facultativas Remoción de DBO
Remoción de DBO (estabilización
Lagunas anaerobias Lagunas anaerobias
de residuos)
Nota. (a)MBR, (b)MBBR, (c)IFAS y (d)UASB por sus siglas en inglés.

- 138 -
 ANEXO 4

CONCENTRACIONES TÍPICAS DE LAS AGUAS RESIDUALES MUNICIPALES

Tabla A4. Características típicas de las aguas residuales municipales. Adaptado de

Melcer et al. (2003)

Características del Unidad de Unidad de

Concentraciones Fracciones
agua residual concentraciones fracciones
Material orgánico
DQO Total 250 - 700 g DQO/m3 - -
DQO rápidamente g DQO/g DQO
25 - 125 g DQO/m3 0.05 - 0.25
biodegradable total
DQO no biodegradable g DQO/g DQO
20 - 50 g DQO/m3 0.04 - 0.16
soluble total
DQO no biodegradable g DQO/g DQO
35 - 110 g DQO/m3 0.07 - 0.22
particulado total
DQO lentamente g DQO/g DQO
200 - 400 g DQO/m3 0.4 - 0.80
biodegradable total
Material nitrogenado
NTK 25 - 70 g N/m3 - -
Amonio libre e ionizado 20 - 30 g N/m3 0.50 - 0.75 g N/g NTK
NTK no biodegradable
0-5 g N/m3 0 - 0.07 g N/g NTK
soluble
NTK biodegradable
0 - 10 g N/m3 0 - 0.25 g N/g NTK
orgánico
g N/g DQO no
NTK no biodegradable
2-8 g N/m3 0.03 - 0.07 biodegradable
particulado
particulado
Material fosforado
Fósforo total (PT) 4 - 15 g P/m3 - -
Ortofosfato 2 - 12 g P/m3 0.50 - 0.85 g P/g PT
PT no biodegradable
0-? g P/m3 0-? g P/g PT
soluble
PT biodegradable
0 - 10 g P/m3 0 - 0.25 g P/g PT
orgánico
g P/ g DQ no
PT no biodegradable
1-4 g P/m3 0.02 - 0.03 biodegradable
particulado
particulado

- 139 -
 ANEXO 5

RELACIONES MÁSICAS TÍPICAS DE LAS AGUAS RESIDUALES MUNICIPALES

Tabla A5. Relaciones másicas típicas para plantas de tratamiento de aguas residuales

municipales. Adaptado de Rieger et al. (2013)

Relación Unidad n(a) Media Min Máx

Ntot /DQOtot g N/g DQO 12 0.095 0.050 0.150
N-NHx/NTK g N/g N 13 0.684 0.500 0.900
Ptot/DQOtot g P/g DQO 12 0.016 0.007 0.025
P-PO4/Ptot g P/g P 12 0.603 0.390 0.800
DQOtot/DBO5 g DQO/g DBO 12 2.06 1.410 3.000
Afluente
crudo DQOfil/DQOtot g DQO/g DQO 13 0.343 0.120 0.750
SST/DQOtot g SST/g DQO 12 0.503 0.350 0.700
DQOpart/SSV g DQO/g SSV 11 1.69 1.300 3.000
SSV/SST g SS/g SS 12 0.74 0.300 0.900
DBO5/DBOu g DBO/g DBO 7 0.655 0.580 0.740
Alcalinidad mol-eq/L 11 5.173 1.500 9.000
Ntot /DQOtot g N/g DQO 9 0.134 0.050 0.360
N-NHx/NTK g N/g N 11 0.755 0.430 0.900
Ptot/DQOtot g P/g DQO 9 0.023 0.010 0.060
P-PO4/Ptot g P/g P 10 0.741 0.500 0.900
DQOtot/DBO5 g DQO/g DBO 9 1.874 0.500 3.000
Efluente
DQOfil/DQOtot g DQO/g DQO 10 0.449 0.150 0.750
primario
SST/DQOtot g SST/g DQO 9 0.38 0.180 0.560
DQOpart/SSV g DQO/g SSV 9 1.718 1.400 3.500
SSV/SST g SS/g SS 9 0.794 0.700 0.909
DBO5/DBOu g DBO/g DBO 6 0.644 0.533 0.760
Alcalinidad mol-eq/L 9 5.711 1.500 9.000
DQOtot/SSV g DQO/g SS 9 1.434 1.266 1.600
Lodos Ntot/DQOtot g N/g DQO 7 0.073 0.045 0.116
activos Ptot/DQOtot g P/g DQO 7 0.02 0.010 0.044
SSV/SST g SS/g SS 10 0.739 0.650 0.900
Nota. (a) Número de respuestas de plantas de tratamiento

- 140 -
 ANEXO 6

SUBMODELOS INVOLUCRADOS EN EL PROCESO DE LODOS ACTIVOS

Tabla A6. Submodelos comunes en un proceso de lodos activos. Adaptado de Rieger

et al. (2013)

Tipo de
Submodelos
submodelo
■ Modelos de reactor (ej. CSTR con volumen fijo o variable)
■ Esquema de flujo: configuración y combinación de reactor (ej.
Modelos tanques en serie)
hidráulicos y
■ Flujos de lodo activo de retorno (RAS) y de reciclo interno (IR)
de transporte
■ Flujo de lodo activo de rechazo (WAS)
■ Separador de flujo: fracción, flujo, bypass, etc.
■ Modelos de clarificador punto
■ Modelos de clarificador ideal
■ Modelos de clarificador por capas (imitando una sedimentación
Modelos de
unidimensional)
clarificador
■ Modelos de clarificador CFD de más dimensiones (no disponible en
simuladores comerciales)
■ Modelos de clarificador reactivo (acoplado con modelo biocinético)
■ Modelo del afluente: para convertir medidas como DQO total, NTK,
P a componentes del modelo (variables de estado)
Modelos de ■ Configuraciones operacionales y otras entradas
entrada ■ Constantes (Ej. set-points de controladores)
■ Entradas de energía para aireadores superficiales u otras unidades
de proceso
Modelos de ■ Variables combinadas o compuestas (ej. DQO total, DBO, SST, etc.)
salida ■ Modelos de energía y costos
Modelos ■ Ej. ASM1/2d/3, etc.
biocinéticos ■ Dependencia de la temperatura (ecuación de Arrhenius)
■ Modelo para traducir el flujo de aire en kLa
Modelos de ■ Modelo de transferencia de oxígeno
aireación ■ Modelos de equipos de aireación (difusores, tuberías, sistema del
soplador)
Modelos de ■ Dosis de sales de hierro o aluminio
precipitación
de fósforo ■ Precipitación de fosfato de calcio y magnesio
■ Modelos de controladores, sensores, actuadores
■ pH
■ Transferencia de gas
Otros ■ Submodelos del modelado de toda la planta (ej. modelo de
submodelos primarios, digestores anaerobios, manejo de lodo, etc.)
■ Modelos para entalpía (temperatura), costos operacionales, energía,
huella de carbono, conversión de emisiones de gases de efecto
invernadero en unidades de carbono, etc.

- 141 -
 ANEXO 7

MODELOS TÍPICOS DE CLARIFICADORES PARA LA SIMULACIÓN CON ASM

Tabla A7. Modelos comunes de clarificadores. Adaptado de Rieger et al. (2013)

Separación completa de
Pérdida de partículas
partículas
a) Modelos de clarificador punto
Efluente Efluente
(sin partículas) (incl. partículas)

RAS RAS

b) Modelos de clarificador ideal (con volumen)

Efluente Efluente
(sin partículas) (incl. partículas)
Volumen para
Manto de Manto de
almacenamiento de lodos no lodos no
lodos reactivo reactivo

RAS RAS

Efluente Efluente
(sin partículas) (incl. partículas)
Volumen para
almacenamiento de Manto de Manto de
lodos no
lodos y agua lodos no
reactivo reactivo
clarificada
RAS RAS

c) Modelos de clarificador en capas

Efluente
(incl. partículas)

Unidimensional o
modelos de flux

RAS

d) Modelos CFD de más dimensiones

SSLM Xef
Típicamente no
disponible en
simuladores de
PTAR
RAS

e) Modelos de clarificador reactivo

Aplicable para los modelos con volumen descritos arriba

- 142 -
 ANEXO 8

PERFILES HORARIOS DE CAUDALES DE PURGA Y RECIRCULACIÓN (DÍA

09/07/2020)

9
8
7
6
Purga, L/s

5
4
3
2
1
0
00:00 04:00 08:00 12:00 16:00 20:00 00:00
Tiempo, hrs.

Figura A8.1. Perfil horario del caudal de purga de lodos de la PTAR Santa Clara

600

500
Recirculación, L/s

400

300

200

100

0
00:00 04:00 08:00 12:00 16:00 20:00 00:00
Tiempo, hrs.

Figura A8.2. Perfil horario del caudal de recirculación de la PTAR Santa Clara

- 143 -
 ANEXO 9

GRÁFICOS DE CONSUMO DE ENERGÍA E INSUMOS QUÍMICOS EN EL MES DE

FEBRERO DE LA PTAR SANTA CLARA

70000

60000
Producción de lodos, kg/d

50000

40000

30000

20000

10000

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Tiempo, días

Figura A9.1. Producción diaria de lodos de la PTAR Santa Clara (febrero)

18000

16000
Consumo de energía, kWh

14000

12000

10000

8000

6000

4000

2000

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Tiempo, días

Figura A9.2. Consumo diario de energía en la PTAR Santa Clara (febrero)

- 144 -
 140

120

Consumo de polímero, kg/d 100

80

60

40

20

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Tiempo, días

Figura A9.3. Consumo diario de polímero catiónico en la PTAR Santa Clara (febrero)

160

140
Consumo de cloro, kg/d

120

100

80

60

40

20

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Tiempo, días

Figura A9.4. Consumo diario de cloro gas en la PTAR Santa Clara (febrero)

- 145 -
 ANEXO 10

ESTADÍSTICA DESCRIPTIVA DE LOS DATOS RECOPILADOS DE CAUDALES Y

CONSUMOS DE LA PTAR SANTA CLARA

Tabla A10.1. Estadística de los caudales del afluente, efluente y recirculación entre los
meses de enero y febrero 2020

Afluente*, Efluente*, Recirculación*,

Estadístico
L/s L/s L/s
Promedio 246.93 206.08 456.82
Máximo 251.56 213.73 485.86
Mínimo 242.74 191.84 432.55
Desv. Estándar 3.26 8.57 22.72
CV, % 1.32 4.16 4.97
Nota. (*) Mediciones totales, n=5.

Tabla A10.2. Estadística de los caudales del afluente, efluente, recirculación y purga
de lodos del mes de febrero 2020 (L/s)

Afluente*, Efluente*, Recirculación*, Purga*,

Estadístico
L/s L/s L/s L/s
Promedio 252.62 210.79 458.66 6.77
Máximo 273.00 223.00 488.55 7.74
Mínimo 238.00 197.07 440.00 6.31
Desv. Estándar 8.71 6.59 17.73 0.30
CV, % 3.45 3.13 3.87 4.41
Nota. (*) Mediciones totales, n=26.

Tabla A10.3. Estadística de la producción de lodos y consumo de energía, polímero y

cloro gas del mes de junio 2020

Lodos*, Energía*, Polímero*, Cloro*,

Estadístico
kg/d kWh kg/d kg/d
Promedio 38252.33 14750.00 76.51 120.37
Máximo 59150.00 16900.00 118.30 144.00
Mínimo 11200.00 12530.00 22.40 96.00
Desv. Estándar 9870.72 794.47 19.75 13.29
CV, % 25.80 5.39 25.81 11.04
Nota. (*) Mediciones totales, n=30.

- 146 -
 ANEXO 11

ESTADÍSTICA DESCRIPTIVA DE LOS DATOS RECOPILADOS DE

CONCENTRACIONES DE LA PTAR SANTA CLARA

Tabla A11.1. Estadística de las concentraciones de materia orgánica, particulada y

nitrogenada del afluente (entre enero y febrero)

DQO total*, DBO5*, SST*, SSV*, N-NH3*, N-NO3*,

Estadístico
g/m3 g/m3 g SS/m3 g SS/m3 g N/m3 g N/m3
Promedio 1153.00 606.80 497.20 402.80 76.63 0.67
Máximo 1256.00 661.00 515.00 430.00 113.00 1.33
Mínimo 1067.00 502.00 452.00 372.00 32.30 0.17
Desv. Estándar 75.59 66.19 25.86 20.77 40.94 0.60
CV, % 6.56 10.91 5.20 5.16 53.42 89.57
Nota. (*) Mediciones totales, n=5.

Tabla A11.2. Estadística de las concentraciones de materia orgánica, particulada y

nitrogenada del efluente (entre enero y febrero)

DQO total*, DBO5*, SST*, SSV*, N-NH3*, N-NO3*,

Estadístico
g/m3 g/m3 g SS/m3 g SS/m3 g N/m3 g N/m3
Promedio 71.00 38.80 5.60 4.40 0.35 93.31
Máximo 97.00 43.00 7.00 6.00 0.48 157.18
Mínimo 60.00 30.00 4.00 3.00 0.20 22.83
Desv. Estándar 14.83 5.26 1.34 1.14 0.14 67.42
CV, % 20.89 13.56 23.96 25.91 40.52 72.25
Nota. (*) Mediciones totales, n=5.

Tabla A11.3. Estadística de las concentraciones de sólidos en los reactores A y B y la

recirculación (entre enero y febrero)

Reactor A Reactor B Recirculación

SST*, SSV*, SST*, SSV*, SST*, SSV*,
Estadístico
g SS/m3 g SS/m3 g SS/m3 g SS/m3 g SS/m3 g SS/m3
Promedio 3655.80 2521.80 2845.80 1870.60 5515.40 3780.00
Máximo 4280.00 2987.00 3335.00 2325.00 6800.00 4610.00
Mínimo 1560.00 1087.00 1940.00 1180.00 2947.00 2060.00
Desv. Estándar 1175.29 808.08 565.33 508.20 1536.68 1035.16
CV, % 32.15 32.04 19.87 27.17 27.86 27.39
Nota. (*) Mediciones totales, n=5.

- 147 -
 ANEXO 12

ESTADÍSTICA DESCRIPTIVA DE LOS DATOS RECOPILADOS DE LAS

CONDICIONES AMBIENTALES DE LA PTAR SANTA CLARA

Tabla A12.1. Estadística del pH, temperatura y OD del afluente y efluente entre los
meses de enero y febrero

Afluente Efluente
pH*, Temp.*, OD*, pH*, Temp.*, OD*,
Estadístico
uds. °C g O2/m3 uds. °C g O2/m3
Promedio 8.05 26.14 0.77 7.30 28.28 7.73
Máximo 8.19 26.70 2.40 7.47 29.50 8.15
Mínimo 7.76 25.20 0.13 6.95 27.50 7.26
Desv. Estándar 0.17 0.59 0.93 0.24 0.77 0.41
CV, % 2.13 2.24 120.15 3.27 2.71 5.25
Nota. (*) Mediciones totales, n=5.

Tabla A12.2. Estadística del pH, temperatura y OD del reactor A y B entre los meses
de enero y febrero

Reactor A Reactor B
pH*, Temp.*, OD*, pH*, Temp.*, OD*,
Estadístico
uds. °C g O2/m3 uds. °C g O2/m3
Promedio 6.92 28.48 4.23 7.08 28.38 4.67
Máximo 6.98 29.10 5.81 7.25 29.00 6.45
Mínimo 6.83 27.70 2.90 6.82 28.00 1.35
Desv. Estándar 0.06 0.52 1.18 0.17 0.45 2.20
CV, % 0.83 1.83 27.81 2.40 1.58 47.04
Nota. (*) Mediciones totales, n=5.

Tabla A12.3. Estadística de la concentración de OD en los reactores A y B del mes de

febrero

Reactor A Reactor B
Estadístico OD, O2/m3 OD, O2/m3
Promedio 1.68 1.26
Máximo 2.10 1.83
Mínimo 1.14 0.77
Desv. Estándar 0.31 0.32
CV, % 18.16 25.77
Nota. (*) Mediciones totales, n=28.

- 148 -
 ANEXO 13

BALANCES DE MASA DE SSI PARA EL AJUSTE DE LOS CAUDALES DE LA PTAR SANTA CLARA

Tabla A13.1. Balances de masa respecto a los SSI para el ajuste de los caudales del sistema de lodos activos de la PTAR Santa Clara

Qin, Qaj, Qaj, SST, SSV, SSI, Qaj*SSI,

Ecuación Flujo Sistema 1 Sistema 2 Sistema 3
L/s L/s m3/d g/m3 g/m3 g/m3 kg/d
1 2 3 4 5 6 7 8 9 10 11 12
Q1 252.62 280.00 24192.00 393.47 318.77 74.71 1807.28 1807.28
Q4 210.79 270.00 23328.00 4.13 3.25 0.89 20.66 -20.66 -20.66
Q6 6.77 10.50 907.20 6157.50 4210.00 1947.50 1766.77 -1766.77
Q7 458.66 310.00 26784.00 6157.50 4210.00 1947.50 52161.84
Q1 + Q7 Q2 711.28 590.00 50976.00 3422.03 2363.31 1058.72 53969.12 53969.12
Q2 Q3 711.28 590.00 50976.00 3250.80 2196.20 1054.60 53759.29 -53759.29 53759.29
Q3 - Q4 Q5 500.49 320.00 27648.00 6157.50 4210.00 1947.50 53844.48 -53844.48
Entradas
- - - - - - - - 1807.28 53969.12 53759.29
(kg/d)
Salidas
- - - - - - - - -1787.43 -53759.29 -53865.14
(kg/d)
Diferencia
- - - - - - - - 19.86 209.83 -105.85
(kg/d)
%
- - - - - - - - 1.10 0.39 -0.20
Desviación
Nota. Qin: valor inicial de caudal (sin cambios). Qaj: valor ajustado de caudal.

- 149 -
 ANEXO 14

EXPRESIONES CINÉTICAS Y BALANCES DE MASA DEL MODELO ASM1

De la matriz de Petersen, presentada en el Anexo 1, se desarrollan todas las

expresiones cinéticas (velocidades de conversión) para cada una de las variables de

estado del modelo ASM1.

A14.1. Lista de procesos

De acuerdo con la matriz, la velocidad de cada proceso (p j) se expresa a

continuación:

• j=1, crecimiento aerobio de heterótrofos

�
� = ( ) � ,
�� + � � , +

• j=2, crecimiento anoxio de heterótrofos

� � ,
� = ( ) ( ) � ,
�� + � � , + � +

• j=3, crecimiento aerobio de autótrofos

� = ( ) � ,
� + � , +

• j=4, decaimiento de heterótrofos

� = � ,

• j=5, decaimiento de autótrofos

� = � ,

• j=6, amonificación de nitrógeno orgánico soluble

� = � �� ,

- 150 -
 • j=7, hidrólisis de orgánicos entrampado

�� � , � ,
� = + ( ) � ,
�� + (�� � , ) � , + � , + � +

• j=8, hidrólisis de nitrógeno orgánico entrampado

� = � � ��

A14.2. Velocidades de conversión

Se determina la velocidad de conversión de cada componente del modelo ASM1

(ri), sumando el producto de los coeficientes estequiométricos (v ij) de la columna

respectiva con cada uno de los procesos que afecta la concentración del

componente (pj). Matemáticamente:

= �

A continuación, se expresa la velocidad de conversión de cada componente:

• SI (i=1)

• SS (i=2)

=− � − � +�

• XI (i=3)

• XS (i=4)

= − � + − � −�

• XBH (i=5)

= � +� −�

• XBA (i=6)

=� −�

- 151 -
 • XP (i=7)

= � + �

• SO (i=8)
− −
=− � − �

• SNO (i=9)
−
=− � + �

• SNH (i=10)

= −�� � −�� � − (�� + )� + �

• SND (i=11)

= −� + �

• XND (i=12)

= �� − �� � + �� − �� � − �

• SSALK (i=13)
�� − �� ��
=− � +( − )� − ( + )� + �
∗

A14.3. Balances de masa

Se realizaron balances de masa por componente (i) y balances de caudales.

a) Balances de masa por componente

• Reactor k=1:

Componentes solubles:
� ,
= ( �, + � �, � + � − �, )
�

Componentes particulados:

� , σ = �� , �,
= �, + + � �, − + � − �,
� � ,

- 152 -
 • Reactor k=2 hasta 6:
�,
= ( − �, − + � − �, )
�

• Caso especial para el oxígeno (SO):

, ∗
= ( − , − + � + �� � � ( − , )− , )
�
∗
donde la concentración de saturación para el oxígeno es: = �

• Clarificador secundario

Componentes solubles:

�, = �, = �,

Componentes particulados:

�, = �, � = � ,��

b) Balances de caudal

• Reactor k=1: = +

• Reactor k=2 hasta 6: − =

• Clarificador secundario: = +

= � + ��

A14.4. Otras ecuaciones

Se muestran también las ecuaciones de SRT y eficiencia de remoción, que no

han podido ser mostradas hasta ahora en su forma general.

a) Tiempo de retención de sólidos

σ = �� ,
=
+ �� ��

b) Eficiencia de remoción
� , + � ,
=
� ,

- 153 -
 ANEXO 15

MODELO CODFRACTIONS DEL INFLUENT ADVISOR

En esta sección se detalla el modelo CODfractions del Influent Advisor perteneciente al

software GPS-X. La información mostrada aquí fue recopilada a partir de la descripción

del software realizado por Loaiza (2007). En la Figura A15.1 se muestra un esquema de

la relación entre las variables compuestas con las variables de estado ASM1, mientras

que en la Tabla A15.1 se presentan todos los coeficientes estequiométricos y las

ecuaciones involucradas para el cálculo de las variables de estado del modelo y algunas

variables compuestas de interés.

SI
DQOsol
fbod
DBO5,sol DBOu,sol SS
DQO
DBO5 DBOu XS

fbod
DBO5,part DBOu,part XBH DQOpart

icv-1
XBA
SSV
XI SST

XP SSI

SNO SNH SND

XS
SI
XI
NTKsol
SS NTKpart
XBH

Ntot NTK XND XBA

Figura A15.1. Variables ASM1 y compuestas de fracciones de materia orgánica y

nitrogenada

- 154 -
 Tabla A15.1. Coeficientes y ecuaciones para calcular variables ASM1 y compuestas

Coeficiente Significado Fórmula de cálculo

icv Relación DQOpart/SSV Entrada
fbod Relación DBO5/DBOu Entrada
ivt Relación SSV/SST Entrada
frsi Fracción inerte soluble de DQOtot Entrada
frss Fracción rápidamente biod. de DQOtot Entrada
frxi XI/ DQOtot Entrada
frxp XP/ DQOtot Entrada
frxbh XBH/ DQOtot Entrada
frxba XBA/ DQOtot Entrada
frsnh SNH/NTKsol Entrada
ixb iXB (ASM1) Entrada
ixp iXP (ASM1) Entrada
inxs XND/XS Entrada
Variables
Significado Fórmula de cálculo
ASM1
SI Material orgánico inerte soluble SI = frsi*DQOtot
SS Sustrato rápidamente biodegradable SS = frss*DQOtot
XI Material orgánico inerte particulado XI = frxi*DQOtot
XS = (1-frss-frsi-frxi-frxp-frxbh-
XS Sustrato lentamente biodegradable
frxba)*DQOtot
XBH Biomasa heterótrofa activa XBH = frxbh*DQOtot
XBA Biomasa autótrofa activa XBA = frxba*DQOtot
XP Partículas no biodegradables del decaimiento XP = frxp*DQOtot
SND Nitrógeno orgánico biodegradable soluble SND = NTKsol - SNH
XND Nitrógeno orgánico biodegradable particulado XND = inxs*XS
Variables
Significado Fórmula de cálculo
compuestas
DBO5,sol DBO5 soluble (filtrada) DBOsol = fbod*DBOu,sol
DBO5,part DBO5 particulada DBOpart = fbod*DBOu,part
DBOu,sol DBO última soluble DBOu,sol = SS
DBOu,part DBO última particulada DBOu,part = XBH + XBA + XS
DBOu,tot DBO última total DBOu,tot = DBOu,sol + SBOu,part
DQOsol DQO soluble DQOsol = (frss+frsi)*DQOtot
DQOpart DQO particulada DQOpart = DQOtot - DQOsol
NTKtot NTK total NTKtot = SNH + SND + XND
NTKsol NTK soluble NTKsol = SNH/frsnh
NTKpart NTK particulada NTKpart = NTK - NTKsol
Ntot Nitrógeno total Ntot=NTK+SNO

- 155 -
 ANEXO 16

FOTOGRAFÍAS DE LA PTAR SANTA CLARA

Figura A1. Reactor A zona aerobia

Figura A2. Reactor B zona aerobia

- 156 -
Figura A3. Canal de licor mezclado con dirección hacia los clarificadores

Figura A4. Clarificadores secundarios y cárcamo de lodos

- 157 -
Figura A5. Tanque de contacto de cloro (laberinto)

Figura A6. Balones de cloro gas

- 158 -
 Figura A7. Sistema SCADA – Tanque de contacto de cloro

Figura A8. Sistema SCADA – Vista general Tratamiento Preliminar

- 159 -
Figura A9. Sistema SCADA – Vista general Tratamiento Terciario

Figura A10. Sistema SCADA – Vista general Tratamiento de Lodos

- 160 -
 ANEXO 17

CÓDIGO EN MATLAB® DEL PROGRAMA DE SIMULACIÓN DE LA PTAR SANTA

CLARA

El programa informático para la simulación de la PTAR Santa Clara consta de tres

programas relacionados entre sí: staclara_cstr.m, staclara_ptar.m y staclara_solver.m

cuyos códigos, escritos en MATLAB®, son mostrados a continuación.

A16.1. Programa staclara_cstr.m

%Caso de estudio PTAR Santa Clara

%Función para la simulación de un CSTR con V=Vtotal en estado

estacionario usando ASM1

%Este script es parte de la tesis "Simulación de una PTAR basado en el

Modelo de Lodos Activos N°1 (ASM1) para evaluar la eficiencia de

remoción de materia orgánica y nutrientes de las aguas residuales

municipales"

%Creado por Gustavo López Amésquita (2020)

%=====================================================================

function [C0,fco] = staclara_cstr(Ci,c0,op,parm)

options=optimoptions('fsolve','Display','off','MaxFunEvals',13000000,'

MaxIter',100000 );

[C0,fco] = fsolve(@nonlineq,c0,options);

function dCdt=nonlineq(C)

dCdt=zeros(13,1);

%Parámetros operacionales

%=====================================================================

Qi=op(1)*3.6*24; QR=op(2)*3.6*24; Q1=Qi+QR; %m3/d

V=op(3); SRT=op(4); SOsat=op(7); SO=op(8); KLa=C(8);

%Parámetros estequiométricos y cinéticos

%=====================================================================

YH=parm(1); YA=parm(2); fp=parm(3); iXB=parm(4); iXP=parm(5);

uH=parm(6); KS=parm(7); KOH=parm(8); KNO=parm(9); bH=parm(10);

- 161 -
uA=parm(11); KNH=parm(12); KOA=parm(13); bA=parm(14); ng=parm(15);

ka=parm(16); kh=parm(17); KX=parm(18);nh=parm(19);

%Tasa de procesos (pj)

%=====================================================================

p1 = uH*(C(2)/(KS+C(2)))*(SO/(KOH+SO))*C(5);

p2 = uH*(C(2)/(KS+C(2)))*(KOH/(KOH+SO))*(C(9)/(KNO+C(9)))*ng*C(5);

p3 = uA*(C(10)/(KNH+C(10)))*(SO/(KOA+SO))*C(6);

p4 = bH*C(5);

p5 = bA*C(6);

p6 = ka*C(11)*C(5);

p7 = kh*((C(4)/C(5))/(KX+C(4)/C(5)))*((SO/(KOH+SO))+...

nh*(KOH/(KOH+SO))*(C(9)/(KNO+C(9))))*C(5);

p8 = p7*C(12)/C(4);

%Tasas de conversión (ri)

%=====================================================================

r1 = 0; %rSI

r2 = (-1/YH)*p1+(-1/YH)*p2+p7; %rSS

r3 = 0; %rXI

r4 = (1-fp)*p4+(1-fp)*p5-p7; %rXS

r5 = p1+p2-p4; %rXBH

r6 = p3-p5; %rXBA

r7 = fp*p4+fp*p5; %rXP

r8 = -((1-YH)/YH)*p1-((4.57-YA)/YA)*p3; %rSO

r9 = -((1-YH)/(2.86*YH))*p2+(1/YA)*p3; %rSNO

r10 = -iXB*p1-iXB*p2-(iXB+1/YA)*p3+p6; %rSNH

r11 = -p6+p8; %rSND

r12 = (iXB-fp*iXP)*p4+(iXB-fp*iXP)*p5-p8; %rXND

r13 = (-iXB/14)*p1+((1-YH)/(14*2.86*YH)-iXB/14)*p2-...

(iXB/14+1/(7*YA))*p3+(1/14)*p6; %rSALK

%Balances de masa por componente(estado estacionario, dCdt=0)

%=====================================================================

- 162 -
dCdt(1) = (Qi*Ci(1)+QR*C(1)-Q1*C(1)+r1*V)/V; %dSI/dt=0

dCdt(2) = (Qi*Ci(2)+QR*C(2)-Q1*C(2)+r2*V)/V; %dSS/dt=0

dCdt(3) = (Qi*Ci(3)-V*C(3)/SRT+r3*V)/V; %dXI/dt=0

dCdt(4) = (Qi*Ci(4)-V*C(4)/SRT+r4*V)/V; %dXS/dt=0

dCdt(5) = (Qi*Ci(5)-V*C(5)/SRT+r5*V)/V; %dXBH/dt=0

dCdt(6) = (Qi*Ci(6)-V*C(6)/SRT+r6*V)/V; %dXBA/dt=0

dCdt(7) = (Qi*Ci(7)-V*C(7)/SRT+r7*V)/V; %dXP/dt=0

dCdt(8) = (Qi*Ci(8)+QR*SO-Q1*SO+r8*V+KLa*V*(SOsat-SO))/V; %dSO/dt=0

dCdt(9) = (Qi*Ci(9)+QR*C(9)-Q1*C(9)+r9*V)/V; %dSNO/dt=0

dCdt(10) = (Qi*Ci(10)+QR*C(10)-Q1*C(10)+r10*V)/V; %dSNH/dt=0

dCdt(11) = (Qi*Ci(11)+QR*C(11)-Q1*C(11)+r11*V)/V; %dSND/dt=0

dCdt(12) = (Qi*Ci(12)-V*C(12)/SRT+r12*V)/V; %dXND/dt=0

dCdt(13) = (Qi*Ci(13)+QR*C(13)-Q1*C(13)+r13*V)/V; %dSALK/dt=0

end

end

A16.2. Programa staclara_ptar.m

%Caso de estudio PTAR Santa Clara

%Función para la simulación de planta en estado estacionario usando

ASM1

%Este script es parte de la tesis "Simulación de una PTAR basado en el

Modelo de Lodos Activos N°1 (ASM1) para evaluar la eficiencia de

remoción de materia orgánica y nutrientes de las aguas residuales

municipales"

%Creado por Gustavo López Amésquita (2020)

%=====================================================================

function [t,Ct,rate] = staclara_ptar(Ci,c0,op,parm)

tspan=[0,op(10)];

h=0.0001; ti=tspan(1);tf=tspan(2); t=(ti:h:tf)'; n = length(t);

N=op(5); ne=N*13; %N=#CSTRs, ne=#EDOs

C0=zeros(1,ne); C0(1:13)=c0;

for r=1:N-1; C0((13*r+1):13*(r+1))=c0; end

C0(8+13*(N-1))=op(8);

- 163 -
Ct = ones(n,1)*C0; %Matriz de variables en tspan

c=zeros(13,N); %Matriz de variables en tiempo t

for u = 1:n-1 %Implementando método de Euler

c(:,1)=Ct(u,1:13)';

for p=1:N-1

c(:,p+1)=Ct(u,(13*p+1):13*(p+1))';

end

[g,rate]=EDO(c,op,parm);

for q=1:ne

Ct(u + 1,q) = Ct(u,q) + g(q)*(t(u + 1)-t(u));

end

end

function [f,rate]=EDO(C,op,parm) %Modelo ASM1

%Parámetros de Operación y Diseño

%=====================================================================

Qi=op(1)*3.6*24; QR=op(2)*3.6*24; %m3/d

Q=ones(N,1); Q(1)=Qi+QR; for j=2:N; Q(j)=Q(j-1); end

N=op(5); Nanox=op(6); ne=N*13; Vt=op(3); Vo=Vt/N; V=Vo*ones(N,1);

SRT=op(4); SOsat= op(7); SO=ones(1,N); KLa=SO;

for i=1:N

if i<=Nanox

SO(i)=op(11); KLa(i)=C(8,i);

elseif i==N

SO(i)=C(8,i); KLa(i)=op(9);

else

SO(i)=op(8); KLa(i)=C(8,i);

end

end

%Parámetros estequiométricos y cinéticos

%=====================================================================

YH=parm(1); YA=parm(2); fp=parm(3); iXB=parm(4); iXP=parm(5);

uH=parm(6); KS=parm(7); KOH=parm(8); KNO=parm(9); bH=parm(10);

- 164 -
uA=parm(11); KNH=parm(12); KOA=parm(13); bA=parm(14); ng=parm(15);

ka=parm(16); kh=parm(17); KX=parm(18);nh=parm(19);

%Tasas de procesos (pj)

%=====================================================================

p1=zeros(1,N)';p2=p1;p3=p1;p4=p1;p5=p1;p6=p1;p7=p1;p8=p1;

for i=1:N

p1(i) = uH*(C(2,i)/(KS+C(2,i)))*(SO(i)/(KOH+SO(i)))*C(5,i);

p2(i) =

uH*(C(2,i)/(KS+C(2,i)))*(KOH/(KOH+SO(i)))*(C(9,i)/(KNO+C(9,i)))*ng*C(5

,i);

p3(i) = uA*(C(10,i)/(KNH+C(10,i)))*(SO(i)/(KOA+SO(i)))*C(6,i);

p4(i) = bH*C(5,i);

p5(i) = bA*C(6,i);

p6(i) = ka*C(11,i)*C(5,i);

p7(i) =

kh*((C(4,i)/C(5,i))/(KX+C(4,i)/C(5,i)))*((SO(i)/(KOH+SO(i)))+...

nh*(KOH/(KOH+SO(i)))*(C(9,i)/(KNO+C(9,i))))*C(5,i);

p8(i) = p7(i)*C(12,i)/C(4,i);

end

%Tasas de conversión (ri)

%=====================================================================

r1=zeros(1,N)';r2=r1;r3=r1;r4=r1;r5=r1;r6=r1;r7=r1;r8=r1;r9=r1;r10=r1;

r11=r1;r12=r1;r13=r1; rOH=r1; rOA=r1; rdesN=r1; rate=zeros(3,N);

for j=1:N

r1(j) = 0; %rSI

r2(j) = (-1/YH)*p1(j)+(-1/YH)*p2(j)+p7(j); %rSS

r3(j) = 0; %rXI

r4(j) = (1-fp)*p4(j)+(1-fp)*p5(j)-p7(j); %rXS

r5(j) = p1(j)+p2(j)-p4(j); %rXBH

r6(j) = p3(j)-p5(j); %rXBA

r7(j) = fp*p4(j)+fp*p5(j); %rXP

r8(j) = -((1-YH)/YH)*p1(j)-((4.57-YA)/YA)*p3(j); %rSO

- 165 -
r9(j) = -((1-YH)/(2.86*YH))*p2(j)+(1/YA)*p3(j); %rSNO

r10(j) = -iXB*p1(j)-iXB*p2(j)-(iXB+1/YA)*p3(j)+p6(j); %rSNH

r11(j) = -p6(j)+p8(j); %rSND

r12(j) = (iXB-fp*iXP)*p4(j)+(iXB-fp*iXP)*p5(j)-p8(j); %rXND

r13(j) = (-iXB/14)*p1(j)+((1-YH)/(14*2.86*YH)-iXB/14)*p2(j)...

-(iXB/14+1/(7*YA))*p3(j)+(1/14)*p6(j); %rSALK

rOH(j)=-((1-YH)/YH)*p1(j);

rOA(j)=-((4.57-YA)/YA)*p3(j);

rdesN(j)=-((1-YH)/(2.86*YH))*p2(j);

end

rate(1,:)=rOH; rate(2,:)=rOA; rate(3,:)=rdesN;

%Balances de masa por componente

%=====================================================================

dCdt=zeros(13,N); %Matriz de EDOs (dCi,k/dt)

Xtot=zeros(1,N)'; MXtot=0;

for k=1:N

Xtot(k)=C(3,k)+C(4,k)+C(5,k)+C(6,k)+C(7,k); MXtot=MXtot+V(k)*Xtot(k);

end

%Reactor k=1

dCdt(1,1) = (Qi*Ci(1)+QR*C(1,N)-Q(1)*C(1,1)+r1(1)*V(1))/V(1);

%dSI1/dt

dCdt(2,1) = (Qi*Ci(2)+QR*C(2,N)-Q(1)*C(2,1)+r2(1)*V(1))/V(1);

%dSS1/dt

dCdt(3,1) = (Qi*Ci(3)+(Q(N)*C(3,N)-(MXtot/SRT)*(C(3,N)/Xtot(N)))...

-Q(1)*C(3,1)+r3(1)*V(1))/V(1); %dXI1/dt

dCdt(4,1) = (Qi*Ci(4)+(Q(N)*C(4,N)-(MXtot/SRT)*(C(4,N)/Xtot(N)))...

-Q(1)*C(4,1)+r4(1)*V(1))/V(1); %dXS1/dt

dCdt(5,1) = (Qi*Ci(5)+(Q(N)*C(5,N)-(MXtot/SRT)*(C(5,N)/Xtot(N)))...

-Q(1)*C(5,1)+r5(1)*V(1))/V(1); %dXBH1/dt

dCdt(6,1) = (Qi*Ci(6)+(Q(N)*C(6,N)-(MXtot/SRT)*(C(6,N)/Xtot(N)))...

-Q(1)*C(6,1)+r6(1)*V(1))/V(1); %dXBA1/dt

dCdt(7,1) = (Qi*Ci(7)+(Q(N)*C(7,N)-(MXtot/SRT)*(C(7,N)/Xtot(N)))...

- 166 -
 -Q(1)*C(7,1)+r7(1)*V(1))/V(1); %dXP1/dt

dCdt(8,1) = (Qi*Ci(8)+QR*SO(N)-Q(1)*SO(1)+r8(1)*V(1)+KLa(1)*V(1)...

*(SOsat-SO(1)))/V(1); %dSO1/dt

dCdt(9,1) = (Qi*Ci(9)+QR*C(9,N)-Q(1)*C(9,1)+r9(1)*V(1))/V(1);

%dSNO1/dt

dCdt(10,1) = (Qi*Ci(10)+QR*C(10,N)-Q(1)*C(10,1)+r10(1)*V(1))/V(1);

%dSNH1/dt

dCdt(11,1) = (Qi*Ci(11)+QR*C(11,N)-Q(1)*C(11,1)+r11(1)*V(1))/V(1);

%dSND1/dt

dCdt(12,1) = (Qi*Ci(12)+(Q(N)*C(12,N)-

(MXtot/SRT)*(C(12,N)/Xtot(N)))...

-Q(1)*C(12,1)+r12(1)*V(1))/V(1); %dXND1/dt

dCdt(13,1) = (Qi*Ci(13)+QR*C(13,N)-Q(1)*C(13,1)+r13(1)*V(1))/V(1);

%dSALK1/dt

%Reactor k=2 hasta N

for i=2:N

dCdt(1,i) = (Q(i-1)*C(1,i-1)-Q(i)*C(1,i)+r1(i)*V(i))/V(i); %dSIk/dt

dCdt(2,i) = (Q(i-1)*C(2,i-1)-Q(i)*C(2,i)+r2(i)*V(i))/V(i); %dSSk/dt

dCdt(3,i) = (Q(i-1)*C(3,i-1)-Q(i)*C(3,i)+r3(i)*V(i))/V(i); %dXIk/dt

dCdt(4,i) = (Q(i-1)*C(4,i-1)-Q(i)*C(4,i)+r4(i)*V(i))/V(i); %dXSk/dt

dCdt(5,i) = (Q(i-1)*C(5,i-1)-Q(i)*C(5,i)+r5(i)*V(i))/V(i); %dXBHk/dt

dCdt(6,i) = (Q(i-1)*C(6,i-1)-Q(i)*C(6,i)+r6(i)*V(i))/V(i); %dXBAk/dt

dCdt(7,i) = (Q(i-1)*C(7,i-1)-Q(i)*C(7,i)+r7(i)*V(i))/V(i); %dXPk/dt

dCdt(8,i) = (Q(i-1)*SO(i-1)-Q(i)*SO(i)+r8(i)*V(i)+KLa(i)*V(i)...

*(SOsat-SO(i)))/V(i); %dSNOk/dt

dCdt(9,i) = (Q(i-1)*C(9,i-1)-Q(i)*C(9,i)+r9(i)*V(i))/V(i); %dSNOk/dt

dCdt(10,i) = (Q(i-1)*C(10,i-1)-Q(i)*C(10,i)+r10(i)*V(i))/V(i);

%dSNHk/dt

dCdt(11,i) = (Q(i-1)*C(11,i-1)-Q(i)*C(11,i)+r11(i)*V(i))/V(i);

%dSNDk/dt

dCdt(12,i) = (Q(i-1)*C(12,i-1)-Q(i)*C(12,i)+r12(i)*V(i))/V(i);

%dXNDk/dt

- 167 -
dCdt(13,i) = (Q(i-1)*C(13,i-1)-Q(i)*C(13,i)+r13(i)*V(i))/V(i);

%dSALKk/dt

end

f=ones(1,ne)'; f(1:13)=dCdt(:,1)';

for j=1:(N-1); f((13*j+1):13*(j+1))=dCdt(:,j+1)'; end

end

end

A16.3. Programa staclara_solver.m

%Caso de estudio PTAR Santa Clara

%Script para caracterizar el comportamiento de la planta utilizando

ASM1

%Este script es parte de la tesis "Simulación de una PTAR basado en el

Modelo de Lodos Activos N°1 (ASM1) para evaluar la eficiencia de

remoción de materia orgánica y nutrientes de las aguas residuales

municipales"

%Creado por Gustavo López Amésquita (2020)

%=====================================================================

tic; %Iniciar cronómetro

%Fraccionamiento del afluente (Caracterización)

%=====================================================================

DQOta=912.46; DBO5a=480.21; SSTa=393.47; SSVa=318.77; Nta=94.34;

%g/m^3

SI=43.8; SS=156.03; XI=182.49; XS=530.14; XBH=0; XBA=0; XP=0;

%gDQO/m^3

So=0.77; %-gDQO/m^3

SNO=0.53; SNH=60.64; SND=11.96; XND=21.21; %gN/m^3

SALK=8; %molHCO3/m^3

%Valores de variables y parámetros medidos de la planta

%=====================================================================

%Variables compuestas efluente

- 168 -
DQOte=52.39; DBO5e=28.63; %gDQO/m^3

SSTe=4.13; SSVe=3.25; %gSS/m^3

NH3e=0.26; NO3e=68.85; %gN/m^3

ODe=7.728; % gO2/m^3

%Coeficientes estequiométricos del efluente

fbod=0.66; icv=1.48; ivt=0.75;

%Parámetros de operación PTAR

FM=0.42; %d^-1, Relación alimento-microorganismos

SSLM=3250.8; %g/m^3, Sólidos suspendidos en el licor mezclado

Mlodos=5586.1; %kg/d, Producción de lodos

%Valores iniciales para las variables ASM1 del CSTR simple

%=====================================================================

SI0=40; SS0=3; XI0=200; XS0=30; XBH0=150; XBA0=90; XP0=1; %gDQO/m3

KLa0=50; %-gDQO/m3

SNO0=0.4; SNH0=0.9; SND0=2.5; XND0=2.7; %gN/m3

SALK0=6; %molHCO3/m3

%Parámetros de Operación y Diseño

%=====================================================================

Qi=280; Qr=310; Qw=10.5; Qe=270; Qn=590; %L/s, Caudales del afluente,

%recirculación, purga de lodos, efluente y licor mezclado del reactor

Vtot=50268; %m^3, Volumen total de los N reactores

SRT=28.76; %d, Tiempo de retención de sólidos

HRT=23.67; %hrs, Tiempo de retención hidraúlico

N=6; % N° reactores totales,

Nanox=1; % N° reactores anoxios

SOsat=8.637; % gO2/m^3, Concentración de saturación de OD

SOax=0.009; % gO2/m^3, OD fijo en reactores anoxios

SO=4.453; % gO2/m^3, OD fijo en reactores aerobios (menos para el

reactor N)

KLa=165; %d^-1, Coeficiente de transferencia de O2

- 169 -
rem=0.9994; %(QN*SST_N-Qe*SST_e)/(QN*SST_N), Eficiencia de

clarificador

tsim=100; %d, Tiempo de simulación

%Parámetros estequiométricos

%=====================================================================

YH = 0.49; % (gDQO formado)/(gDQO oxidado)

YA = 0.24; % (gDQO formado)/(gN oxidado)

fp = 0.08; % adimensional

iXB = 0.086; % gN/gDQO en biomasa

iXP = 0.06; % gN/gDQO en productos particulados

%Parámetros cinéticos

%=====================================================================

uH = 5; % d^(-1)

KS = 20; % gDQO/m^3

KOH = 0.01; % gO2/m^3

KNO = 0.3; % gNO3-N/m^3

bH = 1.2; % d^(-1)

uA = 0.8; % d^(-1)

KNH = 1; % gNH3-N/m^3

KOA = 0.4; % gO2/m^3

bA = 0.3; % d^(-1)

ng = 0.6; % adimensional

ka = 0.05; % m3/(gDQO*d)

kh = 2.8; % g lentamente biodegradable DQO/(gDQO*d)

KX = 0.03; % g lentamente biodegradable DQO/gDQO

nh = 0.4; % adimensional

op = [Qi,Qr,Vtot,SRT,N,Nanox,SOsat,SO,KLa,tsim,SOax];

Ci = [SI,SS,XI,XS,XBH,XBA,XP,So,SNO,SNH,SND,XND,SALK];

c0 = [SI0,SS0,XI0,XS0,XBH0,XBA0,XP0,KLa0,SNO0,SNH0,SND0,XND0,SALK0];

parm =

[YH,YA,fp,iXB,iXP,uH,KS,KOH,KNO,bH,uA,KNH,KOA,bA,ng,ka,kh,KX,nh];

- 170 -
ef_varm =[DQOte,DBO5e,SSTe,SSVe,NH3e,NO3e,ODe,FM,SSLM,Mlodos];

[C0,fC0]=staclara_cstr(Ci,c0,op,parm); %Simulación del CSTR simple

[t,Ct,rate]=staclara_ptar(Ci,C0,op,parm); %Simulación de la PTAR

C0(8)=op(8);

%RESULTADOS

%=====================================================================

%Variables ASM1 en los N reactores

%=====================================================================

ptar=zeros(18,N+3); tn=size(Ct,1);

ptar(1:13,1)=Ci; ptar(1:13,2)=C0; req=zeros(5,N+3);

for i=1:N

req(1,i+2)=sum(Ct(tn,(13*i-11):(13*i-6))); %g/m3, Xtotal

req(2,i+2)=-rate(1,i); %g/(m3*d), Requerimiento Het. O2

req(3,i+2)=-rate(2,i); %g/(m3*d), Requerimiento Aut. O2

req(4,i+2)=req(2,i+2)+req(3,i+2); %g/(m3*d), Requerimiento Total O2

req(5,i+2)=-rate(3,i); %g/(m3*d), Velocidad de desnitrificación

end

for i=1:N

ptar(1:13,i+2)=Ct(tn,(13*i-12):13*i);

ptar(14:18,i+2)=req(:,i+2);

if i<=Nanox

ptar(8,i+2)=op(11);

elseif i==N

else

ptar(8,i+2)=op(8);

end

end

%Variables ASM1 en el efluente

%=====================================================================

ef_asm1=ptar(1:13,N+2);

- 171 -
for j=1:13

if j>=3 && j<=7

ef_asm1(j)=(1-rem)*ef_asm1(j)*Qn/Qe;

elseif j==12

ef_asm1(j)=(1-rem)*ef_asm1(j)*Qn/Qe;

else

end

end

req(1,N+3)=sum(ef_asm1(2:7)); %g/d, Xtotal en efluente

ptar(1:13,N+3)=ef_asm1; ptar(14,N+3)=req(1,N+3);

%Variables compuestas en el efluente

%=====================================================================

DQOt=0; DBOu=0; DQOpart=0; NTK=0;

for k=1:7; DQOt=DQOt+ef_asm1(k); end

for i=1:3; NTK=NTK+ef_asm1(i+9); end

for j=1:5; DQOpart=DQOpart+ef_asm1(j+2); end

for k=1:4;

if k==1

DBOu=DBOu+ef_asm1(k+1);

else

DBOu=DBOu+ef_asm1(k+2);

end

end

DBO5=fbod*DBOu; Nt=NTK+ef_asm1(9); SSV=DQOpart/icv; SST=SSV/ivt;

OD=ef_asm1(8); FM=sum(Ci(1:7))/((HRT/24)*sum(req(1,3:(N+2)))/(N*icv));

SSLM=ptar(14,N+2)/(icv*ivt);

Plodos=((Vtot/N)*sum(req(1,3:(N+2)))/SRT-(1-

rem)*req(1,N+3)*Qn*3.6*24)/1000;

ef_varc=[DQOt,DBO5,SST,SSV,ef_asm1(10),ef_asm1(9),OD,FM,SSLM,Plodos];

%Tabla de variables ASM1 en los N reactores

%=====================================================================

- 172 -
rowNames_a= {'Afluente','CSTR','Reactor1','Reactor2','Reactor3',...

'Reactor4','Reactor5','Reactor6','Efluente'};

colNames_a =

{'SI','SS','XI','XS','XBH','XBA','XP','SO','SNO','SNH','SND',...

'XND','SALK','Xtotal','Req_O2Het','Req_O2Aut','Req_O2tot','rDesN'};

VariablesASM1_Reactores=array2table(ptar,'RowNames',colNames_a,'Variab

leNames',rowNames_a)

%Tabla de desviaciones de variables compuestas del efluente

%=====================================================================

desv=ones(10,4); desv(:,1)=ef_varc; desv(:,2)=ef_varm;

desv(:,3)=ef_varc-ef_varm;

desv(:,4)=(ef_varc-ef_varm)*100./ef_varm;

rowNames_b= {'Calculado','Medido','Residual','PorcDeDesv'};

colNames_b = {'DQOte','DBO5e','SSTe','SSVe','N-NH3e','N-

NO3e','ODe',...

'FM_d-1','SSLM','PLodos_kg/d'};

VariablesComp_Efluente=array2table(desv,'RowNames',colNames_b,'Variabl

eNames',rowNames_b)

%Tabla de porcentajes de remoción de carga de C y N

%=====================================================================

remoc=ones(5,3); remoc(:,1)=[DQOta,DBO5a,SSTa,SSVa,Nta];

remoc(:,2)=[ef_varc(1:4),Nt]; remoc(:,3)=(remoc(:,1)-

remoc(:,2))*100./remoc(:,1);

rowNames_c= {'Afluente','Efluente','Porc_Remocion'};

colNames_c = {'DQOt','DBO5','SST','SSV','Ntot'};

Porcentaje_Remocion=array2table(remoc,'RowNames',colNames_c,'VariableN

ames',rowNames_c)

%GRÁFICAS

%=====================================================================

- 173 -
R=1:N;

figure

subplot (2,3,1); plot(t,Ct(:,13*N-12),t,Ct(:,13*N-11),t,Ct(:,13*N-

4),t,Ct(:,13*N-3),t,Ct(:,13*N-2),t,Ct(:,13*N));

xlabel('dias'); ylabel('Concentración g/m3');

legend('SI','SS','SNO','SNH','SND','SALK');

title('Componentes solubles en el último reactor');

subplot (2,3,2); plot(t,Ct(:,13*N-10),t,Ct(:,13*N-8),t,Ct(:,13*N-6));

xlabel('dias'); ylabel('Concentración g/m3'); legend('XI','XBH','XP');

title('Componentes particulados en el último reactor')

subplot (2,3,3); plot(t,Ct(:,13*N-9),t,Ct(:,13*N-7),t,Ct(:,13*N-1));

xlabel('dias'); ylabel('Concentración g/m3');legend('XS','XBA','XND');

title('Componentes particulados en el último reactor')

subplot(2,3,4); plot(R,ptar(1,3:N+2),'-o',R,ptar(4,3:N+2),'-

s',R,ptar(5,3:N+2),'-d',R,ptar(6,3:N+2),'-^',R,ptar(9,3:N+2),'-

p');

xlabel('Reactor N°'); ylabel('Concentración g/m3');

legend('SI','XS','XBH','XBA','SNO');

title('Perfil de concentraciones I');

subplot(2,3,5); plot(R,ptar(2,3:N+2),'-o',R,ptar(10,3:N+2),'-

s',R,ptar(11,3:N+2),'-d',R,ptar(12,3:N+2),'-

^',R,ptar(13,3:N+2),'-p');

xlabel('Reactor N°'); ylabel('Concentración g/m3');

legend('SS','SNH','SND','XND','SALK');

title('Perfil de concentraciones II');

subplot(2,3,6); plot(R,ptar(3,3:N+2),'-o',R,ptar(7,3:N+2),'-s');

xlabel('Reactor N°'); ylabel('Concentración g/m3');

legend('XI','XP');

title('Perfil de concentraciones III');

toc %Finalizar cronómetro

- 174 -