Estimación de la demanda química de oxígeno en lixiviados municipales mediante redes neuronales artificiales perceptrón multicapa basadas en datos de vigilancia estacional

Por qué importan los charcos de vertedero

Toda ciudad moderna depende de los vertederos para ocultar sus residuos, pero el agua de lluvia que se filtra a través de la basura enterrada puede convertirse en un potente cóctel químico llamado lixiviado. Este líquido puede contaminar el suelo y el agua si no se controla cuidadosamente. El estudio descrito aquí muestra cómo un tipo de modelo informático, inspirado en el funcionamiento del cerebro, puede predecir el grado de contaminación de este lixiviado sin necesidad de realizar costosos ensayos de laboratorio cada vez. Ese conocimiento puede ayudar a las comunidades a mantener los sitios de residuos más seguros y reducir los costes de vigilancia.

El agua oculta bajo nuestra basura

Cuando la lluvia cae sobre un vertedero, se infiltra a través de capas de restos de comida, papel, plásticos y otros desechos. En su trayecto recoge materia orgánica disuelta, aceites, sales y trazas de metales pesados como arsénico, cobalto y cadmio. El resultado es el lixiviado, un líquido oscuro y a menudo maloliente que debe recogerse y tratarse. Una medida clave de su potencial contaminante es la demanda química de oxígeno, o DQO. En términos sencillos, la DQO indica cuánto oxígeno se necesitaría para descomponer todas las sustancias químicas y la materia orgánica del agua; una DQO alta significa contaminación fuerte y potencialmente dañina.

Vigilar un vertedero a lo largo de las estaciones

Los investigadores se centraron en un vertedero municipal en Niğde, una región semiárida del centro de Turquía. Durante un año completo, desde finales de 2022 hasta finales de 2023, tomaron muestras semanales del estanque de lixiviados donde se recoge el líquido del vertedero. Midieron nueve características básicas del lixiviado y su entorno: temperatura, pH (qué tan ácido o alcalino era), sólidos totales, aceites y grasas, conductividad eléctrica (un indicador de salinidad), y los niveles de arsénico, cobalto y cadmio, junto con la DQO. Los valores de DQO fueron extremadamente altos—de media alrededor de 35 veces superiores al límite de vertido del país—confirmando que el lixiviado no tratado puede ser un contaminante muy intenso.

Convertir muchas mediciones en pocas señales inteligentes

Dado que realizar análisis completos de laboratorio puede ser costoso y lento, el equipo exploró si la DQO podía predecirse a partir de las otras variables, más fáciles de medir. Primero emplearon una herramienta estadística llamada análisis de componentes principales. En lugar de examinar cada variable por separado, este método encuentra patrones—combinaciones de mediciones que tienden a subir y bajar juntas. Ayudó a destacar qué factores aportaban más información sobre el comportamiento del lixiviado: la temperatura, el pH, los aceites y grasas, y ciertos metales destacaron. Al reducir el número de entradas a las más informativas, los investigadores pretendían construir modelos más simples y rápidos que aun así captaran lo esencial.

Enseñar a un “cerebro” digital a interpretar el lixiviado

El núcleo del estudio fue un perceptrón multicapa, un tipo de red neuronal artificial. Este “cerebro” digital aprende mostrándole ejemplos: entradas medidas como pH o temperatura emparejadas con los valores reales de DQO. El conjunto de datos de 52 muestras semanales se dividió por estaciones en una parte de entrenamiento y otra de prueba, de modo que el modelo fuera desafiado con condiciones no vistas. El equipo probó cuatro diseños de modelo, cada uno usando distintos conjuntos de entradas, y se apoyó en la validación cruzada repetida—un método que entrena y prueba el modelo con muchas particiones diferentes de los datos—para evitar engañarse con coincidencias afortunadas. El mejor rendimiento lo dio un modelo con solo cinco variables seleccionadas a partir del análisis de patrones y una arquitectura con una capa de entrada, una capa oculta de 21 neuronas y una neurona de salida.

Lo que el modelo puede decirnos

Cuando este mejor modelo se probó con datos que nunca había visto, los valores de DQO predichos coincidieron estrechamente con las mediciones reales, con una correlación de 0,864. Eso significa que el modelo captó la mayor parte de las subidas y bajadas de los niveles de contaminación del vertedero a lo largo de las estaciones, aunque el número total de muestras fuera moderado. Quedaron algunos errores, especialmente en niveles bajos de DQO, pero el rendimiento global sugiere que un puñado de mediciones de rutina puede sustituir con fiabilidad a un análisis químico completo. Para los operarios de vertederos y los reguladores, este enfoque ofrece una forma práctica de vigilar un líquido peligroso ahorrando tiempo y dinero.

Supervisión más limpia para un problema sucio

En esencia, este trabajo demuestra que el análisis inteligente de datos y el aprendizaje automático pueden convertir un problema de ensayo complejo y caro en uno manejable. Entrenando una red neuronal con un año de vigilancia estacional, los investigadores construyeron una herramienta capaz de estimar cuán contaminado está un lixiviado de vertedero a partir de un pequeño conjunto de pruebas más sencillas. Esto no reemplaza el tratamiento ni las comprobaciones detalladas, pero proporciona a los responsables un sistema de aviso más rápido y una forma más eficiente de planificar. A medida que modelos similares se refinen y se alimenten con más datos, podrían convertirse en herramientas estándar para garantizar que los líquidos bajo nuestra basura se mantengan controlados y fuera de nuestras vías fluviales.

Cita: Gök, G., Gürbüz, O.Ö. & Gürbüz, O.A. Estimating chemical oxygen demand in municipal landfill leachate using multilayer perceptron artificial neural networks based on seasonal monitoring data. Sci Rep 16, 7096 (2026). https://doi.org/10.1038/s41598-026-37497-9

Palabras clave: lixiviados de vertederos, contaminación del agua, redes neuronales artificiales, gestión de residuos, demanda química de oxígeno