SISTEMA ELECTRÓNICO DE RECUPERACIÓN DE AGUAS GRISES POR
FOTOCATÁLISIS SOLAR PARA RIEGO DE CULTIVOS
Hipólito Carbajal
Morán[1],
Javier Francisco Márquez Camarena[2],
Marco Aurelio Rosario
Villarreal[3],
Carlos Abel Galván Maldonado[4]
Resumen
Este artículo presenta el diseño y la implementación de Objetivos: un sistema electrónico de recuperación de aguas grises por fotocatálisis solar para riego de cultivos. Material y métodos: como parte de los materiales se empleó el PLC Simatic S7 1500, módulo analógico de 8 canales interconectados a dispositivos de medición online: sensor de radiación UV, transductor de pH, transductor de conductividad eléctrica (EC), transductor de oxígeno disuelto (DO) y transductor de cloro libre (FCL). Se empleó el método inductivo-deductivo y ensayo error, siendo la unidad de análisis la calidad de aguas grises tratadas. Resultados: la posición geoespacial de depurador fue determinado adecuadamente por un sistema de posicionamiento global siendo la inclinación considerada 12° al norte, el índice de radiación UV solar llega hasta 14, el periodo de exposición es programable desde una interface HMI de acuerdo a las necesidades, logrando como resultado que el agua gris tenga la mayor exposición a la radiación solar durante el día para su recuperación. Conclusiones: el sistema electrónico expone al agua gris a la máxima radiación solar de acuerdo a los requerimientos, lo que permitirá recuperar el agua mejorando los parámetros de acuerdo al estándar de calidad ambiental para agua (ECA-AGUA).
Palabras claves
PLC, sensores, calidad de agua, radiación UV solar.
Abstract
This article presents the
design and implementation of
Objective: To determine the characteristics of solar radiation for the effective microbial treatment of gray water for use in plant cultivation. Material and methods: as part of the materials, the Simatic S7 1500 PLC was used, an 8-channel analog module interconnected to online measurement devices: UV radiation sensor, pH transducer, electrical conductivity transducer (EC), dissolved oxygen transducer (DO) and free chlorine transducer (FCL). The inductive-deductive method and trial error were used, the unit of analysis being the quality of treated gray water. Results: The geospatial position of the scrubber was adequately determined by a global positioning system, the inclination being considered 12 ° to the north, the solar UV radiation index reaches up to 14, the exposure period is programmable from an HMI interface according to the needs, achieving as a result, gray water has the highest exposure to solar radiation during the day for its recovery. Conclusions: The electronic system exposes the gray water to maximum solar radiation according to the requirements, which will allow to recover the water by improving the parameters according to the environmental quality standard for water (ECA-AGUA).
Key
words
PLC, sensors, water
quality, solar UV radiation.
1
Introducción
El agua es un recurso indispensable para las actividades humanas, para el
desarrollo económico y el bienestar social (Mehta, 2014). En promedio se necesitan tres mil litros de
agua por persona para generar los productos necesarios para la alimentación
diaria (FAO, 2017). Aunque la irrigación para fines agrícolas
representa apenas 10% del agua usada, esta es la actividad de mayor consumo de
agua dulce del planeta (Silva
et al., 2008).
Las aguas grises son una importante fuente adicional para satisfacer la
demanda del recurso para riego de cultivos (Franco, 2007), a causa de la falta de agua potable para
cubrir los requerimientos de las poblaciones, los bajos costos, los beneficios
para los suelos agrícolas y la disminución del impacto sobre el ambiente. Sin
embargo, el predominio del uso de aguas contaminadas en el Perú, generan
riesgos en la salud pública, en especial cuando se utilizan para riego de
cultivos y para consumo directo (Larios
et al., 2015).
A nivel mundial, encontramos el aprovechamiento de las aguas grises de
las viviendas en diferentes actividades domésticas (Valencia
et al., 2010). Es así como en varios países del mundo se
han usado éstas en actividades que no requieren agua de calidad potable. Según investigaciones
el reúso del agua conlleva a ahorros de entre 30 y 50 % en el consumo de agua
potable en las viviendas (EMRC, 2011).
Se realizaron diversos estudios que sirvieron de base a esta
investigación como el desarrollado por
A. Barwal y R. Chaudhary (2016) que implementan un reactor acoplado a un
sistema parabólico diseñado para remover la carga orgánica y la desinfección microbiana de aguas
contaminadas el efluente es sometido a una degradación orgánica, luego es sometido
a la energía solar para la degradación
bacteriana sometiendo a radiaciones en pleno Sol de 400 a 700 W/m2 y
en días nublados de 170 a 250 W/m2
durante un periodo de tiempo de 5 a 6 horas con una eficiencia de 40 % y 13 %
respectivamente.
Se entiende por depuración microbiana de aguas grises a los procesos
físicos – químicos y biológicos con la intervención final de la radiación
solar, el que debe reducir a cierto nivel la contaminación microbiana del agua
residual para que no exceda la capacidad de respuesta de las tierras de
cultivo. El agua recuperada para el uso en cultivos de plantas debe tener ciertas
características físico-químicos(FAO, 2017).
La mayor preocupación para implementar la utilización de este tipo de
aguas en el riego de cultivos, son los compuestos químicos y los microorganismos
que podrían ser nocivos para la salud (Niño &
Martínez, 2014); por tal razón es necesario cumplir con los
estándares de uso de agua. Para la correcta reutilización adecuándolas por
medio de sistemas de tratamiento; siendo posible el uso en riego de cultivos y
al interior de las viviendas, siempre y cuando se tomen las medidas de
seguridad pertinentes.
Debido a esta necesidad de aprovechar las aguas grises se planteó el
estudio teniendo como objetivo diseñar e implementar un sistema electrónico
para la recuperación de estas aguas empleando la radiación solar y exponiendo
por determinados periodos programados previamente.
2
Materiales y métodos
El estudio fue del tipo experimental de carácter cuantitativo, para
evaluar las variables de estudio se aplicó el método deductivo - inductivo
mediante el análisis y síntesis. Para el logro de los objetivos se trabajó con
datos que caracterizan a las variables provenientes de las pruebas
experimentales y los análisis físicos-químicos de las aguas grises.
Por su naturaleza experimental el trabajo de investigación corresponde al
nivel explicativo (Cegarra
Sánchez, 2012), orientado a obtener información
cuantitativa de las variables en estudio. Se evaluó el grado de intervención de
las variables para recuperar las aguas grises.
2.1
Implementación
del sistema electrónico
Se diseñó e implemento el sistema electrónico compuesto por un PLC S7
1500 que es del tipo modular, con rendimiento
medio y superior. Con rendimiento adecuado para aplicaciones industriales y de
laboratorio (Peciña, 2018). Dependiendo de las necesidades el controlador
puede ampliarse mediante módulos de entrada/salida, tanto para señales
digitales como analógicas y módulos tecnológicos específicos y de comunicación(Peciña, 2018).
2.1.1.
Sensores
- transmisores empleados
2.1.1.1. Sensor - transmisor de pH
El sensor de pH de la figura
1, es un elemento que detecta corriente generada por presencia de iones de
hidrógeno en el agua. La medida está en el rango de 0-14. Se emplea en este
trabajo el sensor de pH en conjunción con el transmisor, bajo la certificación
de protección IP 68 para inmersión continua en agua (BOPLA, 2019), el rango de temperatura es de 0 a 60 °C,
la comunicación de las medidas es por señal analógica de 4 mA a 20 mA.
Figura 1. Sensor y transmisor de pH
2.1.1.2. Sensor - transmisor de conductividad
eléctrica
La conductividad eléctrica relaciona la concentración de iones
provenientes de sales disueltas y materia orgánica en el agua. Las unidades en
la que se mide están dadas en microsiemens por centímetro (
) (Boyd, 2020) El sensor que mide esta conductividad tiene
sonda electrónica que aplica voltaje en sus extremos para medir la resistencia
del agua y convertir en conductividad .
2.1.1.3. Sensor - transmisor de oxígeno disuelto
El oxígeno disuelto
(DO) representa la cantidad de oxígeno gaseoso disuelto (
) en la solución (aguas grises) (Boyd, 2020). Las muestras se midieron online sus
unidades están dados en miligramos por litro (mg/L) (REMOND,
2019). La cantidad de DO necesario en el agua
para riego de cultivos es ≥4 mg/L (MINAM,
2017b). El dispositivo empleado se ve en la figura
2.
Figura 2. Sensor-transmisor de DO
2.1.1.4. Sensor - transmisor de cloro libre
El cloro libre tiene la capacidad de reaccionar con iones de amoniaco y
con los compuestos orgánicos, formando el cloro combinado. La suma del cloro
combinado con el cloro residual da el cloro total (Boyd, 2020). El cloro residual (FCL), tiene como unidad
de medición el miligramo por litro por partes por millón (mg/L ppm). La
cantidad de FCL necesario en el agua para riego de cultivos es FCL≤ 3 mg/L
(ppm) (FAO, 2017). El dispositivo usado se ve en la figura 3.
Figura 3. Sensor-transmisor de cloro residual
2.1.1.5. Sensor de radiación UV
El sensor de radiación UV permite determinar la irradiancia sobre la
superficie del fotorreactor con longitud de onda del espectro UV de 240 nm a
380 nm (Figura 4). Se emplea en la investigación el sensor UV 30A, que facilita
determinar esta radiación de acuerdo al estándar de la Organización Mundial de
la Salud (OMS).
Nota: La
respuesta del sensor abarca el espectro de la radiación UVA y UVB. Imagen
obtenida de (Ventura, 2016).
Figura 4. Capacidad de respuesta del sensor de
radiación UV 30A.
2.1.2.
Adquisición
de datos
El controlador lógico programable (PLC) SIMATIC S7 1500 es uno de los
componentes importantes para la adquisición de datos, es del tipo modular, con rendimiento
adecuado para aplicaciones industriales y de laboratorio, interactuando con módulos de entrada/salida (Figura 5), tanto
para señales digitales como analógicas (Peciña, 2018).
Nota: En la imagen el componente de la izquierda es la
CPU del PLC SIMATIC S7 1500; el componente del centro es el módulo de entrada
analógico y el componente de la derecha es el módulo de entrada/salida digital (Siemens, 2013)
Figura 5. PLC SIMATIC S7 1500 y módulos de
entrada/salida
En la figura 6, los sensores – transmisores que miden pH, EC, DO y FCL se interconectan a 4 hilos al canal 0 (CH0), canal 1 (CH1), canal 2 (CH2) y canal 3 (CH3) respectivamente. Del mismo modo el sensor de radiación UV se conectó al canal 4 (CH4) configurado para señal de tensión (5V).
Figura 6. Configuración del módulo analógico para S7
1500, 4 hilos para medida de intensidad de 4 mA a 20 mA (Siemen,
2018).
Los datos se adquieren desde el bloque sensores de la figura 7, implementado en el TIA Portal (Siemens, 2017), cuyo programa fue desarrollado en Ladder, conteniendo una etapa de normalización y escalamiento de acuerdo al rango de medición de cada instrumento (sensor-transmisor) empleado
Figura 7. Bloque de sensores,
implementado para PLC S7 1500 y módulo analógico.
2.1.3.
Interface
HMI
La programación del tiempo de exposición es llevado a cabo desde la interface HMI desarrollado en Wincc del TIA Portal (Siemens, 2017). Desde el tablero de control se activa el proceso para la exposición a la radiación solar de las aguas grises en tratamiento. El almacenamiento de los datos de los diferentes parámetros del agua son almacenadas en forma automática o manual cada 15 minutos en la memoria SMC de 4 MB.
Figura
8. Interface HMI
del tablero de control y fotocatálisis solar del sistema electrónico
implementado.
2.2
Población
de estudio y muestra
La población de estudio estuvo conformada por 1 m3 de volumen
de agua gris obtenidos para este fin con la mezcla de detergente, jabón y
blanqueadores.
Cada muestra fue de 10 litros de agua gris, se trabajó con 10 muestras.
En cada muestra se determinaron los indicadores de: concentración de iones de
hidrógeno (pH), conductividad eléctrica (CE), oxígeno disuelto (DO), cloro
libre (FCL). La toma de muestras se realizó únicamente en los puntos de
monitoreo que fueron la entrada al sistema electrónico y salida del mismo,
estos puntos fueron debidamente establecidos por los periodos de monitoreo
desarrollados en Wincc.
La variable experimental está constituida por los indicadores:
irradiancia UV solar y el tiempo de exposición del agua a la radiación solar.
Se implementa los parámetros de entrada y los parámetros de salida. La función
astronómica, permite obtener una irradiación solar optimizada, lo que nos
proporciona niveles altos de los indicadores de irradiancia UV solar (SENAMHI,
2019).
En la investigación se usan fotodiodos de tipo Schottky incorporado a una
etapa amplificadora del módulo 30A, que comunica con señales analógicas el
resultado de la medición de la radiación UV solar. El rango de longitudes de
onda empleados en la investigación abarca de 240 nm a 380 nm.
Se evaluó la variable experimental, agua gris tratada, correlacionando
las variables empleando la estadística descriptiva, utilizando el software SPSS
V26. Así también se utilizó las técnicas de validación y confiabilidad teórica
dentro del paradigma cuantitativo.
3
Resultados
El fotocatalizador solar que es parte del
sistema electrónico fue posicionado empleando un GPS NEO 6M, en la latitud -12.391096°,
longitud -74.858124° y a una altura de 3,285 msnm con una tolerancia de ±10
msnm.
A la entrada del proceso las aguas grises
fueron caracterizados presentando un pH de 9.12, CE 2720 uS/cm, DO 1.22 mg/L,
FCL 3.60 mg/L y una radiación en el fotocatalizador de 1,015.98 mJ/cm2h que marca el inicio del tiempo de
exposición 11:00 am, estando programado el sistema electrónico para almacenar
el valor de los parámetros en medición cada 15 minutos, siendo los resultados
obtenidos lo que se muestra en la tabla 1.
Tabla 1. Medición de parámetros de las aguas grises en
tratamiento de 11:00 horas a 14:00 horas
|
Tiempo de exposición |
Duración de exposición (min) |
Radiación UV mJ/cm2h |
pH |
EC (uS/cm) |
DO (mg/L) |
FCL (mg/L) |
|
11:00 |
0 |
1015.98 |
9.12 |
2720.00 |
1.22 |
3.60 |
|
11:15 |
15 |
1063.06 |
9.00 |
2715.20 |
1.22 |
3.50 |
|
11:30 |
30 |
1115.10 |
8.80 |
2700.20 |
1.30 |
3.40 |
|
11:45 |
45 |
1153.92 |
8.60 |
2680.00 |
1.50 |
3.20 |
|
12:00 |
60 |
1174.57 |
8.55 |
2650.00 |
1.54 |
3.00 |
|
12:15 |
75 |
1174.57 |
8.53 |
2600.70 |
1.57 |
2.80 |
|
12:30 |
90 |
1174.57 |
8.52 |
2657.00 |
1.54 |
2.50 |
|
12:45 |
105 |
1115.10 |
8.51 |
2655.00 |
1.58 |
2.30 |
|
13:00 |
120 |
1032.50 |
8.50 |
2650.90 |
1.58 |
2.00 |
|
13:15 |
135 |
991.20 |
8.48 |
2620.00 |
1.80 |
2.30 |
|
13:30 |
150 |
929.25 |
8.45 |
2618.00 |
2.00 |
2.20 |
|
13:45 |
165 |
867.30 |
8.30 |
2590.20 |
2.30 |
1.80 |
|
14:00 |
180 |
826.00 |
8.10 |
2592.00 |
2.40 |
1.20 |
El agua para riego de cultivos no debe exceder
ciertos niveles máximos permisibles (Akiça, 2004; MINAM, 2017b): pH de 6.5 a 8.5, CE<2500, DO ≥4 y FCL< 1. Por que
se hace el análisis de regresión lineal a cada parámetro de la tabla 1, para
ver si existe la variación de los valores en función al tiempo de exposición y
la irradiancia UV solar.
Del análisis de regresión lineal para el parámetro pH se obtiene
los estadísticos de bondad de ajuste (tabla 2), el mismo que da un índice de
determinación de R2= 0.835, que indica que el pH es dependiente del Tiempo de exposición en
minutos en un 83.5 % y se debe a otros factores en un 6.5%.
Tabla 2. Estadísticos de bondad de ajuste para pH
|
Observaciones |
13.000 |
|
Suma de los pesos |
13.000 |
|
GL |
11.000 |
|
R² |
0.835 |
|
R² ajustado |
0.820 |
La figura 9 muestra la regresión lineal del pH con una línea de
tendencia con pendiente negativa (-0.0042), lo que indica que aun podrá
disminuir el pH a medida que se incremente el tiempo de exposición.
Figura
9. Regresión lineal
del pH por Tiempo de exposición
En la tabla 3 se
presenta el análisis de varianza para el pH; dado el valor p (< 0.0001) asociado
al estadístico F calculado (55.639) en la tabla ANOVA, y dado el nivel de significación
del 5%, la información aportada por las variables explicativas es
significativamente mejor que la que podría aportar únicamente la media.
Tabla 3. Análisis de varianza (pH)
|
Fuente |
GL |
Suma de cuadrados |
Cuadrados medios |
F |
Pr > F |
|
Modelo |
1 |
0.727 |
0.727 |
55.639 |
< 0.0001 |
|
Error |
11 |
0.144 |
0.013 |
||
|
Total corregido |
12 |
0.870 |
|
|
|
Del análisis de regresión lineal para el parámetro EC se obtiene
los estadísticos de bondad de ajuste (tabla 4), el mismo que da un índice de
determinación de R2= 0.782, que indica que el EC es dependiente del Tiempo de exposición
en minutos en un 78.2 % y se debe a otros factores en un 21.8%.
Tabla 4. Estadísticos de bondad de ajuste para EC
|
Observaciones |
13.000 |
|
Suma
de los pesos |
13.000 |
|
GL |
11.000 |
|
R² |
0.782 |
|
R²
ajustado |
0.762 |
La figura 10 muestra la regresión lineal del EC con una línea de
tendencia con pendiente negativa (-0.68), lo que indica que aun podrá disminuir
la cantidad de sales en el agua a medida que se incremente el tiempo de
exposición.
Figura
10. Regresión lineal
de EC por Tiempo de exposición
En la tabla 5 se
presenta el análisis de varianza para el EC; dado el valor p (< 0.0001) asociado al
estadístico F calculado (39.423) en la tabla ANOVA, y dado el nivel de significación
del 5%, la información aportada por las variables explicativas es
significativamente mejor que la que podría aportar únicamente la media.
Tabla 5. Análisis de varianza (EC)
|
Fuente |
GL |
Suma de cuadrados |
Cuadrados medios |
F |
Pr > F |
|
Modelo |
1 |
18717.629 |
18717.629 |
39.423 |
< 0.0001 |
|
Error |
11 |
5222.742 |
474.795 |
||
|
Total corregido |
12 |
23940.371 |
|
|
|
Del análisis de regresión lineal para el parámetro DO se obtiene
los estadísticos de bondad de ajuste (tabla 6), el mismo que da un índice de
determinación de R2= 0.863, que indica que el DO es dependiente del Tiempo de exposición
en minutos en un 86.3 % y se debe a otros factores en un 13.7%.
Tabla 6. Estadísticos de bondad de ajuste para DO
|
Observaciones |
13.000 |
|
Suma
de los pesos |
13.000 |
|
GL |
11.000 |
|
R² |
0.863 |
|
R²
ajustado |
0.851 |
La figura 11 muestra la regresión lineal del DO con una línea de
tendencia con pendiente positiva (0.006), lo que indica que aun podrá incrementar
el oxígeno disuelto en el agua a medida que se incremente el tiempo de
exposición.
Figura
11. Regresión lineal
de DO por Tiempo de exposición
En la tabla 7 se
presenta el análisis de varianza para el DO; dado el valor p (< 0.0001) asociado al
estadístico F calculado (39.423) en la tabla ANOVA, y dado el nivel de significación
del 5%, la información aportada por las variables explicativas es
significativamente mejor que la que podría aportar únicamente la media.
Tabla 7. Análisis de varianza (DO)
|
Fuente |
GL |
Suma de cuadrados |
Cuadrados medios |
F |
Pr > F |
|
Modelo |
1 |
18717.629 |
18717.629 |
39.423 |
< 0.0001 |
|
Error |
11 |
5222.742 |
474.795 |
||
|
Total corregido |
12 |
23940.371 |
|
|
|
Del análisis de regresión lineal para el parámetro FCL se obtiene
los estadísticos de bondad de ajuste (tabla 8), el mismo que da un índice de
determinación de R2= 0.941, que indica que el FCL es dependiente del Tiempo de exposición
en minutos en un 94.1 % y se debe a otros factores en un 5.9%.
Tabla 8. Estadísticos de bondad de ajuste para FCL
|
Observaciones |
13.000 |
|
Suma
de los pesos |
13.000 |
|
GL |
11.000 |
|
R² |
0.941 |
|
R²
ajustado |
0.936 |
La figura 12 muestra la regresión lineal del FCL con una línea de
tendencia con pendiente negativa (-0.0121), lo que indica que aun podrá
disminuir la concentración de cloro libre en el agua a medida que se incremente
el tiempo de exposición.
Figura
12. Regresión lineal
de FCL por Tiempo de exposición
En la tabla 9 se
presenta el análisis de varianza para el FCL; dado el valor p (< 0.0001) asociado al
estadístico F calculado (175.54) en la tabla ANOVA, y dado el nivel de significación
del 5%, la información aportada por las variables explicativas es
significativamente mejor que la que podría aportar únicamente la media.
Tabla 9. Análisis de varianza (FCL)
|
Fuente |
GL |
Suma de cuadrados |
Cuadrados medios |
F |
Pr > F |
|
Modelo |
1 |
5.947 |
5.947 |
175.535 |
< 0.0001 |
|
Error |
11 |
0.373 |
0.034 |
||
|
Total corregido |
12 |
6.320 |
|
|
|
4
Discusión
Se aplicó el análisis de regresión lineal para el análisis de los
parámetros pH, EC, DO y FCL en función del tiempo de exposición a la radiación
solar UV, obteniendo variaciones significativas de los parámetros en estudio
mediante el ANOVA para cada parámetro (tablas 3, 5, 7 y 9), aproximándose a los
valores establecidos por el ministerio del ambiente (MINAM, 2017a), siendo coherente con el trabajo de Rincón y
Pulgarin (2007) y el trabajo de Nahim et al (2018), donde analizaron aguas contaminadas en la
industria con alto nivel de turbidez demostrando con procesos manuales con H2O/solar y la influencia de la
irradiación UVA (10-50 W/m2) contra la efectiva depuración de agua,
siendo una limitante los procesos repetitivos. Este aspecto fue superado por
esta investigación ya que se emplea un sistema electrónico programable basado en
PLC S7 1500, módulo de adquisición de datos y sensores online.
Otro estudio es el presentado por Almomani
et al. (2018), donde se utilizó una planta piloto para
evaluar el potencial de los procesos fotocatalíticos para eliminar
contaminantes emergentes, por productos farmacéuticos, los experimentos de
oxidación se realizaron, bajo luz solar natural y a temperatura ambiente, en un
fotorreactor. Los resultados muestran que se requiere de elementos fotoactivos
para eliminar productos farmacéuticos de las aguas residuales, llegando a una
eficacia del 90%. Por lo que es necesario mejorar en futuras investigaciones
usar fotorreactores para mejorar el proceso de recuperación de aguas grises.
Del mismo modo Barwal y Chaudhary (2016) desarrollaron un reactor acoplado a un sistema
parabólico para remover la carga orgánica en agua que es sometido a la energía
solar directamente con tiempos extensos de 5 a 6 horas, en nuestra
investigación el experimento se llevó a cabo durante 3 horas, donde algunos
factores se aproximaron a los valores deseados como es el caso del pH.
Bibliografía
Akiça, V. L. (2004). Water
Reuse for Water Reuse for Irrigation, Agriculture, Landscapes, and Turf Grass.
En New York. CRC PRESS. https://books.google.com.pe/books?id=cG2ueBvLc0oC&printsec=copyright
Almomani, F., Bhosale, R.,
Kumar, A., & Khraisheh, M. (2018). Potential use of solar photocatalytic
oxidation in removing emerging pharmaceuticals from wastewater: A pilot plant
study. Solar Energy. https://doi.org/10.1016/J.SOLENER.2018.07.041
Barwal, A., & Chaudhary,
R. (2016). Feasibility study for the treatment of municipal wastewater by using
a hybrid bio-solar process. Journal of Environmental Management, 177, 271-277.
https://doi.org/10.1016/J.JENVMAN.2016.04.022
BOPLA. (2019). Grado de
protección IP 68.
https://www.bopla.de/es/datos-tecnicos/informaciones-tecnicas/grados-de-proteccion/ip-68.html
Boyd, C. E. (2020). Water
quality (U. Auburn (ed.); 3.a ed.). Springer. https://doi.org/10.1007/978-3-030-23335-8
Cegarra Sánchez, J. (2012).
Metodología de la investigaión científica y Tecnológica. Books Médicos.
https://books.google.es/books?hl=es&lr=&id=YROO_q6-wzgC&oi=fnd&pg=PA81&dq=método+hipotético+deductivo+metodología&ots=Y22eZFpaNR&sig=oUTM8Xxoa20LMC1KwIcO8zFsB_0#v=onepage&q=método
hipotético deductivo metodología&f=fals
EMRC. (2011). Reuse of
Greywater in Western Australia. Discussion Paper Australia.
FAO. (2017). Reutilización
de aguas para agricultura en América Latina y el Caribe: Estado, principios y
necesidades. http://www.fao.org/3/a-i7748s.pdf
Franco, M. V. (2007).
Tratamiento y reutilización de aguas grises con aplicación a caso en Chile.
1-142. http://repositorio.uchile.cl/handle/2250/104596
Larios, J. F., Gonzales, C.,
& Morales, Y. (2015). Las aguas residuales y sus consecuencias en el Perú.
Revista de la Facultad de Ingeniería de la USIL.
https://doi.org/https://doi.org/10.1016/S0011-9164(96)00124-5
Mehta, L. (2014). Water and
human development. World Development, 59, 59-69.
https://doi.org/10.1016/j.worlddev.2013.12.018
MINAM. (2017a). Decreto
Supremo N° 004-2017-MINAM.
https://sinia.minam.gob.pe/normas/aprueban-estandares-calidad-ambiental-eca-agua-establecen-disposiciones
MINAM. (2017b). Estándares
de Calidad Ambiental (ECA) para Agua. El Peruano, 19.
https://www.minam.gob.pe/wp-content/uploads/2017/06/DS-004-2017-MINAM.pdf
Nahim, S., Sánchez, J. A.,
& Polo, M. I. (2018). Effective solar processes in fresh-cut wastewater
disinfection: Inactivation of pathogenic E. coli O157:H7 and Salmonella
enteritidis. En Catalysis Today (4°, Vol. 313). Elsevier.
https://doi.org/10.1016/J.CATTOD.2017.10.042
Niño, E. D., & Martínez,
N. C. (2014). Estudio de las aguas grises domésticas en tres niveles
socioeconómicos de la ciudad de Bogotá [B.S. thesis].
Peciña, L. (2018).
Programación de Controladores avanzados SIMATIC S7 1500 con TIA Portal AWL y
SCL (2.a ed.). Marcombo.
REMOND. (2019). Water
quality analysis.
https://remond.en.alibaba.com/es_ES/?spm=a2700.icbuShop.88.7.20674367QPvkOI
Rincón, A. G., &
Pulgarin, C. (2007). Solar photolytic and photocatalytic desinfection of water
at laboratory and field scale. Effect of the chemical composition of water and
study of the post irradiation events. 23.
SENAMHI. (2019). Pronóstico
de radiación UV máximo (cielo despejado y mediodía solar) a nivel nacional.
https://www.senamhi.gob.pe/?&p=radiacion-uv
Siemen. (2018). S7-1500/ET
200MP Módulo de entradas analógicas AI 8xU/I/RTD/TC ST (6ES7531-7KF00-0AB0).
https://cache.industry.siemens.com/dl/files/205/59193205/att_112068/v1/s71500_ai_8xu_i_rtd_tc_st_manual_es-ES_es-ES.pdf
Siemens. (2013). S7-1500
Sistema de automatización. 1-214.
https://support.industry.siemens.com/cs/attachments/59191792/s71500_et200mp_system_manual_es-ES_es-ES.pdf?download=true
Siemens. (2017). TIA Portal
V15. https://drive.google.com/file/d/1W4nYR0u93OMcOexz44OpnWtGQedwg7Ve/view
Silva, J., Torres, P., &
Madera, C. (2008). Reuso de aguas residuales domésticas en agricultura. Una
revisión. Agronomía Colombiana, 26(2).
Valencia, E., Romero, J.,
& Aragón, R. A. (2010). Esquema metodológico para la reutilización de aguas
residuales domésticas tratadas en riego. 2010 (Enero-Diciembre);(9): p. 55-59.
Ingeniería de Recursos Naturales y del Ambiente, 9, 55-59.
Ventura, V. (2016). Sensor de
radiación ultravioleta con Arduino y UVM30A.
https://polaridad.es/sensor-radiacion-ultravioleta-arduino-indice-uv-uvm30a-guva-s12sd/