Seminario Internacional La Hidroinformtica en la Gestin Integrada de los Recursos Hdricos
Universidad del Valle/Instituto Cinara Gmez, R. et al 258
CALIBRACION DE REDES DE ACUEDUCTO UTILIZANDO REDES NEURONALES CON DIFERENTES CONFIGURACIONES Y NIVELES DE AGREGACION
Gmez, R., Saldarriaga, J. y Salas, D.
Universiaaa ae los Anaes, Bogota DC, Colombia Correo electronico. fsalaarrunianaeseauco
RESUMEN En esta investigacin se utilizan redes neuronales para intentar hacer el proceso de modelacin hidrulica en sentido inverso. Es decir, obtener rugosidades a partir de presiones y caudales. Primero se realizan entrenamientos con parejas entrada salida precalculadas. El entrenamiento se realiza sobre redes neuronales diseadas individualmente para cada red de acueducto. Se utilizan redes de acueducto abiertas, cerradas y de diferentes tamaos. Se prueban diferentes configuraciones de la arquitectura de las redes neuronales y niveles de agregacin.
ABSTRACT Neural networks are used in this research to improve an inverse hydraulic modelation. That means: obtain pipe roughness from pressures and flows. First, system train is made with precalculated input output pairs. Training is made on neural networks designed specifically for each water distribution network. Open, close and several sizes for water distribution networks are used. Several neural architecture configurations are tested. Some aggregation levels are tested too.
INTRODUCCION En la modelacin de acueductos se utilizan los datos que describen fsicamente una red para, a travs de unas ecuaciones de comportamiento, obtener variables que describen la hidrulica del sistema. Con el tiempo, las variables fsicas cambian, debido al envejecimiento de las tuberas. Estas no pueden medirse, pues las tuberas ya estn funcionando bajo tierra. Entonces, deben estimarse a partir de mediciones en campo de las variables hidrulicas, y un proceso inverso a la modelacin. Se entrenan entonces redes neuronales con datos de entrada salida para que puedan estimar rugosidades a partir de presiones y caudales de campo. Esta red neuronal es propia de una red de acueducto en la que no cambia la conectividad ni las longitudes. Si algunas de estas caractersticas cambian, la red neuronal debe ser entrenada de nuevo.
MARCO TEORICO Una red neuronal es un sistema que relaciona variables de entrada con variables de salida a travs de una estructura predefinida en trminos de ciertos coeficientes. Si los coeficientes ya estn establecidos, la red neuronal permite calcular fcil y rpidamente las salidas a partir de las entradas (ver Figura 1).
Si no es as, la red neuronal puede descubrir las relaciones (como coeficientes) a travs de un proceso llamado entrenamiento. Para realizar este proceso se debe disponer de un conjunto de parejas entrada-salida. El proceso de entrenamiento minimiza los errores entre las salidas esperadas y las calculadas modificando los coeficientes. Este proceso se realiza por medio de un recorrido por descenso de gradiente sobre el espacio de error definido con los mnimos cuadrados.
Las redes neuronales probadas tienen las siguientes caractersticas:
Las entradas son todas las presiones y los caudales de la red. Las salidas son las rugosidades de las tuberas. Todos los valores que entran o salen de la red estn normalizados al rango [0.01 0.99], ya sea a travs de una normalizacin lineal o logartmica. Tienen capas ocultas (1 2). Interconexin total de una capa a la siguiente. Seminario Internacional La Hidroinformtica en la Gestin Integrada de los Recursos Hdricos Universidad del Valle/Instituto Cinara Gmez, R. et al 259 Cantidad de nodos de salida igual a la cantidad de tubos de la red de acueducto. Capas ocultas tienen el doble de nodos que la capa de entrada. La funcin de activacin es la sigmoide. Entrenamiento con Back Propagation. Toda red tiene una cantidad de nodos de entrada igual la cantidad de nodos ms la cantidad de tubos de la red de acueducto.
Figura 1. Estructura general de las redes neuronales utilizadas
PRUEBAS Se inicia con pruebas sencillas y se van haciendo ms complejas y modificando con respecto a los resultados que se van obteniendo. Solo se muestran algunos resultados representativos; en total se realizaron ms de 1300 pruebas.
Dos tramos La primera prueba se realiza para una tubera de dos tramos. El entrenamiento se realiza modificando las rugosidades en los dos tramos y calculando las presiones y caudales resultantes. La red neuronal se valida con presiones y caudales conocidos que deben llevar a rugosidades predeterminadas, diferentes a las del entrenamiento. La Figura 2 muestra el error total de la red neuronal a travs del proceso de entrenamiento. La lnea inferior representa la validacin y la superior el entrenamiento. Puede verse que el aprendizaje de la red neuronal fue exitoso.
La Figura 3 muestra la distribucin del error para la rugosidad normalizada en los datos de validacin. Puede verse que el 100% de los errores son inferiores a 0.2 y el 40% son inferiores a 0.1. El resultado es satisfactorio.
Combinatoria Se disean redes neuronales de una capa oculta para redes de acueducto de hasta 60 tuberas. El entrenamiento se realiza combinando 5 rugosidades tpicas sobre todas las tuberas. Se utilizan las siguientes rugosidades: 0.0000015, 0.00003, 0.00015, 0.00025, 0.003 metros. El entrenamiento con combinatoria exigi demasiado tiempo de clculo para redes de acueducto de ms de 7 tuberas y se hizo inmanejable al pasar a redes medianas (alrededor de 40 tuberas). Los resultados de uno de los experimentos se muestran en la Figura 4.
Discriminada En esta prueba las redes neuronales son entrenadas y validadas con diferentes rugosidades, pero con la misma rugosidad en toda la red para cada experimento. Esto no es aplicable en la prctica, pues tuberas en las redes de acueducto normalmente tienen diferentes rugosidades. Sin embargo, es til como ejercicio acadmico para observar si las redes neuronales pueden aprender a calibrar sin tener disponible toda la informacin y en ambientes de redes cerradas. La Figura 5 muestra que el experimento es satisfactorio, y se puede proceder a probar bajo ambientes de rugosidades distintas en la red.
Seminario Internacional La Hidroinformtica en la Gestin Integrada de los Recursos Hdricos Universidad del Valle/Instituto Cinara Gmez, R. et al 260
Entrenamiento discriminado validacin aleatoria En este experimento se utiliza el mismo entrenamiento del Numeral anterior (discriminado). Sin embargo, la validacin se realiza con redes de acueducto cuyas tuberas tienen rugosidades diferentes, generadas aleatoriamente.
Los resultados se muestran en la Figura 6. La red neuronal solo aprende a calibrar de manera discriminada. No se debe usar esta red neuronal para calibrar redes con rugosidades mezcladas.
Figura 6. Entrenamiento discriminado validacin aleatoria Dplex Figura 2. Error a travs del entrenamiento Figura 3. Distribucin de error ,00% 20,00% 40,00% 60,00% 80,00% 100,00% 120,00% 0 , 1 0 , 2 0 , 3 0 , 4 0 , 5 0 , 6 0 , 7 0 , 8 0 , 9 1 y
m a y o r . . . ,00% 20,00% 40,00% 60,00% 80,00% 100,00% 120,00% 0 , 1 0 , 2 0 , 3 0 , 4 0 , 5 0 , 6 0 , 7 0 , 8 0 , 9 1 y
m a y o r . . . ,00% 20,00% 40,00% 60,00% 80,00% 100,00% 120,00% 0 , 1 0 , 2 0 , 3 0 , 4 0 , 5 0 , 6 0 , 7 0 , 8 0 , 9 1 y
m a y o r . . . Figura 4. Resultados red de 4 tuberas (Combinatoria) Figura 5. Resultados red cerrada de 50 tuberas (Discriminada) Seminario Internacional La Hidroinformtica en la Gestin Integrada de los Recursos Hdricos Universidad del Valle/Instituto Cinara Gmez, R. et al 261 En este experimento el entrenamiento y la validacin se realizan con rugosidades discriminadas y aleatorias. La Figura 7 muestra un entrenamiento satisfactorio. La Figura 8 muestra los resultados, igualmente satisfactorios para una red de 50 tuberas.
Figura 7. Aprendizaje dplex
Figura 8. Resultados red cerrada de 50 tuberas
Dplex con dos capas escondidas En este experimento se agrega una capa escondida para intentar mejorar los resultados de la prueba anterior. La Figura 9 muestra con cuadros la serie de resultados con 2 capas. La mejora es muy pequea en redes medianas. En redes pequeas (de hasta 10 tuberas) hay una mejora ms notable.
m a y o r . . . .00% 20.00% 40.00% 60.00% 80.00% 100.00% 120.00% 0 . 1 0 . 2 0 . 3 0 . 4 0 . 5 0 . 6 0 . 7 0 . 8 0 . 9 1 y
m a y o r . . . Seminario Internacional La Hidroinformtica en la Gestin Integrada de los Recursos Hdricos Universidad del Valle/Instituto Cinara Gmez, R. et al 262 Dplex con dos capas escondidas para un tubo En esta prueba la red neuronal utiliza toda la informacin disponible para calibrar una sola tubera. La Figura 10 muestra con cuadros los resultados para una sola tubera y con rombos para todas las tuberas. Puede verse que la mejora no es significativa en este caso.
Figura 10. Resultados red cerrada de 50 tuberas
Agregacin por zonas La red neuronal no tiene entradas y salidas para cada tubo, sino para cada zona. Entonces, a partir de presiones en zonas, calcula rugosidades en zonas. Esto no es suficiente para una calibracin definitiva, pero permitira determinar automticamente zonas problema para enfocar el esfuerzo de la calibracin y deteccin de problemas.
Figura 11. Red de acueducto calibrada de manera agregada
La Figura 11 muestra la red de acueducto utilizada. La Figura 12 muestra el entrenamiento de la red neuronal.
m a y o r . . . Seminario Internacional La Hidroinformtica en la Gestin Integrada de los Recursos Hdricos Universidad del Valle/Instituto Cinara Gmez, R. et al 263
Figura 12. Aprendizaje de la red neuronal sobre datos agregados
La Figura 13 muestra que los resultados del experimento agregado son satisfactorios.
Figura 13. Resultados red agregada
Adicional 6H 36N SC En esta prueba se intenta calibrar una red de acueducto de 7 tuberas con una red neuronal con las siguientes caractersticas: Entradas:5 Presiones + 7 Caudales = 12 nodos Nmero de salidas: 7 Rugosidades 6 capas ocultas de: 12 in X 3 = 36 nodos Interconexin total de una capa a la otra SHORTCUTS: Interconexin total de toda capa a toda capa Funcin de activacin logstica Entrenamiento con Back Propagation
El objetivo de esta prueba es determinar que tanto ayuda aumentar la complejidad de la red neuronal, para la calibracin del acueducto.
m a y o r . . . .00% 20.00% 40.00% 60.00% 80.00% 100.00% 120.00% 0 . 1 0 . 2 0 . 3 0 . 4 0 . 5 0 . 6 0 . 7 0 . 8 0 . 9 1 y
m a y o r . . . Seminario Internacional La Hidroinformtica en la Gestin Integrada de los Recursos Hdricos Universidad del Valle/Instituto Cinara Gmez, R. et al 264 La Figura 14 muestra los resultados para la prueba actual y para las que ya se haban realizado con una y con dos capas. Puede verse que el experimento actual no aporta calidad a la calibracin.
CONCLUSIONES En muchos casos, las redes neuronales entrenadas con casos crticos o importantes son capaces de hacer validacin sobre los casos intermedios o combinados. Sin embargo, ste no es el caso. El entrenamiento con rugosidades discriminadas, validando con rugosidades combinadas de manera aleatoria, no tuvo buenos resultados. El entrenamiento tipo dplex, aunque no es totalmente satisfactorio, es una mejora considerable.
El entrenamiento tipo dplex permite tener precisin semejante a la del experimento de entrenamiento y validacin discriminadas. Con la ventaja de trabajar con un caso real (rugosidades combinadas) y no con un caso totalmente acadmico (rugosidades discriminadas).
Al experimentar con redes neuronales con entrenamiento tipo dplex, las redes de acueducto mayores tienen mejores estadsticas de calibracin. Esto ocurre porque el mayor grado de libertad de estas redes causa un comportamiento hidrulico ms uniforme y predecible.
Los resultados con redes neuronales entrenadas con dplex, permiten suponer que eventualmente se pueden llegar a configurar redes neuronales que calibren con mucha precisin acueductos con rugosidades combinadas.
Al utilizar dos capas en las redes neuronales con entrenamiento tipo dplex, se observ mejora en las redes pequeas. Posiblemente esto es porque las dos capas compensan la rigidez (menos grados de libertad) de las redes pequeas. Sin embargo, en las redes medianas, la segunda capa parece introducir ruido solamente.
Hay pruebas en las que los mejores resultados son con las redes de acueducto abiertas; en otras pruebas, con las cerradas; en otras pruebas con las grandes; etc. Eventualmente se podra utilizar un sistema intermedio que decida cul red neuronal utilizar para optimizar el desempeo.
Cuando se usa toda la informacin de la red para calibrar un solo tubo, se tienen mejores resultados en las redes cerradas. Esto puede ocurrir porque en las redes abiertas se tiene mucha informacin intil (la de caminos totalmente ajenos al tubo que se est calibrando). Si es as, entonces las redes neuronales s estn capturando conocimiento hidrulico.
Las redes neuronales que calibran un solo tubo a partir de la informacin de toda la red, no son una mejora sobre las redes neuronales que calibran toda la red. En el mejor de los casos, da lo mismo. Posiblemente, el entrenamiento y calibracin sobre todo el acueducto permite a la red neuronal capturar mejor las generalidades del problema hidrulico.
Al utilizar la red neuronal para calibrar datos agregados se tuvieron buenos resultados. En general, se podran usar este tipo de redes para detectar las zonas problema sobre las que se debe hacer una calibracin ms detallada.
El uso de mltiples capas en la red neuronal no parece mejorar el sistema.
En general, las redes neuronales pueden usarse para obtener precalibraciones o guas para una calibracin manual, pero son insuficientes como nica herramienta de calibracin.
Implementando las recomendaciones que se presentan aqu, y teniendo en cuenta que las redes neuronales parecen estar capturando realmente el problema hidrulico, queda abierta la posibilidad de disear un sistema de calibracin de redes de acueducto basado en redes neuronales.
Seminario Internacional La Hidroinformtica en la Gestin Integrada de los Recursos Hdricos Universidad del Valle/Instituto Cinara Gmez, R. et al 265 REFERENCIAS Lippmann R.P. (1987), An introduction to computing with neural nets Gabrys B. & Bargiela A. (1999), Neural networks based decision support in presence of uncertainties Salas D. & Gmez R. & Saldarriaga J. (2003), Aplicabilidad de tcnicas de inteligencia artificial a la calibracin de acueductos Salas D. & Gmez R. & Takahashi S. (2003), Evaluacin de mtodos de inteligencia artificial en la calibracin de acueductos
NCh1914-1-1984 Prevención de Incendios en Edificios - Ensayo de Reacción Al Fuego - Parte 1 Determinación de La No Combustibilidad de Materiales de Construcción PDF