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.













Figura 9. Resultados red cerrada de 50 tuberas


.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
.
.
.
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.




.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 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.












Figura 14. Resultados prueba adicional

.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
.
.
.
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