Fabricación de Piña en Almibar 04-05-2009

UNSCH – METODOS NUMERICOS Julio 2018
PREDICCIÓN DE CAUDAL DE LA CUENCA

YUCAES APLICANDO EL MODELO DE REDES
NEURONALES (RN)
Elvis Armando HUAMÁN HUAMANÍ
elvis.huaman.16@unsch.edu.pe
Jonathan ESCOBAR VENTURA

Universidad Nacional San Cristóbal de Huamanga (UNSCH) – Perú
_________________________________________________________________________
RESUMEN
Perú es un país con un clima diverso y tropical por el norte por su ubicación cercana al
ecuador geográfico (baja latitud). Esta característica influye principalmente en el clima
cálido y húmedo de la Amazonía, pero también explica por qué se tiene zonas de alta
temperatura en la región andina, como en las zonas bajas de Ayacucho o Tacna con dos
estaciones (húmeda y seca), que desempeñan el papel principal en el proceso del ciclo
del agua. La ocurrencia de lluvia continúa en el flujo de la descarga en el río con un
enorme potencial de energía que puede ser aprovechada para la vida de la comunidad
circundante. Este artículo discute el modelado de lluvia-escorrentía en la cuenca del
Yucaes en el distrito Jesús Nazareno de la provincia de Huamanga usando Redes
Neuronales Artificiales (RNA) para determinar el potencial de la descarga disponible en
el largo plazo. El programa se desarrolla con Matlab software de código abierto
matemática basado en el algoritmo RNA. Los datos son de dominio de precipitación
mensual y la descarga durante 38 años (1970 a 2008). Los modelos desarrollados son 12
las neuronas mensuales, 4 neuronas año y neurona serie (48 neuronas) para la entrada
(lluvia) - salida (escorrentía). Los resultados presentan una fiabilidad de las 12 neuronas
mensual de 99% (la mejor), seguida de neurona serie con 78% y 4 años neurona 77%.
Palabras clave: Redes neuronales artificiales, Predicción, Caudal, Series de tiempo.
| Ingeniería Civil 1
ABSTRACT
Peru is a tropical country because of its location close to the geographical equator (low
latitude). This characteristic mainly influences the hot and humid climate of the Amazon,
but it also explains why there are high temperature zones in the Andean region, as in
the low areas of Ayacucho or Tacna with two seasons (wet and dry), who play the leading
role in the water cycle process. The occurrence of rain continues in the flow of the
discharge in the river with an enormous potential of energy that can be used for the life
of the surrounding community. This article discusses the rain-runoff modeling in the
Yucaes basin in the Jesús Nazareno district of Huamanga province using Artificial Neural
Networks (ANN) to determine the potential of the available discharge in the long term.
The program is developed with Matlab open source mathematical software based on
the ANN algorithm. The data is for monthly precipitation domain and the discharge for
38 years (1970 to 2008). The developed models are 12 monthly neurons, 4 neurons year
and neuron series (48 neurons) for input (rain) - output (runoff).
The results show a reliability of 12 neurons per month of 99% (the best), followed by a
serial neuron with 78% and a 4-year neuron with 77%.
Keywords: Artificial Neural Networks, Prediction, Flow, Time series.
1. INTRODUCCIÓN
Simulación de lluvia-escorrentía es un enfoque basado en la descarga de predecir la
lluvia que entra en la cuenca. Los datos de las precipitaciones son datos aleatorios
incertidumbres. En la predicción de transformación lluvia-descarga, esta incertidumbre
(datos aleatorios) se pueden adaptar en el modelo de Monte Carlo. Otro método que es
capaz de adaptarse a esta incertidumbre es el experto método de inferencia del sistema.
El proceso de transformación de las precipitaciones en la descarga puede ser replicado
y simplificado en la forma de modelos, comúnmente llamados modelos de flujo de lluvia.
Muchos modelos se han desarrollado en el análisis de flujo de lluvia. Uno de los métodos
convencionales en hidrología, la hidrología que simulan eventos reales es IHACRES.
En hidrología moderna, por inferencia, los modelos que fueron desarrollados usando
RED NEURONAL ARTIFICIAL (RNA) para el análisis de flujo de lluvia. La tecnología RNA es
un algoritmo computacional que es parte de la inteligencia artificial que simula las obras
del sistema nervioso en el procesamiento de estímulos / información entrante biológica
y determina entonces la respuesta a esa información.
Una de las aplicaciones que responden a la RNA es una cuestión de reconocimiento de
patrones basados en datos históricos que se alimenta a la RNA para llevar a cabo el
proceso de aprendizaje. Las variables se procesan en el RNA es el número de entradas,
número de capas, y el número de salidas con la fiabilidad del modelo de confianza del
95%.
Este método es capaz de adoptar el proceso hidrológico con toda su incertidumbre. En
estas condiciones, la RNA se utilizó como un modelo en el análisis de precipitación-
escorrentía. La precisión de la determinación de la descarga puede facilitar el análisis de
la descarga disponible en cuencas. El potencial de descarga generado por análisis de
flujo de lluvia en una cuenca se puede utilizar como una referencia a su uso, por ejemplo,
para el cálculo de la capacidad de Micro Hidro Power (MHP) en el rio Muyurina distrito
del norte de Jesús Nazareno.
2. REVISIÓN DE LITERATURA
De acuerdo a Veitimilla-Reyes, Cisneros y Venegas (2016), el objetivo principal de la
creación de un modelo basado en redes neuronales artificiales (ANN) es permitir
predecir el flujo en un río, en tiempo real y en un día específico de un año. Como
entradas se utiliza la información de la precipitación y el flujo de las estaciones a lo largo
del río. Esta información se organiza en escenarios y cada escenario está preparado para
un área específica. La información que se adquiere de las estaciones hidrológicas
situadas en la cuenca mediante un sistema electrónico desarrollado en tiempo real y es
compatible con cualquier tipo o marca de este tipo de sensores. Se pueden incluir dos
modelos de RNA: Retro propagación y un modelo híbrido entre la propagación hacia
atrás y OWO-HWO (peso de salida optimización-oculto optimización del peso) para
seleccionar los pesos iniciales de la conexión. Estos dos últimos modelos han sido
probados en una investigación preliminar. Para validar los resultados que estamos
utilizando algunos indicadores de error como MSE, RMSE, EF, CD y BIAS. Se pueden
alcanzar resultados de altos niveles de fiabilidad y el nivel de error es mínima. Estas
predicciones son útiles para evitar inundaciones.
Ravinesh, Deo y Mehmet (2015). La previsión de la sequía basada en la influencia

acumulativa de la lluvia, la temperatura y la evaporación es muy beneficioso para mitigar
las consecuencias adversas en sectores sensibles al agua como la agricultura,
ecosistemas, vida silvestre, turismo, recreación, salud de cultivos e ingeniería
hidrológica. Modelos predictivos de los índices de sequía ayudan a evaluar las
situaciones de escasez de agua, la identificación de la sequía y la gravedad
caracterización. En este documento, probamos la viabilidad de la Red Neural Artificial
(ANN) como un modelo basado en datos para predecir la precipitación y
evapotranspiración estandarizadas mensuales. En un modelo planteado se emplean
para los datos variables predictivos (capacitación) y datos. Las variables predictivas son:
totales mensuales de lluvia, temperatura media, temperatura mínima, temperatura
máxima y evapotranspiración, que se complementó con índices climáticos a gran escala
(Oscilación del Sur) Índice, Oscilación Decadal del Pacífico, Modo Anular del Sur y Dipolo
del Océano Índico) y el Mar Temperaturas de la superficie (Nino 3.0, 3.4 y 4.0). Se
desarrollaron un total de 30 modelos ANN con 3 capas redes ANN. Para determinar la
mejor combinación de algoritmos de aprendizaje, transferencia oculta y funciones de
salida del modelo óptimo, Levenberg-Marquardt y Broyden-Fletcher-Goldfarb. Los
algoritmos de backpropagation quasi-Newton de Shanno (BFGS) se utilizaron para
entrenar la red, ecuaciones sigmoideas tangentes y logarítmicas utilizadas como
funciones de activación y lineal,ecuaciones sigmoideas logarítmicas y tangentes
utilizadas como función de salida. La mejor arquitectura ANN tenía 18 neuronas de
entrada, 43 neuronas ocultas y 1 neurona de salida, entrenados usando el Levenberg.
Algoritmo de aprendizaje de Marquardt que usa la ecuación sigmoidal tangente como
las funciones de activación y de salida.
Como afirma Setiono, Pintis y Hadiani (2015), el proceso de transformación de las
precipitaciones en la descarga puede ser replicado y simplificado en la forma de
modelos, comúnmente llamados modelos de flujo de lluvia. Muchos modelos se han
desarrollado en el análisis de flujo de lluvia. Uno de los métodos convencionales en
hidrología, la hidrología que simulan eventos reales es IHACRES. En hidrología moderna,
por inferencia, los modelos que fueron desarrollados usando Artificial Neural Network
(ANN) para el análisis de flujo de lluvia ha sido hecho por Tecnología ANN es un
algoritmo computacional que es parte de la inteligencia artificial que simula las obras
del sistema nervioso en el procesamiento de estímulos / información entrante biológica
y determina entonces la respuesta a esa información. Una de las aplicaciones que
responden a la ANN es una cuestión de reconocimiento de patrones basados en datos
históricos que se alimenta a la ANN para llevar a cabo el proceso de aprendizaje. Las
variables se procesan en el ANN es el número de entradas, número de capas, y el
número de salidas con la fiabilidad del modelo de confianza del 95%.
Se tiene como referencia a estudios elaborados en diversos ríos en el mundo. De

acuerdo a un estudio realizado por Milanese y Navarra (2004), plantea que el sistema
del río Apalachicola es el más grande de Florida en términos de flujo y es el sistema
fluvial tercera más grande en el Golfo de México detrás de los sistemas de Mississippi y
Mobile Bay. La parte baja del río Apalachicola está situado en el extremo sur de la cuenca
de Apalachicola-Chattahoochee-Flint (ACF) y conectar con el Golfo de México a pesar de
la Bahía de Apalachicola. La cuenca del ACF se origina en Georgia del Norte y Alabama.
La cuenca ACF se extiende una distancia de aproximadamente 385 millas y abarca un
área de 19.600 millas cuadradas. Durante los últimos 160 años, se han desarrollado los
recursos de agua dulce en la cuenca del ACF para satisfacer diversas demandas de
suministro de agua municipal e industrial, control de inundaciones, la energía
hidroeléctrica, la navegación, el suministro de agua la agricultura, y el pescado y la
conservación de la vida silvestre. Hay cientos de embalses de la cuenca, que se utilizan
para regular el agua dulce para satisfacer ciertas demandas de agua, con impacto en el
flujo natural de agua dulce en el río Apalachicola. Desde 1950, el crecimiento
considerable se ha producido en el área de Atlanta-metropolitana (cuenca superior
ACF). La población en esta zona aumenta desde menos 0. La previsión del caudal del río,
con un tiempo de advertencia de varios días, beneficiaría a las actividades de gestión de
los recursos hídricos en la cuenca del río. red neural artificial (ANN) ha sido ampliamente
utilizado en el modelado de series de tiempo no lineal de procesamiento de la señal
multivariable y el control en las áreas tales como la electrónica, aeroespacial, y la
ingeniería de fabricación. En los últimos años, hay algunas aplicaciones ANN éxito en la
ingeniería de los recursos hídricos. Para ejemplos, Tai y Lee (1999) aplican para la
previsión de ANN nivel de la marea.
Otro estudio según Ghorbani, Khatibi, Donundeh y Asadi (2018). Inspirado por el
funcionamiento del cerebro y el sistema nervioso biológico, redes neuronales artificiales
(ANN) se han aplicado a diversos problemas hidrológicos en los últimos 10 años. En este
estudio, los modelos ANN son en comparación con los modelos conceptuales
tradicionales para predecir la escorrentía de cuencas como una función de la lluvia, el
agua de nieve equivalente, y temperatura. La técnica ANN se aplicó a la escorrentía
modelo de cuencas en tres cuencas con diferentes características climáticas y
fisiográficas: el río Fraser en Colorado, Raccoon Creek en Iowa y Pequeño río Patuxent
en Maryland. En la cuenca del río Fraser, la técnica ANN se aplicó al modelo Flujo de
flujo mensual y se comparó con un modelo conceptual de equilibrio de agua (Watbal).
La técnica ANN fueutilizado para modelar el proceso diario de precipitación-escorrentía
y se comparó con la contabilidad de humedad del suelo de Sacramento (SAC-SMA)
modelo en la cuenca del río Raccoon. El proceso diario de precipitación-escorrentía

también se modeló usando la técnica ANN en la cuenca del río Little Patuxent, y los
resultados de entrenamiento y prueba se compararon con los de un modelo simple de
lluvia-escorrentía conceptual (SCRR). En todos los casos, los modelos ANN
proporcionaron mayor precisión, un enfoque más sistemático y acortar el tiempo
dedicado al entrenamiento de los modelos. Para el Fraser River, la precisión de las
predicciones de flujo mensual por el modelo ANN fue significativamente mayor en
comparación con la precisión del modelo Watbal. El modelo de ANN mejor ajustado
realizado, así como el modelo de SAC-SMA en el Raccoon River. La precisión de prueba
y entrenamiento del modelo ANN en Little Patuxent River fue comparativamente más
alto que el del modelo SCRR. Los resultados iniciales indican que las RNA pueden ser
herramientas poderosas en el modelado el proceso de precipitación-escorrentía para
diversas escalas de tiempo, topografía y patrones climáticos.
Para desarrollar de un sistema experto para la predicción de caudales medios mensuales

Cleveland, W. S. (1979) realiza un estudio en cuanto a los modelos utilizados para
predecir caudales medios mensuales en Colombia, en el sector eléctrico colombiano fue
común durante los años setenta y ochenta el uso de modelos tipo AR, ARMA y ARIMA
para la generación de series sintéticas de tiempo (Múnera, 1983) pretendiendo
representar comportamientos futuros de la hidrología que pueden ocurrir en periodos
de tiempo indeterminados, algo no muy convencional para efectos de la predicción pues
dichos modelos solo requieren de registros de caudales para su ejecución
desconociendo la dinámica externa no lineal asociada a los fenómenos macro-
climáticos, además son construidos bajo el supuesto de la normalidad y linealidad de los
datos. La no linealidad de los procesos hidrológicos ha hecho necesario el estudio de
nuevos modelos de predicción no lineal asociados a novedosas técnicas de tratamiento
matemático y estadístico de los datos; la primera apuesta en dicho sentido fue aplicada
a la hidrología colombiana por Carvajal y Salazar (1994) presentando el Análisis Espectral
Singular, las Redes Neuronales y los modelos dependientes del régimen (RAR). Los
modelos auto-regresivos dependientes del régimen (RAR) (Salazar, 1994) son una clase
de modelos no lineales cuya idea básica consiste en asumir que el régimen hidrológico
está claramente ligado a las variaciones macro-climáticas, explorando la posibilidad de
que las series de precipitación y caudal tengan propiedades estadísticas dependientes
del estado que presentan las variables macro-climáticas, así pues, el objeto de los
modelos tipo RAR es el de ajustar las propiedades estocásticas de una serie dependiendo
del estado de una variable externa que se considera influyente en el comportamiento
del fenómeno analizado. Dada la complejidad en los problemas de pronósticos Carvajal
(1994-1998) combinó el Análisis Espectral Singular (AES) con métodos auto-regresivos y
regresiones lineales múltiples para el desarrollo de una nueva herramienta de
predicción de caudales, cuya aplicación corresponde a la primera aplicación de los
métodos espectrales en la predicción hidrológica de Colombia. Posteriormente Hoyos
(1999) introdujo algunas aplicaciones del método espectral basado en la
descomposición en onditas y Poveda et al. (2002) presentan el modelo PREBEO
(“Predicción en Bandas Espectrales usando Onditas”) para pronósticos de caudales, cuyo
funcionamiento combina la descomposición en óndulas de una serie con regresiones
lineales múltiples. Finalmente, el trabajo de Carmona (2010) introdujo la trasformada
de Hilbert Huang en el estudio de series hidro-climáticas y su aplicación en la predicción
hidrológica. Desde el PARH de la Universidad Nacional de Colombia se han propuesto

además: Las redes neuronales artificiales (RNA), introducidas por Carvajal (1994) para la
predicción de caudales medios mensuales en Colombia, como un modelo de regresión
no lineal y no paramétrico que puede desarrollar un buen trabajo de ajuste tolerando
adecuadamente componentes caóticas generadoras de ruido en la serie; los Modelos
Lineales Inversos (MLI) para la predicción de diferentes condiciones del ENSO (Ceballos,
2005); las técnicas de regresión no paramétrica como las regresiones Kernel (Poveda et
al, 2002), los polinomios Multivariados y adaptivos conocidos como MARS
(Rendón,1997) y las funciones Holt – Winters (Poveda, 2006) cuya aplicación busca
capturar la no estacionalidad presente en las series de caudales, así mismo las redes
adaptivas Neuro-Difusas (ANFIS) que aparecen en los 90 como sistemas capaces de
combinar los sistemas de inferencia difusos con redes neuronales fueron propuestas
como técnicas de regresión para la predicción de caudales (Smith et al, 2004); los
sistemas de inferencia difusos proveen un mecanismo intuitivo de alto nivel para
representar el conocimiento mediante reglas de juicio IF/THEN y las redes neuronales
poseen un alto grado de adaptabilidad, capacidad de aprendizaje y de generalización,
siendo una aproximación idónea al problema del pronóstico hidrológico. Sin embargo,
en muchas ocasiones los pronósticos no son los más acertados en el tiempo y espacio
por lo que se requiere de la aplicación de varios modelos para manejar la incertidumbre
a fin de tomar una decisión.
Entre otros artículos científicos se tiene el desarrollado por Zapata, Velásquez y Smith
(2004). Presenta ANFIS (Adaptative Network Based Fuzzy Inference System) como una
técnica de modelamiento no lineal de series de tiempo, que en su formulación puede
ser analizada como una generalización no lineal de los modelos autorregresivos, y a
diferencia de otras metodologías permite incorporar conocimiento experto sobre la
serie de tiempo.
El estudio realizado por Lozada (2017) trata del diseño y simulación de un sistema de
pronóstico de precipitación pluvial utilizando técnicas neuro-difusas. Este sistema
tendrá como entradas las siguientes variables: temperatura, humedad relativa,
dirección de viento, ya que para el pronóstico de la precipitación pluvial intervienen
estas variables. El sistema de neuro-difuso denominado también sistemas flexibles,
tienen propiedades como por ejemplo: mientras las redes neuronales ofrecen ventajas
como el aprendizaje, adaptación, tolerancia a fallas, paralelismo y generalización, no son
buenas para explicar cómo han alcanzado sus decisiones, en cambio los sistemas
difusos, los cuales razonan con información imprecisa a través de un mecanismo de
inferencia bajo incertidumbre lingüística, son buenos explicando sus decisiones pero no
pueden adquirir automáticamente las reglas que usan para tomarlas. Y en base al
comportamiento de las variables mencionadas, tendrán que darnos una cierta
incertidumbre del pronóstico de la precipitación pluvial, además de ir aprendiendo en
esta área. La simulación del sistema se hará en MATLAB, adquiriendo datos externos, de
las variables que se comportarán como entradas al sistema, estas variables serán
procesadas mediante un sistema neuro-difuso el cual nos dará un resultado de
incertidumbre de la precipitación pluvial.
El pronóstico de avenidas desarrollado por Pita (2008) ayuda a la toma de decisiones.

Cuando se hace un pronóstico a corto plazo (horas o días), se pueden tomar medidas
para prevenir inundaciones. Un pronóstico de avenidas a corto plazo es fundamental
para la prevención de inundaciones; el pronóstico a mediano y largo plazo es muy útil
para la administración del almacenamiento; así como también para la planeación y
operación de la generación eléctrica. Por otra parte, un mejor entendimiento de los
procesos de escurrimiento es fundamental para mejorar la habilidad de realizar los
pronósticos de avenidas. Una forma de obtener un mejor conocimiento del este proceso
es analizar los registros históricos de avenidas. Existen dos métodos para llevar al cabo
pronóstico de avenidas, los métodos orientados a proceso como son los modelos
hidrológicos y los métodos orientados al análisis de los datos históricos. En esta tesis se
centra en utilizar métodos orientados a datos para el pronóstico de series de tiempo
hidrológicas mensuales (monovariable) a partir de los datos históricos del río Balsas en
la República Mexicana. El enfoque es un estudio comparativo, entre modelos de tipo
Autorregresivo de Medias Móviles (ARMA), utilizados en pronóstico con series de
tiempo y una técnica derivada de la inteligencia Artificial o inteligencia computacional
como son las Redes Neuronales Artificiales (RNA) de tipo perceptrón multicapa (MLP)
con el propósito de conocer cuál es el método que proporciona un pronóstico con mayor
efectividad y más ventajas para la estimación de los volúmenes de los escurrimientos
hacia una presa. Los modelos ARMA son muy flexibles y pueden representar un amplio
rango de características de las series de tiempo que ocurren en la realidad. La
metodología para desarrollarlos esta ampliamente disponible, además, los pronósticos
provienen directamente del modelo ajustado. Sin embargo, se ha encontrado que los
datos disponibles pueden no ser suficientes para que el modelo logre un buen ajuste y
por lo tanto tampoco una buena predicción. El diseño de modelos de RNA para una
aplicación de pronóstico no es una tarea trivial, aunque existen paquetes de software
que facilitan el esfuerzo de los usuarios en la construcción del modelo, sigue siendo
todavía crítico para los pronosticadores el entender muchas cuestiones importantes que
rodean el proceso de construcción de un modelo. Los resultados de los modelos
utilizados en esta tesis muestran que en general las RNA utilizadas (RNA perceptrón
multicapa normal y RNA perceptrón multicapa con validación cruzada) permiten
obtener mejores pronósticos, a partir de datos históricos, mensuales que el modelo
ARMA. Sin embargo, en un principio cuando se analizan los resultados, obtenidos en
cada modelo, dividiéndolos trimestralmente el modelo ARMA realiza un mejor
pronóstico que la RNA Normal para períodos con caudales bajos. Aunque finalmente se
determina que el modelo de red neuronal de validación cruzada y detención temprana
realiza un mejor pronóstico en los distintos períodos del año y obtienen un mejor
coeficiente de desempeño que ubica a estos modelos de pronóstico para la serie de flujo
del río Balsas en el rango de satisfactorio de manera general.
Ballini, Soares y Andrade (2010).El análisis y la previsión de la temporada de la serie de

los escurrimientos son de suma importancia en la planificación de la operación de los
sistemas de recursos hídricos. Una de las mayores dificultades en el pronóstico de estas
series es el carácter estacional de la serie de los escurrimientos, debido a períodos
húmedos y secos del año. Además, datos del mundo real son ruidosos y pueden
contener contradicciones e imperfecciones. Tolerancia a la imprecisión y la
incertidumbre también se requiere para conseguir manejabilidad y robustez. Conjunto
Fuzzy basada en modelos de análisis de datos son especialmente adecuados para estos
fines. Esto sugiere la aplicación de red neurofuzzy modelos para pronosticar los
escurrimientos estacionales. En este papel, una clase de red neurofuzzy se aplica al
problema de predicción estacional de los escurrimientos. Este modelo se basa en un
método de aprendizaje constructivo, competitivo, donde grupos de neuronas competir
cuando la red recibe una nueva entrada, de manera que aprende los parámetros
esenciales para modelar un sistema fuzzy, que son las reglas fuzzy y funciones de
pertenencia. Una base de datos de las entradas mensuales promedio de una planta
hidroeléctrica brasileña fue utilizado. El rendimiento del modelo se comparó con los
enfoques convencionales y los resultados muestran que el modelo propuesto tiene un
mejor rendimiento que otras metodologías que consideran un paso adelante la
previsión y multi-paso adelante la previsión.
Aichouri, Hani, Bougherira, Djabri, Chaffai y Lallahem (2015). El uso de Redes Neuronales
Artificiales (ANNs) es cada vez más común en el análisis de problemas de hidrología y
recursos hídricos. En esta investigación, una ANN fue desarrollado y utilizado para
modelar la relación lluvia-escurrimiento en una cuenca ubicada en un clima
mediterráneo semiárido y en Argelia. El rendimiento de la red neuronal desarrollado
basado en el modelo se comparó contra varios modelos basados en la regresión lineal
utilizando los mismos datos observados. Se encontró que el modelo de red neuronal
consistentemente superior da predicciones. Sobre la base de los resultados de esta
investigación, modelado de redes neuronales artificiales parece ser una técnica
prometedora para la predicción del caudal para la captación en zonas semi-áridas y
regiones mediterráneas. En consecuencia, la red neuronal método puede aplicarse a
diversos sistemas hidrológicos donde otros modelos pueden resultar inadecuadas.
El reciente avance y desarrollo de modelos computacionales y su aplicación en diversas

áreas de la ciencia, ha incrementado la implementación de herramientas para resolver
problemas y aproximar magnitudes desconocidas. La hidrología no ha sido ajena a este
proceso, y ha requerido de metodologías desarrolladas para otras disciplinas, una de
ellas es la Inteligencia Artificial (Gómez, Álvarez y Obregón, 2012).
De acuerdo Zuñiga y Aguirre (2015) la hidrología es un proceso estacional, las series

mensuales de caudales se pueden representar por modelos estocásticos capaces de
generar series sintéticas de dichos caudales, considerando los parámetros
característicos extraídos a partir de los datos de la serie histórica.
Zúñiga y Jordán (2005). Las series de caudales mensuales tienen un comportamiento

periódico, reflejado en parámetros como la media, desviación estándar, asimetría y
estructura de autocorrelación. Dada la importancia de su previsión, gran variedad de
modelos han sido propuestos durante las últimas décadas, entre los que se cuentan los
modelos de alisamiento exponencial, modelos de regresión lineal y no lineal, y modelos
de series de tiempo estocásticas.
El diseño de ingeniería de los proyectos de aprovechamiento hídrico requiere de
información hidrológica para su adecuado dimensionamiento (Sandoval y Aguilera,
2014).
Sánchez y Laqui (2009) dicen que dada la importancia de la previsión de caudales,

durante las últimas décadas se han propuesto gran variedad de modelos, entre ellos, los
modelos de alisamiento exponencial, modelos de regresión lineal y no lineal, modelos
de series de tiempo estocásticas y muy recientemente se han introducido nuevos
modelos de previsión, que manejan de una manera eficiente la aleatoriedad de los
caudales y presentan una fácil adaptabilidad a nuevos datos, sin la necesidad de incurrir
en laboriosas formulaciones matemáticas. Entre estos modelos se incluyen las técnicas
de inteligencia artificial, que comprenden las técnicas de Redes Neuronales.
2.1. El ciclo hidrológico

El ciclo hidrológico es la circulación de agua que nunca se detiene, se produce cuando el
agua se evapora en el aire de la tierra, mar o a partir de plantas(transpiración). El agua
evaporada se condensa y se solidifica luego cae en forma de lluvia o nieve. La lluvia es
una de las variables hidrológicas que tiene una gran variación tanto en su distribución,
hora y lugar. La precipitación que se produce en un área se denomina región de lluvias
y se mide en milímetros.
Figura N°01: Ciclo hidrológico.

2.2. Escorrentía superficial
De acuerdo a la página Ciclo Hidrologico .com es el flujo del agua, lluvia, nieve, u otras
fuentes, sobre la tierra, y es un componente principal del ciclo del agua. A la escorrentía
que ocurre en la superficie antes de alcanzar un canal se le llama fuente no puntual. Si
una fuente no puntual contiene contaminantes artificiales, se le llama polución de
fuente no puntual. Al área de tierra que produce el drenaje de la escorrentía a un punto
común se la conoce como línea divisoria de aguas. Cuando la escorrentía fluye a lo largo
de la tierra, puede recoger contaminantes del suelo, como petróleo, pesticidas (en
especial herbicidas e insecticidas), o fertilizantes.
Al fluir, la cantidad de escorrentía puede verse reducida de varios modos: una pequeña
parte puede evaporarse; el agua puede almacenarse temporalmente en cuencas
microtopográficas; y otra parte puede fluir inmediatamente sobre la superficie. La
escorrentía superficial que permanece al final fluye en una corriente de agua como ríos,
lagos, estuarios u océanos.
Figura N°02: Proceso básico de escorrentía.
Efectos de la escorrentía superficial

Erosión
La escorrentía superficial es una de las causas de erosión de la superficie de la tierra. La
erosión provoca una menor productividad de las cosechas, por lo que sus efectos se
estudian en el campo de la conservación del suelo. Hay cuatro tipos principales de
erosión: erosión de salpicadura, erosión de barranco, erosión de lámina y erosión de
lecho de arroyo. La erosión de salpicadura es el resultado de la colisión mecánica de una
gota de lluvia con la superficie del suelo, provocando que algunas partículas de suelo
queden suspendidas en la solución de agua superficial. La erosión de barranco ocurre
cuando la corriente de la escorrentía es tan fuerte que corta una ringlera reconocible en
el suelo y crea un pequeño riachuelo con canal bien definido, que podría ser tan
pequeño como un centímetro de ancho o tan grande como varios metros. La erosión de
lámina es el transporte terrestre de escorrentía que no tiene un canal bien definido.
Ambos tipos de escorrentía pueden transportar cantidades significativas de sedimentos
u otros contaminantes del agua. En el caso de la erosión de barranco, cantidades
masivas de material pueden ser transportadas en un pequeño espacio de tiempo.
Las partículas de suelo que lleva la escorrentía tienen un tamaño variable de entre 0.001
mm y 1 mm de diámetro. Las partículas más grandes tienden a precipitar, o a asentarse,
con pequeñas distancias de transporte, mientras que las partículas diminutas pueden
recorrer mucha distancia suspendidas en la columna de agua. Por esta razón, los suelos
de arcilla, compuestos por partículas más pequeñas, tienden a generar turbiedad y
disminuir la transmisión de luz, una condición que puede interrumpir los ecosistemas
acuáticos.
Actualmente, una de las fuentes principales de pérdida de suelo por erosión proviene
de la tala y la quema de bosques tropicales. Cuando la superficie de tierra total es
despojada de vegetación y de todos los organismos vivos, los suelos superiores son
vulnerables a la erosión del viento y el agua. En varias regiones de la tierra, hay sectores
enteros que han sido declarados improductivos. Por ejemplo, en la alta meseta central
de Madagascar, que comprende aproximadamente el diez por ciento del área de tierra
de aquel país, el paisaje es estéril en vegetación, con surcos erosivos superiores a 50
metros de hondo y de un kilómetro de ancho. La pérdida de suelo superior a causa de la
erosión reduce su fertilidad y la calidad del producto agrícola.
Impactos ambientales
Las principales cuestiones ambientales asociadas con la escorrentía son los impactos
sobre el agua superficial, subterránea y del suelo, por el transporte de contaminantes a
estos sistemas. En último término, estas consecuencias se traducen en riesgos para la
salud humana, perturbaciones del ecosistema e impacto estético sobre los recursos de
agua. Entre los contaminantes que crean el mayor impacto, sobre las aguas superficiales
que provienen de la escorrentía, están las sustancias derivadas del petróleo, los
herbicidas y los fertilizantes. Cuando las aguas superficiales son usadas como
abastecimientos de agua potable, pueden quedar comprometidas en cuanto a riesgos
para la salud y estética del agua potable (es decir, en su olor, color y turbiedad). Las
aguas superficiales contaminadas también pueden cambiar los procesos metabólicos de
las especies acuáticas que reciben.
2.3. Umbral de escorrentía Po

Según Oliveras, J. (2015), un estudio hidrológico tiene por finalidad calcular el caudal
que producirá una lluvia caída en el punto de salida de una cuenca o una subcuenca. Ese
caudal que saldrá por el punto de salida de la cuenca proviene de toda el agua
precipitada que se ha transportado mediante escorrentía por la superficie del terreno.
Ahora bien, no toda la precipitación caída sobre el terreno producirá escorrentía.
Efectivamente, parte del agua caída en la lluvia penetrará en el mismo y otra seguirá
hacia aguas abajo superficialmente.
Así pues, el umbral de escorrentía, también conocido como abstracción inicial, es la
cantidad de precipitación a partir de la cual el terreno no es capaz de infiltrar más agua
y esta discurre sobre la superficie en un flujo difuso. Este umbral depende de la
humedad inicial del suelo, el uso del suelo, el tipo de suelo y la pendiente.
De entrada, parece lógico pensar que un suelo seco será capaz de admitir mucha más
agua antes de que se produzca la escorrentía que uno que ya presente humedad o que
un terreno asfaltado producirá escorrentía antes que un bosque o que un terreno con
una elevada pendiente favorecerá en mayor grado la formación de escorrentía que uno
más tendido. Como se ve, hay varios factores a considerar.
Pasos para obtener el umbral de escorrentía P0

Para determinar la abstracción inicial de un terreno frente a una precipitación hay
diferentes métodos, otro cuyo uso también está muy extendido es el del Número de
Curva del Soil Conservation Service (SCS), y de hecho entre el umbral de escorrentía Po
y el número de curva existe una relación bastante directa y el método es prácticamente
el mismo.
Paso 1. ¿Qué condición de humedad tiene el suelo?

La capacidad de infiltración de agua de lluvia en un suelo depende de la presencia de
humedad en él. Así, se establecen tres tipos de estado de humedad del suelo: seco,
medio o húmedo. Para determinar cada uno de ellos, una de las maneras es valorar la
precipitación caída.
Paso 2. ¿Qué capacidad de infiltración tiene el terreno?
Seguidamente se debe establecer cuál es la capacidad del terreno para poder infiltrar el
agua de lluvia que le cae encima, esto tiene que ver mucho con la naturaleza y geología
del suelo: suelos muy impermeables (arcillosos) generarán rápidamente escorrentía
superficial mientras que suelos muy permeables (arenas) dejarán infiltrar a su interior
grandes cantidades de lluvia antes de que se produzca la escorrentía.
Paso 3. ¿Cuál es el uso que se le da del suelo?
El tercer aspecto que condiciona de manera definitiva el umbral de escorrentía es el uso
que se le ha dado al suelo, y es que la especie humana nos hemos caracterizado por la
alteración que hemos producido al territorio, transformando su estado natural según
nuestras necesidades. Así, no producirá la misma escorrentía un terreno urbanizado que
un campo de cultivo o que un terreno natural arbolado. En función del uso del suelo el
valor del umbral de escorrentía será mayor o menor. Hoy en día también se dispone vía
servicios WMS de mucha información al respecto: planeamientos, Corine Land Cover,
SIOSE, podemos distribuir y zonificar el territorio por diferentes usos del
suelo, obteniendo las superficies que cada uno de esos usos se distribuyen en la cuenca
de estudio.
Paso 4. ¿Qué pendiente tiene el terreno?
Para determinar el umbral de escorrentía. La mayor o menor pendiente facilitará en
mayor o menor grado la formación de escorrentía superficial. Gracias a las nuevas
tecnologías y aplicaciones se puede acceder a información directa a mapas de
pendientes, o bien crearnos nuestros propios mapas a partir de modelos digitales de
elevaciones mediante aplicaciones SIG.
Paso 5. La tabla de umbral de escorrentía P0
Cuadro N°01: Ciclo hidrológico

Finalmente, el objetivo de todo el proceso es poder establecer para una cuenca su valor
de umbral de escorrentía Po, para ello existe una tabla de umbrales de escorrentía. En
esta tabla se entra por filas a través del uso del suelo, la pendiente y en según que casos
la orientación de los elementos vegetales, y por columnas a través del tipo de suelo
según su permeabilidad. Donde fila y columna se encuentren, se indica el valor de
umbral de escorrentía a adoptar.
Se distingue entre característica hidrológica tipo R y N para usos de cultivo. Los cultivos
tipo N son los que siguen las curvas de nivel del terreno (o los que se distribuyen por
terrazas), mientras que los cultivos tipo R son los distribuidos según la línea de máxima
pendiente.
También se distingue entre rotación de cultivos pobre o densa, la pobre es la que
presenta escasa densidad de cobertura vegetal, mientras que la densa presenta una
cobertura vegetal importante. Incluso se clasifican algunos usos en características
hidrológicas pobres, medias, buenas o muy buenas.
Paso 6. Cálculo del valor de umbral de escorrentía de la cuenca
Finalmente, ya sólo queda ir identificando y tomando los distintos valores de umbral de
escorrentía Po que se distribuyen por toda la cuenca para obtener como resultado final
el valor de Po característico del mismo. Se puede hacer un estudio super
exhaustivo identificando las diferentes permeabilidades que se presentan para cada
zona de uso de suelo y la distribución de pendientes, de manera que para cada

permeabilidad, uso y pendiente tendrás un Po que después ponderarás por superficies
para obtener el valor representativo de Po para esa zona de uso concreta.
También se puede hacer un estudio más generalista, determinado una permeabilidad
media de la cuenca total (como media ponderada por área de las diferentes
permeabilidades presentes en relación al área total de la cuenca) y considerar el
intervalo de pendientes mayoritario en toda la zona de un uso determinado, y a partir
de esa permeabilidad y pendiente extraer el valor de Po según el uso de suelo.
2.4. El cálculo de caudal de avenida: Método Racional vs Témez (Racional Modificado)

Según Oliveras, J. (2014), estimar los caudales de avenidas asociados para distintos
periodos de retorno puedes basarte en la formulación estricta que se indica en al
Instrucción 5.2-IC, denominada formalmente como método hidrometeorológico y
conocido con su alias de método racional, o bien decantarte por el resultado del estudio
que el profesor J.R. Témez realizara sobre el propio método racional después de
experimentar en una gran cantidad y variedad de cuencas aforadas. Para empezar, aquí
tienes la ecuación para cada uno de ambos métodos:
Método Racional Método Témez
El método racional vs el Método Racional Modificado de Témez

Ambos métodos están pensados para cuencas no muy extensas. Sus limitaciones son:
Tiempo de concentración de la 0’25h < Tiempo de concentración de la
cuenca (Tc) < 6h cuenca (Tc) < 24h
1km2 < Área de la cuenca (A) < 3.000km2
Cuadro N°02: Método Racional y Témez.
Para la estimación de los caudales de avenida, es necesario valorar una serie de
parámetros y variables que, presentan la misma representación simbólica.
C, coeficiente de escorrentía
El coeficiente de escorrentía permite valorar en qué grado el terreno de la cuenca es
favorable o no a la formación de escorrentía superficial a partir de la precipitación caída,
es precisamente en este coeficiente donde se encuentra la primera diferencia entre
ambos métodos de estimación de caudales.
Cuadro N°03: Coeficiente de escorrentía.
En ambas fórmulas se relaciona Precipitación Máxima Diaria (Pd) con Umbral de

Escorrentía Po, de manera que sólo se produce escorrentía en caso que la Precipitación
Máxima caída (en mm) supere el Umbral de Escorrentía (en mm), es decir, aquella
cantidad de lluvia que el terreno es capaz de infiltrar. Aparentemente las fórmulas son
idénticas, expresadas con una ligera variación.
Y es que efectivamente, en ambos casos el valor de umbral de escorrentía Po se modifica
mediante una variable β que lo incrementa, obteniendo un umbral corregido P’o… la
valoración de esta variable β recoge la variabilidad regional de humedades del suelo al
inicio del aguacero, y depende únicamente de la ubicación de la cuenca de estudio.
Así pues, si en ambos métodos el umbral de escorrentía corregido P’o toma el mismo
valor, lo que marca la diferencia es la valoración de la Precipitación Máxima Diaria
Pd según el tamaño de la cuenca, que en el caso del Método Racional Modificado de
Témez se corrige en un coeficiente P’d si la cuenca es mayor a 1km2:
De este modo, cuando las cuencas son mayores de 1km2 (lo cual es bastante habitual)
el valor de la Precipitación Máxima diaria corregida P’d será menor que Pd, con lo que
el coeficiente de escorrentía C será distinto para cada Método.
Intensidad Media de precipitación

Esta variable es casi idéntica para ambos métodos de estimación de caudales de
avenida, y representa el valor medio de la precipitación caída sobre la cuenca según el
periodo de retorno considerado y en función del tiempo de duración de la misma, el cual
se suele tomar como el tiempo de concentración de la cuenca.
La única diferencia entre ambos métodos es el valor de Precipitación Máxima diaria que
se use, que en el caso del método racional será Pd y en el caso del Témez será el
corregido P’d. De este modo, las ecuaciones de referencia para la obtención de la
Intensidad Media para cada método son:
Intensidad Media de precipitación Intensidad Media Diaria
Cuadro N°04: Intensidad media de precipitaciones.
Relación de intensidades Tiempo de concentración
Cuadro N°05: Relación de intensidades y tiempo de concentración.
La relación de intensidades, entre intensidad horaria y diaria depende también de la

ubicación de la cuenca en estudio.
De este modo, la Intensidad es una variable diferenciadora entre ambos métodos,

además existen unas variaciones en la fórmula para valorar esa Intensidad Media.
El área de la cuenca no variará en nada según escojamos usar uno u otro método.
Coeficente K
El coeficiente con la misma letra K, su significado es completamente distinto según el
método considerado.
Para el Método Racional, K es un coeficiente usado para tener en cuenta el aumento del
20% sobre el caudal que representa la punta de precipitación, y es función de las
unidades en que se exprese el Área de la Cuenca y el Caudal a obtener, según la siguiente
tabla.
Cuadro N°06: Coeficiente K.
Para el Método Racional Modificado de Témez, K es el coeficiente de uniformidad que

pretende corregir el tiempo de concentración de la cuenca para tener en cuenta la
variación de la precipitación neta a lo largo del tiempo, a partir de la siguiente ecuación:
De estas comparaciones entre variables que intervienen en la estimación de caudales

de avenida se desprende que, además de la ecuación en sí, la característica que
determina las diferencias más significativas no es más que la geometría de la cuenca, ya
que: si la cuenca tiene una superficie mayor a 1km2 (y menor a 3.000km2), el valor de
la Precipitación Máxima Diaria (Pd) se ve reducido. A mayor Área de Cuenca, menor es
el valor de P’d, y en consecuencia menor es el coeficiente de escorrentía C y la
Intensidad Media de precipitación, si la cuenca es muy llana, es decir la relación entre
longitud y pendiente es muy elevada, el tiempo de concentración de la cuenca es alto,
con lo que su coeficiente de uniformidad K se ve aumentado.
2.5. Modelo de Red Neuronal Artificial (RNA)

En general, los modelos de RNA tienen estructuras de red con tres o más capas (capa)
que consta de nodos de entrada, nodos ocultos y los nodos de salida. Nodo es la cantidad
(valor) de la capa (variable). Se han tratado de investigar la relación entre la precipitación
y la fuga con este modelo en algunas áreas y dado como resultado diferentes modelos
basados en las características de una cuenca. En este estudio, la precipitación se utiliza
para el nodo de entrada y de descarga es para el nodo de salida / objetivo. El Matlab es
un software de código abierto para los fines de cálculo.
Numérico y proporciona un entorno informático de gran alcance para aplicaciones de

ingeniería y científicas, se puede obtener a partir de visualización de los modelos de
simulación utilizando el algoritmo de red neuronal con el apoyo de alimentación de
capas múltiples algoritmo de propagación hacia atrás hacia adelante. Esta herramienta
es muy útil para los investigadores que estudian la tecnología RNA debido a las
características proporcionadas bastante adecuada para fines de investigación.
Las capas pueden clasificarse en tres tipos:

Capa de entrada: Compuesta por neuronas que introducen los patrones de entrada en
la red. En estas neuronas no se produce procesamiento.
Capas ocultas: Formada por neuronas cuyas entradas provienen de capas anteriores y
cuyas salidas pasan a neuronas de capas posteriores.
Capa de salida: Neuronas cuyos valores de salida se corresponden con las salidas de
toda la red.
Figura N°03: Redes Neuronales Artificiales (RNA)
3. DIAGNOSTICO SITUACIONAL
3.1. UBICACIÓN GEOGRÁFICA
El Punto de Aforo de la cuenca Pongora, se encuentra Ubicado al Nor Este de la ciudad
de Ayacucho, en el cuadrante 27Ñ de acuerdo a la Carta Geológica Nacional.
Coordenadas UTM:
Este: 587331.24
Norte: 8550838.93
Cota: 2500 m.s.n.m.
Figura N°04: Carta Geológica Nacional.
Figura N°05: Cuadrante 27 Ñ.
Figura N°06: Mapa de ubicación del Perú.
Figura N°07: Mapa de ubicación de Ayacucho y provincia de Huamanga.
3.2. UBICACIÓN HIDROLÓGICA

La cuenca Pongoro se encuentra ubicada en la proyección UTM Datum WGS84. En
cuanto a la ubicación administrativa la microcuenca esta pertenece a la cuenca del río
Pongora → Cachi → Mantaro. Este a su vez desemboca en el río Ene → Tambo → Ucayali
→ Marañón → Amazonas Atlántico. Es sabido que la cuenca del rio Mantaro es
administrada por el ANA – AAA Mantaro.
Figura N°08: Mapa de cuencas hidrográficas del Perú.
Figura N°09: Mapa de órganos desconcentrados de la ANA.
4. SITUACIÓN ACTUAL DE LA ZONA

4.1. CARACTERÍSTICAS GENERALES
• El río Pongoro presenta un número considerable de micro cuencas y manantiales
provenientes de la parte alta del distrito, cuyas aguas desembocan directamente
sobre este río, que en su recorrido forman valles muy estrechos ocasionando
tramos con pendientes muy pronunciadas.
• La actividad agropecuaria, ya que este valle por su fertilidad, presenta la única
alternativa de generar ingresos económicos para el poblador de este valle.
Figura N°10: Topografía actual de la zona.
5. DATOS METEREOLÓGICOS DE LAS ESTACIONES METEREOLÓGICAS

Observamos los registros de precipitaciones anuales en las estaciones meteorológicas
más cercanas a la zona de estudio.
Cuadro N°07: Registro de precipitación mensual – Estación Huamanga

ESTACIÓN HUAMANGA PRECIPITACIÓN TOTAL MENSUAL (mm)
Departamento: AYACUCHO Latitud: 74º 14' 13.09"
Provincia: HUAMANGA Longitud: 13º 09' 0.00"
Distrito: AYACUCHO Altitud: 2761 msnm
Año Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Set. Oct. Nov. Dic.
1970 162.80 83.60 54.50 49.80 12.70 1.00 11.20 17.40 55.80 23.60 43.60 99.00
1971 118.30 198.80 87.40 33.90 0.60 12.90 0.70 13.90 9.20 35.30 60.20 73.80
1972 144.90 37.30 93.30 54.50 2.00 4.50 18.00 10.70 29.80 50.00 39.90 60.20
1973 90.20 120.80 141.30 69.20 8.40 5.00 4.30 21.70 28.50 29.20 56.30 95.70
1974 125.00 176.60 128.20 34.00 1.30 13.20 6.40 25.70 27.70 22.50 7.80 34.40
1975 108.40 56.80 59.20 21.70 31.90 2.30 0.80 2.40 26.50 28.30 50.60 85.10
1976 142.80 103.00 126.80 37.50 25.40 11.50 2.30 1.00 48.20 16.30 8.10 53.80
1977 59.30 115.50 34.70 35.80 18.50 0.00 11.50 2.50 11.20 4.00 98.80 44.90
1978 161.30 140.20 52.90 21.40 0.70 4.10 0.00 21.40 28.60 47.20 78.60 94.00
1979 89.20 69.80 81.40 23.30 11.20 0.70 13.50 19.00 12.40 21.50 36.60 36.20
1980 85.50 77.40 121.60 11.60 7.40 20.90 2.90 5.50 30.70 71.40 67.30 53.40
1981 100.10 159.20 66.70 41.60 0.50 3.40 4.24 53.50 52.90 90.50 73.40 121.90
1982 126.70 159.90 56.90 16.90 1.30 14.80 3.44 22.00 25.70 63.20 85.10 31.20
1983 82.70 45.40 90.90 41.20 1.40 7.50 6.20 15.30 31.80 54.30 14.60 53.20
1984 120.50 208.10 100.20 10.90 5.40 13.20 3.70 4.90 5.50 46.40 105.40 91.30
1985 73.40 33.90 29.80 52.80 7.40 1.90 2.60 0.00 24.80 6.20 42.90 85.40
1986 124.10 148.00 168.60 67.00 12.50 4.24 7.50 16.70 22.50 19.80 45.70 48.40
1987 129.20 37.10 28.80 20.70 12.30 7.60 10.70 3.30 12.00 37.30 62.00 44.70
1988 84.00 79.40 93.00 61.10 8.70 2.50 7.50 4.42 18.60 16.80 26.50 89.10
1989 107.30 65.40 116.50 4.90 16.00 1.60 5.42 3.20 33.00 27.80 29.90 51.20
1990 76.60 98.70 94.50 11.40 5.60 6.60 6.24 8.00 11.10 7.00 142.00 143.10
1991 60.20 57.90 107.00 98.70 17.50 26.00 10.50 16.50 15.00 40.00 53.60 15.50
1992 104.90 164.20 153.50 17.00 9.20 10.00 6.00 26.00 13.00 24.00 28.50 25.50
1993 125.00 100.00 94.00 34.50 8.00 7.00 15.00 16.50 26.00 22.00 75.00 116.00
1994 115.50 140.00 102.00 30.00 6.50 3.00 5.40 6.50 9.80 19.40 49.30 88.00
1995 157.40 128.90 123.30 12.50 16.50 0.50 2.00 5.60 9.70 34.30 78.70 48.50
1996 75.20 126.80 99.00 43.80 18.40 4.42 7.24 16.70 25.30 20.80 22.30 61.90
1997 147.70 121.60 78.10 25.40 2.90 7.42 2.00 20.20 38.70 23.60 69.30 96.60
1998 116.80 104.10 94.10 6.80 0.40 5.80 2.42 3.90 19.60 56.30 32.40 42.60
1999 107.10 142.30 91.50 29.00 2.60 0.60 4.80 8.40 58.70 13.30 91.20 59.30
2000 126.00 240.60 91.50 8.90 20.30 10.80 55.80 12.70 6.20 66.00 22.10 59.30
2001 161.90 101.30 86.50 23.00 23.20 4.40 24.30 12.60 7.70 31.90 80.90 62.80
2002 133.80 141.40 89.60 26.40 15.10 8.90 25.80 19.30 73.70 19.30 49.70 10.40
2003 75.00 164.90 121.50 77.50 136.80 4.40 12.40 32.10 27.00 11.60 83.49 104.08
2004 111.00 114.00 75.00 38.26 11.13 6.25 7.87 10.67 28.36 39.50 86.30 104.70
2005 98.10 79.60 58.60 29.50 11.50 8.80 6.24 4.24 39.10 25.00 37.70 77.40
2006 137.20 126.20 60.10 46.40 12.00 6.30 7.60 1.80 8.10 39.90 88.70 72.30
2007 71.20 69.60 151.50 38.40 2.50 5.11 6.40 1.00 13.60 39.50 86.30 104.70
2008 83.28 132.08 136.80 6.30 50.69 2.94 16.98 2.44 45.30 47.81 109.34 133.53
Cuadro N°08: Registro de precipitación mensual – Estación Quinua

ESTACIÓN QUINUA PRECIPITACIÓN TOTAL MENSUAL (mm)
Distrito: QUINUA Altitud: 3260 msnm
1970 114.40 36.00 33.60 24.50 14.60 4.10 2.60 3.33 16.20 6.40 11.80 29.40
1971 38.90 62.50 53.90 19.10 24.24 7.54 7.70 6.10 8.42 133.00 1.40 49.40
1972 77.80 8.70 82.50 12.40 11.24 2.66 9.10 3.70 1.10 22.20 9.20 24.00
1973 90.40 66.90 91.50 30.20 6.50 45.24 5.70 12.00 12.40 17.60 12.10 52.80
1974 85.60 130.10 75.80 12.20 7.70 139.0 4.24 14.10 15.50 7.70 5.80 20.50
1975 57.90 43.90 34.30 5.30 14.30 3.70 0.40 3.10 9.00 12.40 16.10 39.90
1976 54.60 63.80 48.40 7.90 11.40 5.70 1.90 3.60 25.10 3.70 5.10 24.20
1977 25.20 52.70 24.10 14.50 6.00 7.24 5.30 3.40 10.60 17.60 33.40 30.80
1978 71.10 14.20 129.00 21.40 7.00 41.00 29.09 0.00 18.90 47.20 78.60 105.00
1979 28.80 45.30 46.80 16.50 7.50 23.32 2.00 5.70 3.70 11.50 23.50 19.60
1980 19.60 35.60 33.50 34.60 10.10 8.37 2.66 3.72 10.10 19.84 19.03 29.09
1981 79.81 86.65 85.29 26.26 10.36 17.15 0.20 6.50 24.90 52.10 40.70 33.70
1982 45.80 68.40 26.90 23.00 1.30 2.00 5.40 9.40 15.50 15.50 53.00 20.40
1983 41.50 13.20 27.10 10.00 15.70 6.74 2.15 2.99 8.14 15.99 15.33 23.44
1984 62.23 32.22 34.45 23.53 11.23 23.23 13.40 29.09 23.80 29.09 23.32 18.90
1985 34.50 12.52 78.22 64.34 17.34 9.23 13.40 21.40 13.40 23.32 10.80 23.80
1986 66.21 65.20 46.23 27.34 19.44 11.09 23.32 10.80 26.90 23.32 29.09 13.40
1987 42.20 27.76 43.33 77.34 21.99 28.23 29.09 18.90 23.32 24.20 14.00 23.32
1988 47.40 52.80 33.40 13.50 9.60 23.32 14.00 12.42 5.50 5.00 17.30 42.00
1989 43.00 29.40 37.20 11.40 5.60 4.10 0.90 4.50 13.60 11.50 13.20 22.00
1990 43.60 15.50 12.80 12.30 3.70 18.50 0.80 10.00 8.90 28.20 43.40 37.80
1991 38.90 26.30 28.70 6.40 2.70 11.70 1.90 26.90 20.60 15.50 10.30 13.40
1992 32.50 33.80 23.90 12.00 23.32 7.20 2.80 10.70 2.70 19.90 17.50 16.30
1993 41.50 63.00 25.40 17.30 6.30 3.90 6.40 6.40 28.40 17.80 23.90 48.30
1994 38.50 49.30 32.40 27.40 1.30 2.40 4.24 5.50 10.80 10.50 18.10 44.30
1995 63.80 50.70 47.30 8.70 11.00 0.40 0.70 0.30 6.90 17.50 28.90 18.90
1996 29.50 38.10 41.40 15.90 0.70 2.42 0.20 5.50 9.10 12.00 17.00 26.60
1997 59.90 52.10 41.00 20.50 3.40 5.42 1.30 10.90 19.40 4.20 27.20 33.90
1998 33.90 60.80 44.90 8.50 2.00 1.60 5.40 2.10 1.90 25.60 19.00 23.00
1999 36.90 56.20 45.50 8.60 0.40 1.30 3.00 4.24 26.20 8.80 23.80 40.50
2000 45.90 70.10 42.60 6.50 13.40 3.70 14.10 1.90 5.60 20.70 4.20 36.60
2001 69.70 40.80 50.70 10.10 15.50 1.80 14.00 6.80 11.20 20.30 34.20 34.50
2002 29.30 62.10 89.60 11.30 10.10 0.50 15.10 5.10 24.40 16.10 35.90 53.80
2003 22.20 66.60 62.30 33.60 8.50 0.65 0.10 9.70 13.30 0.50 10.70 36.50
2004 21.90 38.80 29.80 2.90 5.20 5.20 7.00 4.60 11.60 15.40 21.60 56.00
2005 21.90 43.20 34.30 16.00 5.60 0.20 2.10 0.20 6.90 16.90 17.60 45.30
2006 39.20 44.70 49.20 18.50 0.40 0.80 4.24 4.60 2.30 15.70 31.20 26.60
2007 44.00 32.00 63.80 22.60 4.90 1.24 4.30 0.40 10.00 23.40 24.70 39.20
2008 34.40 51.20 32.80 10.00 7.90 3.30 2.30 0.50 9.00 19.20 13.80 23.00
Cuadro N°09: Registro de precipitación mensual – Estación Wayllapampa

ESTACIÓN WAYLLAPAMPA PRECIPITACIÓN TOTAL MENSUAL (mm)
Distrito: PACAYCASA Altitud: 2518 msnm
1970 206.50 150.50 136.60 22.50 17.96 22.34 23.50 12.40 88.30 90.10 43.80 60.50
1971 152.30 404.80 97.00 16.80 14.20 17.20 23.60 10.30 18.00 32.40 67.40 45.10
1972 48.70 49.00 104.50 22.22 15.22 33.23 20.20 10.20 12.10 12.60 101.80 94.40
1973 64.70 191.90 210.30 99.90 14.00 34.40 17.42 45.25 43.80 8.40 118.80 174.00
1974 262.10 189.00 183.30 16.20 2.40 36.80 13.66 80.90 29.81 33.00 18.00 51.20
1975 99.80 104.02 80.83 19.95 8.37 2.18 6.01 9.04 15.64 21.95 39.89 66.04
1976 87.22 234.24 66.23 23.66 13.52 3.24 5.60 22.20 66.44 42.20 17.24 24.64
1977 92.52 112.42 87.23 32.22 17.24 2.98 12.34 42.14 44.24 24.12 23.40 55.63
1978 23.24 165.23 77.23 11.98 9.78 4.10 15.23 16.24 23.20 44.24 23.12 77.35
1979 123.22 98.23 98.23 44.23 7.88 5.12 11.23 54.12 42.12 34.42 78.34 87.50
1980 89.70 69.70 72.60 11.00 7.52 2.22 2.00 5.00 3.90 47.00 58.00 59.36
1981 95.00 134.00 80.80 3.00 18.11 4.00 14.50 81.20 56.40 116.00 55.00 125.00
1982 143.91 150.00 116.57 28.77 12.07 3.14 8.66 27.00 2.00 38.00 99.00 54.00
1983 22.40 58.23 87.23 78.23 14.20 2.98 7.12 15.42 11.24 23.56 74.12 33.98
1984 98.12 98.23 112.66 44.20 15.23 3.45 5.24 17.24 14.24 33.20 44.52 65.34
1985 72.50 119.88 187.23 63.20 13.22 5.24 6.23 23.44 11.40 35.50 61.24 83.23
1986 35.64 37.15 28.87 7.12 7.80 2.43 12.01 16.24 51.20 1.40 76.23 111.42
1987 192.50 111.70 19.40 12.65 8.88 5.24 9.24 6.24 22.20 15.80 56.98 11.80
1988 279.30 241.40 108.70 142.10 9.12 2.44 8.23 16.24 12.40 22.12 83.67 138.53
1989 126.23 178.76 154.22 87.23 9.25 7.24 6.23 17.22 56.60 25.75 46.54 64.30
1990 211.20 198.22 133.98 79.24 11.09 3.45 5.22 14.44 44.51 23.32 74.53 79.34
1991 144.25 165.66 117.23 64.20 15.24 2.52 5.98 21.44 71.24 42.12 67.34 69.34
1992 172.10 150.23 59.34 87.22 13.87 6.66 5.76 18.24 65.20 44.99 47.34 78.33
1993 183.38 191.14 148.53 48.20 9.00 6.00 3.20 7.00 62.90 44.30 59.90 106.90
1994 134.20 84.10 113.70 21.00 4.20 0.20 1.20 0.20 12.00 10.80 33.40 82.60
1995 135.80 126.50 61.20 8.60 18.30 2.40 3.40 2.70 8.60 20.60 44.60 27.60
1996 70.20 106.30 116.30 40.30 2.00 2.11 2.55 14.10 14.20 16.60 34.70 55.80
1997 148.70 88.10 57.50 21.00 1.20 1.87 2.30 16.60 38.60 0.60 69.40 86.00
1998 129.60 92.40 76.60 14.70 5.23 1.20 2.66 1.20 2.20 25.50 5.70 61.50
1999 102.60 109.90 67.10 21.00 8.24 12.40 1.80 6.99 42.00 11.10 82.00 52.70
2000 96.00 188.00 176.00 13.10 21.60 14.60 25.90 6.20 5.90 27.80 9.80 103.20
2001 279.50 161.80 115.40 21.20 33.90 3.20 39.00 17.70 20.20 47.40 65.70 34.50
2002 88.40 122.70 191.60 31.30 16.80 2.20 33.30 20.80 28.80 20.90 42.60 90.90
2003 37.70 177.10 121.70 80.40 5.50 1.00 34.52 16.00 17.20 2.42 13.00 62.90
2004 112.40 80.90 66.40 8.50 8.00 5.40 19.70 8.70 23.80 39.00 43.80 133.80
2005 60.90 60.00 44.00 17.60 26.10 2.76 2.50 4.90 4.00 47.40 26.10 89.40
2006 111.20 82.90 120.20 35.00 6.50 3.50 2.30 13.10 18.30 38.20 88.40 71.10
2007 59.00 71.90 117.30 38.20 23.40 9.00 3.20 6.10 13.50 43.60 41.80 69.40
2008 81.60 65.00 45.80 15.00 23.10 2.70 7.42 3.00 10.30 11.30 24.50 69.80
6. Cálculo de caudal
De acuerdo a los datos del aforamiento en un punto de la sección del rio Yucaes, se
describe la siguiente sección transversal del río.
Figura N°11: Sección transversal y alturas cada 0.5 m del río.
Figura N°12: Sección transversal del río.
De la imagen anterior, desarrollamos los siguientes datos:

Cuadro N°10: Áreas por tramo.
Cálculo de área
Tramo Área (m2) Tramo Área (m2)
A 0.1225 J 0.365
B 0.1175 K 0.37
C 0.1625 L 0.3725
D 0.1874 M 0.31
E 0.2139 N 0.24
F 0.226 O 0.175
G 0.2291 P 0.125
H 0.2351 Q 0.825
I 0.3625 R 0.25
Total 4.889
Cuadro N°11: Tiempo para L=20m.

Cálculo del tiempo para L=20m
Tiempo
Prueba (s) Velocidad (m/s) V. Promedio
1 18.44 1.0846
2 16.53 1.2099
3 18.03 1.1093
4 18.55 1.0782
5 18.49 1.0817
1.086
6 18.5 1.0811
7 17.84 1.1211
8 19.01 1.0521
9 21.54 0.9285
10 18.03 1.1093
Cuadro N°12: Área total y velocidad.

Área Total 4.889
Velocidad 1.086
Con estos resultados se hallará el caudal (Q):

𝑄 = 𝑉×𝐴
𝑄 = 1.086 × 4.889
𝑄 = 5.309 𝑚3 /𝑠
.000000 .000000 .000000 .000000

588000 596000 604000 612000
:
.000000
.000000
8560000
8560000
1
1
.000000
.000000
2
8552000
8552000
1
1
! 1
4
3
1
1
1
.000000
.000000
8544000
8544000
2 1
1
1
1
1
1
.000000
.000000
8536000
8536000
1
.000000
.000000
8528000
8528000
.000000 .000000 .000000 .000000
588000 596000 604000 612000
Figura N°13: Red de orden en cuenca.

.000000 .000000 .000000 .000000
588000 596000 604000 612000
:
.000000
.000000
8560000
8560000
1
1
.000000
.000000
2
8552000
8552000
1
1
! 1
4
3
1
1
1
.000000
.000000
8544000
8544000
2 1
1
1
1
1
1
1
.000000
.000000
8536000
8536000
1
.000000
.000000
8528000
8528000
.000000 .000000 .000000 .000000

588000 596000 604000 612000
Figura N°14: Cuenca hidrográfica.
7. DATOS Y PARÁMETROS GEOMORFOMÉTRICOS CUENCA YUCAES
Cuadro N°13: Área y perímetro de la cuenca.

FID Shape * ID GRIDCODE AREA PERIMETRO X Y
0 Polygon 1 0 392.15887 95.759884 600.253429 8544.63606
Cuadro N°14: Longitud de red por orden.

OID GRID_CODE Count_GRID_CODE Sum_LONGITUD
0 1 21 114.945807
1 2 13 25.256113
2 3 5 8.275098
3 4 2 6.102791
Cuadro N°15: Área entre curvas.

OID GRIDCODE Count_GRIDCODE Sum_AREA
0 1 4 12.353102
1 2 10 37.20814
2 3 17 47.328754
3 4 19 43.905605
4 5 10 46.683813
5 6 5 57.747033
6 7 6 31.899779
7 8 5 23.168269
8 9 7 23.26749
9 10 6 31.899779
10 11 4 31.602114
11 12 14 5.655637
Cuadro N°16: Área entre curvas.

Rowid VALUE COUNT AREA MIN MAX RANGE MEAN STD SUM
1 1 249 12353102.49 2550 2702.21265 152.212646 2629.69571 50.853822 654794.231
2 2 750 37208140.04 2706.06665 2860.26831 154.20166 2805.77339 42.026263 2104330.04
3 3 954 47328754.13 2860.64404 3015.80249 155.158447 2944.29976 45.852109 2808861.97
4 4 885 43905605.25 3016.03296 3170.94898 154.916016 3093.17466 44.079437 2737459.57
5 5 941 46683813.04 3171.44751 3325.29419 153.84668 3249.95974 43.221707 3058212.12
6 6 1164 57747033.35 3326.51538 3481.6814 155.166016 3408.8769 41.815572 3967932.71
7 7 643 31899778.73 3481.88623 3636.66406 154.777832 3551.39256 44.117063 2283545.41
8 8 467 23168268.53 3637.30981 3790.38916 153.079346 3706.61497 44.998109 1730989.19
9 9 469 23267490.24 3792.73486 3947.63232 154.897461 3868.90441 45.60465 1814516.17
10 10 643 31899778.73 3947.67334 4102.77539 155.102051 4032.274 45.973065 2592752.18
11 11 637 31602113.61 4102.96826 4251.72119 148.75293 4175.25014 42.172753 2659634.34
12 12 114 5655637.286 4258.30273 4413.54492 155.242188 4308.66405 38.895512 491187.702
Cuadro N°17: Área entre pendientes.

Rowid VALUE COUNT AREA MIN MAX RANGE MEAN STD SUM
1 1 473 23465933.65 0 5.44995 5.44995 2.986797 1.737542 1412.75492
2 2 1205 59781078.33 5.465426 10.896535 5.431109 8.448172 1.547547 10180.0472
3 3 1427 70794687.79 10.908398 16.357996 5.449598 13.719033 1.576835 19577.0599
4 4 1475 73176008.75 16.36545 21.810104 5.444654 19.014946 1.545813 28047.0457
5 5 1192 59136137.24 21.814888 27.263126 5.448238 24.448381 1.573732 29142.4707
6 6 956 47427975.84 27.270803 32.715553 5.44475 29.818616 1.588331 28506.5971
7 7 595 29518457.77 32.72374 38.145607 5.421867 35.028352 1.522543 20841.8694
8 8 346 17165355.27 38.175049 43.625118 5.450069 40.701288 1.579219 14082.6458
9 9 152 7540849.715 43.637402 48.928066 5.290665 45.841369 1.429449 6967.88805
10 10 76 3770424.858 49.211857 54.532925 5.321068 51.508178 1.540533 3914.62149
11 11 14 694551.9475 54.969978 58.88797 3.917992 56.491957 0.948899 790.887402
12 12 5 248054.2669 60.462116 65.442024 4.979908 62.95647 1.957413 314.782352
Cuadro N°18: Pendientes de red.

Rowid ARCID COUNT AREA MIN MAX RANGE MEAN STD SUM VARIETY MAJORITY MINORITY MEDIAN
1 1 43 2133266.696 1 8 7 3.604651 1.658516 155 8 2 1 3
2 2 58 2877429.497 2 11 9 4.275862 1.836349 248 8 5 11 4
3 3 8 396886.8271 1 2 1 1.375 0.484123 11 2 1 2 1
4 4 3 148832.5602 2 3 1 2.333333 0.471405 7 2 2 3 2
5 5 49 2430931.816 1 8 7 4.673469 1.93135 229 8 4 1 4
6 6 27 1339493.042 1 7 6 3.814815 1.611005 103 7 2 1 4
7 7 21 1041827.921 1 6 5 2.571429 1.365264 54 5 2 4 2
8 8 11 545719.3873 1 4 3 2.181818 0.833196 24 4 2 4 2
9 9 5 248054.2669 2 7 5 4 1.67332 20 4 4 2 4
10 10 13 644941.0941 1 3 2 2.076923 0.916644 27 3 3 2 2
11 11 18 892995.361 1 6 5 2.833333 1.34371 51 6 2 5 2
12 12 11 545719.3873 1 7 6 3.272727 2.178027 36 5 1 5 2
13 13 14 694551.9475 2 6 4 3.785714 1.520271 53 5 2 3 4
14 14 26 1289882.188 1 7 6 4.538462 1.524941 118 7 4 1 4
15 15 6 297665.1203 2 6 4 3.166667 1.462494 19 4 2 3 2
16 16 14 694551.9475 2 7 5 4.428571 1.347712 62 5 4 2 4
17 17 6 297665.1203 3 6 3 3.666667 1.105542 22 3 3 4 3
18 18 36 1785990.722 2 6 4 4.166667 0.957427 150 5 4 2 4
19 19 8 396886.8271 1 7 6 4.125 2.146946 33 6 3 1 3
20 20 1 49610.85339 2 2 0 2 0 2 1 2 2 2
21 21 5 248054.2669 2 4 2 2.8 0.748331 14 3 2 4 3
22 22 37 1835601.575 2 7 5 4.243243 1.730574 157 6 3 5 4
23 23 14 694551.9475 1 7 6 3.214286 1.655233 45 6 2 7 3
24 24 16 793773.6542 3 6 3 3.875 0.992157 62 4 3 6 3
25 25 14 694551.9475 1 6 5 3.357143 1.585972 47 6 1 2 3
26 26 18 892995.361 1 7 6 3.444444 1.77082 62 7 3 5 3
27 27 10 496108.5339 2 7 5 3.8 1.6 38 6 3 4 3
28 28 2 99221.70678 2 7 5 4.5 2.5 9 2 2 2 2
29 29 37 1835601.575 2 7 5 4.027027 1.240891 149 6 4 7 4
30 30 2 99221.70678 2 2 0 2 0 4 1 2 2 2
31 31 26 1289882.188 2 6 4 4 1.1094 104 5 3 2 4
32 32 14 694551.9475 1 6 5 2.928571 1.437472 41 6 3 5 3
33 33 10 496108.5339 3 7 4 5.1 1.135782 51 5 5 3 5
34 34 13 644941.0941 2 6 4 4.230769 1.526879 55 5 6 3 4
35 35 9 446497.6805 2 11 9 5.888889 2.922877 53 7 3 2 6
36 36 40 1984434.136 1 5 4 2.625 0.992157 105 5 2 5 2
37 37 49 2430931.816 1 7 6 3.326531 1.670729 163 7 3 5 3
38 38 28 1389103.895 1 8 7 3.214286 1.799943 90 8 3 5 3
39 39 56 2778207.79 1 6 5 3.089286 1.122446 173 6 2 1 3
40 40 36 1785990.722 1 6 5 2.638889 1.315564 95 6 2 5 2
41 41 26 1289882.188 1 4 3 2 0.83205 52 4 2 4 2
8. REDES NEURONALES:
Son la nueva forma de la computación que están inspirados en procesos biológicos, que
son ciclos grandes de elementos procesales organizados en múltiples niveles que tienen
organización jerárquica, con estos modelos las computadoras intentan interactuar con
el mundo real asemejándose a como el sistema nervioso interactuaría con la realidad.
Estructura
Una neurona es la unidad básica del Sistema Nervioso. De la misma manera podemos
comparar una Neurona Artificial que es la estructura básica de la Red Neuronal.
Figura N°15: Imagen de Neurona Biológica
Figura N°16: Neurona Artificial
8.1. Redes Neuronales usando el programa Matlab:

Para hacer funcionar el comando de redes neuronales del programa matlab “nntool”.
Primero tenemos que tener una base de datos de entrada “Imput”, como también una
base de datos de salida “Output” para poder introducirlos en el comando de Matlab
“nntool”.
Figura N°17: Comando para crear una Red Neuronal “nntool”
Teniendo una base de datos del SENAMI en las estaciones meteorológicas de

Huamanga, Quinua y Wayllapampa (estos serían nuestros datos de entrada para
entrenar a la red neuronal).
Para obtener los caudales de avenida por precipitaciones usaremos el Método Racional
cuya fórmula es la siguiente:
𝐶∗𝐼∗𝐴
𝑄=
𝑘
(𝑃𝑑 − 𝑃𝑜 ) ∗ (𝑃𝑑 + 23 ∗ 𝑃𝑜 )
𝐶=
(𝑃𝑑 + 11 ∗ 𝑃𝑜 )2
𝑃𝑑
𝐼=
24
Donde:
Q= Caudal (m^3/seg)
C= coeficiente de escorrentía
I= Intensidad Media Diaria
Pd= Precipitación media diaria
Po= Umbral de Escorrentía (que depende de la orografía del terreno)
A= Área total de la cuenca
K= coeficiente k
Con todas estas ecuaciones se pueden obtener los caudales para cada mes, desde 1970
– 2008.
Cuadro N°19: Caudales por cada mes.

Caudales (m^3/seg)
1970 7.6319 3.9301 3.1393 0.9757 0.2569 0.0844 0.1722 0.1325 2.0262 1.3506 1.0135 2.5181
1971 4.6164 10.7561 3.3760 0.5718 0.1897 0.1756 0.1223 0.1076 0.1558 2.7224 1.4977 2.1632
1972 3.9528 0.9476 4.1078 0.8567 0.0925 0.2038 0.2803 0.0634 0.2318 0.7910 1.8661 2.3403
1973 3.4980 5.8340 6.9322 2.6981 0.0960 0.7886 0.0843 0.7037 0.7895 0.3762 2.4887 4.8426
1974 7.4425 7.8384 5.9674 0.4700 0.0016 2.5198 0.0613 1.3604 0.6174 0.4808 0.1188 1.1232
1975 3.8604 2.7921 2.2669 0.2762 0.3682 0.0075 0.0084 0.0084 0.3259 0.4733 1.1310 2.5551
1976 4.1831 6.2053 3.4305 0.5614 0.3160 0.0367 0.0051 0.0795 1.6775 0.4674 0.1088 1.0679
1977 2.3131 4.1134 1.7836 0.7567 0.2181 0.0043 0.0980 0.2889 0.5195 0.2621 1.9461 1.5366
1978 3.6781 4.7926 3.7389 0.3709 0.0210 0.3026 0.2463 0.1756 0.5845 1.6590 2.3699 4.0390
1979 3.4269 2.9416 3.1694 0.7794 0.0778 0.0980 0.0790 0.7018 0.4149 0.5386 1.6556 1.7374
1980 2.6202 2.4110 3.1915 0.4017 0.0664 0.1178 0.0082 0.0071 0.2506 1.6522 1.7548 1.7129
1981 4.0139 5.8383 3.2801 0.5868 0.0966 0.0631 0.0284 1.7020 1.5845 3.7297 2.1769 4.1131
1982 4.7367 5.8115 2.7166 0.5559 0.0088 0.0339 0.0211 0.4172 0.2339 1.2948 3.3551 1.1152
1983 1.7932 1.2970 2.8009 1.5049 0.1162 0.0198 0.0120 0.1378 0.3264 0.9296 1.0905 1.1960
1984 4.1174 5.1216 3.5330 0.6990 0.1211 0.1984 0.0483 0.3269 0.2377 1.1648 2.2480 2.2876
1985 2.3713 2.1289 4.3683 2.3703 0.1788 0.0159 0.0476 0.2522 0.3073 0.5055 1.2661 2.5791
1986 3.1611 3.5860 3.4701 1.0493 0.1970 0.0224 0.2299 0.2399 1.0356 0.2486 1.8681 2.2477
1987 5.5618 2.3052 0.8937 1.1971 0.2336 0.2109 0.3005 0.0923 0.4058 0.6795 1.5641 0.7166
1988 6.3724 5.7300 3.3203 3.0002 0.0843 0.0909 0.1028 0.1320 0.1643 0.2419 1.4723 3.9220
1989 4.0422 3.9904 4.5889 1.0821 0.1123 0.0028 0.0016 0.0657 1.0769 0.5059 0.8646 1.6398
1990 4.9973 4.6672 3.4279 1.0727 0.0364 0.0932 0.0007 0.1262 0.4986 0.4188 3.7529 3.7583
1991 3.4640 3.5774 3.6309 2.1804 0.1540 0.2020 0.0255 0.5031 1.1351 0.9886 1.5351 0.9983
1992 4.6163 5.2898 3.3489 1.2870 0.2698 0.0583 0.0084 0.3729 0.7326 0.8531 0.9217 1.3511
1993 5.3185 5.3923 3.8923 1.0261 0.0545 0.0183 0.0634 0.1043 1.3046 0.7804 2.0006 3.9493
1994 4.2455 3.9876 3.5467 0.6956 0.0000 0.0089 0.0030 0.0006 0.1277 0.2070 1.0387 2.9689
1995 5.4420 4.5572 3.2628 0.1034 0.2630 0.0073 0.0089 0.0070 0.0677 0.6087 1.8882 0.9476
1996 2.2766 3.9493 3.6966 1.0261 0.0406 0.0065 0.0048 0.1623 0.2955 0.3050 0.6316 1.7543
1997 5.4299 3.7855 2.3058 0.5314 0.0082 0.0090 0.0089 0.2849 0.9741 0.0920 2.1221 2.9967
1998 4.1078 3.7070 2.9810 0.1051 0.0081 0.0070 0.0038 0.0084 0.0572 1.1440 0.4004 1.4662
1999 3.5206 4.5972 2.7813 0.4198 0.0020 0.0074 0.0055 0.0321 1.4629 0.1331 2.6582 1.8933
2000 3.8918 7.8900 4.6268 0.0928 0.3774 0.0976 0.9601 0.0388 0.0221 1.2589 0.1604 2.6946
2001 8.1032 4.5189 3.6251 0.3648 0.6115 0.0058 0.6795 0.1702 0.1904 1.0198 2.3782 1.5444
2002 3.6060 4.9069 5.6815 0.5606 0.2209 0.0011 0.6345 0.2562 1.4629 0.3901 1.4844 1.9375
2003 1.5962 6.3361 4.5467 2.5630 1.8644 0.0089 0.2770 0.4094 0.4056 0.0083 1.1407 2.7706
2004 3.4980 3.2959 2.2130 0.3081 0.0615 0.0180 0.1458 0.0591 0.4883 0.9304 1.8797 4.3552
2005 2.3799 2.4127 1.6297 0.4795 0.2339 0.0007 0.0030 0.0059 0.3121 0.8594 0.7400 2.9202
2006 4.2350 3.6461 3.2228 1.0245 0.0282 0.0035 0.0069 0.0314 0.0944 0.9289 2.8542 2.1924
2007 2.2645 2.2525 5.0182 1.0135 0.1119 0.0115 0.0060 0.0082 0.1702 1.1296 1.8984 2.9411
2008 2.6978 3.5499 2.9776 0.1162 0.7443 0.0066 0.0787 0.0089 0.4998 0.6943 1.8108 3.1676
Los datos de entrada serán de las 3 estaciones meteorológicas y como son 12 datos
durante 39 años se usara una matriz de que tengan esas tres estaciones con sus
respectivos datos la cual será una matriz de orden “3 x 468 ”, de la misma manera para
los caudales que se obtiene será una matriz de orden “ 1 x 468 “.
Esto lo realizaremos con un pequeño programa echo en Matlab que nos ordenaran estos
datos.
El código del programa es el siguiente:
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
close all ;
clear all ;
clc ;
Aya=xlsread('Estaciones_metereologicas',1);
Qui=xlsread('Estaciones_metereologicas',2);
Wal=xlsread('Estaciones_metereologicas',3);
PPm=xlsread('Estaciones_metereologicas',4);
n=1;
[m mm]= size(Aya);
for i=1:m
for j=1:mm
Pre(n,:)=[Aya(i,j), Qui(i,j) ,Wal(i,j)]; %Datos de
entrada
n=n+1;
end
end
Cau=xlsread('Estaciones_metereologicas',5);
n=1;
for i=1:m
for j=1:mm
Q(n,:)=[ abs(Cau(i,j)) ]; %Datos de salida
n=n+1;
end
end
Pre=Pre';
Q=Q';
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
Figura N°18: Código fuente hecho en el programa Matlab.
Donde nuestros resultados serán llamados “Pre, para precipitaciones “, “ Q , para los
caudales”.
Ahora cargaremos los datos para crear nuestra red neural.
Usando el botón import, cargaremos los datos “Pre” y “Q“ al Imput Date y Target Date
respectivamente.
Figura N°19: Cargar los datos al nntool.
Ahora creamos la red neuronal dando click al botón “New”, para introducir los
respectivos parámetros de la red.
 Nombre “Rcaudal”
 Network Type: “Feed- forward backprop”
 Number of neurons: 20
Figura N°20: Create Network or Data.
Damos click al botón Create y ya tenemos creada la red neuronal de tipo “Feed- forward
backprop” con 20 neuronas, que esta vez aparecerá en el recuadro de “Networks”.
Dándole doble click para ver sus propiedades y nos dirigimos a TRAIN.
Figura N°21: Network Rcaudal.
Para luego darle click a Train Network (entranamos a nuestra red neuronal).
Figura N°22: Neural Network Training (nntraintool).
Ahora tendremos los siguientes resultados.
Figura N°23: Neural Network Training Training State.
Figura N°24: Neural Network Training Performance.
Figura N°25: Neural Network Training Regression.
Luego de haber entrenado exitosamente a nuestra red neuronal llamada Rcaudal,

exportamos nuestros datos obtenidos dándole click a Export, para que estos se exporten
directamente al Workspace.
Figura N°26: Export from Network / Data Manager.
Ahora ya tenemos nuestra red bien entrenada y lista para darnos los valores de los
caudales introduciendo solamente la precipitación mensual de las tres estaciones
meteorológicas.
Cabe resaltar que al inicio se obtuvieron los caudales con una fórmula empírica, en el
caso del sistema de red neuronal se obtendrán los caudales sin esa fórmula empírica
sino con el algoritmo de aprendizaje que tiene la red neuronal, por ejemplo:
Figura N°27: Ejecución de la Red Neuronal.
Donde introducimos los primeros datos de la estación: [162.8; 114.40; 206.52] ppm
Y nos devuelve el caudal prácticamente similar.
Caudal Con fórmula empírica = 7.6319 m^3/seg
Caudal con red neuronal = 7.632 m^3/seg
9. Conclusión
Se hizo un aforamiento en el río Yucaes, dándonos como resultados un caudal
instantáneo de 5.039m2/s, velocidad instantánea de 1.086 m/s. Se tiene que tener en
cuenta que dicho método nos da resultados poco precisos ya que depende de la
eficiencia y exactitud con que se registraron los datos de campo.
Empleando el método de las redes neuronales se realizó un modelo en Matlab para la
predicción de caudales, utilizando como datos iniciales los registros meteorológicos
mensuales proporcionados por Senamhi desde el año 1970 al 2008, siendo los datos de
precipitación los datos de entrada, generando los caudales como datos de salida.
Se recomienda la aplicación de Redes Neuronales Artificiales para evaluar las variaciones
en las respuestas debido a los diversos datos de entrada y la capacidad de predicción en
el modelo. Siendo eficiente en sus resultados por ser un modelo computacional que crea
una red, capaz de realizar procesamientos organizados en múltiples niveles de forma
jerárquica.
10. Bibliografía
[1] Veitimilla-Reyes Jaime, Cisneros F. y Venegas P. (2016). Artificial Neural Networks
applied to flow prediction: a use case for the Tomebamba river. Procedia Engineering.
(162) ,153-161.
[2] Ravinesh C., Deo y Mehmet Sahin (2015). Application of the Artificial Neural Network
model for prediction of monthly standardized precipitation and evapotranspiration
index using hydrometeorological parameters and climate indices in eastern Australia.
Atmospheric Research. (161-162) ,61-85.
[3] Setiono,Pintis y Hadiani.(2015). Analysis of rainfall-runoff neuran input model with
artificial neural networks for simulation for availability of discharge at Bah Bolon
Watershed. Procedia Engineering. (125) ,150-157.
[4] Milanese M.,Navarra C.(2004). Neural Networks method in real-time forecasting of
apalachicola river flow.Systems & Control Letters,(153),455-467.
[5] Mohammad Ali Ghorbani, Rahman Khatibi, Ali Donundeh y Hakimeh Asadi. (2018).
Precipitation-runoff modeling using Artificial Neural Networks and conceptual models.
Journal of Hydrologic Engineering. (Volume 562), 255-265.
[6] [Cleveland, W. S. (1979) Robust locally weighted regression and smoothing
scatterplots, Journal of American Statistical Association, 74 (368), 829-836.
[7] SCHMERLING, S. y PEIL, J. (1986): ' Improvement of the method of kernel estimation
bylocal polynomial approximation of the empirical distribution function and this
application to empirical regression". Gegenbaurs morphologisches Jahrbuch, 132,29-35.
[8] Poveda G., "Aplicación de los métodos MARS, Holt-Winters y ARIMA generalizado en
el pronóstico de caudales medios mensuales en ríos de Antioquia"(2006). En: Colombia
Meteorologia Colombiana, ISSN: 0124-6984 ed: Gente Nueva v.10 fasc.1 p.36 – 46.
[9] Sk Oh, W P. (2000) Identification of fuzzy systems by means of an auto-tuning
algorithm and its application to nonlinear systems. Fuzzy Sets and Systems. ;115(2):205-
30.
[10] Gómez, E., Álvarez, L. y Obregón, N. (2012). Predicción de Caudales de Ríos
Aplicando el Modelo Neurodifuso Anfis Y Redes Neuronales. Sistemas, Cibernética e
Informática, ISSN: 1690-8627, Vol. 9 – N° 1. pp. 28 -35. Colombia.
[11] Zúñiga, A. A. y Aguirre, D. M. (2015), Pronóstico de Caudales Afluentes para la
Planificación de la Operación de Sistemas Hidrotérmicos de Potencia aplicando el
modelo ANFIS. Escuela Superior Politécnica del Litoral (ESPOL), Guayaquil – Ecuador.
[12] Zúñiga, A. y Jordán, C. (2005). Pronóstico de caudales medios mensuales empleando
Sistemas Neurofuzzy. Escuela Superior Politécnica del Litoral (ESPOL), ISSN 1390-3659,
Vol. 18 – N° 1. pp. 17 -23. Guayaquil – Ecuador.
[13] Sandoval, W. y Aguilera, E. P. (2014). Determinación de Caudales en cuencas con
poco información Hidrológica. Revista Ciencia UNEMI, ISSN: 1390 – 4272. Nº 2, pp. 100
– 110. Ecuador.
[14] Sánchez, M. y Laqui, W. (2009). Predicción de caudales medios mensuales del Río
Huancané utilizando modelos de redes neuronales. Anales científicos UNALM. Vol 70 -
N° 2, ISSN 0255-0407. pp. 196 – 206. Perú.
[15] Zapata, E. C., Velásquez, J. D. y Smith, R. A. (2004). Modelamiento de series de

caudal usando ANFIS. Avances en Recursos Hidráulicos. N° 11, ISSN 0121.5701. pp. 79 –
90. Medellín - Colombia.
[16] Lozada, R. A. (2017). Redes neuronales y lógica difusa aplicado a un sistema
climatológico. Arequipa - Perú.
[17] Pita, E. (2008). Pronóstico de Avenidas a Mediano Plazo Utilizando Redes
Neuronales Artificiales y Modelos Tipo ARMA-Edición Única. Instituto Tecnológico y de
Estudios Superiores de Monterrey. México.
[18] Ballini, R., Soares S. y Andrade, M. G. (2010). Multi-paso adelante por una previsión
de los escurrimientos mensuales neurofuzzy modelo de red. Sao Paulo – Brasil.
[19] Aichouri, Hani, Bougherira, Djabri, Chaffai y Lallahem (2015). El flujo del río modelo
usando redes neuronales artificiales. Energy Procedia 74. Pp. 1007 – 1014.
[20] Oliveras, J. (2015). Cómo obtener el umbral de escorrentía Po. Recuperado el 27 de
junio de 2018 de http://www.hidrojing.com/como-obtener-el-umbral-de-escorrentia-
po/
[21] Oliveras, J. (2014). El cálculo de caudal de avenida en España Método Racional vs
Témez (Racional Modificado). Recuperado el 27 de junio de 2018 de
http://www.hidrojing.com/como-obtener-el-umbral-de-escorrentia-po/
[22] INGEMMET (2018). Carta Geológica Nacional. Recuperado el 27 de junio de 2018
de http://www.ingemmet.gob.pe/carta-geologica-nacional
[23] Estructura neuronal (2005). Recuperado el 25 de junio de 2018 de
https://sistemanerviosohumano.weebly.com/estructura-neuronal.html
[24] Galán H. y Martínez A. (2016). Inteligencia artificial Redes neuronales y aplicaciones.
I.T.T Telemática Universidad Carlos III de Madrid.
[25] Autoridad Nacional del Agua (2012). Estudio: Delimitación de Ámbitos de las
Autoridades Administrativas del Agua. Recuperado el 26 de junio de 2018 de
http://sinia.minam.gob.pe/documentos/delimitacion-ambitos-las-autoridades-
administrativas-agua
[26] Zaki Ab., Mohamed Ch., Bilel Z. (2015). Modelado de caudales extremos de las redes
neuronales artificiales y sistemas ha inferencia neuro-fuzzy (Aplicación a cuencas
costeras Algérois). Revista Conferencia Internacional sobre el African Large cuencas de
los ríos Hidrología Hammamet, Túnez, Octubre 26-30 º.
[27] Machado F., Minas M., Kaviski E., Heinz Ll. (2012). Mensual de modelado lluvia-
escorrentía usando redes neuronales artificiales. Taylor & Francis Group - Hidrológico
Sciences Journal - Diario de Ciencias Hydrologiques , Paraná, Brasil.
[28] Béjar W. E., Valeriano K. Y., Llachoque J. C., Sulla J. (2016). Predicción de caudales
medios diarios en la cuenca del Amazonas aplicando redes neuronales artificiales y el
modelo neuro difuso ANFIS. Revista Research in Computing Science, Perú.
[29] Plazas, R. C. (2006). Aplicación de un modelo neurodifuso ANFIS al problema
predictivo de caudales medios mensuales en la ciudad de Bogotá, Universidad Nacional
De Colombia.
[30] Gómez E., Álvarez L., Obregón N. (2012). Predicción de Caudales de Ríos Aplicando
el Modelo Neurodifuso Anfis y Redes Neuronales. Revista Sistemas, Cibernética e
Informática Volumen 9 - Número 1. Facultad de Ingeniería, Universidad Distrital

Francisco José de Caldas, Bogotá, Cundinamarca, 057, Colombia.
[31] SENAMHI (2018). Datos históricos. Recuperado el 28 de junio de 2018 de
https://www.senamhi.gob.pe/?p=data-historica
[32] HidrojING (2014). El cálculo de caudal de avenida en España. Método Racional vs
Témez (Racional Modificado). Recuperado el 25 de junio de 2018 de
http://www.hidrojing.com/el-calculo-de-caudal-de-avenida-en-espanametodo-
racional-vs-temez-racional-modificado/

Fabricación de Piña en Almibar 04-05-2009

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Fabricación de Piña en Almibar 04-05-2009

Cargado por

Copyright:

Formatos disponibles

UNSCH – METODOS NUMERICOS Julio 2018

PREDICCIÓN DE CAUDAL DE LA CUENCA

Jonathan ESCOBAR VENTURA

Ravinesh, Deo y Mehmet (2015). La previsión de la sequía basada en la influencia

Se tiene como referencia a estudios elaborados en diversos ríos en el mundo. De

modelo en la cuenca del río Raccoon. El proceso diario de precipitación-escorrentía

Para desarrollar de un sistema experto para la predicción de caudales medios mensuales

hidrológica. Desde el PARH de la Universidad Nacional de Colombia se han propuesto

El pronóstico de avenidas desarrollado por Pita (2008) ayuda a la toma de decisiones.

Ballini, Soares y Andrade (2010).El análisis y la previsión de la temporada de la serie de

El reciente avance y desarrollo de modelos computacionales y su aplicación en diversas

De acuerdo Zuñiga y Aguirre (2015) la hidrología es un proceso estacional, las series

Zúñiga y Jordán (2005). Las series de caudales mensuales tienen un comportamiento

Sánchez y Laqui (2009) dicen que dada la importancia de la previsión de caudales,

2.1. El ciclo hidrológico

Figura N°01: Ciclo hidrológico.

Figura N°02: Proceso básico de escorrentía.

Efectos de la escorrentía superficial

2.3. Umbral de escorrentía Po

Pasos para obtener el umbral de escorrentía P0

Paso 1. ¿Qué condición de humedad tiene el suelo?

Paso 5. La tabla de umbral de escorrentía P0

Cuadro N°01: Ciclo hidrológico

zona de uso de suelo y la distribución de pendientes, de manera que para cada

2.4. El cálculo de caudal de avenida: Método Racional vs Témez (Racional Modificado)

El método racional vs el Método Racional Modificado de Témez

Método Racional Método Témez

Cuadro N°03: Coeficiente de escorrentía.

En ambas fórmulas se relaciona Precipitación Máxima Diaria (Pd) con Umbral de

Intensidad Media de precipitación

Intensidad Media de precipitación Intensidad Media Diaria

Cuadro N°04: Intensidad media de precipitaciones.

Relación de intensidades Tiempo de concentración

Cuadro N°05: Relación de intensidades y tiempo de concentración.

La relación de intensidades, entre intensidad horaria y diaria depende también de la

De este modo, la Intensidad es una variable diferenciadora entre ambos métodos,

Cuadro N°06: Coeficiente K.

Para el Método Racional Modificado de Témez, K es el coeficiente de uniformidad que

De estas comparaciones entre variables que intervienen en la estimación de caudales

2.5. Modelo de Red Neuronal Artificial (RNA)

Numérico y proporciona un entorno informático de gran alcance para aplicaciones de

Las capas pueden clasificarse en tres tipos:

Figura N°03: Redes Neuronales Artificiales (RNA)

Figura N°04: Carta Geológica Nacional.

Figura N°05: Cuadrante 27 Ñ.

Figura N°06: Mapa de ubicación del Perú.

Figura N°07: Mapa de ubicación de Ayacucho y provincia de Huamanga.

3.2. UBICACIÓN HIDROLÓGICA

Figura N°08: Mapa de cuencas hidrográficas del Perú.

Figura N°09: Mapa de órganos desconcentrados de la ANA.

4. SITUACIÓN ACTUAL DE LA ZONA

Figura N°10: Topografía actual de la zona.

5. DATOS METEREOLÓGICOS DE LAS ESTACIONES METEREOLÓGICAS

Cuadro N°07: Registro de precipitación mensual – Estación Huamanga

Cuadro N°08: Registro de precipitación mensual – Estación Quinua

Cuadro N°09: Registro de precipitación mensual – Estación Wayllapampa

Figura N°11: Sección transversal y alturas cada 0.5 m del río.

Figura N°12: Sección transversal del río.

De la imagen anterior, desarrollamos los siguientes datos:

Cuadro N°11: Tiempo para L=20m.

Cuadro N°12: Área total y velocidad.

Con estos resultados se hallará el caudal (Q):

.000000 .000000 .000000 .000000

Figura N°13: Red de orden en cuenca.