Documentos de Académico
Documentos de Profesional
Documentos de Cultura
_________________________________________________________________________
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
UNSCH – METODOS NUMERICOS Julio 2018
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.
| Ingeniería Civil 2
UNSCH – METODOS NUMERICOS Julio 2018
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.
| Ingeniería Civil 3
UNSCH – METODOS NUMERICOS Julio 2018
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%.
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)
| Ingeniería Civil 4
UNSCH – METODOS NUMERICOS Julio 2018
| Ingeniería Civil 5
UNSCH – METODOS NUMERICOS Julio 2018
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.
| Ingeniería Civil 6
UNSCH – METODOS NUMERICOS Julio 2018
| Ingeniería Civil 7
UNSCH – METODOS NUMERICOS Julio 2018
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.
| Ingeniería Civil 8
UNSCH – METODOS NUMERICOS Julio 2018
| Ingeniería Civil 9
UNSCH – METODOS NUMERICOS Julio 2018
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.
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
| Ingeniería Civil 10
UNSCH – METODOS NUMERICOS Julio 2018
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.
| Ingeniería Civil 11
UNSCH – METODOS NUMERICOS Julio 2018
| Ingeniería Civil 12
UNSCH – METODOS NUMERICOS Julio 2018
| Ingeniería Civil 13
UNSCH – METODOS NUMERICOS Julio 2018
| Ingeniería Civil 14
UNSCH – METODOS NUMERICOS Julio 2018
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.
| Ingeniería Civil 15
UNSCH – METODOS NUMERICOS Julio 2018
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.
| Ingeniería Civil 16
UNSCH – METODOS NUMERICOS Julio 2018
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.
| Ingeniería Civil 17
UNSCH – METODOS NUMERICOS Julio 2018
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.
| Ingeniería Civil 18
UNSCH – METODOS NUMERICOS Julio 2018
| Ingeniería Civil 19
UNSCH – METODOS NUMERICOS Julio 2018
| Ingeniería Civil 20
UNSCH – METODOS NUMERICOS Julio 2018
| Ingeniería Civil 21
UNSCH – METODOS NUMERICOS Julio 2018
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
| Ingeniería Civil 22
UNSCH – METODOS NUMERICOS Julio 2018
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.
| Ingeniería Civil 23
UNSCH – METODOS NUMERICOS Julio 2018
| Ingeniería Civil 24
UNSCH – METODOS NUMERICOS Julio 2018
:
.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
:
.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
| Ingeniería Civil 25
UNSCH – METODOS NUMERICOS Julio 2018
| Ingeniería Civil 26
UNSCH – METODOS NUMERICOS Julio 2018
| Ingeniería Civil 27
UNSCH – METODOS NUMERICOS Julio 2018
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.
| Ingeniería Civil 28
UNSCH – METODOS NUMERICOS Julio 2018
| Ingeniería Civil 29
UNSCH – METODOS NUMERICOS Julio 2018
Con todas estas ecuaciones se pueden obtener los caudales para cada mes, desde 1970
– 2008.
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 “.
| Ingeniería Civil 30
UNSCH – METODOS NUMERICOS Julio 2018
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';
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
| Ingeniería Civil 31
UNSCH – METODOS NUMERICOS Julio 2018
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.
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
| Ingeniería Civil 32
UNSCH – METODOS NUMERICOS Julio 2018
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.
Para luego darle click a Train Network (entranamos a nuestra red neuronal).
| Ingeniería Civil 33
UNSCH – METODOS NUMERICOS Julio 2018
| Ingeniería Civil 34
UNSCH – METODOS NUMERICOS Julio 2018
| Ingeniería Civil 35
UNSCH – METODOS NUMERICOS Julio 2018
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:
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.
| Ingeniería Civil 36
UNSCH – METODOS NUMERICOS Julio 2018
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.
| Ingeniería Civil 37
UNSCH – METODOS NUMERICOS Julio 2018
| Ingeniería Civil 38
UNSCH – METODOS NUMERICOS Julio 2018
| Ingeniería Civil 39