IEEE LATIN AMERICA TRANSACTIONS, VOL. 15, NO.
9, SEPTEMBER 2017
Artificial Neural Network Based System
Identification of an Irrigation Main Canal Pool
Y. Hernández, V. Feliu, Senior Member, IEEE and R. Rivas
1Abstract— In this paper by applying system identification
tools a neural network model of an irrigation main canal pool is
obtained. The complete system identification procedure, from
experimental design to model validation, taking into account
prior physical information, is developed. It is established that a
nonlinear model with NARX structure can adequately describe
the dynamic behavior of an irrigation main canal pool. The
model validation results show that the model obtained
reproduces with high accuracy the observed data and therefore it
can be applied in the design of nonlinear control systems and/or
for prediction purposes.
Keywords— Irrigation systems, neural network model
identification, model validation, automation of irrigation canals,
management of water resources.
I. INTRODUCCIÓN
E N la actualidad, aumenta de forma creciente el déficit de
agua potable en prácticamente todos los países de nuestro
planeta, lo que ocasiona serias dificultades al desarrollo
agrícola e industrial y pone en peligro la propia existencia del
hombre [1]. Por consiguiente, uno de los mayores desafíos del
siglo XXI consiste en el uso racional y sostenible de los
recursos hidráulicos [2].
La agricultura representa al sector que consume la mayor
cantidad de agua, absorbiendo dos tercios de las reservas
disponibles, debido fundamentalmente a la necesidad de
satisfacer las demandas de este recurso de los sistemas de
riego y a la baja eficiencia que presentan estos sistemas [3].
Una de las medidas utilizadas para propiciar una gestión
eficiente de los recursos hídricos en los sistemas de riego ha
consistido en la aplicación de estrategias convencionales de
control en los canales principales de riego, para garantizar una
estricta correspondencia entre las demandas y las entregas [1].
Sin embargo, estas estrategias no siempre han conducido a
resultados satisfactorios, existiendo grandes pérdidas de agua
en estos sistemas por concepto de operación [4]. Es por ello,
que actualmente la ciencia y la tecnología tienen el reto de
desarrollar e implementar mejores y efectivas soluciones de
control [5], como respuesta a la creciente demanda de agua de
la agricultura, la industria y de la sociedad en general. Por
ende, el diseño de sistemas efectivos de control de esta clase
de plantas presenta una elevada actualidad e interés científico-
Y. Hernández, Universidad Tecnológica de la Habana José
Antonio Echeverría (CUJAE), La Habana, Cuba, ybra@electrica.cujae.edu.cu
V. Feliu, Escuela Técnica Superior de Ingenieros Industriales,
Universidad de Castilla-La Mancha (UCLM), Ciudad Real, España,
vicente.feliu@uclm.es
R. Rivas, Universidad Tecnológica de la Habana José Antonio
Echeverría (CUJAE), La Habana, Cuba, rivas@electrica.cujae.edu.cu
Corresponding author: Raul Rivas Perez
1595
técnico, económico y social [6].
El diseño de sistemas efectivos de control automático
exige disponer de modelos matemáticos que describan de
forma adecuada el comportamiento dinámico de las plantas a
controlar [7]. Obviamente, el desempeño de un sistema de
control depende en gran medida de la precisión del modelo
utilizado en el diseño del controlador [8]. Un buen modelo
debe capturar el comportamiento dinámico más relevante de la
planta en condiciones reales y ser tan simple y robusto como
sea posible [9, 10].
Los canales de riego constituyen plantas no lineales, con
parámetros variantes en el tiempo, y cuyo comportamiento
dinámico se describe mediante las ecuaciones de Saint-
Venant, las cuales son no-lineales en derivadas parciales del
tipo hiperbólicas con restricciones complejas, por lo que su
aplicación en el diseño de sistemas de control automático
presenta serias dificultades [11].
La identificación de sistemas constituye un área importante
de la teoría del control que posibilita la construcción de
modelos matemáticos de los procesos físicos sobre la base de
las observaciones (mediciones) de sus señales de salidas y
entradas obtenidas en condiciones de funcionamiento [9, 12].
En la actualidad, en base a estas herramientas han sido
propuestos diferentes modelos matemáticos de canales
principales de riego [1, 4, 13-18]. Es notorio destacar, que
estos modelos se caracterizan por ser modelos lineales y por
ende no describen de forma adecuada el comportamiento
dinámico no lineal de este tipo de plantas. El diseño de
controladores no lineales requiere de modelos no lineales de
las plantas a controlar [5].
Las herramientas convencionales de identificación de
sistemas presentan serias dificultades cuando se aplican en
plantas con comportamientos dinámicos altamente no lineales
[19]. Ello ha conducido al estudio de otras técnicas con el
objeto de resolver estos inconvenientes. En este sentido, uno
de los campos que ha despertado mayor interés es el basado en
la aplicación de las redes neuronales artificiales (RNA), las
cuales en los últimos años se han convertido en una
herramienta general para abordar con efectividad y precisión
una amplia clase de problemas de identificación y control de
sistemas dinámicos complejos y especialmente de plantas no
lineales variantes en el tiempo, que resultan muy difícil de
controlar mediante los métodos convencionales [5, 20].
Las RNA constituyen un paradigma de aprendizaje y
procesamiento automático de información inspirado en la
forma en que funciona el sistema nervioso biológico [21, 22].
Además, debido a sus capacidades de aproximación, así como
a sus inherentes características de adaptabilidad, las mismas
constituyen una importante alternativa en el modelado de
sistemas no lineales [23, 24]. Entre los aspectos que justifican
la identificación del comportamiento dinámico de un canal
1596 IEEE LATIN AMERICA TRANSACTIONS, VOL. 15, NO. 9, SEPTEMBER 2017

principal de riego mediante la aplicación de RNA se como a la fruticultura y horticultura (alcachofa, coliflor,
encuentran: 1) sus habilidades para representar dinámicas cebolla, etc.) El canal es administrado por la Confederación
complejas y altamente no-lineales, 2) su capacidad de Hidrográfica del Ebro, la cual dispone del Sistema Automático
aprendizaje mediante la modificación de los pesos de de Información Hidrológica (SAIH-Ebro), para la gestión
interconexión entre las neuronas; 3) sus destrezas para alterar global de los recursos hídricos con el fin de optimizar su
en forma dinámica su topología, es decir, el número de capas, asignación y explotación, así como para la previsión y
la cantidad de neuronas en cada capa o la interconexión entre actuación en situaciones de avenidas [26].
capas y neuronas, lo que ofrece una forma no convencional de El canal cuenta con un total de diez tramos de diferentes
aprendizaje y brinda gran flexibilidad a este proceso; 4) su longitudes, separados mediante compuertas sumergibles [27].
tolerancia a datos imprecisos o incompletos.
En la Fig. 1 se muestra una imagen de las compuertas de uno
En [25] se propone un modelo no lineal basado en RNA de
sus tramos.
un tramo de un canal principal de riego. La principal
deficiencia de este modelo consiste en que la RNA utilizada
presenta arquitectura feedforward (propagación hacia delante),
es decir no posee memoria y por ende solo puede transformar
el conjunto de entradas previstas en un conjunto de salidas,
por lo que una vez establecidos todos los parámetros de la
RNA, las salidas únicamente dependen de dichas entradas.
Ello implica, que cuando se originan variaciones en los
parámetros dinámicos del canal, la RNA no puede procesar
esta información y por consiguiente la precisión del modelo
disminuye significativamente. Figura 1. Compuertas de uno de los tramos del canal Imperial de Aragón.
El objetivo de este trabajo consiste en la obtención de un
modelo no lineal que reproduzca con suficiente exactitud el Todos los tramos del canal están electrificados y equipados
comportamiento dinámico de un tramo de un canal principal con sensores de nivel aguas abajo alejado, sensores de
de riego mediante la aplicación de las herramientas de posición de compuerta, moto-reductores y sistemas de
identificación de sistemas basadas en RNA recurrentes. adquisición, procesamiento y almacenamiento de datos. El
La principal contribución de este trabajo consiste en la canal dispone de redes de tele-medida y tele-control, las cuales
aplicación de las herramientas de identificación de sistemas procesan y transmiten en tiempo real al SAIH-Ebro toda la
basadas en RNA recurrentes para la obtención de un modelo información disponible para la toma efectiva de decisiones
no lineal de un tramo de un canal principal de riego. Todos los [27].
estudios de este trabajo se realizaron utilizando información y
datos obtenidos en tiempo real del primer tramo del canal III. IDENTIFICACIÓN BASADA EN RNA DEL PRIMER
principal Imperial de Aragón en España. TRAMO DEL CANAL OBJETO DE ESTUDIO
El trabajo ha sido estructurado de la siguiente forma: en la Los datos utilizados en este trabajo corresponden al primer
Sección 2 se ofrece una breve descripción del canal principal tramo del canal principal Imperial de Aragón, conocido como
Imperial de Aragón. En la Sección 3 se desarrolla el el Bocal, el cual dispone de una infraestructura hidráulica
procedimiento de identificación basada en RNA del primer compleja, presenta un largo de 8 km, una profundidad variable
tramo del canal objeto de estudio. En la Sección 4 se realiza el entre 3.1 y 3.6 m, un ancho variable de hasta de 30 m y
procedimiento de validación del modelo obtenido. Finalmente, conduce un caudal máximo de 30 m3/s [27]. En la Fig. 2 se
en la Sección 5 se ofrecen las conclusiones. muestra un diagrama simplificado del canal Imperial de
Aragón, donde: QR, Q1, Q2, …, Qi, representan los caudales de
II. DESCRIPCIÓN DEL CANAL IMPERIAL DE ARAGÓN agua; yR, y1, y2, …, yi, son los niveles aguas abajo alejado
El canal Imperial de Aragón es una de las obras hidráulicas (variables controladas); uR, u1, u2, …, ui, representan las
importantes de Europa [26]. Es un canal de 110 km de largo, magnitudes de apertura de las compuertas (variables de
ubicado entre los municipios de Fontellas (Navarra) y Fuentes control); qR, q1, q2, …, qi, son las descargas laterales.
de Ebro (Zaragoza), utilizado para el riego y la navegación,
aunque actualmente no es navegable. El canal tiene pendiente
de 8 cm/km, sección transversal trapezoidal y discurre paralelo
al río Ebro por su margen derecha. La Casa de Compuertas,
situada en el origen del canal (tramo 1), regula el flujo de agua
desde el río Ebro hacia el canal mediante 11 compuertas de
1.67 m de ancho y 2.22 m de altura, con una descarga máxima
de 30 m3/s.
La superficie de riego del canal es de 26 500 ha. La
dedicación de sus áreas bajo riego se encuentra orientada a los
cultivos herbáceos extensivos (alfalfa, maíz, cereales, etc.), así Figura 2. Diagrama simplificado del canal objeto de estudio.
HERNÁNDEZ LÓPEZ et al.: ARTIFICIAL NEURAL NETWORK 1597

El nivel de agua en el Bocal se controla mediante las 10

compuertas sumergibles de la Casa de Compuertas [27]. El
número de compuertas que se abren depende del caudal que se
necesita entregar. Por ejemplo, si se necesita derivar desde el
río Ebro un caudal que requiere 150 cm de apertura de
compuertas, se abren de forma simultánea cinco compuertas,
con una magnitud de 30 cm, lo que equivale a una abertura
total de 150 cm. De esta forma, las 10 compuertas se
representan mediante una sola compuerta equivalente (ver Fig.
2). La operación de este tramo se realiza mediante el método
de regulación aguas abajo, con sensor de nivel alejado. Las
mediciones disponibles son el nivel aguas abajo alejado y la
posición de la compuerta equivalente aguas arriba (ver Fig. 2).
Este tramo de canal se caracteriza por presentar parámetros
dinámicos variantes en el tiempo en función del régimen de Figura 4. Datos de salida correspondientes a la variación de nivel aguas abajo
alejado.
operación [27], por lo que el procedimiento de identificación a
utilizar debe considerar este importante aspecto. Los datos fueron divididos en dos grupos, datos para la
obtención del modelo y datos para la validación del modelo
3.1 Experimento para la recolección de datos
(ver Fig. 3 y Fig. 4).
El objeto de este experimento consiste en obtener datos de la Una vez obtenidos los datos se comprobó si los mismos
relación entrada-salida que contengan información sobre el son portadores de información que se corresponde con el
comportamiento dinámico relevante del Bocal, una vez que diseño del experimento. En la Tabla I se exhiben los
este ha sido estimulado con una señal de entrada excitante resultados de este estudio, de donde es posible observar que
persistente. Como variable de salida se consideró a la los datos se encuentran dentro del rango de variación
variación de nivel aguas abajo alejado, como variable de esperado.
entrada a la magnitud de apertura de la compuerta equivalente
TABLA I
aguas arriba y como perturbaciones principales a la descarga
ANÁLISIS DE DATOS PARA LA IDENTIFICACIÓN
lateral, así como los efectos de las interacciones con el rio
Ebro y el tramo adyacente aguas abajo.
VARIABLE MÍNIMO MÁXIMO PROMEDIO
Para obtener datos que contengan información relevante del
comportamiento dinámico del Bocal, se diseñó una secuencia Entrada (cm) 112 312 200.00
binaria pseudo-aleatoria (PRBS), con la cual se accionará Salida (cm) 0.2067 5.5184 5.3117
sobre las compuertas aguas arriba del Bocal, posibilitando que
éstas alternen entre dos niveles de variación de su magnitud de 3.2 Selección de la estructura del modelo basado en RNA
apertura. Un total de 5 compuertas recibieron variaciones La selección de la estructura del modelo constituye una de las
simultáneas en sus magnitudes de apertura de ±40 cm, lo que decisiones más importantes y difíciles en el procedimiento de
equivale a una variación en la magnitud de apertura total de la identificación de sistemas debido a que su complejidad puede
compuerta equivalente de ±200 cm. Esta variación en la afectar la exactitud con la que el modelo describe el proceso
magnitud de apertura total de la compuerta equivalente se real [9, 28]. Como estructura de modelo se seleccionó la
corresponde con uno de los regímenes de operación habitual NARX, la cual representa a una estructura ARX no lineal
del Bocal. Los datos de entrada (magnitud de apertura de la (neuronal), por lo que la misma debe contar con al menos una
compuerta equivalente) y de salida (variación de nivel aguas
función de activación no lineal en alguna de las capas de la
abajo alejado) se muestran en las Fig. 3 y Fig. 4.
RNA. La ecuación de la estructura de modelo NARX se
representa mediante la siguiente expresión [29, 30]:
y(k ) = F ( y(k −1),.., y(k − ny ), u(k − d ),.., u(k − d − nu )) , (1)
donde F representa a una función no lineal que establece la
relación entre la señales de salida y (k ) y entrada u (k ) de
la planta; n y y nu representan a los números máximos de
salidas y entradas previas respectivamente; d es el retardo de
tiempo de la planta. El predictor neuronal se define como:
yˆ (k ) = F (ϕ (k )) , (2)
donde (ϕ (k )) es el vector de regresión
Figura 3. Datos de entrada correspondientes a la variación de la magnitud de
ϕ(k ) = [ y(k −1),.., y(k − ny );u(k − d ),.., u(k − d − nu )] , (3)
apertura de la compuerta equivalente con señal PRBS.
1598
En la Fig. 5. se exhibe la estructura general del modelo
NARX.
Figura 5. Estructura del modelo NARX.
El error de predicción entre la salida de la planta y la salida
estimada por la RNA ( e( k ) = y ( k ) − yˆ m ( k ) ) se utiliza para
ajustar los pesos y los bias de la RNA mediante la
minimización de la siguiente función [31]:
1 m
ε= 
2 k =1
[ y(k ) − yˆ m (k )]2 .
3.3 Entrenamiento de la RNA
La RNA artificial que se propone utilizar para la identificación
del comportamiento dinámico del Bocal a diferencia de la donde J es la matriz Jacobiana del vector de errores, I es la
RNA propuesta en [25] presenta estructura NARX con matriz identidad, e es el vector de errores, α es la constante
arquitectura recurrente. Las RNA recurrentes son aquellas que
presentan algún tipo de realimentación o conexiones de las
neuronas de una capa con neuronas de capas anteriores y de la
misma capa, además de conexiones hacia delante [32, 33]. Las
RNA recurrentes son mucho más potentes en todos los
aspectos que las feedforward debido a que las mismas se
caracterizan por tener una determinada dependencia con
sucesos ocurridos en instantes pasados (efecto de memoria), lo
cual resulta imprescindible en el proceso de identificación de
plantas con parámetros dinámicos variantes en el tiempo [34].
En la Fig. 6 se muestra un diagrama con la arquitectura de
la RNA diseñada para la identificación del comportamiento
dinámico del Bocal, la cual dispone de 10 bloques de retardo
para las señales de entrada y de salida, una neurona en la capa
oculta y otra en la capa de salida.
Figura 6. Arquitectura recurrente de la RNA diseñada.
La capa oculta tiene como función de transferencia a una
IEEE LATIN AMERICA TRANSACTIONS, VOL. 15, NO. 9, SEPTEMBER 2017
tangente sigmoidal hiperbólica, la cual constituye una función
no lineal, mientras que la capa de salida presenta una función
lineal. La ventaja de esta arquitectura consiste en que puede
aproximar cualquier función con la precisión deseada mientras
que la misma presente un número finito de discontinuidades.
La precisión de la aproximación depende de la selección del
número adecuado de neuronas en la capa oculta.
Una vez determinada la arquitectura de la RNA resulta
necesario entrenarla. En la etapa de entrenamiento la RNA
tiene que ser capaz de aprender las relaciones complejas no
lineales existentes entre el vector de entradas y el vector de
salidas [35]. Durante el entrenamiento, los vectores de pesos
(W) y de bias (b) de las conexiones entre las neuronas de las
diferentes capas (ver Fig. 6) se ajustan gradualmente, de forma
tal de que sus valores converjan hacia los valores que
posibilitan obtener un error mínimo ( e( k ) ) entre la salida
estimada yˆ m ( k ) por la RNA y la salida deseada de la planta
y (k ) [36]. Para el ajuste de los pesos de la RNA se utilizó el
algoritmo de Levenberg-Marquardt [37], el cual mezcla
sutilmente el método de Newton y el método del gradiente
descendente en una única ecuación y se caracteriza por su
elevada velocidad de convergencia, aunque la complejidad de
(4) sus cálculos es mayor que en otros algoritmos. La expresión
con la que se actualizan los pesos w es la siguiente:
JTe
w(n + 1) = w(n) − αw(n − 1) − T , (5)
J J + μI
del momento, μ es una constante equivalente a la taza de
aprendizaje.
Cuando el vector de errores alcanza un valor mínimo la
RNA se encuentra entrenada, lo que significa que ella es capaz
de reproducir con suficiente exactitud el comportamiento
dinámico deseado de la planta, siempre y cuando los datos de
entrenamiento hayan sido suficientes y bien seleccionados.
IV. VALIDACIÓN DEL MODELO OBTENIDO BASADO
EN RNA DE UN TRAMO DE UN CANAL DE RIEGO
Una vez que la fase de entrenamiento ha concluido, es
necesario evaluar si el modelo obtenido describe con
suficiente exactitud para los fines requeridos el
comportamiento dinámico de la planta real, es decir, si la
salida del modelo basado en RNA se ajusta a los datos
obtenidos experimentalmente del proceso real objeto de
estudio. El procedimiento que posibilita evaluar la calidad del
modelo obtenido para la aplicación requerida se conoce como
validación de modelo [9]. Por otro lado es necesario destacar,
que los modelos obtenidos mediante el procedimiento de
identificación de sistemas de los canales principales de riego
deben ser validados utilizando diferentes criterios, debido a la
complejidad dinámica que presenta este tipo de planta.
En la Fig. 7 se muestran los resultados de validación del
modelo neuronal obtenido cuando se le presentan a la RNA
diseñada datos de entrada/salida previamente conocidos, es
decir los datos del Bocal reservados para la obtención de dicho
modelo (datos de estimación) y que fueron utilizados en el
HERNÁNDEZ LÓPEZ et al.: ARTIFICIAL NEURAL NETWORK
entrenamiento.
Figura 7. Resultados de validación del modelo basado en RNA obtenido
frente a datos de entrada/salida utilizados en el entrenamiento.
De la figura 7 se observa la excelente capacidad de la RNA
diseñada para reproducir todos los datos previamente
conocidos que describen el comportamiento dinámico no
lineal del Bocal.
La segunda prueba realizada consistió en estimular la RNA
diseñada con datos de entrada/salida desconocidos, es decir
datos diferentes a los utilizados en el entrenamiento, para ello
se utilizó una porción de los datos de entrada/salida reservados
para la validación del modelo. Los resultados de este ensayo
se exhiben en la Fig. 8.
Figura 8. Resultados de validación del modelo basado en RNA obtenido
frente a datos de entrada/salida desconocidos.
De la Fig. 8 es posible observar la habilidad que presenta
la RNA diseñada de seguir de forma adecuada un conjunto de
datos de entrada/salida de la variación de nivel en el tramo de
canal objeto de estudio no utilizados en la fase de
entrenamiento. Ello evidencia las principales ventajas que
posee el modelo basado en RNA obtenido de generalizar
conceptos y tratar con información que no le fue presentada
durante la fase de entrenamiento.
Para cuantificar el grado de adecuación del modelo se
utilizó el índice de ajuste FIT, el cual constituye una medida
cuantitativa de la calidad del modelo y se obtiene a partir de la
norma de los errores residuales entre la salida medida y la
salida estimada por el modelo. Los valores cercanos al 100%
significan una mejor aproximación y por consiguiente un
1599
mejor modelo. El índice FIT se determina mediante la
expresión [9]:
 yi − yˆ i
2

FIT = 1 − 2  × 100% , (6)
 yi − mean( yi ) 
donde yi es el nivel de agua aguas abajo alejado (medido),
ŷi es la estimación del nivel de agua realizada por la RNA,
mean ( yi ) es la media del nivel de agua aguas abajo alejado.
Además, como segundo criterio de validación se utilizó el
índice VAF, el cual estima el porcentaje de la varianza de la
salida que se describe por el modelo y posibilita evaluar la
calidad de un modelo, mediante la comparación de la salida
real de la planta con la salida estimada por el modelo. El VAF
se determina mediante la expresión [9]:
 var ( yi − yˆ i ) 
VAF = 1 −  ×100% . (7)
 var ( yi ) 
Un mayor valor porcentual del índice VAF indica una
menor varianza residual, por lo que se puede afirmar que el
modelo explica de forma satisfactoria el comportamiento
dinámico de la planta.
Los resultados del cálculo de los índices FIT y VAF del
modelo basado en RNA obtenido se muestran en la Tabla II.
TABLA II
RESULTADOS DE VALIDACIÓN DEL MODELO OBTENIDO
MODELO FIT (%) VAF (%)
NARX 93.08 99.52
De la Tabla II es posible observar los buenos resultados
obtenidos por el modelo basado en RNA desarrollado.
V. CONCLUSIONES
Aplicando las herramientas de identificación de sistemas se
obtuvo un modelo no lineal basado en RNA con estructura
NARX de la distribución de agua en un tramo de un canal
principal de riego. Los resultados de validación del modelo
obtenido muestran que el mismo reproduce con un elevado
grado de adecuación el comportamiento dinámico no lineal del
Bocal, incluso considerando datos en tiempo real que no
fueron utilizados en el entrenamiento de la RNA.
El modelo obtenido promete ser una alternativa interesante
en el modelado del comportamiento dinámico no lineal de la
distribución de agua en canales principales de los sistemas de
riego y muestra que existe un gran potencial en la utilización
de las RNA en el diseño de sistemas de control no lineal de
esta clase de plantas, así como de sistemas de predicción y de
soporte a la toma de decisiones para una mejor la operación y
utilización de los recursos hidráulicos.
Los próximos objetivos de esta investigación consisten en
modelar los restantes tramos del canal Imperial de Aragón y
utilizar dichos modelos en el diseño e implementación práctica
de un sistema integral de control inteligente de la distribución
del agua en todo el canal.
1600
AGRADECIMIENTOS
Este trabajo ha sido realizado con financiación de la
Consejería de Educación, Cultura y Deportes de la Junta de
Comunidades de Castilla-La Mancha y de la European Social
Fund (Proyecto POII-2014-014-P).
REFERENCIAS
[1] X. Litrico and V. Fromion, Modeling and Control of Hydrosystems.
Springer-Verlag, London, UK, 2009.
[2] M. Afzal, A. Battilani, D. Solimando, and R. Ragab, "Improving water
resources management using different irrigation strategies and water
qualities: Field and modelling study", Agricultural Water Management,
176, pp. 40-54, 2016.
[3] V. Feliu-Batlle, R. Rivas-Perez, F. J. Castillo-Garcia, L. Sanchez-
Rodriguez, and A. Linares Saez, "Robust fractional order controller for
irrigation main canal pools with time-varying dynamical parameters"
Computers and Electronics in Agriculture, 76(2), pp. 205-217, 2011.
[4] E. Weyer, “System identification of an open water channel”, Control
Engineering Practice, 9, pp. 1289-1299, 2001.
[5] M. Santos, "Un enfoque aplicado del control inteligente", Revista
Iberoamericana de Automática e Informática Industrial, 8(4), pp. 283-
296, 2011.
[6] F. J. Castillo-Garcia, V. Feliu-Batlle, and R. Rivas-Perez, "Frequency
specification regions of fractional order PI controller for first order plus
time delay processes", Journal of Process Control, 23(4), pp. 598-612,
2013.
[7] R. Rivas-Perez, R. Aref Ghraizi, J. R. Peran Gonzalez, and E. Cesar
Sanchez, "Industrial boilers. Integral automatic control system",
Automática e Instrumentación, 308, pp. 79-84, 2000.
[8] K.Astrom, and T. Hagglund, T. Control PID Avanzado, Pearson
Educación S.A., Madrid, Spain, 2009.
[9] L. Ljung, System Identification: Theory for the Users, Prentice-Hall,
New Jersey, USA, 1999.
[10] R. Rivas-Perez, J. Herranz, O. Llanes, and L. Cartaya, "Modelo
matemático dinámico de generadores de vapor", Revista de Ingeniería
Electrónica, Automática y Comunicaciones, 15(3), pp. 45-54, 1994.
[11] V. T. Chow, Open-channels Hydraulics, McGraw-Hill Book Company,
N.Y, USA, 1988.
[12] V. Feliu-Batlle, R. Rivas-Perez, and F.J.Castillo-Garcia, "Simple
fractional order controller combined with a Smith predictor for
temperature control in a steel slab reheating furnace", International
Journal of Control, Automation and Systems, 11(3), pp. 533-544, 2013.
[13] A. Merot, and J.-E. Bergez, "IRRIGATE: A dynamic integrated model
combining a knowledge-based model and mechanistic biophysical
models for border irrigation management, Environmental Modelling
and Software, 25, pp. 421-432, 2010.
[14] R. Rivas-Perez, V. Feliu-Batlle, L. Sanchez Rodriguez, D. J. Pedregal
Tercero, A. Linares Saez, J. V. Aguilar Mariñosa, and P. Langarita
Garcia, "Identification of the first pool of the Imperial de Aragon main
irrigation canal", Hydraulic Engineering in Mexico, 23(1), pp. 71-87,
2008.
[15] R. Rivas-Perez, V. Feliu Batlle, and L. Sanchez Rodriguez, "Robust
system identification of an irrigation main canal", Advances in Water
Resources, 30(8), pp. 1785-1796, 2007.
[16] S. N. Calderon-Valdez, V. Feliu-Batlle, R. Rivas-Perez, "Fractional-
order mathematical model of an irrigation main canal pool", Spanish
Journal of Agricultural Research, 13(3), e0212, 2015.
[17] R. Rivas-Perez, V. Feliu-Batlle, F. J. Castillo-Garcia, and A. Linares-
Saez, "Mathematical model for robust control of an irrigation main
canal pool", Environmental Modelling & Software, 51(1), pp. 207-220,
2014.
[18] R. Rivas-Perez, V. Feliu Batlle, F. Castillo Garcia, A. Linarez Saez,
"System identification for control of a main irrigation canal pool",
IFAC Proceedings Volumes, 41(2), pp. 9649-9654, 2008.
[19] W. Yu, Recent Advances in Intelligent Control Systems, Springer-
Verlag, London, UK, 2009.
[20] R. Valverde Gil, and D. Gachet Páez, "Identificación de sistemas
dinámicos utilizando redes neuronales RBF", Revista Iberoamericana
de Automática e Informática Industrial, 4(2), pp. 32-42, 2007.
[21] G. Horváth, “Neural networks in system identification”, NATO Science
Series Subseries III Computer and Systems Science, 185, pp. 43-78,
2003.
IEEE LATIN AMERICA TRANSACTIONS, VOL. 15, NO. 9, SEPTEMBER 2017
[22] K. S. Narendra, and K. Parthasarathy, "Identification and control of
dynamical systems using neural networks", IEEE Transactions on
Neural Networks, 1(1), pp. 4-27, 1990.
[23] T. A. Tutunji, "Parametric system identification using neural network",
Applied Soft Computing, 47, 251-261, 2016.
[24] B. Krosse, and P. V. der Smagt, An Introduction to Neural Networks,
University of Amsterdam, the Netherlands, 1996.
[25] Y. Hernández Lopez, R. Rivas-Pérez, "Identificación basada en redes
neuronales de un tramo de un canal principal de riego", En: X
Seminario Euro-Latinoamericano de Sistemas de Ingeniería, 17
Convención Científica de Ingeniería y Arquitectura, La Habana, Cuba,
2014.
[26] D. J. Pedregal, R. Rivas, V. Feliu, L. Sanchez, and L. Linares, "A non-
linear forecasting system for the Ebro River at Zaragoza, Spain".
Environmental Modelling & Software, 24(4), pp. 502-509, 2009.
[27] R. Rivas-Perez, V. Feliu-Batlle, F. J. Castillo-Garcia, L. Sanchez-
Rodriguez, and A. Linares Saez A., "Robust fractional order controller
implemented in the first pool of the Imperial de Aragon main canal",
Tecnología y Ciencias del Agua, 5(1), pp. 23-42, 2014.
[28] B. Roffel and B. Betlem, Process Dynamics and Control Modeling for
Control and Prediction. London: , 2006, p. 562.
[29] F. A. Ruslan, A. M. Samad, Z. Zain, and R. Adnan, “Flood water level
modeling and prediction using NARX neural network: case study at
Kelang River”, In: IEEE 10th International Colloquium on Signal
Processing & its Applications, 1, pp. 7-9, 2014.
[30] J. A. Renteria-Cedano, and L. M. Aguilar-Lobo, “Implementation of a
NARX neural network in a FPGA for modeling the inverse
characteristics of power amplifiers”, In: IEEE 57th International
Midwest Symposium on Circuits and Systems, pp. 209-212, 2014.
[31] M. Basso, F. Bencivenni, L. Giarre, S. Groppi, and G. Zappa,
“Experience with NARX model identification of an industrial power
plant gas turbine”, In: Proceedings of the 41st IEEE Conference on
Decision and Control, pp. 5-6, 2002.
[32] L. R. Medsker and L. C. Jain, Recurrent Neural Networks. Design and
Applications, CRC Press, Boca Raton, USA, 2001.
[33] V. M. Ranković, and I. Ž. Nikolić, "Identification of nonlinear models
with feedforward neural network and digital recurrent network", FME
Transactions, 36, 87-92, 2008.
[34] W. Zhang, Z. Liu, J. Zhu, and X. Xu, “Identification and control of
time-delay system with recurrent wavelet neural networks”, In: Third
International Conference on Intelligent Control and Information
Processing, pp. 211-216, 2012.
[35] W. Maydl, and B. Sick, “Recurrent and non-recurrent dynamic network
paradigms: a case study”, In: Proceedings of the IEEE-INNS-ENNS
International Joint Conference on Neural Networks, pp. 73-78, 2000.
[36] V. Piuri, and C. Alippi, “Experimental neural networks for prediction
and identification”, IEEE Transactions on Instrumentation and
Measurements, 45(2), pp. 1-7, 1996.
[37] H. Liu, “On the Levenberg-Marquardt training method for feed-
forward neural networks”, In: IEEE Sixth International Conference on
Natural Computation, pp. 456–460, 2010.
Ybrain Hernández López received the M.Sc degree in
industrial informatics and automation from Havana
Polytechnic University, Cuba, in 2014. He is a PhD student of
advanced control in the same institute. His current research
include applications of neural networks to modeling and
control of industrial processes.
Vicente Feliu Batlle received his M.Sc. (with honors) in
Industrial Engineering and a Ph.D. from Polytechnic
University of Madrid, Spain in 1979 and 1982, respectively.
He also holds and M.Sc. in Physics (1986). Currently he is
leading Automation and Robotics group at the same
university. He is senior member of the IEEE and a member of
IFAC.
Raul Rivas-Perez received his M.Sc (with honors) in
Automatic Control engineering from Odessa Polytechnic
University, Ukraine in 1979 and a Ph.D. from Institute of
Hydraulic Engineering and Land Reclamation of Ukrainian
Academy of Agrarian Sciences in 1984. He has been
professor in Havana Polytechnic University since 1995. He is
a member of Cuban Academy of Science and a member of IFAC.