AIHR AIIH

XXIII CONGRESO LATINOAMERICANO DE HIDRÁULICA

CARTAGENA DE INDIAS COLOMBIA, SEPTIEMBRE 2008

COMPORTAMIENTO DE LA FRACCIÓN DISPERSIVA EN RÍOS

CARACTERÍSTICOS DE MONTAÑA

Ricardo Alfonso González Pinzón, Luis Alejandro Camacho Botero

Departamento de Ingeniería Civil y Agrícola, Universidad Nacional de Colombia (Bogotá)
Ciudad Universitaria Ed. 409-310, Bogotá-Colombia
ricagonzalezp@unal.edu.co, lacamachob@unal.edu.co

RESUMEN:

En este artículo se presentan los resultados de la investigación del comportamiento de la fracción

dispersiva DF en ríos característicos de montaña de Colombia, utilizando una base de datos de 58
experimentos con trazadores y caracterizaciones hidráulicas realizados bajo diferentes caudales en
los ríos Teusacá, Subachoque y Quebrada Lejía, y en el canal de drenaje urbano Molinos. Los
resultados encontrados permiten estimar en ríos de montaña una fracción dispersiva global
DF = 0.27 ± 0.015 (R2 =0.98). No obstante, se encontró que DF puede presentar variaciones con el
caudal de hasta un 22% (10% en promedio) en un mismo tramo de estudio. En el desarrollo de esta
investigación se proponen tres metodologías fácilmente reproducibles para caracterizar en forma
adecuada el transporte de solutos en ríos de montaña, y se validan por medio de la presentación de
dos casos de estudio.

PALABRAS CLAVES: Transporte de solutos, Fracción dispersiva, Modelo ADZ

ABSTRACT:

This paper presents the research results of the dispersive fraction DF behavior in three different
Colombian mountain rivers, based on a database of 58 tracer experiments and hydraulic
characterizations conducted under several discharges, in the Teusacá, Subachoque and Quebrada
Lejía rivers, and the Molinos drainage channel. The results show that in the studied mountain rivers
the dispersive fraction presents a global value of DF = 0.27 ± 0.015 (R2 =0.98). However, it was
also found that DF can vary up to 22% (10% on average) in the same reach of a given river. As a
result of the investigation, three methodologies are proposed to accurately characterize solute
transport processes in mountain rivers that are validated herein through the presentation of two
study cases.

KEY WORDS: Solute transport, Dispersive Fraction, ADZ Model.

INTRODUCCIÓN

Las zonas de montaña son consideradas ecosistemas frágiles, ya que su estructura y funcionamiento
pueden ser transformados o degradados a corto plazo por el hombre, debido a la poca capacidad de
sus componentes ecológicos para absorber, compensar o revertir las perturbaciones derivadas de su
explotación. El uso creciente de las zonas de montaña con criterios predominantemente extractivos
se traduce en efectos nocivos que impactan la disponibilidad del recurso hídrico local en términos
de calidad, cantidad y oportunidad (FAO, 2000).

Dentro de las principales situaciones que están afectando continuamente la conservación de los
sistemas de agua en América Latina se encuentran: la urbanización no regulada de las riberas de
ríos y lagos, la tala de la vegetación riparia, la falta de tratamiento de las aguas residuales vertidas,
la carencia de servicios de saneamiento básico para las poblaciones rurales de las cuencas, y los
residuos producidos por actividades mineras y agropecuarias no reguladas (FAO, 2002). Teniendo
en cuenta las anteriores consideraciones, este trabajo investigativo busca generar un aporte en el
estudio de los mecanismos de transporte de sustancias disueltas, como pilar sobre el cual están
cimentados los análisis cualitativos y cuantitativos de la capacidad de autopurificación de los ríos de
montaña (Rutherford, 1994; Camacho y Lees, 2000; Camacho et al., 2007a).

Los modelos de transporte de sustancias disueltas en ríos son útiles y necesarios para determinar en
forma objetiva el tiempo de arribo, el tiempo medio de viaje, y el tiempo de pasaje de
contaminantes, permitiendo la operación oportuna de estructuras hidráulicas en sistemas de
distribución de agua, y la evaluación del impacto que genera el vertimiento de estas sustancias.

Dentro de los principales modelos de transporte de solutos discutidos en la literatura y aplicados en

situaciones prácticas se encuentran el de Advección-Dispersión (ADE, e.g. Rutherford, 1994), el de
Almacenamiento Temporal (TS, Bencala y Walters, 1983), y el de Zona Muerta Agregada (ADZ,
Beer y Young, 1983). Esta investigación se centra en el modelo ADZ, ya que se ha encontrado que
describe con mayor parsimonia el transporte de solutos en ríos de montaña, los cuales están
caracterizados por una presencia significativa de zonas muertas (Camacho et al, 2007b). Los dos
parámetros del modelo ADZ, i.e. el tiempo de arribo τ y el tiempo promedio de viaje t , presentan
un claro sentido físico y son identificables. Estos parámetros permiten calcular la fracción
dispersiva definida como DF= 1 - τ / t . En este artículo se presentan los resultados de la
investigación del comportamiento de DF en ríos característicos de montaña de Colombia, utilizando
una base de datos de 58 experimentos con trazadores y caracterizaciones hidráulicas realizados bajo
diferentes caudales en los ríos Teusacá, Subachoque y Quebrada Lejía, y en el canal de drenaje
urbano Molinos.

REVISIÓN DEL MODELO ADZ

En contraste con la representación conceptual desarrollada en torno a los trabajos investigativos que
incluyen el concepto de zona muerta o zona de almacenamiento vinculado con el modelo dispersivo
tipo Ley de Fick, i.e. TS, el modelo ADZ considera que la mayor parte de la dispersión observada
en canales naturales se debe a las zonas muertas, i.e. los efectos acumulados de las zonas muertas
dominan los procesos dispersivos observados y su efecto total puede acoplarse produciendo así una
zona muerta agregada, cuyo tiempo de residencia define las propiedades de la dispersión asociadas
al tramo del río que se está modelando (Beer y Young, 1983; Young y Wallis, 1993).
Mediante un enfoque basado en datos de experimentos con trazadores, y utilizando métodos
avanzados de análisis de series de tiempo de sistemas lineales, se ha demostrado (Beer y Young,
1983;Young y Wallis, 1993; Lees et al., 2000) que es posible representar de forma agregada, pero
precisa, los procesos dispersivos en una corriente causados por una o más zonas muertas. A partir
de estos resultados, mediante un enfoque mecanicista posterior, ha sido posible desarrollar una
ecuación matemática diferencial ordinaria que permite modelar en forma agregada los fenómenos
de transporte de solutos en sistemas hidráulicos. El modelo ADZ resultante en tiempo continuo para
el análisis de solutos conservativos bajo flujo permanente está dado por (Young y Wallis, 1993,
Lees et al., 2000):

d c(t )
=
1
(cu (t − τ ) − c(t ))
dt t −τ [1]

siendo c la concentración conservativa del soluto aguas abajo a la salida del tramo agregado de
estudio; cu la concentración conservativa del soluto aguas arriba a la entrada del tramo de estudio;
t el tiempo promedio de viaje del soluto en el tramo; y τ el tiempo de retraso advectivo entre la
entrada y la salida del soluto en el tramo.

La fracción dispersiva es una relación derivable de los parámetros del modelo ADZ que define las
características de la mezcla del soluto en el tramo (cf. [2]). El modelo ADZ permite representar
condiciones de advección pura, i.e. DF = 0 , y dispersión pura, i.e. DF = 1 .

DF = 1 − τ t [2]

Camacho (2000) sugiere calcular la fracción dispersiva remplazando el tiempo de primer arribo τ
por la relación entre la longitud del tramo y una velocidad máxima u max representativa, i.e.
τ = L u max , y el tiempo promedio de viaje t por la relación entre la longitud del tramo y la
velocidad media u de flujo, i.e. t = L u obteniéndose,

DF = 1 − u u max [3]

En forma interesante, los resultados de diferentes investigaciones hidráulicas (e.g. Chiu y Said,
1995; Xia, 1997) muestran que en ríos de planicie la relación u u max es constante para un rango
amplio de caudales. Por lo tanto estos resultados concuerdan con aquellos reportados por Wallis et
al., (1989) y Young y Wallis (1993) acerca de una fracción dispersiva constante con el caudal.

Al analizar la distribución de velocidades en tuberías y canales uniformes se ha encontrado que

existe una relación lineal entre la velocidad máxima u max y la velocidad media u del flujo, (cf. [4]).
Streeter et al. (1997) muestran que al utilizar la ley potencial de distribución de velocidades
planteada por Prandtl, en flujo turbulento a presión la constante de proporcionalidad b toma un
valor de 1.224.

u max = bu [4]

Chiu y Said (1995), Chiu y Tung (2002) y Chiu y Hsu (2006), proponen un enfoque probabilístico
para modelar la distribución de velocidades en tuberías y canales abiertos. Este enfoque está basado
en la Teoría de Información propuesta por Shannon (1948), y en los principios de Mecánica
Estadística Predictiva (e.g. Luzzi et al., 2002). Dentro de este marco los autores proponen una
ecuación que relaciona las velocidades máxima y media con el parámetro de entropía M (c.f. [5]).

u eM 1
= − [5]
u max e −1 M
M

Chiu y Said (1995) indican que en varios estudios realizados en ríos con características
hidrogeomorfológicas variables, se encontró que la constante b tomó valores constantes que
oscilaron entre 1.18 y 1.4. Por otra parte, y ratificando los resultados presentados por Chiu y Said
(1995), Xia (1997) encontró relaciones lineales entre la velocidad máxima y la velocidad media del
flujo en el río Mississippi. Los datos obtenidos cubren un amplio rango de caudales, i.e. 317-5069
m3/s; profundidades hidráulicas, i.e. 2.8-6.9 m; y anchos superficiales, i.e. 229-2000 m. Las
relaciones encontradas por Xia muestran una variación de b entre 1.24 y 1.46 para tramos
meandrinosos y rectos, respectivamente.

Nótese que las ecuaciones [4] y [5] indican que existe una relación inversa entre la constante b y el
parámetro de entropía M, i.e. en la medida en que b disminuye el flujo es más turbulento y el
parámetro de entropía se hace mayor. Nótese también que para flujo laminar b=2.

Si bajo un rango amplio de caudales b se mantiene constante, se puede inferir que las características
hidrogeomorfológicas de un tramo de canal establecen y conservan un estado de pseudo-equilibrio
que permite encontrar un valor aproximadamente constante en el parámetro de entropía. Para
establecer y mantener tal estado, el flujo ajusta las características del canal, i.e. las formas de fondo,
la geometría, la pendiente y el alineamiento. Por su parte, los canales no erosionables conservan el
pseudo-equilibrio por medio de la variación de la distribución de velocidades, i.e. la velocidad
máxima y su ubicación varían en función del caudal.

Teniendo en cuenta la relación constante existente entre las velocidades medias y máximas (cf. [4]),
puede demostrarse que si se analizan los procesos dispersivos en un canal o tubería uniforme, el
comportamiento de la fracción dispersiva es constante con el caudal. Asumiendo que la velocidad
del flujo y la velocidad del transporte de solutos son iguales, se pueden plantear relaciones entre las
velocidades máxima y media, los parámetros del modelo ADZ, el coeficiente de entropía M y el
coeficiente de turbulencia b (González, 2008).

u τ 1 eM 1
DF = 1 − = 1− = 1− = 1− M − [6]
u max t b e −1 M

El anterior resultado demuestra que la fracción dispersiva es constante con el caudal en un canal o
tubería uniforme, y que tan solo depende del régimen de flujo.

METODOLOGÍA

Para calibrar el modelo ADZ es necesario realizar experimentos con trazadores que permitan
simular el comportamiento de sustancias contaminantes vertidas. Los datos experimentales
utilizados en la investigación se obtuvieron en tres ríos típicos de montaña i.e. Subachoque
(González, 2008), Teusacá (Camacho y Cantor, 2006; González, 2008) y Lejía (López, 2003) y en
el Canal Molinos (López, 2003), un canal de concreto de aguas lluvias. No obstante, en cada río se
analizaron tramos con pendientes longitudinales significativamente variables que permitieron
diversificar las condiciones de los experimentos (ver Tabla 1). Por medio de inspecciones de campo
se establecieron los sitios de medición, y se realizaron experimentos con trazadores de inyección
instantánea utilizando cloruro de sodio bajo diferentes caudales, siguiendo metodologías estándar
(Hubbard et al., 1981; Kilpatrick, 1993; Jobson, 1997).

Tabla 1.- Características de los ríos y tramos estudiados en esta investigación.

Experimentos Pendiente Ancho Profundidad
Río-Tramo Longitud (m)
(#) (%) (m) (m)
Teusacá-La Calera 11 130 - 198.7 0.93 4-5 0.2 – 0.5
Teusacá- abajo Q. Simayá 11 273 - 367 1.10 5-8 0.2 – 0.8
Subachoque- arriba La Pradera 14 306 - 412 3.00 5-8 0.1 – 1.3
Subachoque- abajo La Pradera 11 128 - 226 0.96 4-6 0.1 – 1.0
Quebrada Lejía 4 274.2 4.80 4-7 0.05 – 0.4
Canal Molinos 5 150 1.20 2-3 0.1 – 0.3

En los tramos estudiados se determinó la pendiente longitudinal del cauce por medio de
levantamientos topográficos. Se registraron las longitudes de las piscinas, rápidos y caídas, con el
fin de analizar su influencia en el comportamiento de la fracción dispersiva. Con los datos obtenidos
de concentración-tiempo se calibró el modelo ADZ utilizando la herramienta SOLUTE
TRANSPORT TOOL v1.0 (González y Camacho, este congreso), mediante las herramientas de
calibración objetiva MCAT Toolbox (Wagener, et al., 2004) y Shuffled Complex Evolution (Duan
et al., 1993). A partir de los parámetros calibrados para cada serie de datos se calculó la fracción
dispersiva, y se analizó su variación con el caudal, y la influencia que ejercen las velocidades
medias y máximas, la pendiente longitudinal y las formas de fondo en su comportamiento.

RESULTADOS

Comportamiento de DF con el caudal

Los estudios realizados en varios tramos de ríos de montaña pertenecientes a la región andina
colombiana, sugieren una clara variación de la fracción dispersiva DF con el caudal Q que
contradice el comportamiento constante de DF reportado por Young y Wallis (1993) en ríos de
planicie. La etapa de calibración del modelo ADZ indica que la variación de la fracción dispersiva
con el caudal alcanza valores de hasta un 22% en el mismo tramo de un río (ver Tabla 2 y Figura 1).

Influencia de las velocidades media y máxima

Utilizando los resultados obtenidos en la calibración del modelo ADZ para los 58 experimentos con
trazadores realizados en ríos de montaña, se encontró que puede establecerse un ajuste muy bueno,
i.e. R 2 > 0.95 , entre las velocidades máximas y medias, y entre los tiempos de arribo y promedio de
viaje (ver Figura 2).

Tabla 2.- Variación de la fracción dispersiva en ríos de montaña.

Rango
Río y tramo analizado Media % Variación Pendiente longitudinal (%)
Inf. Sup.
Teusacá- Calera S1-S2 0.33 0.20 0.40 20 0.93
Teusacá- Calera S1-S3 0.27 0.25 0.28 3 0.93
Teusacá- Calera S2-S3 0.34 0.24 0.46 22 0.93
Subachoque - abajo La Pradera S1-S2 0.41 0.32 0.47 15 0.96
Subachoque - abajo La Pradera S1-S3 0.24 0.21 0.26 5 0.96
Subachoque - abajo La Pradera S2-S3 0.18 0.14 0.22 8 0.96
Teusacá- abajo Simayá S1-S2 0.23 0.20 0.27 7 1.1
Teusacá- abajo Simayá S1-S3 0.27 0.24 0.30 6 1.1
Teusacá- abajo Simayá S2-S3 0.41 0.32 0.46 14 1.1
Canal Molinos 0.16 0.13 0.18 5 1.2
Subachoque - arriba La Pradera S1-S2 0.25 0.22 0.29 7 3.0
Subachoque - arriba La Pradera S1-S3 0.22 0.18 0.25 7 3.0
Subachoque - arriba La Pradera S2-S3 0.26 0.22 0.30 8 3.0
Quebrada Lejía 0.36 0.31 0.47 16 4.8
 0.35
DF vs Q DF vs Q
0.7
Rango DF [0.31 - 0.47] Rango DF [0.14 - 0.22]
Media (0.4075) Media (0.1775)
0.3
(+) Std (0.4851) (+) Std (0.2125)
0.6 (-) Std (0.3299) (-) Std (0.1425)

0.25
Fracción Dispersiva DF

Fracción Dispersiva DF
0.5

0.2
0.4

0.15
0.3

0.1
0.2

0.1 0.05

500 1000 1500 2000 2500 3000 500 1000 1500 2000 2500 3000
Caudal Q (lt/s) Caudal Q (lt/s)

a) Tramo Subachoque - abajo La Pradera S1-S2 b) Tramo Subachoque - abajo La Pradera S2-S3
DF vs Q 0.7
DF vs Q
0.7
Rango DF [0.31 - 0.47] Rango DF [0.33 - 0.45]
Media (0.3600) Media (0.4125)
(+) Std (0.4344) 0.6 (+) Std (0.4681)
0.6 (-) Std (0.2856) (-) Std (0.3569)
Fracción Dispersiva DF

Fracción Dispersiva DF
0.5
0.5

0.4
0.4

0.3 0.3

0.2 0.2

0.1 0.1

100 200 300 400 500 600 700 200 400 600 800 1000 1200 1400 1600 1800 2000
Caudal Q (lt/s) Caudal Q (lt/s)

c) Quebrada Lejía d) Teusacá- abajo Simayá S2-S3

Figura 1.- Ejemplos del comportamiento de la fracción dispersiva en ríos de montaña.

1400
1.8 Tiempo de arribo vs Tiempo promedio de viaje
Velocidad máxima vs Velocidad media
Tiempo = 0.73*Tiempo ; R2=0.98
Vel = 1.37*Vel ; R2=0.95 arribo promedio
1.6 max med 1200
Banda de confianza 95% (0.73 +- 0.015)
Banda de confianza 95% (1.37 +- 0.06)
1.4
1000
Velocidad máxima (m/s)

Tiempo de arribo (s)

1.2

800
1

0.8 600

0.6
400

0.4

200
0.2

0
0

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 200 400 600 800 1000 1200 1400 1600 1800
Velocida media (m/s) Tiempo promedio de viaje (s)

(a) (b)
Figura 2.- (a) Relación entre la velocidad máxima y la velocidad media en ríos de montaña. (b)
Relación entre el tiempo de arribo y el tiempo promedio de viaje en ríos de montaña

Los resultados presentados en la Figura 2 son muy interesantes, ya que se utilizaron datos obtenidos
en ríos cuya pendiente varía entre 0.93% y 4.8% (ver Tabla 1), y cuyas formas de fondo son
altamente no uniformes. En la Figura 2 se puede observar que se encontró una correlación casi
perfecta entre las velocidades máximas y medias del transporte de solutos, las cuales permiten
definir las siguientes relaciones en ríos de montaña:

u max ≈ 1.37 ⋅ u ; τ ≈ 0.73 ⋅ t ; M ≈ 3.2 [7]

Las ecuaciones [6] y [7] permiten estimar un valor general de la fracción dispersiva para los ríos
estudiados igual a,

DF = 0.27 ± 0.015 [8]

Este valor constante podría ser utilizado por municipios que cuenten con información escasa, o no
tengan información de procesos de transporte de sustancias disueltas, cuando se requieran modelos
de tiempos de viaje y/o de calidad del agua en ríos de montaña. Bajo esta condición, se puede
calcular un parámetro del modelo si el otro ha sido estimado por un método alternativo. Un análisis
de sensibilidad de esta ecuación permitió establecer que se pueden encontrar errores medios de
9.7% en la estimación de los tiempos del modelo ADZ; el error mínimo hallado es 0% y el máximo
es 27%.

Los anteriores resultados indican que la ecuación [6] puede ser aplicada en ríos de montaña, pero se
debe tener en cuenta que el ajuste de los coeficientes b y M no es perfecto, y que esas aparentes
ligeras desviaciones se traducen en errores de hasta un 20% en la estimación de la fracción
dispersiva.

Los resultados encontrados en ríos de montaña contradicen el comportamiento constante de DF

observado en ríos de planicie y sugieren un estudio particular de los procesos de transporte en cada
río. Si la fracción dispersiva es relativamente constante para un amplio rango de caudales tal y
como fue reportado por Young y Wallis (1993), se debe a que los canales que fueron estudiados
presentan un comportamiento similar a un canal uniforme (estas investigaciones se desarrollaron en
ríos de planicie).

Influencia de la pendiente y las formas de fondo

La Figura 3 presenta el comportamiento de la fracción dispersiva con respecto a la pendiente

longitudinal de los ríos analizados. La calibración del modelo ADZ para diferentes tramos permitió
evidenciar con claridad que no existe una relación directa entre estos dos parámetros.
Particularmente la quebrada Lejía, cuya pendiente longitudinal es 4.8%, presenta valores de
fracción dispersiva en el mismo rango de magnitud que el tramo Teusacá-Aguas abajo Simayá,
cuya pendiente es del 1.1%. Estos resultados son consistentes con otros estudios realizados en este
contexto (e.g Jobson, 1997).

0.5

0.45

0.4
Fracción Dispersiva DF

0.35

0.3

0.25

0.2
Teusacá-La Calera
Teusacá-Aguas abajo Simayá
Subachoque-Aguas abajo La Pradera
0.15
Subachoque-Aguas arriba La Pradera
Quebrada Lejía
Canal Molinos
0.1
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Pendiente (%)

Figura 3.- Variación de DF con la pendiente longitudinal del cauce.

En ríos de montaña las formas de fondo juegan un papel importante en el análisis de los procesos
dispersivos bajo diferentes regímenes hidrológicos. En forma cualitativa puede afirmarse que bajo
condiciones de caudales máximos en ríos de montaña no se presenta una retención temporal del
soluto significativa porque predominan las fuerzas de inercia, i.e. el transporte de solutos está
gobernado por los mecanismos de advección. Este mismo resultado se encuentra en canales
artificiales en los que se controla la uniformidad de la sección transversal y la pendiente
longitudinal. Estas afirmaciones pueden corroborarse al analizar la baja magnitud de la fracción
dispersiva obtenida en el Canal Molinos DF = 0.16 (ver Tabla 2); recuérdese que si DF = 0 se está
analizando un caso de advección pura, y que si DF = 1 se presenta difusión pura.

Predecir cuantitativamente las variaciones espacio-temporales de las formas de fondo y de las

interacciones entre el canal principal y las zonas muertas es un ejercicio complejo, debido
principalmente a la enorme variabilidad de las características geomorfológicas presentes en los ríos
de montaña, y a las mediciones requeridas para cuantificar la interacción entre la zona hiporreica y
el canal principal. No obstante, durante esta investigación se realizaron mediciones que permiten
evidenciar relaciones entre el porcentaje de piscinas y rápidos existente en un tramo y el
comportamiento de la fracción dispersiva.

En las salidas de campo adelantadas en esta investigación se midieron las longitudes de los rápidos,
las piscinas y las caídas en los ríos Subachoque, aguas arriba y aguas abajo de La Pradera, y
Teusacá-Aguas abajo de la quebrada Simayá. Los resultados presentados en la Tabla 3 y en Tabla 4
permiten concluir que la fracción dispersiva se ve influenciada por el porcentaje de piscinas de cada
tramo. Las piscinas son zonas en las que el soluto sufre una mayor retención temporal, y
normalmente existen en ríos de montaña aún bajo caudales altos. Nótese que en la medida en que la
fracción dispersiva aumenta, también lo hace el porcentaje de piscinas, y que cuando la fracción
dispersiva disminuye, aumenta el porcentaje de rápidos.

Tabla 3.- Formas de fondo observadas bajo diferentes caudales en el tramo aguas abajo de la
quebrada Simayá. Río Teusacá.
Experimento Piscinas Rápidos Normal Caídas Q (lt/s) DF
TS1-s1s2 4.6% 37.9% 55.6% 1.9% 1100.90 0.25
TS2-s1s2 7.9% 40.3% 50.8% 1.0% 1353.39 0.26
TS2-s2s3 8.8% 21.1% 67.0% 3.1% 1353.39 0.33
TS2-s1s3 4.0% 38.6% 56.0% 1.4% 1353.39 0.25
TS3-s1s2 8.1% 34.9% 55.1% 1.9% 224.26 0.22
TS3-s1s3 12.0% 30.2% 55.8% 2.0% 224.29 0.30
TS3-s2s3 17.3% 20.5% 61.2% 1.0% 224.26 0.45

Tabla 4.- Formas de fondo observadas bajo diferentes caudales en el tramo aguas abajo de la La
Pradera. Río Subachoque.
Experimento Piscinas Rápidos Normal Caídas Q (lt/s) DF
SU-D1-s1s2 14.0% 20.0% 66.0% 0.0% 425.55 0.31
SU-D2-s2s3 4.3% 29.0% 65.7% 1.0% 290.25 0.19
SU-D3-s1s2 16.0% 20.0% 62.0% 2.0% 1880.46 0.47
SU-D3-s1s3 5.4% 38.6% 54.6% 1.4% 1880.46 0.24
SU-D3-s2s3 3.0% 54.5% 41.3% 1.2% 1880.46 0.14
SU-D4-s1s2 17.5% 19.6% 59.5% 3.4% 471.30 0.47
SU-D4-s1s3 6.0% 24.8% 67.0% 2.2% 471.30 0.26
SU-D4-s2s3 4.1% 36.1% 59.1% 0.7% 471.30 0.22

METODOLOGÍAS PARA PREDECIR EL TRANSPORTE DE SOLUTOS EN RÍOS DE

MONTAÑA

En este trabajo se investigaron tres aproximaciones de utilidad práctica para predecir el transporte
de solutos en ríos de montaña. La primera aproximación consiste en plantear regresiones lineales
entre los parámetros del modelo ADZ (cf. [7]); los resultados encontrados en ríos notoriamente
variables presentan ajustes muy buenos, i.e. (R2 = 0.98). La segunda aproximación consiste en
plantear relaciones potenciales y/o inversas entre los parámetros calibrados del modelo ADZ y el
caudal; las ecuaciones encontradas para los ríos y tramos presentan coeficientes de correlación en
todos los casos mayores a 0.85 (0.94 en promedio) y permiten calcular los parámetros del modelo
para un caudal desconocido. La tercera aproximación investigada permite calcular la evolución de
la concentración máxima de una sustancia disuelta vertida a una corriente de montaña; la validez de
esta aproximación se demuestra en este estudio a partir de la alta correlación obtenida (R2 = 0.82)
entre los tiempos característicos del fenómeno de transporte de solutos y las concentraciones
máximas medidas en campo.

Relaciones entre los parámetros del modelo ADZ y el caudal

Ya que no se encontraron relaciones matemáticas constantes para expresar la variación de la

fracción dispersiva con el caudal, en este trabajo investigativo se proponen relaciones potenciales e
inversas entre el tiempo de arribo, el tiempo promedio de viaje y el caudal, con base en los
resultados obtenidos en la calibración del modelo ADZ en cada tramo estudiado (ver Figuras 4 y 5).
350
280
tmedio vs. Q
tarribo vs. Q
tmedio= 106.59 + 44191.00/Q ; R2= 0.9318
260 tarribo= 86.55 + 36380.09/Q ; R2= 0.9696
-0.43 2 tmedio= 2981.56 * Q-0.43 ; R2= 0.9875
tarribo= 2481.13 * Q ; R = 0.9953
300
240

220

250
200

t medio (s)
t arribo (s)

180

200
160

140

150
120

100

100
80 400 600 800 1000 1200 1400 1600 1800
400 600 800 1000 1200 1400 1600 1800
Caudal Q (lt/s)
Caudal Q (lt/s)

(a) Tiempo de arribo vs caudal (b) Tiempo promedio de viaje vs caudal

Figura 4.- Relaciones entre los tiempos característicos y el caudal. Río Subachoque-Aguas abajo La
Pradera Sitio 2- Sitio 3
500 600

tarribo vs. Q tmedio vs. Q

tarribo= 58.16 + 78723.49/Q ; R2= 0.9894 550 tmedio= 85.66 + 96790.19/Q ; R2= 0.9900
450
tarribo= 20431.74 * Q -0.72 2
; R = 0.9858 tmedio= 21101.03 * Q-0.68 ; R2= 0.9860
500
400

450

350
t medio (s)
t arribo (s)

400

300
350

250
300

200
250

150 200

100 150
200 400 600 800 1000 1200 200 400 600 800 1000 1200
Caudal Q (lt/s) Caudal Q (lt/s)

(a) Tiempo de arribo vs caudal (b) Tiempo promedio de viaje vs caudal

Figura 5.- Relaciones entre los tiempos característicos y el caudal. Río Teusacá-Aguas abajo Simayá
Sitio 1- Sitio 2.

Esta metodología puede ser utilizada en predicción para determinar los parámetros del modelo ADZ
cuando se haya determinado el caudal que fluye por el río, ya que se encontró un excelente ajuste en
todos los casos. Una entidad interesada en predecir el comportamiento dispersivo de un río puede
realizar caracterizaciones hidráulicas y de transporte de solutos para un mínimo de tres regímenes
hidrológicos, i.e. caudales mínimos, medios y máximos, posteriormente calibrar el modelo ADZ y
plantear relaciones de tipo potencial e inverso para predecir los parámetros bajo diferentes caudales.
De esta forma, para un caudal estimado en un evento de contaminación o toma de muestras de la
calidad del agua, pueden realizarse simulaciones del modelo ADZ para predecir el comportamiento
dispersivo y los tiempos de viaje del soluto, i.e. los tiempos de arribo, concentración máxima,
promedio de viaje y pasaje. En caso de no ser posible realizar caracterizaciones hidráulicas y de
transporte de solutos pueden utilizarse los excelentes resultados encontrados en las relaciones
presentadas en la ecuación [7] y la ecuación [8].
Caso de estudio 1

En este caso de estudio se presentan los resultados obtenidos al emplear la ecuación [7]. El lector
puede preguntarse ¿qué tipo de comportamiento se obtiene en los casos en que la ecuación lineal de
tiempo de arribo vs tiempo promedio de viaje presentó errores mayores al 20%, tal y como fue
reportado? La respuesta se presenta por medio del análisis de dos experimentos con trazadores.

Utilizando la ecuación [7] se estimó el valor del tiempo de arribo a partir del conocimiento del
tiempo promedio de viaje, y con base en las simulaciones generadas se calculó el error que se
obtiene en la predicción de la concentración máxima. Los valores estimados con la relación lineal y
los errores calculados en su predicción se presentan en la Tabla 5. La Figura 6 presenta los
resultados encontrados para el experimento TS4-s2s3 y TS3-s2s3.

Tabla 5.- Análisis de resultados en predicción con errores > 20% en la estimación del tiempo de
arribo (cf. [7]).
Calibración Predicción % error % error
Experimento
τ (s) t(s) DF τ (s) DF (τ) (Concentración. Max.)
TS4-s2s3 405.70 706.36 0.43 514.23 0.272 21.1 7
TS3-s2s3 346.78 636.00 0.45 463 0.272 25.1 11

35
Observado aguas abajo Observado aguas abajo
30 Observado aguas arriba Observado aguas arriba
30
2
Simulación ADZ; R = 0.97 Simulación ADZ; R2= 0.9589

25
25
Concentración [mg/lt]
Concentración [mg/lt]

20
20

15
15

10 10

5 5

0 0
0 100 200 300 400 500 600 0 50 100 150 200 250 300 350 400 450 500

Tiempo en intervalos de 10 segundos Tiempo en intervalos de 10 segundos

(a) Experimento TS4-s2s3 (b) Experimento TS3-s2s3

Figura 6.- Resultados obtenidos en predicción utilizando la ecuación τ = 0.73 ⋅ t . Casos de estudio
en los que se obtuvo un error > 20% al utilizar [7]. Río Teusacá-Aguas abajo Simayá.

Los resultados obtenidos en las simulaciones permiten concluir que pese a los altos errores
encontrados en la estimación de uno de los parámetros del modelo ADZ con la ecuación [7], el
ajuste entre las concentraciones observadas y simuladas sigue presentando unos altos criterios de
eficiencia, i.e. R2 > 0.95. Las principales diferencias encontradas se presentan en la estimación de la
concentración máxima (7% y 11%, respectivamente). No obstante, los tiempos de pasaje del
contaminante son razonablemente similares a los observados.

Caso de estudio 2

Para analizar los resultados obtenidos al plantear relaciones potenciales e inversas entre los
parámetros del modelo ADZ y el caudal, se presentan los resultados obtenidos al aplicar esta
metodología en el tramo s2-s3 del río Subachoque Aguas abajo de La Pradera. Se calculan
relaciones potenciales entre los tiempos característicos y el caudal, sin considerar el experimento
realizado bajo un caudal Q = 0.4713 mcs (ver Tabla 6 y Tabla 7). En la Figura 7 se presentan los
resultados obtenidos en simulación al utilizar las relaciones potenciales encontradas a partir de los
datos obtenidos en el tramo s2-s3. Los datos observados aguas arriba corresponden a las
concentraciones medidas en s2.
 Tabla 6.-Resultados en calibración tramo s2-s3 río Subachoque-Aguas abajo La Pradera.
Experimento τ (s) t (s) DF R2 Q (lt/s)
SU-D2-s2s3 222.71 274.28 0.19 0.99660 290.25
SU-D3-s2s3 97.73 113.34 0.14 0.98950 1880.46
SU-D4-s2s3 172.18 220.78 0.22 0.99270 471.30
SU-D5-s2s3 242.09 289.87 0.16 0.99078 218.33

Tabla 7.- Parámetros estimados en predicción, tramo s2-s3 río Subachoque-Aguas abajo La Pradera.
Relaciones potenciales Parámetros estimados
(Sistema. Internacional) Q = 0.2243 mcs
τ = 123.8 ⋅ Q −0.45 τ = 173.6s; (DF=0.17)
t = 206.7 ⋅ Q −0.46 t = 208.3s

45 Observado aguas arriba

2
Observado aguas abajo; R = 0.9819
40

35

30
Concentración [M/L ]
3

25

20

15

10

0
0 20 40 60 80 100 120
Tiempo en intervalos de 10 unidades

Figura 7.- Resultados obtenidos en predicción utilizando relaciones potenciales para los parámetros
del modelo ADZ. Caso tramo s2-s3 río Subachoque-Aguas abajo La Pradera.

Con base en los resultados obtenidos en los casos de estudio 1 y 2, en este trabajo investigativo se
recomienda realizar una caracterización de los parámetros del modelo ADZ bajo un mínimo de tres
regímenes hidrológicos (preferiblemente caudal mínimo, medio y máximo), y realizar ajustes
potenciales y/o inversos en función del caudal para poder predecir condiciones intermedias. De no
ser posible realizar esta caracterización, se recomienda el uso de la ecuación [7] como una primera
aproximación al conocimiento de la respuesta dispersiva de una corriente de montaña.

Relaciones entre la concentración máxima y el tiempo de viaje

En el desarrollo de esta investigación se encontró una buena correlación entre la concentración

máxima observada y el tiempo al pico, i.e. el tiempo en el que se encuentra la concentración
máxima. Para poder comparar los resultados obtenidos en diferentes experimentos con trazadores,
en los que el caudal y la masa inyectada es diferente, se ha empleado el concepto de concentración
máxima unitaria propuesto por Kilpatrick (1993), i.e.

C max Q C [9]
Cu = ⋅ = max ⋅ Q
Rr M i Mr

M r = ∫ c ⋅ Q dt [10]
donde Cmax es la concentración máxima observada; c es la concentración observada en el tiempo t;
Q es el caudal; y Rr es la relación entre la masa recuperada Mr y la masa inyectada Mi.

Si en los experimentos con trazadores se consigue un estado de ganancia estable cercano a uno, i.e.
se recupera totalmente la masa inyectada y el experimento se realiza bajo flujo permanente, se
puede plantear que:

C C [11]
Cu = ⋅Q =
Mr ∫ c dt
Estimando las concentraciones máximas unitarias en todos los ensayos con trazadores y
graficándolas contra los tiempos en que se obtuvieron, se encontró qué (ver Figura 8):

-3
x 10

Concentración máxima unitaria vs tpico

18
-0.73 2
C.umax=0.6*tpico -0.0014; R =0.82
16 Banda de confianza 95%
Concentración máxima unitaria (1/s)

14

12

10

-2
500 1000 1500 2000
tpico (s)

Figura 8.- Concentración máxima unitaria en función del tiempo al pico. Resultados encontrados
utilizando todos los experimentos con trazadores en ríos de montaña disponibles en esta
investigación.

Cu = 0.6 ⋅ t −0.73 − 0.0014 [12]

Los resultados presentados en la Figura 8 son importantes, ya que pueden ser utilizados en eventos
de contaminación cuando no se tenga conocimiento previo del comportamiento de los procesos
dispersivos. Por ejemplo, utilizando la ecuación [12] será posible estimar la concentración máxima
que se alcanzará tras un tiempo t que haya transcurrido desde el vertimiento accidental de una masa
M de un soluto, y/o determinar la masa que se debe inyectar en un experimento con trazadores para
no superar una concentración umbral que represente un daño ecológico. De igual forma, la ecuación
[12] permite evaluar el grado de afectación y las medidas de mitigación que deban implementarse
en los sistemas de distribución de agua ante eventos de contaminación accidental o intencional.

Para analizar la capacidad predictiva de la ecuación [12] se propone un ejercicio en el que se

determinen los errores hallados en la predicción de la concentración máxima observada. La
concentración máxima en función del tiempo se calcula como la concentración máxima unitaria
multiplicada por la masa inyectada y dividida por el caudal, i.e.

Cu [1 s ]⋅ M [kg ]
Cmax = ⋅1000 [13]
Q[mcs]

La constante 1000 se introduce para expresar los resultados de concentración en mg lt .

En la Tabla 8 se presentan los resultados obtenidos en la predicción de la concentración máxima en
algunos experimentos con trazadores realizados en los ríos estudiados en esta investigación. El
lector no debe interpretar los datos presentados en función del mejor ajuste y del río relacionado,
porque el análisis de todos los resultados encontrados permite evidenciar que en un tramo particular
hay predicciones con errores bajos y/o altos en forma aparentemente aleatoria.

Tabla 8.- Muestra de resultados de la predicción de la concentración máxima y el tiempo al pico.

Análisis de la ecuación [12].
Caudal C. max. C. max.
Experimento % error
(mcs) (Calibración) (Predicción)
QLP2 0.2307 14.15 13.02 7.98
QLP3 472.61 10.52 9.34 11.15
TS2-s1s2 1353.39 31.95 32.09 0.44
TS5-s1s2 206.46 29.27 30.39 3.83
TC5-s1s2 364.43 29.79 28.20 5.32
SU-U3-s1s2 1265.41 36.29 44.68 23.12
SU-U2-s2s3 210.30 53.76 40.32 25
SU-D3-s2s3 1880.46 61.49 49.23 19.94

Nótese que los resultados presentados en la Tabla 8 advierten acerca de las limitaciones que la
ecuación [12] presenta en la predicción del comportamiento de la concentración máxima de un
contaminante en ríos de montaña. No obstante, esta aproximación puede aplicarse con mejores
resultados utilizando los datos obtenidos en un tramo de estudio y/o río particular (e.g. González,
2008). La ecuación [12] debe considerarse tan solo como una primera aproximación en la
modelación de la calidad del agua y los modelos de alarma ante eventos de contaminación, y debe
utilizarse con un factor de seguridad determinado por la experiencia del modelador. Lo anterior se
debe, en términos matemáticos, a que el coeficiente de ajuste encontrado fue de 0.82 (ver Figura 8),
y en términos físicos, a que los mecanismos de dispersión longitudinal son una función compleja de
las formas de fondo presentes en cada tramo, i.e. dependen sustancialmente de los efectos
hidráulicos provocados por la presencia de rápidos, caídas y piscinas. Las observaciones y
mediciones de campo en ríos de montaña evidenciaron una variación significativa en las formas de
fondo de todos los ríos estudiados, por esta razón se sugiere que para obtener mejores resultados en
predicción se debe realizar una caracterización particular para cada tramo.

CONCLUSIONES

La fracción dispersiva DF es una relación que puede ser derivada de los parámetros del modelo
ADZ, y representa la fracción del tiempo promedio de viaje en la que el soluto es dispersado dentro
del tramo analizado. Esta fracción juega un papel muy importante en la descripción de los procesos
dispersivos, ya que permite representar condiciones de advección pura, i.e. DF=0, dispersión pura,
i.e. DF=1, y por supuesto estados intermedios. En esta investigación se demostró que la fracción
dispersiva es constante con el caudal en un canal o tubería uniforme, y que su magnitud tan solo
depende del régimen de flujo. i.e. el grado de turbulencia y entropía inducido por el caudal y las
formas rugosas que conforman los lechos, las bancas o los contornos de los conductos por los que
circula el flujo.

Contrario a los resultados obtenidos en ríos de planicie, en ríos de montaña no uniformes se

encontró que la fracción dispersiva presenta variaciones con el caudal de hasta un 22% (10% en
promedio) en un mismo tramo. Este resultado indica que es necesario realizar caracterizaciones a
escala de tramo para representar correctamente los mecanismos de transporte en una corriente bajo
diferentes regímenes hidrológicos. De no ser posible realizar dichas caracterizaciones, los
resultados encontrados en la etapa de calibración del modelo ADZ en ríos de montaña sugieren que
la fracción dispersiva que más se ajusta a los datos observados tiene una magnitud dada por la
ecuación [8]: DF = 0.27 ± 0.015 . Este valor constante podría ser utilizado por municipios que
cuenten con información escasa, o no tengan información de procesos de transporte de sustancias
disueltas, como una primera aproximación en el desarrollo de modelos de tiempos de viaje y/o de
calidad del agua en ríos de montaña.

Los estudios realizados en varios tramos de los ríos de montaña Teusacá, Subachoque y quebrada
Lejía, pertenecientes a la región andina colombiana, permitieron evidenciar que la variación de la
fracción dispersiva con el caudal depende de las características geomorfológicas e hidráulicas a
escala de tramo. Esto se puede explicar al considerar la alta variabilidad de las secciones
transversales y la existencia de secuencias rápido-piscina y escalón-piscina que generan zonas
muertas en las que se produce una retención hidráulica temporal y diferencial del soluto bajo
diferentes condiciones hidrológicas en la corriente.

En esta investigación se encontró que la pendiente longitudinal, por si misma, no es una

característica explicativa del transporte de solutos. Estos resultados son consistentes con otros
estudios realizados en este contexto (e.g Jobson, 1997). Por otra parte, las mediciones en campo de
las formas de fondo permitieron encontrar que en la medida en que exista una mayor presencia de
piscinas se produce un aumento en la magnitud de la fracción dispersiva. Este resultado tiene un
claro sentido físico, ya que las piscinas son zonas muertas que generan una mayor retención
hidráulica y por ende una mayor dispersión de las sustancias disueltas.

AGRADECIMIENTOS

Los autores agradecen a la Vicerrectoría de Investigación de la Universidad Nacional de Colombia

la financiación suministrada a esta investigación mediante el proyecto “Metodologías de
caracterización hidráulica, hidrológica y de autopurificación de ríos de montaña colombianos” y la
Convocatoria Nacional de Investigación 2008.

REFERENCIAS BIBLIOGRÁFICAS

Beer, T., Young P. (1983). “Longitudinal dispersion in natural streams”. Journal of Environmental
Engineering, Vol. 109, No. 5, pp. 1049-1067.
Bencala, K. E., Walters, R. A. (1983). “Simulation of solute transport in a mountain pool-and-
riffle stream: A transient storage model”. Water Resources Research, Vol. 19, No. 3, pp. 718-
724.
Camacho, L.A. (2000). Development of a hierarchical modeling framework for solute transport
under unsteady flow conditions in rivers. PhD Dissertation, Imperial College of Science
Technology and Medicine, London, England.
Camacho, L.A., Lees, M.J. (2000). “Modelación del transporte de solutos en ríos bajo condiciones
de flujo no permanente: un modelo conceptual integrado”. XIX Congreso Latinoamericano de
Hidráulica, Córdoba, Argentina.
Camacho, L.A., Cantor, M.M. (2006). “Calibración y análisis de la capacidad predictiva de
modelos de transporte de solutos en un río de montaña colombiano”. Avances en Recursos
Hidráulicos, No. 14, Medellín, Colombia.
Camacho, L.A., Rodríguez, E.A., Gelvez, R., González, R., Medina, M., Torres, J. (2007a).
“Metodología para la caracterización de la capacidad de autopurificación de ríos de montaña”. I
Congreso Internacional del agua y el ambiente, Bogotá, Colombia.
Camacho, L.A., Huertas, L.F, Ramírez, F. (2007b). “Calibration and predictive ability analysis of
longitudinal solute transport models in mountain streams”. The Fifth International Symposium
on Environmental Hydraulics, Dec, 4 - 7, Tempe, Arizona, E.U.
Chiu, C.-L., Said, A.A. (1995). “Maximum and mean velocities in open channel flow”. Journal of
Hydraulic Engineering, Vol. 121, No. 1, pp.26-35.
Chiu, C.-L., Tung, N.-C. (2002). “Maximum velocity and regularities in open channel flow”.
Journal of Hydraulic Engineering, Vol. 128, No. 4, pp.390-398.
Chiu, C.-L., Hsu, S.-M. (2006). “Probabilistic approach to modeling of velocity distributions in
fluid flows”. Journal of Hydrology, Vol. 316, pp. 28-42.
Duan, Q., Gupta, V.K., Sorooshian, S. (1993). “A Shuffled Complex Evolution approach for
effective and efficient global minimization”. Optimization Theory and Applications, Vol. 76, No.
3, pp. 501-521.
FAO. (2000). 26a Conferencia Regional de la Fao para América Latina y el Caribe. Desarrollo
Sostenible en Zonas Montañosas. Mérida, México, 10 al 14 de abril del 2000.
FAO. (2002). Año internacional de las montañas. Revista internacional de silvicultura e industrias
forestales, Roma.
González, R.A. (2008). Determinación del comportamiento de la fracción dispersiva en ríos
característicos de montaña. Tesis de Maestría, Universidad Nacional de Colombia, Bogotá.
González, R.A., Camacho, L.A. (2008). “Solute Transport Tool v1.0, una herramienta para el
análisis del transporte de solutos en flujo permanente”. XXIII Congreso Latinoamericano de
Hidráulica, Cartagena, Colombia.
Hubbard E. F., Kilpatrick, F.A., Martens L.A., Wilson J. F. (1981). Measurement of time travel
and dispersion in streams by dye tracing. Techniques of Water-Resources Investigations of the
United States Geological Survey (USGS). Document TWI 3-A9.
Jobson, H. E. (1997). “Predicting travel time and dispersion in rivers and streams”. Journal of
Hydraulic Engineering, Vol. 123, No. 11, pp. 971-978.
Kilpatrick, F.A. (1993). Simulation of soluble waste transport and buildup in surface waters using
tracers. U.S. Geological Survey Techniques of Water-Resources investigations, Book 3.
Lees, M.J., Camacho, L.A., Chapra, S. (2000). “On the relationship of transient-storage and
aggregated dead zone models of longitudinal solute transport in streams”. Water Resources
Research. Vol. 36, No. 1, pp 213-224.
López, G. M. (2003). Investigación de la aplicación predictiva de los modelos de transporte de
solutos de Almacenamiento Temportal (TS) y Zona -Muerta Agregada (ADZ). Universidad de los
Andes, Bogotá, Colombia.
Luzzi, R. Vasconcellos, A.R., Ramos, J.G. (2002). Predictive statistical mechanics. Klwer
Academic Publishers, Dordretch, citado por Chiu, 1995.
Rutherford, J. C. (1994). River mixing. John Wiley & Sons, Chichester.
Shannon, C.E. (1948). “A mathematical theory of communication”. Bell Syst. Tech. J. 27, 379-423.
Streeter V, Wylie E, Bedford K. (1997). Mecánica de los Fluidos, 9° Edición, Mc Graw Hill
Book Company.
Wallis, S. G., Young, P.C., Beven, K. J. (1989). “Experimental investigation of the aggregated
dead zone model for longitudinal solute transport in streams channels”. Water Engineering
Group, Civ. Engineers, Part 2, 87.
Wagener, T., Wheater, H., Lees, M. (2004). MCAT v5 user manual. Available at
http://www3.imperial.ac.uk/ewre/research/software/toolkit
Xia, R. (1997). “Relation between mean and maximum velocities in a natural river”. Journal of
Hydraulic Engineering. Vol. 123, No. 8, pp 720-723.
Young, P.C., Wallis, S.G. (1993). Solute transport and dispersion in channels. Channel Network
Hydrology (Ed. K. Beven and M.J. Kirby). John Wiley & Sons Ltd, Chichester, pp. 129-174.