UNIVERSIDAD NACIONAL DE HUANCAVELICA

Facultad de Ciencias de la Ingenierı́a

E. P. Ingenierı́a civil Mayo 2018

TRÁNSITO DE AVENIDAS EN EL CAUCE NATURAL DEL RÍO ICHU

MEDIANTE REDES NEURONALES ARTIFICIALES

Requena Machuca, Davida,1,

a Escuela Profesional de Ingenierı́a Civil de la Universidad Nacional de Huancavelica, Peru

Resumen

La investigación realiza el estudio del tránsito de avenidas en el cauce natural del Rı́o Ichu mediante la técnica de las redes
neuronales artificiales (RNA). Los métodos hidrológico e hidráulico tradicionales empleados requieren de diversos parámetros del
cauce del rı́o, a diferencia de estos métodos las RNA no requieren de mucha información, tan solo requieren de registros históricos
anteriores. El área de estudio se encuentra ubicado en la cuenca experimental del Rı́o Ichu, aguas arriba de la cuidad de Huancavelica
en un área de 607 km2, se desarrolló primeramente un modelo calibrado y validado del proceso de lluvia-escorrentı́a, con los datos
registrados por las 6 estaciones meteorológicas automáticas (precipitación) y una estación hidrológica (escorrentı́a), el tránsito de
hidrogramas se realizó con el método de Muskingun-Cunge para generar los registros históricos para los 5 tramos del cauce del Rı́o
Ichu el cual se dividió; obteniendo 39 avenidas históricas en los años 2016 y 2017. El modelo HEC-1 se empleó para modelar el
proceso de lluvia-escorrentı́a, el cual se obtuvo valores de coeficientes de eficiencia Nash-Sutcliffe (E) iguales a 0.851 y 0.828 para
la etapa de calibrado y validación respectivamente. En segundo lugar se construyó RNAs con diversas arquitecturas para entrenar y
encontrar la arquitectura que mejor se ajuste a dicho fenómeno; encontrando a la RNA con la arquitectura 1-5-1 que presenta un mejor
ajuste; La red obtuvo los valores de coeficientes de eficiencia Nash-Sutcliffe (E) iguales a 0.881 en la etapa de entrenamiento y 0.859
en la validación. La aplicación del método de las redes neuronales que hemos aplicado para el tránsito de avenidas con un tiempo de
avance de 30 minutos ha resultado totalmente satisfactoria respecto a la calidad de los resultados.
Palabras Clave: Proceso lluvia-escorrentı́a, tránsito de avenidas, redes neuronales artificiales.
Datos de la tesis:
Asesor: M. Sc. AYALA BIZARRO, Iván Arturo
Fecha Inicio/Fecha culminación: 2016-2017.
Universidad: Universidad Nacional de Huancavelica.

1. Introducción tan solo requieren de registros históricos para poder determinar

con una exactitud el comportamiento fı́sico del fenómeno.
El cambio de un hidrograma de flujo a medida que viaja por
el cauce de un rı́o o canal se denomina tránsito de avenida, es
un tema que ha cobrado mucha relevancia en los últimos años 2. Marco Teórico
debido a las inundaciones provocadas por eventos hidrometeo-
rológicos extremos en todo el mundo, es un proceso complejo 2.1. Tránsito de avenida en cauces de rı́os
influenciado por factores como la topografı́a, cobertura vegetal, Maidment, el tránsito de avenida es un procedimiento
tipo de suelo, caracterı́sticas del cauce, presencia de acuı́feros, matemático para predecir el cambio de magnitud, velocidad y
distribución de precipitación y áreas urbanizadas entre muchos forma de una onda de avenida en función del tiempo (es decir,
otros. Los métodos hidrológico e hidráulico comúnmente uti- el hidrograma de flujo) en uno o más puntos a lo largo de un
lizados para el cálculo del tránsito de avenidas presentan limi- curso de agua (1).
tantes en el análisis de problemas complejos como, por ejemplo,
los casos de trenes de avenidas, la presencia de flujos laterales
o las uniones de rı́os, principalmente en los casos en que no se
cuenta con medición hidrométrica de toda la red hidrológica, a
diferencia de estos métodos descritos existe una nueva técnica
que en estos últimos años se está empleando con gran éxito y en
diversos temas, esta técnica se denomina redes neuronales arti-
ficiales (RNA), este método no requieren de mucha información

Correos electrónicos: david-233-5@outlook.com (Requena

Machuca, David), Tesis para optar el t1́ıtulo profesional
de: Ingeniero Civil. (Requena Machuca, David) Figura 1: Proceso de tránsito de avenida en un cauce de un rı́o.
 UNIVERSIDAD NACIONAL DE HUANCAVELICA 2018

Calcular el tránsito de un hidrograma es obtener el hidrogra- onda de inundación a la celeridad de la red.

ma del punto C a partir del hidrograma del punto A, como se
∆t
puede apreciar en la figura 1. La utilidad práctica del proced- C=c (5)
imiento es evidente. Por ejemplo, el carácter catastrófico de una ∆x
avenida está relacionado directamente con la altura del pico del El número de Reynolds2 (D) es la relación de la difusividad
hidrograma (el caudal máximo), de modo que es fundamental hidráulica con la difusividad de la rejilla.
calcular cómo ese pico va disminuyendo a medida que la aveni-
da se mueve aguas abajo (3). q
D= (6)
S o .c.∆x

1 Hidrograma de ingreso en el punto A.

La celeridad de la onda se define como sigue:
3
2 Volumen del agua entrada.
1 4
c = β(Q/A) = β(q/d) (7)
5 3 Tiempo de traslado
Caudal m3/s

4 Retardo Donde:
7
2 5 Atenuación. q = Descarga de anchura unitaria, S o = Pendiente del canal, c =
6
6 Volumen de agua salida. Celeridad de la onda, ∆t= Intervalos de tiempo, ∆t= Intervalos
7 Hidrograma de salida en el punto B. de espacio, β = Exponente de la clasificación, A = Área de flujo
y d = Profundidad de flujo.
Tiempo

2.2. Redes Neuronales Artificiales

Figura 2: Componentes de un tránsito de avenidas Una red neuronal artificial es un sistema de computación
dinámico constituidas de un gran número de elementos sim-
2.1.1. Métodos ples de procesamiento (neurona) muy interconectadas, inspi-
Se distinguen: Tránsito hidrológico (Método de Muskingum, radas de la estructura del cerebro, basado en el aprendizaje a
Muskingum-Cunge, entre otros), tránsito hidráulico (método través de la experiencia, que procesa información por medios
de las caracterı́sticas y elementos finitos) y las redes neuronales de su estado dinámico como respuesta a estı́mulos externas (10)
artificiales. (12) (20). Este método permite el uso de operaciones computa-
cionales muy simples (adiciones, multiplicación y elementos
lógicos fundamentales) para resolver problemas complejos, es-
Método de Muskingum-Cunge: Cunge (1969), mezclo la
pecialmente aquellos que no son analı́ticos y/o no lineales y/o
precisión del método de difusión (método hidráulico) con la
no estacionarios y/o estocásticos (13).
sencillez de Muskingum, para los casos en que no se dispone
de datos hidrológicos (es decir, datos de flujo), pero donde se Entrada Pesos Cuerpo
pueden determinar con facilidad datos hidráulicos del cauce, es x1 Neuronal
clasificado como un método hidrológico (4) (18). w1 Función de Función de
Transferencia Activación
La ecuación de tránsito del método Muskingum-Cunge x2
w1 Salida
definido en la configuración tı́pica de la cuadrı́cula de cuatro
puntos es (18) (22) (21) (6) (19): x3 w1
∑ f(.)
Axón
j+1 = C 0 Q j
Qn+1 + C1 Qnj + C2 Qnj+1
n+1
(1) wn itas
ntr Cuello
De
Dónde: Q es la descarga, j es un ı́ndice espacial, n es un ı́ndice xn Umbral del axón

temporal; C1 , C2 y C3 son coeficientes de tránsito. Los coefi- w0

cientes de enrutamiento son los siguientes: Axón Sinapsis Soma

−1 + C + D Figura 3: Representación de una neurona artificial.

C0 = (2)
1+C +D
En la figura 3 se puede identificamos tres elementos básicos
1+C −D del modelo neuronal:
C1 = (3)
1+C +D
1. Un conjunto de sinapsis 3 o enlaces de conexión, cada uno
1−C +D de los cuales se caracteriza por un peso.
C2 = (4)
1+C +D Las dendritas (entradas - Xi ): Traen información en
Donde C y D son números de Courant y de Reynolds respec- forma de impulsos eléctricos hacia el cuerpo.
tivamente (19).
El número de Courant1 (C)es la relación de la celeridad de la 2 El número de Reynolds (Re) es un número adimensional utilizado en

mecánica de fluidos para caracterizar el movimiento de un fluido.

3 La sinapsis es una conexión entre dos células nerviosas. Las sinapsis
1 El número de Courant (C) es el cociente entre el intervalo de tiempo y pueden ser excitativas (positivas) o inhibitorias (negativas) según el neuro-
el tiempo de residencia en un volumen finito. transmisor que se libera.
 UNIVERSIDAD NACIONAL DE HUANCAVELICA 2018

Capa de entrada Capa oculta Capa de salida

Los pesos sinápticos (Wi ): A las entradas que vienen x1 y1
1 1
de otras neuronas se les asigna un peso, un factor de 1
w12
importancia. Este peso, que es un número, se modi-

Entradas
fica durante el entrenamiento de la red neuronal, y es

Salidas
x2 W22 y2
2 2 2
aquı́ por tanto donde se almacena la información que w2L

hará que la red sirva para un propósito u otro (5).Los

L yM
pesos pueden ser positivos (excitación) o negativos xN
N M
(inhibición) (9).
Input layer Hidden layer Output layer

El axón (salida - Yi ): Transmite información en for-

ma de impulsos eléctricos del cuerpo hacia otras neu-
ronas mediante el proceso de sinapsis (5) (8).
Umbral (W0 )
2. Un sumador, para sumar las señales de entrada, ponderado
por las respectivas sinapsis de la neurona; las operaciones
descritas aquı́ constituyen un combinador lineal (14).
3. Regla de propagación o función de activación, calcula el
estado de actividad de una neurona; transformando la en-
trada global (menos el umbral) en un valor (estado) de ac-
tivación (post-sináptico). Esta función limita el rango de
amplitud de la señal de salida a algún valor finito. cuyo
rango normalmente va de (0 a 1) o de (-1 a 1). Esto es ası́,
porque una neurona puede estar totalmente inactiva (0 o
-1) o activa 1 (17) (14).
El vector X = (x1 , x2 , x3 , ., xn ) es la entrada y el vector de pe-
sos W = (w1 , w2 , ., wn ) equivalentes a las conexiones sinápticas
en una neurona real, el w0 es el umbral de acción o activación
y el escalar Y la salida de la unidad. La actividad consiste en
generar una única salida a partir de la aplicación de la función
de activación f a la suma ponderada de la entrada, a partir de la
ecuación 8 (20), el valor de ingreso en el umbral es 1, mientras
que su peso es W0 . por lo tanto W0 y XW se suman para ser
argumento de f , la función de transferencia (8).
 m 
X
Y = f  xi wi + w0 

 (8)
i=1
Figura 4: Capas de una red neuronal.
En cuanto al número de capas las redes se pueden clasificar
como monocapa o multicapas.
a) Red monocapa: existe solamente un elemento proce-
sador entre la entrada y salida de la red. En esta red
no se puede encontrar capa oculta en su arquitectura.
b) Red multicapa: existe más de una capa entre la en-
trada y salida de una red, denominada capas ocultas.
2. Número de neuronas en cada capa: Se puede variar el
número de neuronas en cada una de las capas (17). El prob-
lema importante es como determinar cuántas muestras se
requieren para el aprendizaje exitoso, y qué tan grande se
requiere una red neuronal para una tarea especı́fica (16).
3. Tipo de conexiones: La forma en que se conectan las neu-
ronas determina cómo proceden los cálculos y constituye
una importante decisión de diseño temprana por parte de
un desarrollador de redes neuronales (16).
Las neuronas pueden tener conexiones del tipo acı́clica y
cı́clica (11) (16) (17).
a) Unidireccional o acı́clica (feedforward): La trans-
misión de la señal por parte de la red es unidirec-
cional. Cada neurona de la capa recibe sus entradas
de la capa anterior, y envı́a las señales de salida
en dirección de la capa siguiente y no existiendo la
posibilidad de realimentaciones ni conexiones hacia
atrás, ni laterales.
Feedforward
Capa de entrada Capa oculta Capa de salida
x1

2.2.1. Arquitectura
Entradas

Salidas

x2 y
La arquitectura de la RNA depende del tipo del problema
a resolver y la restricción del tipo de aplicación de la misma
y está determinada por: número de capas de la red, numero de x3
neuronas en cada capa y tipo de conexión entre las neuronas(3).

1. Número de capas: La RNA esta organizada en capas de Backpropagation

diferentes niveles (14) (2):
a) Capa de entrada: Es la responsable de la distribución
de la información desde fuentes externas y sin proce-
sarlas transmiten la señal a las capas ocultas.
b) Capas ocultas: Donde ocurre el procesamiento por
medio de las funciones de combinación y transferen-
cia.
c) Capa de salida: Es la responsable de la respuesta de
la red, donde se presenta el resultado final.
Figura 5: Red neuronal con conexión acı́clica (feedforward).
b) Retroalimentación o cı́clica (feedback): La trans-
misión de la señal por la red es hecha a través de
caminos cerrados (loops). Existe flujo de la informa-
ción para capas anteriores y comunicación lateral.
2.2.2. Perceptrón Multicapa
La configuración de la red perceptrón multicapas (MLP)
está compuesta por una capa de entrada, la cual no tiene fun-
 UNIVERSIDAD NACIONAL DE HUANCAVELICA 2018

Capa de entrada Capa oculta Capa de salida

3. Resultados
x1
3.1. Cuenca hidrográfica del Rı́o Ichu
3.1.1. Morfologı́a de cuenca
Entradas

Salidas
x2 y
La Cuenca del rı́o Ichu hidrográficamente se encuentra ubi-
cada en la vertiente oriental de la cuenca del Rı́o Mantaro, al
punto de aforo en la estación Hidrológica, tiene un área de
x3
606.86 km2 , aguas arriba de la cuidad de Huancavelica, por lo
cual corresponde a una cuenca grande y alargada según su clasi-
ficación, tiene una altitud más frecuente de 4559.38 m.s.n.m.
Figura 6: Red neuronal con conexión cı́clica (feedback).
480000.000000 490000.000000 500000.000000

ciones de neurona, luego siguen las capas ocultas, y finalmente

4
la capa de salida. Cualquier configuración que sea acı́clica es
básicamente un MLP (8). Los perceptrones multicapa se han

8590000 .000000

8590000 .000000
aplicado con éxito para resolver algunos problemas difı́ciles y
diversos, capacitándolos de forma supervisada con un algorit-
mo muy popular conocido como el algoritmo de propagación
CHUÑURANRA HUANCAVELICA
de errores (14). SACSAMARCA
8580000 .000000

8580000 .000000
Primera Segunda
Capa de entrada Capa oculta Capa oculta Capa de salida
x1
1 1
1 LACHOCC
Entradas

Salidas

x2 y
2 2 2 1
8570000 .000000

8570000 .000000
CACHIMAYO

i
xN
N j

Input layer Hidden layer 01 Hidden layer 02 Output layer

Figura 7: Arquitectura de un MLP con dos capas ocultas.

8560000 .000000

8560000 .000000
Leyenda:

Estaciones Meteorológicas
2.2.3. Mecanismo de aprendizaje PUCAPAMPA

La capacidad de aprendizaje de una red neuronal se logra

aplicando un algoritmo de aprendizaje (entrenamiento). El 0 1 2 4 6 8
op Estación Hidrológica

Ciudad de Huancavelica
Kilometros
aprendizaje no es una habilidad individual de una sola neurona. 1:200,000 1 cm = 2 km

Es un proceso colectivo de toda la red neuronal (15). El 480000.000000 490000.000000 500000.000000

UNIVERSIDAD NACIONAL DE HUANCAVELICA

aprendizaje significa que dado un conjunto de observaciones y ESCUELA PROFESIONAL DE INGENIERIA CIVIL-HUANCAVELICA LAMINA:
una estructura de función se utiliza un algoritmo para encontrar TESIS: TRÁNSITO DE AVENIDAS EN EL CAUCE NATURAL DEL RIO ICHU ESTACIONES
MEDIANTE REDES NEURONALES ARTIFICIALES
Figura 8: Instrumentación de la cuenca del rı́o Ichu - Fuente: Ayala, 2016. METEOROLÓGICAS E
una función especı́fica relacionada con las observaciones (8). TESISTA: DAVID REQUENA MACHUCA HIDROLÓGICA

Hay una variedad de reglas de aprendizaje que establecen
cuándo y cómo cambian los pesos de conexión (23). Los algo-
ritmos de entrenamiento o los procedimientos de ajuste de los
valores de las conexiones de las RNA se pueden clasificar en
dos grupos: Supervisado y No Supervisado (5).
2.2.4. Validación
Se debe comprobar si la red neuronal puede resolver nuevos
problemas, del tipo general, para los que ha sido entrenada. Por
lo tanto, con el propósito de validar la red neuronal se requiere
de otro conjunto de datos, denominado conjunto de validación
o testeo (17).
Uno de los aspectos más importantes en la construcción y
desarrollo de RNAs es la capacidad de la red para generalizar a
partir de ejemplos, evitando la simple memorización de patrones
de aprendizaje, y proporcionando una respuesta correcta ante
individuos no presentados durante la fase de entrenamiento (12).
La cuenca del Rı́o Ichu se encuentra instrumentada
con 06 estaciones meteorológicas (Huancevlica, Sacsamarca,
Chuñuranra, Lachocc, Cachimayo y Pucapampa) y una estación
hidrológica (Huancavelica) , con el propósito de obtener registro
de precipitaciones (hietogramas) y caudales (hidrogramas) con
un intervalo de registro cada 10, 15 y 30 minutos (Ayala, 2016,
(7)).
3.1.2. Registros pluviométricos e hidrológicos
Registros pluviométricos: Se utilizaron registros de precip-
itación de corta duración (tormentas), de intervalos de registros
de 10, 15 y 30 minutos almacenados en las estaciones meteo-
rológicas, con el objetivo de evaluar caudales instantáneos pro-
ducidos en las subcuencas. Las precipitaciones mensuales acu-
muladas registradas en el año 2015 al 2017 se presenta en la
figura 9, las estaciones meteorológicas de Huancavelica, Sac-
samarca, Chuñuranra, Lachocc, Cachimayo y Pucapampa.
 UNIVERSIDAD NACIONAL DE HUANCAVELICA 2018

ESTACIONES METEOROLÓGICA - PRECIPITACIÓN MENSUAL ACUMULADA (mm) 480000.000000 490000.000000 500000.000000

350
Est. HUANCAVELICA
Est. SACSAMARCA
Precipitación mensual acumulada (mm)

300
Est. CHUÑURANRA

4
Est. LACHOCC

8590000 .000000

8590000 .000000
Est. CACHIMAYO
250
Est. PUCAPAMPA

Chuñuranra
200 Huancavelica

CHUÑURANRA HUANCAVELICA
150 SACSAMARCA

Sacsamarca

8580000 .000000

8580000 .000000
100

Lachocc
LACHOCC
50

Cachimayo
0
Oct-15 Feb-16 May-16 Aug-16 Nov-16 Mar-17 Jun-17 Sep-17 Jan-18
Tiempo (mes-año)

8570000 .000000

8570000 .000000
CACHIMAYO

Leyenda:

Figura 9: Precipitación mensual acumulada. Estaciones Meteorológicas

Pucapampa

op Estación Hidrológica

8560000 .000000

8560000 .000000
<all other values>

Registros hidrológicos: El registro de caudal que se cuanta Name

Cachimayo
Sacsamarca
del Rı́o Ichu por la estación hidrológica Huancavelica para la PUCAPAMPA Chuñuranra
Huancavelica
investigación es desde el 09 de abril 2016 hasta diciembre del Lachocc
Pucapampa
0 1 2 4 6 8
2017. Kilometros Ciudad de Huancavelica

1:200,000 1 cm = 2 km

480000.000000 490000.000000 500000.000000

ESTACIÓN HIDROLÓGICA HUANCAVELICA-CAUDAL RÍO ICHU UNIVERSIDAD NACIONAL DE HUANCAVELICA
140
ESCUELA PROFESIONAL DE INGENIERIA CIVIL-HUANCAVELICA LAMINA:
TESIS: TRÁNSITO DE
Figura 11: Generación deAVENIDAS EN EL CAUCE NATURAL
subcuencas aDELpartir
RIO ICHU de las estaciones
ESTACIONES meteorológi-
120 MEDIANTE REDES NEURONALES ARTIFICIALES METEOROLÓGICAS E
cas. TESISTA: DAVID REQUENA MACHUCA HIDROLÓGICA

100
Caudal(m3/seg)

80
S, en el barrio de santa Ana a la altura de coliseo de pampa amar-
60 rilla de la ciudad de Huancavelica. Para el análisis de tránsito de
40
avenidas en el cauce del rı́o se dividió en 05 segmentos (figura
12) , en la tabla 2 se presentan las caracterı́sticas fisiológicas de
20
cada tramo.
0
Feb-16 May-16 Aug-16 Nov-16 Mar-17 Jun-17 Sep-17 Jan-18
Tiempo (Horas)

Figura 10: Caudal del Rı́o Ichu periodo abril 2016 - enero 2018.

3.1.3. Estimación de parámetros de subcuencas

La figura 11 muestra las 06 subcuencas delimitadas y en la
tabla 1 los parámetros hidrológicos de cada una de ellas.

Figura 12: Segmentación de cauce del Rı́o Ichu.

Tabla 1: Parámetros de subcuenca del Rı́o Ichu
Subcuenca Área (km2 ) Tr (min) CN Ia (mm)
Pucapampa 162.96 224.76 71.83 19.92
Lachocc 158.857 124.24 73.32 18.49 Tabla 2: Caracterı́sticas fı́sicas de los tramos del Rı́o Ichu.
Cachimayo 94.33 111.33 76.40 15.69 Tramo Longitud Pendiente Sinuosidad Manning Ancho
Chuñuranra 125.267 147.86 74.77 17.14 Rı́o thalweg Valle
Sacsamarca 42.088 88.50 78.72 13.73 Ichu (km) ( %) (km/km) (n) (m)
Huancavelica 22.016 80.23 76.05 16.00 01 3.45 3.16 1.124 0.033 18.5
02 7.38 3.10 1.141 0.034 24.0
03 4.55 1.45 1.315 0.034 28.5
04 4.28 0.68 1.223 0.034 30.0
3.2. Cauce del Rı́o Ichu 05 2.18 0.50 1.211 0.035 24.0
El Rı́o Ichu nace en una altitud de 4110 m.s.n.m, de coorde-
nadas UTM 489162.91 m E y 8579986.00 m S, en el lugar de-
nominado Lachocc. Sus aguas es de orden 6, con un coeficiente
de Manning promedio de 0.034. Tiene un recorrido de 22.1 km 3.3. Modelo lluvia-escorrentı́a
con una pendiente promedio de 1,93 %, hasta el punto de aforo Para obtener hidrogramas históricos para cada tramo, se ha
ubicado en las coordenadas de 503048.80 m E y 8586670.95 m analizado y aplicado el modelo HEC-1 para simular las avenidas
 UNIVERSIDAD NACIONAL DE HUANCAVELICA 2018

Estación hidrológica Huancavelica

de mayor importancia registradas en los años 2016 y 2017. 65
Hidrograma Simulado
El esquema que seguirá la modelación del proceso de lluvia- 60 Hidrograma Observado

escorrentı́a de la cuenca y cauce del Rı́o Ichu se muestra en la 55

figura 13.

Caudal(m3/seg)
50

45

40

35

30

25
31-03-17 31-03-17 31-03-17 31-03-17 01-04-17 01-04-17 01-04-17 01-04-17
Tiempo (min)

Figura 15: Calibración del modelo HEC-1, en el software HEC-HMS.

Los resultados mostrados en la tabla 3 son el promedio del

tiempo (Tr) y CN de las tormentas individuales calibradas, ob-
servándose un incremento del 21 % en promedio, del tiempo de
Figura 13: Esquema del modelación lluvia-escorrentı́a cuenca Rı́o Ichu. retardo en las subcuencas. El parámetro CN, es un parámetro
muy sensible y está influenciado por varios parámetros de ca-
El modelo empleado es el HEC-1, que emplea HEC-HMS da cuenca e inclusive por la precipitación anterior (humedad del
del Cuerpo de Ingenieros del Ejército de los E.U.A. Para las suelo), la bibliografı́a menciona que cada tormenta individual
diversas etapas de la transformación lluvia-escorrentı́a fueron: requiere de un valor de CN único.
para la determinación de la precipitación efectiva se ha aplica-
do el método de Curva Número del SCS sin evapotranspiración,
Tabla 3: Parámetros calibrados de cada subcuenca del Rı́o Ichu.
para el cálculo de la escorrentı́a directa, se realizó mediante el Subcuenca Tr (min) Incremento Tr( %) Pmd. CN
hidrograma unitario sintético propuesto por el SCS, el ingreso Pucapampa 428.4 14.42 75.83
del caudal base o caudal inicial para el modelo se realizó con Lachocc 261.0 26.08 76.56
los datos de la estación hidrológica y para el tránsito de hidro- Cachimayo 225.0 21.36 77.61
gramas se empleó el método de Muskingum-Cunge. Chuñuranra 285.6 15.81 76.97
Sacsamarca 181.8 23.17 74.83
3.3.1. Simulación del modelo HEC-1 Huancavelica 168.0 25.56 76.37
Se compararon los resultados obtenidos por el modelo HEC-
1 con los datos observados, existiendo una gran diferencia entre
los caudales simulados y observados (figura 14), el cual no es
3.3.3. Validación del modelo HEC-1
satisfactoria. Para mejorar los resultados se realizo una etapa de
calibración del modelo. se ingresa nuevos eventos los cuales no fueron empleados en
la etapa de calibración, en la figura 16 se puede observar a la
60
Estación hidrológica Huancavelica avenida ocurrida el 9 al 10 de abril del 2016, observándose un
Hidrograma Simulado
Hidrograma Observado
buena semejanza entre ambos caudales. El modelo alcanzó un
55
valor de (E) igual a 0.828 para la etapa de validación.
50
Caudal(m3/seg)

Estación hidrológica Huancavelica

24
45
Hidrograma Simulado
22 Hidrograma Observado
40

20
35
Caudal(m3/seg)

18

30
16

25
31-03-17 31-03-17 31-03-17 31-03-17 01-04-17 01-04-17 01-04-17 01-04-17 14
Tiempo (min)
12

Figura 14: Simulación del modelo HEC-1, en el software HEC-HMS. 10

8
09-04-16 09-04-16 09-04-16 10-04-16 10-04-16 10-04-16 10-04-16
3.3.2. Calibración del modelo HEC-1 Tiempo (min)

La calibración se han obtenido realizando procedimiento

prueba-error, entre el caudal generado por el modelo HEC-1 y
el caudal registrado por la estación hidrológica. En la fihura 15
se muestran los resultados. Se realizó el análisis estadı́stico para
valorar el modelo lluvia-escorrentı́a, mediante el coeficientes de
eficiencia Nash-Sutcliffe (E), el valor alcanzado es igual a 0.851
aproximadamente para esta etapa de calibración.
Figura 16: Validación del modelo HEC-1, en el software HEC-HMS.
3.3.4. Generación de hidrogramas históricos
Teniendo el modelo de lluvia-escorrentı́a calibrado y vali-
dado para la cuenca del Rı́o Ichu, se realizó la generación de
 UNIVERSIDAD NACIONAL DE HUANCAVELICA 2018

hidrogramas históricos de las 39 tormentas para los 5 tramos en Número de capas: 3 (1-entrada, 1 oculta y 1 salida)
estudio, como se muestra en la tabla 4.
Número de neuronas: (1-entrada, n oculta y 1 salida)
Tabla 4: Tormentas de analisis.
Número Fecha Inicio Fecha Termino Función de activación: Logsig, Tansig y Purelin
01 08/04/2016 00:00:00 10/04/2016 12:00:00
02 10/04/2016 12:00:00 11/04/2016 10:00:00 3.4.2. Entrenamiento de la arquitectura de RNA
03 18/04/2016 20:00:00 20/04/2016 12:00:00
Para el análisis se seleccionó el hidrograma de fecha 11-12
04 20/04/2016 16:00:00 21/04/2016 12:00:00
de febrero del 2017, el cual se pude decir que es el hidrograma
05 21/04/2016 10:00:00 23/04/2016 12:00:00
promedio que transcurre por el cauce del Rı́o Ichu. La arquitec-
06 04/01/2017 10:00:00 07/01/2017 00:00:00
07 07/01/2017 12:00:00 08/01/2017 22:00:00
tura de la RNA para la primera exploración será con una capa
08 09/01/2017 12:00:00 12/01/2017 00:00:00 de entrada, una capa oculta sigmoidal y una capa de salida lin-
09 15/01/2017 12:00:00 17/01/2017 12:00:00 eal, como se observa en la figura 17, la capa oculta será donde
10 17/01/2017 12:00:00 19/01/2017 12:00:00 se experimente con diversos números de neuronas, empezando
11 19/01/2017 12:00:00 21/01/2017 06:00:00 desde 4 neurona hasta 30.
12 22/01/2017 06:00:00 24/01/2017 12:00:00
Capa de entrada Capa oculta Capa de salida
13 24/01/2017 12:00:00 25/01/2017 12:00:00
14 25/01/2017 12:00:00 27/01/2017 14:00:00 W {1,1} W {1,1}
xi 1
f(x) f(x)

1 + + 0
Yi
15 27/01/2017 12:00:00 28/01/2017 12:00:00
y i(t)

B {1} 0 yi(t)

B {1}
16 10/02/2017 10:00:00 11/02/2017 14:00:00
n 1
17 11/02/2017 14:00:00 12/02/2017 16:00:00
18 12/02/2017 14:00:00 13/02/2017 12:00:00 función Logsig función Purelin
19 13/02/2017 12:00:00 14/02/2017 12:00:00 Input layer Hidden layer Output layer
20 22/02/2017 12:00:00 24/02/2017 10:00:00
21 25/02/2017 12:00:00 26/02/2017 06:00:00
22 26/02/2017 06:00:00 27/02/2017 10:00:00
Figura 17: RNA con arquitectura 1-n-1.
23 27/02/2017 10:00:00 28/02/2017 06:00:00
24 28/02/2017 12:00:00 01/03/2017 07:00:00
25 05/03/2017 16:00:00 06/03/2017 10:00:00 Realizando el entrenamiento de la red, se presenta los resul-
26 06/03/2017 12:00:00 07/03/2017 12:00:00 tados en las figuras 18, 19 y 20 con diversas arquitecturas.
27 07/03/2017 16:00:00 09/03/2017 06:00:00
28 09/03/2017 18:00:00 12/03/2017 12:00:00 65
HIDROGRAMA DE ENTRENAMIENTO

29 15/03/2017 12:00:00 17/03/2017 09:00:00 60

Salida
1-4-1
30 17/03/2017 10:00:00 18/03/2017 12:00:00 1-5-1
1-6-1
55
31 22/03/2017 19:00:00 23/03/2017 20:00:00
50
32 24/03/2017 12:00:00 27/03/2017 12:00:00
Caudal(m3/seg)

45
33 29/03/2017 12:00:00 30/03/2017 12:00:00
40
34 30/03/2017 12:00:00 31/03/2017 09:00:00
35 31/03/2017 09:00:00 01/04/2017 12:00:00 35

36 02/04/2017 12:00:00 04/04/2017 12:00:00 30

37 10/04/2017 16:00:00 11/04/2017 16:00:00 25

38 11/04/2017 16:00:00 14/04/2017 12:00:00 20

11-02-17 11-02-17 11-02-17 12-02-17 12-02-17 12-02-17 12-02-17 12-02-17
39 17/04/2017 18:00:00 19/04/2017 06:00:00 Tiempo (min)

Figura 18: Entrenamiento de RNA con arquitecturas 1-n-1 (n=4, 5 y 6).

3.4. Tránsito de avenidas mediantes redes neuronales arti-

ficiales HIDROGRAMA DE ENTRENAMIENTO
65

El desarrollo de transito de avenidas con las RNA es realiza- 60

Salida
1-7-1
do con el lenguaje de programación de Matlab, el cual posee un 55
1-8-1
1-9-1

Toolbox de redes neuronales artificiales (nntool). 50

Caudal(m3/seg)

45

3.4.1. Construcción de la arquitectura de RNA 40

Se construyó diferentes arquitecturas de RNAs con los sigu- 35

ientes parámetros. 30

25
Tipo de red: Feed-forward backprop-MLP.
20
11-02-17 11-02-17 11-02-17 12-02-17 12-02-17 12-02-17 12-02-17 12-02-17

Función de aprendizaje: learngdm-Supervisado Tiempo (min)

Función de desempeño: mse Figura 19: Entrenamiento de RNA con arquitecturas 1-n-1 (n=7, 8 y 9).
 UNIVERSIDAD NACIONAL DE HUANCAVELICA 2018

HIDROGRAMA DE ENTRENAMIENTO HIDROGRAMA DE ENTRENAMIENTO

70 65
Salida Salida
65 1-10-1 60 1-8-8-1
1-20-1 1-10-10-1
60 1-30-1 1-15-15-1
55

55
50
Caudal(m3/seg)

Caudal(m3/seg)
50
45
45
40
40
35
35

30
30

25 25

20 20
11-02-17 11-02-17 11-02-17 12-02-17 12-02-17 12-02-17 12-02-17 12-02-17 11-02-17 11-02-17 11-02-17 12-02-17 12-02-17 12-02-17 12-02-17 12-02-17
Tiempo (min) Tiempo (min)

Figura 20: Entrenamiento de RNA con arquitecturas 1-n-1 (n=10, 20 y 30). Figura 23: Entrenamiento de RNA con arquitecturas 1-n-n-1 (n=8, 10 y 15).

Los resultados de la primera exploración no muestran un

ajuste adecuado entre el hidrograma de salida y la red entre- 65
HIDROGRAMA DE ENTRENAMIENTO

nada. 60
Salida
1-4-2-1
1-8-6-1
55 1-10-5-1

Para la segunda exploración se construyó RNAs con la sigu-

50
Caudal(m3/seg)

iente arquitectura: una capa de entrada, dos capa oculta con fun-
45
ción de activación Logsig y una capa de salida con función Pure-
40
lin, como se observa en la figura 21, las capas ocultas serán las
35
capan donde varı́a la cantidad de neuronas.
30

25

20
11-02-17 11-02-17 11-02-17 12-02-17 12-02-17 12-02-17 12-02-17 12-02-17
Capa de entrada Capa oculta 01 Capa oculta 02 Capa de salida Tiempo (min)

W {1,1} W {1,1} W {1,1}

xi 1
f(x)
1
f(x) f(x)

1 + + + Yi
Figura 24: Entrenamiento de RNA con arquitecturas 1-n-n-1 (n=2,4,5,6 y
0 y i (t)

B {1} 0 y i (t)

B {1} 0 y i (t)

B {1}
n n 1 10).
función Logsig función Logsig función Purelin

Input layer Hidden layer Hidden layer Output layer

Como puede observar en este segundo desarrollo de apren-

Figura 21: RNA con arquitectura 1-n-n-1.
dizaje de la red aún no existe buen entrenamiento, por lo que
los valores de salida obtenidos quedan en muchos casos muy
lejos del valor objetivo utilizado para el entrenamiento, princi-
palmente en los valor iniciales y finales; es necesario realizar
otra exploración de una RNA con diferentes caracterı́sticas.
Las figuras 22, 23 y 24 muestran el entrenamiento de la se-
gunda exploración de la red con diversas arquitecturas.
Capa de entrada Capa oculta Capa de salida

W {1,1} W {1,1}
xi f(x) f(x)

1 + 0 y i(t)
+ 0 y i(t)
Yi
HIDROGRAMA DE ENTRENAMIENTO
65 B {1} B {1}
Salida
60 1-2-2-1 n 1
1-4-4-1
55 1-6-6-1

función Purelin función Purelin

50
Caudal(m3/seg)

Input layer Hidden layer Output layer

45

40

35
Figura 25: RNA con arquitectura 1-n-1.
30

25

20
11-02-17 11-02-17 11-02-17 12-02-17 12-02-17 12-02-17 12-02-17 12-02-17
Tiempo (min)

Realizado el entrenamiento de la red, se presenta los resulta-

Figura 22: Entrenamiento de RNA con arquitecturas 1-n-n-1 (n=2, 4 y 6). dos en las figuras 26 y 27 con diversas arquitecturas.
 UNIVERSIDAD NACIONAL DE HUANCAVELICA 2018

HIDROGRAMA DE ENTRENAMIENTO
65 puesto que este fue el caso de entrenamiento, se puede vi-
Salida
60 1-1-1 sualizar cómo el método de Muskingum tiene problemas
1-2-1
55 1-3-1 en el pico máximo y presentan valores menores que el gas-
50 to máximo observado.
Caudal(m3/seg)

45
Tránsito de avenida en el cauce del río Ichu-Tramo 04
65
40
Hidrograma Entrada OBS.
60 Hidrograma Salida OBS.
35 Hidrograma Salida RNA
55 Hidrograma Salida Muskingum
30
50

Caudal(m3/seg)
25
45
20
11-02-17 11-02-17 11-02-17 12-02-17 12-02-17 12-02-17 12-02-17 12-02-17
40
Tiempo (min)
35

Figura 26: Entrenamiento de RNA con arquitecturas 1-n-1 (n=1,2 y 3). 30

25

20
11-02-17 11-02-17 11-02-17 12-02-17 12-02-17 12-02-17 12-02-17 12-02-17
HIDROGRAMA DE ENTRENAMIENTO Tiempo (min)
65
Salida
60 1-4-1
1-5-1 Figura 29: Comparación de método de Muskingum y RNA.
55

50
Caudal(m3/seg)

45
2. Caso 02: Para el segundo caso de análisis se tomó el hidro-
grama del primer caso, el cual se multiplicó por los fac-
40
tores 2, 5 y 10, para observar el comportamiento de la red
35
a grandes magnitudes de hidrogramas que puedan suscitar,
30
en la tabla 5 se aprecia los datos de ingreso a la red. La
25
RNA en los casos que se duplican, quintuplican y decu-
20
11-02-17 11-02-17 11-02-17 12-02-17 12-02-17 12-02-17 12-02-17 12-02-17 plican los hidrogramas de ingreso tienen un similar gasto
Tiempo (min)
respecto a los hidrogramas de salida, se puede mencionar
que la RNA puede simular eventos de avenidas extraor-
Figura 27: Entrenamiento de RNA con arquitecturas 1-n-1 (n=4 y 5).
dinarias ocurridas en el rı́o, en las figuras 30, 31 y 32 se
pueden observar que la RNA se asemeja al hidrograma de
Como se observa en la figura 27 la RNA con arquitectura salida.
1-5-1 presenta un entrenamiento prácticamente perfecto a difer-
Tránsito de avenida en el cauce del río Ichu-Tramo 05
encia de otras arquitecturas. La arquitectura seleccionada es la 130
Hidrograma Entrada OBS.
1-5-1, la cual presenta el mejor ajuste, constituido de una ca- 120 Hidrograma Salida OBS.
Hidrograma Salida RNA
pa entrada, una capa oculta con 5 neuronas de función de acti- 110

vación lineal, una capa de salida con una neurona de transferen- 100
Caudal(m3/seg)

cia lineal, como se observa en la figura 28. 90

80

70

60

50

40
11-02-17 11-02-17 11-02-17 12-02-17 12-02-17 12-02-17 12-02-17 12-02-17
Tiempo (min)

Figura 30: Tormenta 11-12/feb/2017 Tramo 05-Factor 2.

Figura 28: RNA con arquitecturas 1-5-1 en Matlab.

Tránsito de avenida en el cauce del río Ichu-Tramo 05

El valor del coeficientes de coeficientes de eficiencia Nash- 350
Hidrograma Entrada OBS.
Sutcliffe (E) alcanzó un valor de 0.881 en la presente etapa de Hidrograma Salida OBS.
Hidrograma Salida RNA
entrenamiento. 300
Caudal(m3/seg)

250
3.4.3. Validación de la arquitectura de RNA
La siguiente etapa es la validación y aplicación de la RNA 200

con la arquitectura 1-5-1, en los diferentes casos de estudio.

150

1. Caso 01: El resultado del primer experimento, se muestra

en la figura 29, donde se aprecia el hidrograma de entra- 100
11-02-17 11-02-17 11-02-17 12-02-17 12-02-17 12-02-17 12-02-17 12-02-17
da y salida, el tránsito hidrológico mediante el método de Tiempo (min)

Muskingum y la aplicación de la RNA. Se observa que

la RNA se ajusta perfectamente al hidrograma de salida Figura 31: Tormenta 11-12/feb/2017 Tramo 05-Factor 5.
 UNIVERSIDAD NACIONAL DE HUANCAVELICA 2018

Tránsito de avenida en el cauce del río Ichu-Tramo 05

650
Hidrograma Entrada OBS.
600 Hidrograma Salida OBS.
Hidrograma Salida RNA
550

500

Caudal(m3/seg)
Tabla 5: Hidrograma de múltiplicidad 2, 5 y 10. 450

Fecha Hora I I*2 I*5 I*10 400

11-Feb-17 14:00 22.07 44.14 110.34 220.68 350

11-Feb-17 14:30 22.19 44.37 110.94 221.87
300
11-Feb-17 15:00 22.42 44.85 112.12 224.24
250
11-Feb-17 15:30 22.77 45.54 113.85 227.70
200
11-Feb-17 16:00 23.17 46.35 115.87 231.73 11-02-17 11-02-17 11-02-17 12-02-17 12-02-17 12-02-17 12-02-17 12-02-17
Tiempo (min)
11-Feb-17 16:30 23.68 47.35 118.39 236.77
11-Feb-17 17:00 24.59 49.18 122.95 245.89
Figura 32: Tormenta 11-12/feb/2017 Tramo 05-Factor 10.
11-Feb-17 17:30 26.36 52.73 131.82 263.63
11-Feb-17 18:00 29.53 59.06 147.65 295.30
11-Feb-17 18:30 34.26 68.51 171.28 342.55 3. Caso 03: Corresponde avenidas aisladas, observándose
11-Feb-17 19:00 40.41 80.82 202.06 404.11 que el rango de gastos cubiertos en la etapa de validación
11-Feb-17 19:30 47.48 94.96 237.40 474.79 de la red va desde los 9.00 hasta los 83.00 m3/s aproxi-
11-Feb-17 20:00 54.07 108.15 270.37 540.73 madamente y que las formas de las avenidas tomadas en
11-Feb-17 20:30 58.92 117.84 294.61 589.22 cuenta son muy diferentes entre sı́, lo que permitirá afir-
11-Feb-17 21:00 61.42 122.85 307.12 614.23 mar sı́ es posible abarcar avenidas comprendidas en estos
11-Feb-17 21:30 61.47 122.94 307.34 614.68 rangos.
11-Feb-17 22:00 59.63 119.26 298.16 596.32
Tránsito de avenida en el cauce del rio Ichu-Tramo 05
11-Feb-17 22:30 56.39 112.78 281.94 563.88 24
Hidrograma Entrada OBS.
11-Feb-17 23:00 52.44 104.88 262.20 524.39 22 Hidrograma Salida OBS.
Hidrograma Salida RNA

11-Feb-17 23:30 48.28 96.57 241.42 482.83 20

12-Feb-17 00:00 44.32 88.65 221.62 443.23

Caudal(m3/seg)

18

12-Feb-17 00:30 40.72 81.44 203.61 407.21 16

12-Feb-17 01:00 37.48 74.96 187.41 374.82
14
12-Feb-17 01:30 34.67 69.33 173.34 346.67
12
12-Feb-17 02:00 32.31 64.62 161.56 323.11
12-Feb-17 02:30 30.37 60.74 151.85 303.69 10

12-Feb-17 03:00 28.80 57.60 144.00 288.00 8

09-04-16 09-04-16 09-04-16 10-04-16 10-04-16 10-04-16 10-04-16
Tiempo (min)
12-Feb-17 03:30 27.53 55.07 137.67 275.34
12-Feb-17 04:00 26.52 53.04 132.60 265.19
Figura 33: Tormenta 09-10/abr/2016 Tramo 05.
12-Feb-17 04:30 25.68 51.36 128.39 256.78
12-Feb-17 05:00 24.99 49.98 124.95 249.90
12-Feb-17 05:30 24.43 48.85 122.13 244.26 Tránsito de avenida en el cauce del río Ichu-Tramo 06
65
12-Feb-17 06:00 23.97 47.94 119.86 239.71 Hidrograma Entrada OBS.
60 Hidrograma Salida OBS.
12-Feb-17 06:30 23.60 47.21 118.02 236.03 55
Hidrograma Salida RNA

12-Feb-17 07:00 23.31 46.61 116.53 233.05 50

12-Feb-17 07:30 23.06 46.12 115.31 230.62

Caudal(m3/seg)

45

12-Feb-17 08:00 22.86 45.73 114.32 228.63 40

12-Feb-17 08:30 22.71 45.41 113.53 227.05 35

12-Feb-17 09:00 22.58 45.17 112.92 225.83 30

12-Feb-17 09:30 22.49 44.98 112.46 224.91 25

20
12-Feb-17 10:00 22.43 44.86 112.15 224.29
15
12-Feb-17 10:30 22.40 44.79 111.98 223.96 10-02-17 10-02-17 10-02-17 11-02-17
Tiempo (min)
11-02-17 11-02-17 11-02-17

12-Feb-17 11:00 22.40 44.81 112.02 224.04

12-Feb-17 11:30 22.45 44.90 112.26 224.51 Figura 34: Tormenta 10-11/feb/2017 Tramo 05.
12-Feb-17 12:00 22.56 45.11 112.78 225.55
12-Feb-17 12:30 22.69 45.38 113.45 226.90
En las figuras 33 y 34 se muestran los gastos observados
12-Feb-17 13:00 22.79 45.57 113.93 227.85
en la estación hidrométrica Huancavelica (linea continua)
12-Feb-17 13:30 22.80 45.60 114.00 228.00
y los calculados con la red neuronal entrenada (linea con
12-Feb-17 14:00 22.73 45.47 113.67 227.33
x), se puede observar que existe una buena correlación, el
12-Feb-17 14:30 22.61 45.23 113.07 226.13
12-Feb-17 15:00 22.47 44.94 112.36 224.72
cual indica que la RNA tiene un buen comportamiento para
12-Feb-17 15:30 22.36 44.72 111.79 223.58 las avenidas aisladas.
12-Feb-17 16:00 22.37 44.74 111.85 223.70 4. Caso 04: Para el desarrollo del cuarto caso se analiza la
aplicación de la RNA a trenes de avenidas, en las figuras
35 y 36 se observa que la arquitectura 1-5-1 (linea con
x) presenta una buena correlación respecto a los caudales
observados (linea continua), casi similar a las avenidas de
 UNIVERSIDAD NACIONAL DE HUANCAVELICA 2018

tránsitos aislados, se puede dar una buena valoración a la 0.859 en la validación.

red, para simular este tipos de avenidas, después de revisar
la información histórica se puede apreciar que los trenes
de avenidas se presentan principalmente por tormentas de
lluvias consecutivas. Referencias bibliográficas

11
Tránsito de avenida en el cauce del río Ichu-Tramo 05 [1] David R Maidment et al. Handbook of hydrology. McGraw-Hill Inc.,
Hidrograma Entrada OBS. 1992.
Hidrograma Salida OBS.
10 Hidrograma Salida RNA [2] Pedro Viñuela isasi and Inés León Galván. Redes de Neuronas Artifi-
ciales un enfoque practico. Universidad Carlos III de Madrid, 2004.
9 [3] Juan Pablo Molina Aguilar. Tránsito de avenidas en cauces mediante
Caudal(m3/seg)

redes neuronales artificiales. Master’s thesis, Universidad Nacional

8 Autónoma de México, 2005.
[4] Anónimo. Tránsito de Avenidas en Cauces, chapter 3, pages 1–58. -,
7 -.
[5] X Basogain. Redes neuronales artificiales y sus aplicaciones.
6 Dpto. Ingenierı́a de Sistemas y Automática, Escuela Superior de
Ingenierı́a Bilbao. Open Course Ware.[En lı́nea] disponible en
5
21-04-16 21-04-16 21-04-16 22-04-16 22-04-16 22-04-16 22-04-16 22-04-16 23-04-16 23-04-16 23-04-16 http://ocw. ehu. es/ensenanzas-tecnicas/redes-neuronales-artificiales-
Tiempo (min) y-sus-aplicaciones/Course listing.[Consultada 20-09-2012], 2008.
[6] M Berezowsky and A Jiménez. Flujo no permanente en rı́os. Instituto
Figura 35: Tormenta 21-23/abr/2016 Tramo 05 de Ingenierı́a de la UNAM, (574), 1995.
[7] Iván Arturo Ayala Bizarro. proyecto focam: Calibración y validación
lluvia-escorrentı́a para la previsión de inundaciones en la cuenca ex-
Tránsito de avenida en el cauce del río Ichu-Tramo 05
perimental del rı́o ichu del distrito y provincia de huancavelica regiı́n
40
Huancavelica. Universidad Nacional de Huancavelica, 2016.
38 [8] Lenin Vladimir Campozano Parra. Análisis de la robustez de un mod-
36 elo de redes neuronales para la predicción de caudales en la cuenca
34 alta del rı́o paute. Master’s thesis, Universidad Politécnica Salesiana,
2011.
Caudal(m3/seg)

32

30
28
26
24
22
20
15-03-17 15-03-17 15-03-17 16-03-17 16-03-17 16-03-17
Tiempo (min)
Figura 36: Tormenta 15-17/mar/2017 Tramo 05
3.4.4. Aplicación de la arquitectura de RNA
El estadı́stico empleado para valorar la investigación es el
coeficiente del modelo de Nash, el cual se utiliza para evaluar
el poder predictivo de los modelos hidrológicos, se determina
los valores obtenidos en la aplicación de la RNA en el tránsito
de avenidas suscitadas en las 39 eventos. El promedio del
coeficiente de eficiencia de Nash-Sutcliffe (E) es de 0.991,
0.956, 0.970, 0.959 y 0.420 para los tramos 01, 02, 03, 04 y 05
respectivamente, encontrándose un valor de E=0.859 para todo
el modelo.
4. Conclusión
El proceso de lluvia-escorrentı́a para la cuenca experimental
del Rı́o Ichu, mediante el método HEC-1 obtuvo valores de
coeficientes de eficiencia Nash-Sutcliffe (E) iguales a 0.851 y
0.828 para la etapa de calibrado y validación respectivamente
El cauce natural del rı́o Ichu influye favorablemente en el
tránsito rápido de avenidas ocurridas en el rı́o, encontrándose a
la RNA de arquitectura 1-5-1 el de mejor ajuste al fenómeno,
el cual presenta valores de coeficientes de eficiencia Nash-
Sutcliffe (E) iguales a 0.881 en la etapa de entrenamiento y
[9] Pedro Ponce Cruz. Inteligencia Artificial con Aplicaciones a Inge-
nierı́a. México, 2010.
[10] Raúl Pino Dı́ez, Alberto Gómez Gómez, and Nicolás de Aba-
jo Martı́nez. Introducción a la inteligencia artificial: sistemas exper-
Hidrograma Entrada OBS.
tos, redes neuronales artificiales y computación evolutiva. Universi-
Hidrograma Salida OBS.
Hidrograma Salida RNA
dad de Oviedo, 2001.
[11] Luis Federico Bertona. Entrenamiento de redes neuronales basado en
16-03-17 16-03-17 17-03-17 17-03-17 17-03-17
algoritmos genéticos. Master’s thesis, Universidad de Buenos Aires -
Facultad de Ingenierı́a, 2005.
[12] Raquel Flórez López and José Miguel Fernández Fernández. Las Re-
des Neuronales Artificiales fundamentos teóricos y aplicaciones prac-
ticas. Primera edición edition, 2008.
[13] Daniel Graupe. Principles of Artificial Neural Networks. Advanced
series in circuits and systems, 2nd edition edition, 2007.
[14] Simon Haykin. Neural Networks a Comprehensive Foundation. Pren-
tice Hall International, Inc., second edition edition, 1999.
[15] Nikola K. Kasabov. Foundations of Neural Networks, Fuzzy Systems,
and Knowledge Engineering. Massachusetts Institute of Technology,
1998.
[16] Chilukuri K. Mohan Kishan Mehrotra and Sanjay Ranka. Elements of
Artificial Neural Networks. primera edición edition, 1996.
[17] Damián Jorge Matich. Redes neuronales: Conceptos básicos y aplica-
ciones. Cátedra de Informática Aplicada a la Ingenierı́a de Procesos–
Orientación I, 2001.
[18] Victor M Ponce and PV Changanti. Variable-parameter muskingum-
cunge method revisited. Journal of Hydrology, 162(3-4):433–439,
1994.
[19] Victor M Ponce and Adolph Lugo. Modeling looped ratings in
muskingum-cunge routing. Journal of Hydrologic Engineering,
6(2):119–124, 2001.
[20] Rodrigo Salas. Redes neuronales artificiales. Universidad de Val-
paraıso. Departamento de Computación, 2004.
[21] Maryam Samimi, Salah Kouchakzadeh, and Atefeh Parvaresh-Rizi.
Verification of a simplified flood routing method based on field ob-
servation. In International Symposium on Water Management and
Hydraulic Engineering Ohrid/Macedonia, pages 909–920, 2009.
[22] Xiaonan Tang, Donald W Knight, and Paul G Samuels. Variable pa-
rameter muskingum-cunge method for flood routing in a compound
channel. Journal of hydraulic research, 37(5):591–614, 1999.
[23] Jacek M. Zurada. Intriduction to Artificial Neural Systems. West Pub-
lishing Company, 1992.