Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
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
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
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).
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
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
8560000 .000000
Leyenda:
Estaciones Meteorológicas
2.2.3. Mecanismo de aprendizaje PUCAPAMPA
Ciudad de Huancavelica
Kilometros
aprendizaje no es una habilidad individual de una sola neurona. 1:200,000 1 cm = 2 km
Hay una variedad de reglas de aprendizaje que establecen La cuenca del Rı́o Ichu se encuentra instrumentada
cuándo y cómo cambian los pesos de conexión (23). Los algo- con 06 estaciones meteorológicas (Huancevlica, Sacsamarca,
ritmos de entrenamiento o los procedimientos de ajuste de los Chuñuranra, Lachocc, Cachimayo y Pucapampa) y una estación
valores de las conexiones de las RNA se pueden clasificar en hidrológica (Huancavelica) , con el propósito de obtener registro
dos grupos: Supervisado y No Supervisado (5). de precipitaciones (hietogramas) y caudales (hidrogramas) con
un intervalo de registro cada 10, 15 y 30 minutos (Ayala, 2016,
2.2.4. Validación (7)).
Se debe comprobar si la red neuronal puede resolver nuevos
problemas, del tipo general, para los que ha sido entrenada. Por 3.1.2. Registros pluviométricos e hidrológicos
lo tanto, con el propósito de validar la red neuronal se requiere Registros pluviométricos: Se utilizaron registros de precip-
de otro conjunto de datos, denominado conjunto de validación itación de corta duración (tormentas), de intervalos de registros
o testeo (17). de 10, 15 y 30 minutos almacenados en las estaciones meteo-
Uno de los aspectos más importantes en la construcción y rológicas, con el objetivo de evaluar caudales instantáneos pro-
desarrollo de RNAs es la capacidad de la red para generalizar a ducidos en las subcuencas. Las precipitaciones mensuales acu-
partir de ejemplos, evitando la simple memorización de patrones muladas registradas en el año 2015 al 2017 se presenta en la
de aprendizaje, y proporcionando una respuesta correcta ante figura 9, las estaciones meteorológicas de Huancavelica, Sac-
individuos no presentados durante la fase de entrenamiento (12). samarca, Chuñuranra, Lachocc, Cachimayo y Pucapampa.
UNIVERSIDAD NACIONAL DE HUANCAVELICA 2018
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:
Pucapampa
op Estación Hidrológica
8560000 .000000
8560000 .000000
<all other values>
1:200,000 1 cm = 2 km
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.
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)
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
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)
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
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
45
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 desempeño: mse Figura 19: Entrenamiento de RNA con arquitecturas 1-n-1 (n=7, 8 y 9).
UNIVERSIDAD NACIONAL DE HUANCAVELICA 2018
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).
nada. 60
Salida
1-4-2-1
1-8-6-1
55 1-10-5-1
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)
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
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
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)
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
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)
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)
250
3.4.3. Validación de la arquitectura de RNA
La siguiente etapa es la validación y aplicación de la RNA 200
500
Caudal(m3/seg)
Tabla 5: Hidrograma de múltiplicidad 2, 5 y 10. 450
18
45
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
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)
32
30
[9] Pedro Ponce Cruz. Inteligencia Artificial con Aplicaciones a Inge-
nierı́a. México, 2010.
28
[10] Raúl Pino Dı́ez, Alberto Gómez Gómez, and Nicolás de Aba-
26
jo Martı́nez. Introducción a la inteligencia artificial: sistemas exper-
24
Hidrograma Entrada OBS.
tos, redes neuronales artificiales y computación evolutiva. Universi-
22 Hidrograma Salida OBS.
Hidrograma Salida RNA
dad de Oviedo, 2001.
20 [11] Luis Federico Bertona. Entrenamiento de redes neuronales basado en
15-03-17 15-03-17 15-03-17 16-03-17 16-03-17 16-03-17 16-03-17 16-03-17 17-03-17 17-03-17 17-03-17
Tiempo (min) algoritmos genéticos. Master’s thesis, Universidad de Buenos Aires -
Facultad de Ingenierı́a, 2005.
Figura 36: Tormenta 15-17/mar/2017 Tramo 05 [12] Raquel Flórez López and José Miguel Fernández Fernández. Las Re-
des Neuronales Artificiales fundamentos teóricos y aplicaciones prac-
ticas. Primera edición edition, 2008.
3.4.4. Aplicación de la arquitectura de RNA [13] Daniel Graupe. Principles of Artificial Neural Networks. Advanced
El estadı́stico empleado para valorar la investigación es el series in circuits and systems, 2nd edition edition, 2007.
[14] Simon Haykin. Neural Networks a Comprehensive Foundation. Pren-
coeficiente del modelo de Nash, el cual se utiliza para evaluar tice Hall International, Inc., second edition edition, 1999.
el poder predictivo de los modelos hidrológicos, se determina [15] Nikola K. Kasabov. Foundations of Neural Networks, Fuzzy Systems,
los valores obtenidos en la aplicación de la RNA en el tránsito and Knowledge Engineering. Massachusetts Institute of Technology,
de avenidas suscitadas en las 39 eventos. El promedio del 1998.
coeficiente de eficiencia de Nash-Sutcliffe (E) es de 0.991, [16] Chilukuri K. Mohan Kishan Mehrotra and Sanjay Ranka. Elements of
Artificial Neural Networks. primera edición edition, 1996.
0.956, 0.970, 0.959 y 0.420 para los tramos 01, 02, 03, 04 y 05 [17] Damián Jorge Matich. Redes neuronales: Conceptos básicos y aplica-
respectivamente, encontrándose un valor de E=0.859 para todo ciones. Cátedra de Informática Aplicada a la Ingenierı́a de Procesos–
el modelo. 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.
4. Conclusión [19] Victor M Ponce and Adolph Lugo. Modeling looped ratings in
muskingum-cunge routing. Journal of Hydrologic Engineering,
El proceso de lluvia-escorrentı́a para la cuenca experimental 6(2):119–124, 2001.
[20] Rodrigo Salas. Redes neuronales artificiales. Universidad de Val-
del Rı́o Ichu, mediante el método HEC-1 obtuvo valores de paraıso. Departamento de Computación, 2004.
coeficientes de eficiencia Nash-Sutcliffe (E) iguales a 0.851 y [21] Maryam Samimi, Salah Kouchakzadeh, and Atefeh Parvaresh-Rizi.
0.828 para la etapa de calibrado y validación respectivamente Verification of a simplified flood routing method based on field ob-
servation. In International Symposium on Water Management and
El cauce natural del rı́o Ichu influye favorablemente en el Hydraulic Engineering Ohrid/Macedonia, pages 909–920, 2009.
[22] Xiaonan Tang, Donald W Knight, and Paul G Samuels. Variable pa-
tránsito rápido de avenidas ocurridas en el rı́o, encontrándose a rameter muskingum-cunge method for flood routing in a compound
la RNA de arquitectura 1-5-1 el de mejor ajuste al fenómeno, channel. Journal of hydraulic research, 37(5):591–614, 1999.
el cual presenta valores de coeficientes de eficiencia Nash- [23] Jacek M. Zurada. Intriduction to Artificial Neural Systems. West Pub-
Sutcliffe (E) iguales a 0.881 en la etapa de entrenamiento y lishing Company, 1992.