Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Inteligencia Artificial en Hidrologia
Inteligencia Artificial en Hidrologia
PRESENTADO POR:
Hacemos entrega del primer trabajo del curso que ha encargado a los alumnos, para lo cual
nos dividió por grupos y se les asigno un tema específico para que obtenga la información
hidrología.
ii
ÍNDICE GENERAL
ÍNDICE DE FIGURAS...........................................................................................................iii
I. RESUMEN...............................................................................................................1
II. ABSTRACT..............................................................................................................1
III. INTRODUCCIÓN...................................................................................................2
A. OBJETIVOS..........................................................................................................................4
B. GENERALIDADES...............................................................................................................5
C. CONCEPTOS FUNDAMENTALES.....................................................................................5
1. Marco histórico.......................................................................................................................5
Orígenes......................................................................................................................................6
2. Definiciones............................................................................................................................9
3. Enfoques................................................................................................................................10
4.5.1. Backpropagation(retropropagación)..........................................................................22
V. CONCLUSIONES.................................................................................................28
ÍNDICE DE FIGURAS
materia de lo que es Inteligencia artificial, a lo largo veremos un poco de su historia, las primeras
ideas que fueron el punto de partida para el desarrollo de esta, sus primeros investigadores,
componentes, y métodos, para poder tener una idea más clara acerca de lo que es la inteligencia
debido al aporte que nos da para el logro de solución a problemas complejos a través del uso de
las máquinas.
II. ABSTRACT
In this investigative work we will address the most outstanding and influential aspects, in
terms of what is Artificial Intelligence, throughout we will see a little of its history, the first ideas
that were the starting point for the development of this, its first researchers, definitions, the
We will develop some of the main branches that compose it, their definitions, components,
and methods, in order to have a clearer idea about what artificial intelligence is and its operation,
which has various applications in the engineering field, due to to the contribution it gives us to
III. INTRODUCCIÓN
La inteligencia artificial fue propuesta 1950 por Alan Turing, en donde defino a la conducta
1956 el término «Inteligencia Artificial» fuera usado por primera vez. Muchos autores han
tratado de definirla desde entonces. Quizás la más sencilla y a la vez la más completa definición
es: «El estudio de las facultades mentales a través del uso de modelos computacionales». En esta
disciplina se conjugan ramas tan diversas como son la teoría de la información, la sicología, la
actúen como humanos; para eso los investigadores crean situaciones que ponen a pensar a la
1. Sistemas que piensan como humanos: Estos sistemas tratan de emular el pensamiento
2. Sistemas que actúan como humanos: Estos sistemas tratan de actuar como humanos; es
3. Sistemas que piensan racionalmente: Tratan de imitar el pensamiento lógico racional del
En cada una de estas categorías se han desarrollado herramientas que permiten la resolución
de problemas en muy diversas disciplinas. Esto se debe a una característica inherente de la IA, y
es que desde sus inicios estuvo orientada a la resolución de problemas para los que las
ecuaciones no tienen posible solución analítica o numérica; y, por lo tanto, pueda ser aplicada a
3
beneficiado con el desarrollo computacional es la Ingeniería Civil. Numerosos son los avances
Los problemas que se presentan en la construcción de una obra ingenieril están sujetos a una
serie de factores cambiantes, que hacen muy difícil predecir el resultado final utilizando los
métodos tradicionales. Algunos de estos factores, como son las condiciones del lugar, la calidad
de los materiales, entre otros, hace que constantemente se tenga que verificar la estructura en
busca de posibles fallas. Estos problemas no se resuelven solo con la ayuda de la matemática, la
física y los cálculos mecánicos, sino que dependen también de la experiencia previa acumulada.
Aunque las construcciones se diseñan para que sean longevas, suelen vivir en entornos
agresivos que afectan su integridad estructural. La predicción de la vida útil está lejos de ser un
problema sencillo debido a los muchos cambios internos de la propia estructura, como también a
causas externas a menudo inciertas. En muchos casos, la intensidad y el tipo de parámetros (por
determinarían deterioro o daño con suficiente antelación para permitir las actuaciones o
En este artículo se muestran algunas técnicas de IA que se utilizan para obtener resultados
inmediatos sobre la salud de una estructura. Asimismo, se presenta una comparación de las
técnicas explicadas y se hace un análisis de las tendencias futuras de este campo aplicadas en el
A. OBJETIVOS
a la ingeniería civil. Para ello se necita de una herramienta informática que permite al ingeniero
la aplicación de estas técnicas en diversos campos de una forma cómoda y práctica, sin necesidad
El propósito de la inteligencia artificial es lograr que las máquinas hagan lo que los humanos
comportamiento adaptación (en su sentido más simple que es no chocar con objetos)
B. GENERALIDADES
En una primera aproximación definir la Inteligencia Artificial como una ciencia que tiene
inteligente de las personas. Una rama especializada de la informática que investiga y produce
razonamiento por medio de máquinas automáticas y que pretenden fabricar artefactos dotados de
la capacidad de pensar.
máquinas que presenten un comportamiento que, si fuera llevado a cabo por una persona, se diría
creatividad, etc., son facetas que usualmente se relacionan con el comportamiento inteligente.
C. CONCEPTOS FUNDAMENTALES
1. Marco histórico
poco más acerca de sus orígenes y su historia. Por esta causa se hace una breve descripción de
las mismas.
Conseguir diseñar y construir máquinas capaces de realizar procesos con cierta inteligencia ha
sido uno de los principales objetivos de los científicos a lo largo de la historia. En un principio
realizaran, con más o menos éxito, alguna función típica de los seres humanos. Hoy en día se
continúa estudiando en ésta misma línea, con resultados sorprendentes, existen maneras de
realizar procesos similares a los inteligentes y que podemos encuadrar dentro de la llamada
naturaleza para obtener máquinas que realicen trabajos pesados en nuestro lugar. De igual
intentar obtener máquinas con esta capacidad basadas en el mismo principio de funcionamiento.
No se trata de construir máquinas que compitan con los seres humanos, sino que realicen ciertas
tareas de rango intelectual con que ayudarle, principio básico de la Inteligencia Artificial.
Orígenes
por Platón (427-347 a.C.) y Aristóteles (348-422 a.C.). Las mismas ideas también las mantuvo
pertenece, tiene más historia de la que se cree: Herón (100 a.c) construyó un autómata hidráulico.
7
1936 - Alan Turing. Fue el primero en estudiar el cerebro como una forma de ver el
mundo de la computación. Sin embargo, los primeros teóricos que concibieron los fundamentos
matemático, quienes, en 1943, lanzaron una teoría acerca de la forma de trabajar de las neuronas
Biofísica 5: 115-133). Ellos modelaron una red neuronal simple mediante circuitos eléctricos.
en el que se establece una conexión entre psicología y fisiología. Fue el primero en explicar los
procesos del aprendizaje (que es el elemento básico de la inteligencia humana) desde un punto de
vista psicológico, desarrollando una regla de como el aprendizaje ocurría. Aun hoy, este es el
fundamento de la mayoría de las funciones de aprendizaje que pueden hallarse en una red
neuronal. Su idea fue que el aprendizaje ocurría cuando ciertos cambios en una neurona eran
Los trabajos de Hebb formaron las bases de la Teoría de las Redes Neuronales.
1957 - Frank Rosenblatt. Comenzó el desarrollo del Perceptrón. Esta es la red neuronal
más antigua; utilizándose hoy en día para aplicación como reconocedor de patrones. Este modelo
era capaz de generalizar, es decir, después de haber aprendido una serie de patrones podía
reconocer otros similares, aunque no se le hubiesen presentado anteriormente. Sin embargo, tenía
una serie de limitaciones, por ejemplo, su incapacidad para resolver el problema de la función
escribió el libro Principios de Neurodinámica, en el que confirmó que, bajo ciertas condiciones,
8
el aprendizaje del Perceptrón convergía hacia un estado finito (Teorema de Convergencia del
Perceptrón).
LINear Elements). Esta fue la primera red neuronal aplicada a un problema real (filtros
adaptativos para eliminar ecos en las líneas telefónicas) que se ha utilizado comercialmente
1961 - Karl Steinbeck: Die Lernmatrix. Red neuronal para simples realizaciones técnicas
(memoria asociativa).
numerosos libros y desarrollado modelo de redes neuronales. Realizó una red: Avalancha, que
consistía en elementos discretos con actividad que varía en el tiempo que satisface ecuaciones
1969 - Marvin Minsky/Seymour Papert. En este año surgieron críticas que frenaron,
hasta 1982, el crecimiento que estaban experimentando las investigaciones sobre redes
problemas relativamente fáciles, tales como el aprendizaje de una función no-lineal. Esto
demostró que el Perceptrón era muy débil, dado que las funciones no-lineales son extensamente
empleadas en computación y en los problemas del mundo real. A pesar del libro, algunos
investigadores continuaron su trabajo. Tal fue el caso de James Anderson, que desarrolló un
modelo lineal, llamado Asociador Lineal, que consistía en unos elementos integradores lineales
(neuronas) que sumaban sus entradas. Este modelo se basa en el principio de que las conexiones
9
entre neuronas son reforzadas cada vez que son activadas. Anderson diseñó una potente
1985.
Resonancia Adaptada es una arquitectura de red que se diferencia de todas las demás
previamente inventadas. La misma simula otras habilidades del cerebro: memoria a largo y corto
plazo.
patrones visuales.
1985 - John Hopfield. Provocó el renacimiento de las redes neuronales con su libro:
propagación hacia atrás (backpropagation). A partir de 1986, el panorama fue alentador con
numerosos los trabajos que se realizan y publican cada año, las aplicaciones nuevas que surgen
(sobre todo en el área de control) y las empresas que lanzan al mercado productos nuevos, tanto
2. Definiciones
Según las diversas investigaciones que se han hecho hasta el día de hoy sobre las Redes
que:
10
combinación con algoritmos específicos para hacer su estructura (y por lo tanto su respuesta)
funciona el sistema nervioso de los animales. Constituyen, por lo tanto, modelos electrónicos o
FiguraFigura
2. Red1.Neuronal Biológica
Red Neuronal y Artificial
Artificial
3. Enfoques
Se pueden definir dos puntos de vista o enfoques de la IA, el punto de vista tecnológico o
La rama ingenieril busca la creación de sistemas informáticos que realicen tareas para
problemas concretos, sin limitar las técnicas a utilizar a aquellas que utilizan los seres
inteligentes.
conducta que se produce en seres de natural inteligentes, y que guíe la creación de entes
Las RNA son modelos que intentan reproducir el comportamiento del cerebro. Como tal
modelo, realiza una simplificación, averiguando cuáles son los elementos relevantes del sistema,
redundante. Una elección adecuada de sus características, más una estructura conveniente, es el
procedimiento convencional utilizado para construir redes capaces de realizar determinada tarea.
Asociada con cada unidad hay una función de salida, que transforma el estado actual de
activa o no, por lo general esta salida proviene de una función de transferencia
siguientes:
a. Red monocapa
neuronas que pertenecen a la única capa que constituye la red, llamada neurona de salida, es allí
donde se hacen los diferentes cálculos. Ejemplos de redes de este tipo son la red HOPPFIELD.
14
b. Red multicapa
monocapa, la diferencia reside en que mientras la red neuronal monocapa está compuesta por
una capa de neuronas de entrada y una capa de neuronas de salida, esta dispone de un conjunto
de capas intermedias (capas ocultas) entre la capa de entrada y la de salida. Dependiendo del
número de conexiones que presente la red esta puede estar total o parcialmente conectada.
las conexiones entre neuronas pueden ser del tipo feedforward (conexión hacia adelante)
Se tiene en que cada neurona no se une con todas y cada una de las capas siguientes, sino
que solo con un subgrupo de ellas (se especializa), con esto se consigue reducir el número de
La red neuronal recurrente no tiene una estructura de capas, sino que permiten
conexiones arbitrarias entre las neuronas, incluso pudiendo crear ciclos, con esto se consigue
La salida es una combinación lineal de las funciones de activación radiales utilizadas por las
El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en respuesta
a una información de entrada. Los cambios que se producen durante la etapa de aprendizaje se
reducen a la destrucción (el peso de la conexión toma el valor 0), modificación y creación (el
Podemos considerar que el proceso de aprendizaje ha terminado cuando los valores de los
∂wj
pesos permanecen estables( =0).
∂t
controlado por un supervisor que determina la respuesta que se debe generar para cada entrada.
conexiones, con el fin de que la salida obtenida se aproxime a la deseada. A su vez el aprendizaje
Consiste en ajustar los pesos de las conexiones de la red en función de la diferencia entre
los valores deseados y los obtenidos en la salida. La fórmula para la corrección de los pesos
siendo:
Regla delta o del mínimo error cuadrado: utilizado en las redes ADALINE y
MADELINE.
este tipo de aprendizaje es más lento que el anterior y se basa en la idea de no disponer de
entrenamiento la salida exacta que se desea que proporcione la red ante una determinada entrada.
Aquí la función del supervisor se reduce a indicar mediante una señal de refuerzo si la salida
consiste básicamente en realizar cambios aleatorios en los valores de los pesos y evaluar
su efecto a partir del objetivo deseado y de distribuciones de probabilidad. Una red que utiliza
este tipo de aprendizaje es la red Boltzmann Machine, ideada por Hinton, Ackley y Sejnowski en
1984.
19
No requieren de influencia externa para ajustar los pesos de las conexiones entre sus
neuronas. La red no recibe ninguna información por parte del entorno que le indique si la salida
organizarse. por eso se le llama también red autosupervisado. los algoritmos no supervisados
aprendizaje consiste básicamente en el ajuste de los pesos de las conexiones de acuerdo con la
correlación de los valores de activación (salidas) de las dos neuronas conectadas. Este tipo de
las neuronas compiten unas con otras con el fin de llevar a cabo una tarea dada. Se
pretende que cuando se presente a la red cierta información, sólo una o un grupo de ellas se
activen. Por tanto, las neuronas compiten por activarse, quedando las perdedoras a sus valores de
respuesta mínimos. La conexión entre neuronas se realiza en todas las capas de la red, existiendo
Las redes neuronales son sistemas que almacenan cierta información aprendida; esta se
registra de forma distribuida en los pesos asociados a las conexiones entre neuronas. Hay que
ofrecida por esta. Es lo que se conoce como memoria asociativa. Existen dos formas primarias de
Redes heteroasociativas
La red aprende parejas de datos [(A1, B1), (A2, B2) … (An, Bn)], de tal forma que
precisan al menos de 2 capas, una para captar y retener la información de entrada y otra para
mantener la salida con la información asociada. Si esto no fuese así se perdería la información
que puede ser necesario acceder varias veces a ella, por lo que debe permanecer en la capa de
Redes autoasociativas
La red aprende ciertas informaciones A1, A2, ..., An de forma que cuando se le presenta
una información de entrada realizará una autocorrelación, respondiendo con uno de los datos
almacenados, el más parecido al de entrada. Este tipo de redes pueden implementarse con una
distorsiones o ruido, explorar relaciones entre informaciones similares para facilitar la búsqueda
En un gran número de redes, tanto los datos de entrada como de salida son de naturaleza
analógica (valores reales contínuos y normalmente normalizados, por lo que su valor absoluto
será menor que la unidad). En este caso las funciones de activación de las neuronas serán
Por el contrario, otras redes sólo admiten valores discretos [0,1] a la entrada, generando
también en la salida respuestas de tipo binario. La función de activación en este caso es del tipo
escalón.
22
IV.5.1. Backpropagation(retropropagación)
Hinton y Ronald Williams. Este documento describe varias redes neuronales en las que la
retropropagación funciona mucho más rápido que los enfoques de aprendizaje anteriores, lo que
hace posible utilizar redes neuronales para resolver problemas que anteriormente habían sido
neuronales.
En esta red se interconectan varias unidades de procesamiento en capas, las neuronas de cada
capa se conectan entre sí. Cada neurona de una capa proporciona una entrada a cada una de las
a. CONCEPTO
Tiene por función la modificación de pesos, está orientada a que el error cometido sea
mínimo.
del gradiente utilizado en algoritmos de aprendizaje supervisado utilizados para entrenar redes
Podemos definir el error total cometido por la red como la suma de los cuadrados de los
preciso utilizar un algoritmo alternativo. El algoritmo iterativo que permite entrenar redes
multipaca.
b. CARACTERISTICAS FUNDAMENTALES
patrones de entrenamiento.
o incompletos.
En esta red se realizan dos procesos, uno hacia adelante (forward pass) y otro hacia atrás
(backward pass).
misma generando una salida que es comparada con la salida deseada, produciéndose una señal de
En el segundo, dicha señal de error es propagada desde la salida hacia atrás, donde se realiza
Este proceso se da repetidamente para cada patrón de entrada hasta que se obtenga un mínimo
de error.
La importancia de este proceso consiste en que, a medida que se entrena la red, las neuronas
de las capas intermedias se organizan a sí mismas de tal modo que las distintas neuronas
aprenden a reconocer distintas características del espacio total de entrada. Después del
entrenamiento, cuando se les presente un patrón arbitrario de entrada que contenga ruido o que
esté incompleto, las neuronas de la capa oculta de la red responderán con una salida activa si la
nueva entrada contiene un patrón que se asemeje a aquella característica que las neuronas
de las capas ocultas tienen una tendencia a inhibir su salida si el patrón de entrada no contiene la
son métodos adaptativos que pueden usarse para resolver problemas de búsqueda y
optimización. Están basados en el proceso genético de los organismos vivos. son capaces de ir
25
creando soluciones para problemas del mundo real. La evolución de dichas soluciones hacia
valores óptimos del problema depende en buena medida de una adecuada codificación de las
mismas.
IV.5.3. Boltzmann
IV.5.4. Hebb
cuando el disparo de una célula activa otra, el peso de la conexión entre ambas tiende a
IV.5.5. Competitivo
Aplicación generalizada
humedad del suelo en una cuenca de drenaje. (Se usa las redes neuronales
Calidad del agua, políticas del manejo del agua, pronóstico de precipitación,
genéticos)
Ventajas
Debido a que una RNA almacena la información de forma redundante, ésta puede
fallos).
Desventajas
reconocer patrones que sean sumamente parecidos, se deberá invertir más tiempo
en lograr que la red converja a valores de pesos que representen lo que se quiera
enseñar.
salida, un número, que no puede ser interpretado por ella misma, sino que se
que sea la red neuronal, más información tendrá que enseñarle para que realice de
V. CONCLUSIONES
Las redes neuronales artificiales son herramientas que la inteligencia artificial nos
Martínez Pérez, M., Ortiz Valencia, E., López Guzmán, D., & Casas Rosíquez, M.
https://www.redalyc.org/articulo.oa?id=193955164005
29
http://repositori.uji.es/xmlui/bitstream/handle/10234/165697/TFG_2016_AmelaLlobetMi
guel.pdf?sequence=1&isAllowed=y
https://www.diegocalvo.es/clasificacion-de-redes-neuronales-artificiales/
https://ingenieriacivilunh.wordpress.com/2018/06/13/primera-entrada-del-blog/
http://repositorio.ucam.edu/handle/10952/3381
https://cdv.dei.uc.pt/wp-content/uploads/2014/03/ms07.pdf
http://www.rclibros.es/pdf/InteligenciaArtificial.pdf
[4] Gómez, A., Juristo, N., Montes, C., Pazos, J., 1997. “Ingeniería del Conocimiento”.
Pazos, A., Col., 1991. “Estructura, dinámica y aplicaciones de las Redes de Neuronas
https://lelinopontes.files.wordpress.com/2014/09/inteligencia-artificial-con-aplicaciones-
a-la-ingenierc3ada.pdf
https://dspace.uib.es/xmlui/bitstream/handle/11201/2511/Montano_Moreno_JuanJose.pdf
?sequence=1
http://revistas.unica.cu/index.php/uciencia/article/viewFile/195/791
30
http://portal.uned.es/EadmonGuiasWeb/htdocs/abrir_fichero/abrir_fichero.jsp?
idGuia=80646
http://blogdetrabajospublicados.blogspot.com/2008/04/inteligencia-artificial-y-la-
ingenieria.html
https://www.iagua.es/noticias/europa-press/inteligencia-artificial-prevenir-inundaciones
backpropagation-en-una-red-neuronal/ (05/08/2020)
[1]http://decsai.ugr.es/~castro/Neuro/E-Backpropagation/ppframe.htm (05/08/2020).
[2]http://decsai.ugr.es/~castro/Neuro/E-Backpropagation/ppframe.htm (05/08/2020).
[3]http://decsai.ugr.es/~castro/Neuro/E-Backpropagation/ppframe.htm (05/08/2020)
[4]MONJA OSORIO, Manuel Alejandro; TESIS: “Diseño para de una arquitectura para
una red neural artificial perceptron sobre una FPGA aplicada al reconocimiento de
2008.