Computational Hydraulics | 2021-III

Neural model to determine the

diameter of pressure pipes in Matlab
Modelo neuronal para determinar el
diametro de tuberias a presión en
MatLab
1
Andres F. Riaño N. ID

Resumen Abstract
El diámetro es el parámetro fundamental a calcular The diameter is the fundamental parameter to be
en el análisis y diseño de tuberías a presión, de aduc- calculated in the analysis and design of pressure, con-
ción o conducción, pues determina el comportamiento duction or conduction pipes, as it determines the
de la presión a lo largo de la tubería. Para el sistema behavior of the pressure along the pipe. For the pro-
hidráulico propuesto conformado por dos tanques posed system consisting of two closed tanks connected
cerrados conectados por una tubería se pretende de- by a pipe, it is intended to determine the diameter
terminar el diametro de la misma empleando una red of the pipe using a neural network with Levenberg-
neuronal con optimización de Levenberg-Marquardta, Marquardta optimization, from 5000 random data on
a partir de 5000 datos aleatorios de Caudal, Rugosi- Flow, Roughness, Head Loss, Length, Viscosity. and
dad, Pérdida de carga, Longitud, Viscosidad y pérdida accessory loss, obtained through a nested loop in Ex-
por accesorios, obtenidos mediante un bucle anidado cel and based on the equations that govern flow under
en Excel y con base en las ecuaciones que gobier- pressure given by Darcy-Weisbach and the Coleborok-
nan el flujo a presión dada por Darcy-Weisbach y la White equation. The above under steady flow con-
ecuación de Coleborok-White. Lo anterior bajo condi- ditions. The neronal configuration that presents the
ciones estacionarias de flujo. La configuración neronal best performance is made up of three hidden lay-
que presenta un mejor rendimiento es conformada por ers of 14 neurons each applying the hyperbolic tan-
tres capas ocultas de 14 neuronas cada una aplicando gent transfer function (tansig) and the Levenberg-
la función de transferencia tangente hiperbólica (tan- Marquardt training function (trainlm), obtaining an
sig) y función de entrenamiento Levenberg-Marquardt MSE of 2.59−9 .
(trainlm), al obtener un MSE de 2.59−9 .

Palabras clave: Red Neuronal, Inteligencia Arti- Keywords: Neural Network, Artificial Intelligence,
ficial, tuberías a presión, error medio cuadrático, pressure pipes, mean square error, MATLAB, Data
MATLAB, Data set, Ecuación de Coleborok-White, set, Coleborok-White equation, Darcy-Weisbach equa-
Ecuación de Darcy-Weisbach. ... tion.. ...

1
Ingeniero Civil, Universidad Distrital Francisco José de Caldas, Bogotá D. C. Contacto: afrianon@correo.udistrital.edu.co.
1
2

1. Introducción
Una tubería simple tiene un diametro constante y está hecha de un solo material a lo largo de toda su longitud.
La energia que mueve el fluido dentro de ella puede ser de tipo gravitacional(un embalse o tanque a la entrada)
o mecánica (una bomba). En este último caso, para que la tubería pueda ser considerada como simple, la
bomba debe estar localizada en uno de los extremos. La tubería simple puede tener cualquier tipo y número
de accesorios que produzcan pérdidas menores, incuyendo válvulas para el control del caudal.

En este informe se pretende entrenar y ejecutar una red neuronal a partir de 5000 resultados de diametro
calculados mediante la ecuación implícita de diseño usada tradicionalmente en el diseño de tuberias a presión
de flujo turbulento. Se explicará como obtener mediante un bucle anidado en excel los 5000 datos de diametro
y como ingresarlos en Matlab. Asi mismo, se analaizaran los resultados obtenidos por la red neuronal y el
error medio cuadratico comparado con los datos teóricos.

2. Objetivos
2.1. Objetivo General
Realizar un modelo neuronal en MATLAB a partir de 5000 valores aleatorios con el fin de calcular el diámetro
de tuberías a presión, pérdidas por fricción y pérdidas por accesorios.

2.2. Objetivos Especificos

• Aplicar los conocimientos aprendidos en el manejo de las herramientas Excel y Matlab.
• Mostrar el procedimiento ejecutado paso a paso.
• Analizar el modelo y los resultados obtenidos.

3. Marco Teorico
3.1. Parámetros de entrada
Para determinar los aleatorios de Caudal, Rugosidad, Pérdida de carga, Longitud, Viscosidad y pérdida por
accesorios,como se verá mas adelante, es vital que estos sean parametrizados de acuerdo a los rangos establecidos
en el Reglamento Técnico del Sector de Agua Potable y Saneamiento Básico – RAS, para evitar incongruencias
hidráulicas y en lo posible obtener datos de caudal, lo más acercado a la realidad, y así perfeccionar y disminuir
el error medio cuadrático en la red neuronal.

Figura 1. Tabla B.6.28-RAS 2000. Densidad y Viscosidad del agua seun temperatura
Riaño N. / Neural model to determine the diameter of pressure pipes in Matlab 3

Figura 2. Tabla B.6.29-RAS 2000. Valores de rugosidad absoluta

Figura 3. Tabla B.6.30-RAS 2000. Coeficientes de pérdida menores para accesorios comunes

Figura 4. Tabla B.7.3-RAS 2000. Diámetros nominales mínimos de la red matriz

Figura 5. Tabla B.7.4-RAS 2000.Diámetros nominales mínimos de la red menor de distribución

Segun la RAS 2000 la velocidad mínima en la conducción debe ser de 1.0 m/s con el fin de prevenir el
crecimiento y controlar el desprendimiento de películas biológicas y/o minerales y la velocidad máxima esta
determinada por la siguiente tabla:
4

Figura 6. Tabla B.7.6-RAS 2000. Velocidades máximas según material de tuberías

3.2. Ecuación de diseño

De la figura 7 se tiene por continuidad que la velocidad, caudal y área transversal del tubo se mantiene.La
ecuación 1 expresa la pérdida de carga total para el ejemplo mostrado en la figura.

Figura 7. Esquema perdida de carga tuberia a presión

H = Z1 − Z2 = hL1 + hf + hL2 (1)

El cálculo de las pérdidas de energía debidas a la fricción en una tubería o conducto cilíndrico largo, con un
interior de diámetro continuo, debe realizarse mediante el uso de las ecuaciones de William - Hazen, en su
rango de validez, o la de Darcy – Weisbach, mostrada a continuación:[1].

Lv 2
hf = f (2)
D2g
Y las pérdias por accesorios se determinan así:

X v2
hl = k (3)
2g
Luego, se reemplaza la ecuación 2 y la ecuación 3 en la ecuación de continuidad, asi mismo se expresa la
velocidad en terminos del Caudal (Q) y el Area (A):
LQ2 Q2
(4)
X
Z1 − Z2 = f + k
2g0.252 π 2 D5 2g0.252 π 2 D4
Simplificando...
8LQ2 X 8Q2 D
f (D) = (Z1 − Z2 )D5 − f − k (5)
gπ 2 gπ 2
Riaño N. / Neural model to determine the diameter of pressure pipes in Matlab 5

Finalmente la ecuación de diseño para determinar el diametro es:

X
12.1026HD5 − kQ2 D − f LQ2 = 0 (6)

La ecuación para el cálculo del coeficiente de fricción (f) para flujos turbulentos segun la RAS 2000 es una
expresión implicita que relaciona el Reynods, Coeficiente de fricción y la Rugosidad realtiva:
1 e/D 2.51
√ + 2log[ + √ =0 (7)
f 3.7 Re f

4. Desarrollo y Procedimiento
4.1. Procedimiento en Excel
Se establecen máximos y mínimos para los valores de Caudal (Q), Longitud (L), Rugosidad absoluta (e), altura
total (H), Viscosidad cinemática y sumatoria de pérdida de carga ( k). Los rangos establecidos se muestran
P
en la tabla 1

Q (m3/s) H (m) L (m) e (m) Vis (m2/s)

P
k
Máximo 0.475 50 200 0.00045 0.000001519 10
Mínimo 0.0001 10 100 0.0000015 0.000000661 0

Tabla 1. Rangos establecidos para los parámetros de entrada.

A partir de los maximos y minimos establecidos para cada parametro de entrada se determinan valores
aleatorios como se evidencia en la figura 8

Figura 8. Aleatorios

Estos aleotorios se copian y pegan como valor en una hoja a aparte como se muestra en la figura 9, se
ordenan de a tres filas para poder realizar las iteraciones. En las celdas verdas van los valores semilla; 0.015
para el f y 0.2 para el diametro. En la celda K12 va la función objetivo para el diametro 6. En las celdas L12,
M12, N12, se calcula el area, velocidad y numero de Reynolds. En la celda P12 va la función objetivo para el
coeficiente de fricción 7.
6

Luego, la celda I13 se relaciona con la celda O12 y despues se copian las formulas escritas en la fila 12 para
todos los 5000 datos de entrada.

Figura 9. Formulas en excel

El codigo VB utilizado calcula simultaneamente el diámetro y el coeficiente de fricción. Para que el cálculo
fuese mas rápido solo se dejó tres filas para cada dato de entrada y como se aprecia en el código se realizan
tres ciclos:

Figura 10. Código VB

Así las cosas, despues de que el cálculo tomara un tiempo computacional de aproximadamente 3 horas (con
un disco duro solido de 125GB, Procesador Intel Core I5 7th Gen, 4GB RAM) debido a la gran cantidad de
datos a analizar, se obtienen finalmente los resultados. Luego, se copian y pegan los datos de Caudal, Pérdida
de carga, Longitud, Rugosidad, Viscosidad, Sumatoria de coeficiente de pérdida y Diametro, en este orden, en
Riaño N. / Neural model to determine the diameter of pressure pipes in Matlab 7

un excel nuevo y se guarda con formato .csv (archivo delimitado por comas)

Figura 11. Datos de salida

4.2. Procedimiento en Matlab

Figura 12. Datos de salida

No se profundizará en la programación en Matlab dado que está fuera del alcance del presente artículo. Nos
interesa en cambio en el proximo capitulo analizar las graficas y resultados obtenidos.
8

Simplemente se ingresa el script propuesto por el profesor Edgar Orlando Ladino Moreno (ver figuras 13) y 14.
Se cambian los nombres de los archivos planos como se evidencia en las lineas 11 y 20 de la figura12 . Es de
alclarar que para que el programa funcione estos archivos deben estar dentro de la misma carpeta donde se
guarda el archivo de Matlab.

Figura 13. Código Matlab parte 1

Riaño N. / Neural model to determine the diameter of pressure pipes in Matlab 9

Figura 14. Código Matlab parte 2

5. Resultados y Discusión
5.1. Estimación del error
El programa corre con diferentes arquitecturas como se muestra en la tabla 2, pues hasta el momento no existe un
patrón establecido que determine cual es la mejor arquitectura. Sin embargo, al ejecutar varias pruebas con las
funciones de transferencia tangente hiperbólica (tansig) y log-sigmoidea (logsig) asi como con las dos funciones
de entrenamiento Levenberg-Marquardt (trainlm) y Bayesian Regularization (trainbr), se obtiene que la arqui-
tectura neuronal que representa un menor MSE corresponde a la de tres capas ocultas cada una con 14 neuronas.
10

Arquitectura Activation Training R2 MAE MSE SSE SAE BCE

6-5-5-1 tansig trainlm 0.99969 7.25E-04 2.90E-06 0.01452 3.62522 0.29408
6-10-10-1 tansig trainlm 0.99973 5.24E-04 2.61E-06 0.01305 2.62003 0.04853
6-20-20-1 tansig trainlm 0.99973 6.74E-04 2.64E-06 0.01321 3.37050 0.02735
6-40-40-1 tansig trainlm 0.99973 8.54E-04 2.62E-06 0.01309 4.26892 0.01954
6-15-15-15-1 tansig trainlm 0.99973 6.16E-04 2.59E-06 0.01297 3.08099 0.02960
6-40-40-40-1 tansig trainlm 0.99960 1.17E-03 3.92E-06 0.01958 5.85530 0.01455
6-15-15-15-1 tansig trainbr 0.99956 4.81E-04 4.17E-06 0.02085 2.40573 0.13528
6-5-5-1 logsig trainbr 0.99970 7.02E-04 2.87E-06 0.01435 3.50903 0.84986
6-4-4-4-1 tansig trainlm 0.99942 1.44E-03 5.49E-06 0.02746 7.21357 0.10818
6-14-14-14-1 tansig trainlm 1.00000 2.40E-05 2.59E-09 0.00001 0.12025 0.04773
6-10-10-10-10-1 tansig trainlm 0.99973 5.31E-04 2.54E-06 0.01269 2.65718 0.04130
6-10-10-10-10-1 tansig trainbr 0.99910 5.32E-04 8.58E-06 0.00001 2.66145 0.15551

Tabla 2. estadisticos para diferentes arquitecturas

R2 = Coeficiente de correlación de Pearson

M AE= Mean Absolute Error
M SE= Mean Squared Error
SSE= Sum Squared Error
SAE= Sum Absolute Error
BCE= CrossEntropy

Aunque el Error Medio Cuadrarico de las arquitecturas probadas se considera bueno, dado que no sube del
rango de 10−6 , la figura 15 muestra el esquema de la arquitectura seleccionada como la que ofrece el mejor
rendimiento con un MSE de 2.59−9 .
Por otro lado, la figura 16 muestra la superficie 3D estrucutrada a partir de los pesos, Bias B y SSE. Los
mejores valores de ponderación y sesgo son aquellos que dan como resultado el punto más bajo de la superficie
de error.

Figura 15. Esquema arquitectura red neuronal

Riaño N. / Neural model to determine the diameter of pressure pipes in Matlab 11

Figura 16. Diagrama de coste en 3D, vista 1

La figura 17 muestra el MSE a medida que se generan las iteraciones obteniendo que para la época 358 se
obtiene un error de 2.063X10−9 .

Figura 17. MSE vs Epocas Red entrenamiento (azul), prueba (rojo), validación (verde)

La figura 18 se muestra el gradiente, el cual es la tasa de cambio con la cual la red neuronal llega al valor
de MSE. Evidenciando que para las primeras 25 epocas cambia rapidamente y luego linealmente hasta la epoca
300 aproximadamente.Se observa que se detiene el entrenamiento cuando la tasa de error del subconjunto val
sin entrenamiento aumenta continuamente durante más de 6 épocas (predeterminado).
12

Figura 18. Gráficas de Gradiente, Mu y Chequeo de validación

En la figura 19 se observa que todos los valores de entrada se ajustan a la regresión lineal obteniendo un
coeficiente de correlación de pearson de 1, dado principalmente a que los datos de diamatro son calculados
mediante la ecuación teórica de diseño y que el excel se programó con un cambio máximo del orden de 1−9 .

Figura 19. Regresión lineal

Riaño N. / Neural model to determine the diameter of pressure pipes in Matlab 13

En la figura 20 se muestra que aproximadamente 4200 datos de los 5000 datos de diametro ingresados
cuentan con error del orden de 1.84X10−5 .

Figura 20. Histograma de errores

En la figura 21 se muestra en formato 3D que para casi todos los 5000 datos ingresados cuentan con un
MSE del orden de 10−9 , saliendo del rango común a penas 8 datos con un MSE entre 0 y 1 10−8 .

Figura 21. MSE por dato de Entrenamiento

14

La figura 22 muestra la capacidad de la red neuronal para calcular el diametro, se avidencia la coincidencia
para cada dato de carga hidráulica el valor del diametro.

Figura 22. Puntos de dispersión

En la tabla 3 se realiza la validación para 10 series de datos obtenidos mediante la RNA, Excel, APP y
Epanet. Observando que a medida que los valores de entrada se acercan al valor del rango mínimo o máximo
mostrado en la tabla 1 el error aumenta.

P Diámetro Q (m3/s)
Q (m3/s) H (m) L (m) e (m) Visc (m2/s) k
Excel RNA APP Epanet
0.228000 27.000 150.000 0.000015 0.00000100 8 0.22599 0.2267 0.2259 0.2295
0.150000 20.000 112.000 0.00005 0.00000100 7 0.19575 0.1954 0.1956 0.1501
0.170000 35.000 169.000 0.0001 0.00000100 5 0.19275 0.1929 0.1926 0.1350
0.250000 45.000 190.000 0.00009 0.00000100 9 0.22591 0.2259 0.2260 0.2074
0.350000 45.000 190.000 0.00009 0.00000100 9 0.26059 0.2826 0.2820 0.2946
0.475000 50.000 200.000 0.00045 0.00000152 10 0.30796 0.3058 0.3080 0.3915
0.001000 10.000 100.000 0.0000015 0.00000060 10 0.02846 0.0234 0.0284 0.0010
0.010000 40.000 100.000 0.0000015 0.00000100 0 0.05005 0.0485 0.0501 0.0101
0.100000 25.000 150.000 0.00012 0.00000100 6 0.16585 0.1659 0.1659 0.0999
0.300000 25.000 180.000 0.000007 0.00000100 3 0.2424 0.2428 0.2424 0.0311

Tabla 3. Comparación de resultados obtenidos.

En epanet no es posible obtener el diametro a partir de un caudal dado, por lo que se configuró la tuberia
con el diametro y datos obtenidos en excel y se verifica el caudal, arrojando resultados con una aproximación
de 0,1 l/s como se puede evidenciar en la tabla 3 y en la figura 23
Riaño N. / Neural model to determine the diameter of pressure pipes in Matlab 15

Figura 23. Comprobación de caudal en EPANET

En la figura 24 se muestran algunos resultados para el cálculo del diámetro obtenidos mediante la aplicación
movil "Diseño de tuberías a presión" creada por el Ing. Edgar O. Ladino M.

Figura 24. Diseño de diámetro en APP

16

6. Conclusiones
La configuración neronal que presenta un mejor rendimiento es conformada por tres capas ocultas de 14 neu-
ronas cada una aplicando la función de transferencia tangente hiperbólica (tansig) y función de entrenamiento
Levenberg-Marquardt (trainlm), al obtener un MSE de de 2.59−9 .

A partir de la validación y de la gráfica de dispersión se demuestra la capacidad de la red neuronal de

generalizar con el fin de calcular el diámetro con parametros de entrada desconocidos a partir del entrenamiento
realizado con un dataset de 5000 datos y 1000 datos de prueba.

Se resalta la importancia y eficiencia de la aplicación movil "Diseño de tuberías- Flujo a presión" creada por el
Ing. Edgar Ladino M., así como del programa Epanet y de la macro creada en Excel para calcular, corrobar y
comparar los datos obtenidos, evidenciando un error absoluto entre estos para al cálculo del diámetro de una
tubería no mayor a 0.001 metros.

7. Referencias
Arnalich, S. (2007). Epanet y Cooperación. Santiago: ISBN.

Moore, H., Olguín, V. C., & Nuño, R. M. (2007). Matlab para ingenieros (No. 620.0013 M66 2007.). Pearson
Educación.

Moreno, E. O. L., Ubaque, C. A. G., & Vaca, M. C. G. (2020). La implicancia económica mediante Newton
Rapshon para el desarrollo de un aplicación Android para el diseño del diámetro de tuberías a presión. Aglala,
11(1), 149-168.

CANALES, T. Y. HIDRAULICA DE TUBERIAS Y CANALES.