Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen Abstract
El modelo propuesto por Colebrook-White para el The model proposed by Colebrook-White for calcu-
cálculo del coeficiente de fricción ha sido aceptado lating the coefficient of friction has been universally
universalmente estableciendo una función trascenden- accepted, establishing an implicit transcendental func-
tal implícita. Esta ecuación determina el coeficiente tion. This equation determines the coefficient of fric-
de fricción para flujos completamente desarrollados, tion for completely unrolled flows, decir, for turbulent
es decir, para flujos turbulentos con un Número de flows with a Reynolds number greater than 4,000. In
Reynolds superior a 4,000. En el presente estudio the present study he developed a Red Neuronal from
se desarrolló una Red Neuronal a partir del enfoque the approach of the Bayesian Regularization Retro-
del método de Retropropagación de Regularización propagation method to estimate the coefficient of
Bayesiana para estimar el coeficiente de fricción. Se friction. It seestableció a set of 200,000 input data
estableció un conjunto de 200,000 datos de entrada (inputs) for the relative roughness ...
(inputs) para la rugosidad relativa ...
1
Ingeniero Civil, Ingeniero Topográfico, Magíster en Ingeniería Civil, PhD en Ingeniería (c). Profesor Asistente Univer-
1
sidad Distrital Francisco José de Caldas, Bogotá D. C. Contacto: eoladinom@correo.udistrital.edu.co.
2
1. Introducción
Existen diferentes expresiones para el cálculo del coefi-
ciente de fricción, sin embargo, el modelo propuesto
por Colebrook-White ha sido aceptado universalmente
estableciendo una función trascendental implícita (3).
El diseño hidráulico de tuberías a presión está gober- Figura 1. Esquema hidráulico. [1]
nado por la ecuación de Darcy-Weisbach (1845). Esta
expresión establece la pérdida de carga por fricción a
partir del coeficiente de fricción (factor adimensional), 2.1. Arquitectura de la red neuronal artificial
la longitud de la tubería, el diámetro, la velocidad (RNA
media del flujo y la aceleración de la gravedad. La )
ecuación ha demostrado resultados óptimos para flu-
La red neuronal está conformada por entradas (in-
jos completamente desarrollados (flujos turbulentos),
puts), capas ocultas, pesos sinópticos, funciones de
condición determinada por el Número de Reynolds
activación, funciones de entrenamiento y salidas (out-
(1883). En Colombia los diseños hidráulicos están regu-
puts). Esta estructura computacional tiene la capaci-
lados por la Resolución 0330 de 2017 y el Reglamento
dad de aprender de los datos para detectar patrones,
Técnico para el Sector de Agua Potable y Saneamiento
clasificar y pronosticar escenarios futuros. Para este
Básico – RAS – Título B [1] ...
estudio se estructuró un código utilizando ®Matlab el
cual es independiente de las herramientas automáticas
1 2.51
h(f ) = √ + 2log D
+ √ (1) del software lo cual permite variar las arquitecturas,
f 3.7 Re f las funciones de activación, entrenamiento, y criterios
de convergencia. Se implementó el método de Retro-
Primera derivada, propagación de Regularización Bayesiana, el objetivo
del modelo es encontrar el mapeo oculto entre las
1 −1.5 2 −2.51 f −1.5 log(e)
dh
=− f + 2Re variables de entrada y salida. El número de neuronas
2 (2) ocultas interviene en la eficiencia de aprendizaje y de
df
3.7 +
D 2.51
√
Re f generalización de la red [4] ...
P1 V2 P2 V2
z1 + + 1 = z2 + + 2 +H (4)
γ 2g γ 2g Figura 2. Arquitectura RNA
Ladino M. / Adaptive neuro fuzzy model for the prediction of the Colebrook-White coefficient of friction 3
Referencias
[1] A. Mahmood, N. Javaid, and S. Razzaq, “A
Figura 3. Funciones de entrenamiento para curva /D= review of wireless communications for smart
0.000005 (Diagrama de Moody) grid,” Renewable and Sustainable Energy Reviews,
vol. 41, pp. 248–260, 2015. [Online]. Available:
http://dx.doi.org/10.1016/j.rser.2014.08.036
4. Conclusiones
El valor del coeficiente de fricción de Darcy-Weisbach
es fundamental para el cálculo hidráulico de sistemas