Computational Hydraulics | 2021-III

Neural Model Development -

coefficient of friction (August 2021)
Desarrollo Modelo Neuronal –
coeficiente de fricción (Agosto de
2021)
1
Edgar O. Ladino M. ID

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 ...

Palabras clave: Coeficiente fricción, Colebrook- Keywords: Friction Coefficient, Colebrook-White,

White, Regularización Bayesiana ... Bayesian Regularization ...

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] ...

Newton Raphson para f,

3. Resultados y Discusión
 

√1 + 2log D
+ 2.51
√
f 3.7 Re f 3.1. Escala de datos
fn+1 = fn + (3)
2[ −2.51 −1.5
2Re f ] i
log(e)
− 12 f −1.5 + h  El enfoque de transformación de los datos utilizado en
este estudio es el mismo que se utiliza en [1]. De esta
D + 2.51
√
3.7 Re f

forma, el conjunto de datos de entrada se convirtió a

una escala logarítmica utilizando el logaritmo en base
2. Materiales y Métodos 10 para el Número de Reynolds (Re) y la rugosidad
relativa (/D), este procedimiento estableció un rango
Para un flujo unidimensional constante incompresible, de [1.61,6.30], esto con el objetivo de limitar la var-
la energía por unidad de peso (Nm/N) generada por ianza de los datos de entrada [2]. Para el logaritmo
el sistema hidráulico está definida por la ecuación de de la rugosidad relativa y el coeficiente de fricción se
la energía (4). La pérdida de carga H está determi- expresó de forma negativa. Estos factores de escala se
nada por las pérdidas causadas por la fricción entre la implementan debido al amplio dominio del Número de
tubería, el fluido y las pérdidas generadas por los ac- Reynolds lo cual afecta el porcentaje máximo de error
cesorios. Realizando el análisis dimensional para cada [3] ...
término de la ecuación de energía se obtiene como
unidad general unidades de longitud (m), las cuales
están referidas desde el ámbito hidráulico a unidades
de presión, es decir, metro columna de agua (m.c.a).
Para el cálculo del caudal que transporta la tubería
mostrada en la Figura (1), se plantea la ecuación de
la energía entre la cota z1 y la cota z2 , ...

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

de tuberías a presión. Este parámetro incide de manera

directa en el dimensionamiento y diseño de los diámet-
ros óptimos en el sistema hidráulico. En este sentido,
el cálculo no adecuado del coeficiente de fricción puede
conllevar a subestimar o sobrestimar los diámetros en
los sistemas de tuberías lo cual origina sobre costos en
los proyectos de ingeniería. Los resultados obtenidos
de la RNA demuestran que la red de retropropagación
de Regularización Bayesiana con arquitectura de dos
capas ocultas cada una con 25 neuronas (2-25-25-1)
tiene la capacidad de calcular el coeficiente de fricción
para flujos turbulentos con una aproximación de 10E-7
con respecto a los valores obtenidos implementando la
ecuación de Colebrook-White ...

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