Documentos de Académico
Documentos de Profesional
Documentos de Cultura
0
MANUAL DEL USUARIO
Ricardo A. González Pinzón ‐ ricagonzalezp@unal.edu.co
Luis A. Camacho Botero‐ lacamachob@unal.edu.co
Departamento de Ingeniería Civil y Agrícola
Universidad Nacional de Colombia – Sede Bogotá
Ciudad Universitaria Ed. 409‐300, Bogotá‐Colombia
1 INTRODUCCIÓN ___________________________________________________ 1-5
7.3 REVISIÓN DE ESTRUCTURAS COMPUESTAS DEL MODELO ADZ PARA EXPLICAR LOS DATOS
OBSERVADOS EN EXPERIMENTOS CON TRAZADORES ________________________________ 83
1 INTRODUCCIÓN
Los modelos hidrológicos, hidráulicos y de calidad del agua son herramientas útiles en el estudio
de sistemas, simples y complejos, de aprovechamiento y conservación de los recursos hídricos. En
forma particular, los modelos de transporte de sustancias disueltas en ríos son necesarios para
determinar objetivamente tiempos de arribo, de viaje, y de retención hidráulica, bajo diferentes
condiciones hidráulicas e hidrológicas en una corriente (Camacho et al., 2007).
Dentro de los principales modelos de transporte de solutos discutidos en la literatura y aplicados
en situaciones prácticas se encuentran el de Advección‐Dispersión (ADE, e.g Rutherford, 1994), de
Almacenamiento Temporal (TS, Bencala y Walters, 1983) y de Zona Muerta Agregada (ADZ, Beer y
Young, 1983).
Los modelos ADE y TS han sido desarrollados con base en interpretaciones físicas y suposiciones,
posiblemente sesgadas, acerca de la forma en que se presentan los mecanismos de transporte en
una corriente. Por el contrario, el modelo ADZ ha sido desarrollado en un marco de modelación
basado en datos y mecanicista, que permite realizar conjeturas a posteriori acerca de la forma en
que efectivamente interactúan los mecanismos de transporte en un sistema hidráulico (Beer y
Young, 1983; Young y Wallis, 1993; González, 2008). Más recientemente, Camacho y Lees (2000)
han presentado el modelo hidrológico y de transporte de solutos integrado, MDLC‐ADZ, que
permite representar correctamente la hidráulica de una corriente y el transporte de sustancias
disueltas en ríos. Todos los modelos de transporte mencionados anteriormente requieren la
realización de experimentos con trazadores para representar correctamente los mecanismos de
transporte, y para calibrar en forma apropiada los parámetros de modelación (Meier y Reichert,
1995, De Smedt et al.¸2005, Camacho et al., 2007).
En forma convencional, la calibración de un modelo matemático consiste en la determinación del
conjunto óptimo de parámetros que minimice las diferencias entre los datos observados y
simulados (Young y Wallis, 1993). Teniendo en cuenta la estructura preestablecida en el diseño del
modelo que se va a utilizar, los parámetros pueden tener o no un significado físico asociado que
pueda relacionarse con características medibles de algún componente del sistema analizado. Por
esta razón, para investigar la capacidad predictiva de los modelos de transporte de solutos se hace
necesario utilizar herramientas avanzadas de exploración del espacio paramétrico, que permitan
analizar profundamente la estructura de los modelos, y determinar la identificabilidad y
sensibilidad de sus parámetros (e.g. Wagener y Kollat, 2006).
Teniendo en cuenta las anteriores consideraciones se ha desarrollado la herramienta STTool, en la
cual se han incorporado los modelos ADE, TS, ADZ y MDLC‐ADZ, y las herramientas de calibración
objetiva MCAT (Wagener et al., 2004) y Shuffled Complex Evolution (SCE‐UA, Duan et al., 1993).
1.1 OBJETIVOS DE LA HERRAMIENTA STTool
SOLUTE TRANSPORT TOOL v. 1.0 (STTool) es el producto generado al procurar obtener, bajo un
ambiente gráfico y ameno, metodologías numéricas y computacionales avanzadas para modelar el
transporte de sustancias disueltas en ríos. STTool es un paquete computacional integrado de
funciones y procedimientos en el que se han incorporado los modelos de transporte de solutos
ADE (e.g Rutherford, 1994), TS (Bencala y Walters, 1983), ADZ (Beer y Young, 1983) y MDLC‐ADZ
(Camacho y Lees, 2000), y las herramientas de calibración objetiva MCAT (Wagener et al., 2004) y
Shuffled Complex Evolution (SCE‐UA, Duan et al., 1993).
1.2 COMPATIBILIDAD COMPUTACIONAL
La herramienta STTool v.1.0 ha sido desarrollada en MATLAB 7.5b y emplea metodologías
ampliamente utilizadas en hidrología e hidráulica para la calibración objetiva de modelos
matemáticos y simulación de eventos de contaminación. Así mismo, se han aprovechado las
ventajas gráficas que tiene MATLAB, i.e. Interfase Gráfica con el Usuario (GUI), para presentar una
versión amigable e interactiva del análisis de experimentos con trazadores (ver Figura 1). Para
mayor versatilidad y facilidad en el manejo de la información generada, los resultados numéricos
pueden ser exportados a hojas de cálculo de EXCEL.
Los datos de entrada pueden provenir de hojas electrónicas de cálculo (archivos tipo *.xls y *.xlsx),
archivos de texto delimitados por tabulaciones (*.txt) y matrices almacenadas en el espacio de
trabajo de MATLAB. Una vez se han ingresado por primera vez las series de tiempo de
concentración obtenidas por medio de experimentos con trazadores, el usuario puede guardar en
forma de proyecto (*.mat) la información solicitada por la herramienta. De esta forma es posible
analizar múltiples experimentos con trazadores sin perder información de importancia que pueda
ser utilizada en futuros análisis.
Figura 1. Entorno gráfico de la herramienta STTool.
1.3 REQUERIMIENTOS DE HARDWARE Y SOFTWARE
1.3.1 HARDWARE
La herramienta ha sido programada en MATLAB 7.5b, por esta razón, es recomendable tener un
computador que soporte el funcionamiento adecuado de este programa computacional.
1.3.2 SOFTWARE
• Cualquier plataforma que soporte el software MATLAB 7.5.
• MATLAB versión 7.5 o posterior. En versiones anteriores algunas herramientas gráficas
programadas no funcionan en forma apropiada.
1.4 ALCANCE DE LA HERRAMIENTA
La herramienta SSTool ha sido desarrollada con un enfoque pedagógico que le permite al usuario
analizar de forma gráfica y tabular la información suministrada, y comparar los resultados de
diferentes modelos de transporte de solutos y métodos de calibración de parámetros. No
obstante, la herramienta STTool puede también ser utilizada por tomadores de decisiones de
entidades administrativas y reguladoras de los recursos hídricos, para simular el transporte de
sustancias contaminantes vertidas en forma accidental o intencional en ríos. Los resultados
obtenidos por la herramienta pueden ser utilizados principalmente en la implementación de
planes de contingencia ante eventos de contaminación, en la programación de toma de muestras,
y en aplicaciones específicas de modelación de la calidad del agua.
STTool, por medio del acople de la herramienta MCAT, utiliza técnicas avanzadas de calibración de
modelos y análisis de sensibilidad, identificabilidad y estimación de parámetros (Wagener y Kollat,
2006), que proporcionan rigurosidad y objetividad en la calibración de los modelos de transporte
de solutos. Los resultados obtenidos en calibración permiten al usuario comparar el
comportamiento de cada modelo y seleccionar el que mejor se ajuste a la información de
trazadores recolectada en campo.
1.5 RECOMENDACIONES PARA UNA MEJOR EXPERIENCIA
STTool integra cuatro modelos de transporte de solutos y dos metodologías de calibración objetiva
y análisis de modelos, cuyo desarrollo temático, suposiciones y casos de estudio han sido
referenciados ampliamente en diferentes libros y artículos en revistas indexadas. Pese a que en
este manual se describen algunos elementos matemáticos que permiten guiar al usuario en el
entendimiento conceptual y metodológico de los modelos, se recomienda fuertemente realizar
una revisión detallada de las referencias presentadas a continuación.
Una revisión detallada del modelo ADE puede consultarse en Fisher (1973), Fisher et al. (1979),
Chatwin y Allen (1985), Young y Wallis (1993), Rutherford (1994), Camacho (2000), González
(2008).
Una revisión detallada del modelo TS puede consultarse en Bencala y Walters (1983), Young y
Wallis (1993), Rutherford (1994), Runkel (1998), Camacho (2000), Wörman (2000), Meier y
Reitcher (2005), Kazezyılmaz‐Alhan y Medina (2006), González (2008).
Una revisión detallada del modelo ADZ puede consultarse en Beer y Young (1983), Wallis et al.
(1989), Young y Wallis (1986, 1993), Rutherford (1994), Camacho (2000), Lees et al, (2000),
González (2008). De igual forma, Camacho y Lees (2000) presentan una descripción detallada del
modelo integrado MDLC‐ADZ.
Una revisión detallada de la metodología de calibración global Shuffled Complex Evolution SCE‐UA
puede consultarse en Duan et al. (1992, 1993, 1994), González (2008).
Una revisión detallada de la metodología de calibración objetiva y análisis de modelos Monte
Carlo Toolbox Analysis MCAT puede consultarse en Lees y Wagener (2000), Wagener et al. (2001,
2002, 2003, 2004, 2006a, 2006b), Camacho (2006a), González (2008).
1.6 PUBLICACIONES RELACIONADAS CON EL STTOOL
González, R.A., Camacho, L.A. (2009). “Solute transport modelling and travel time estimation in
mountain rivers”. 7th Symposium in Eco‐hydraulics and 8th Symposium in Hydro‐informatics,
Concepción, Chile.
González, R.A., Camacho, L.A. (2008). “Solute Transport Tool v1.0, una herramienta para el
análisis del transporte de solutos en flujo permanente”. XXIII Congreso Latinoamericano de
Hidráulica, Cartagena, Colombia.
González, R.A. (2008). Determinación del comportamiento de la fracción dispersiva en ríos
característicos de montaña. Tesis de Maestría, Universidad Nacional de Colombia, Bogotá D.C.
2 MÉTODOS DE MODELACIÓN Y CALIBRACIÓN
Para el análisis de eventos puntuales de contaminación en ríos, la herramienta STTool cuenta con
un algoritmo que permite generar y guardar pulsos, escalones y series de tiempo que representan
la variación temporal de la concentración de una sustancia vertida. Estas series de tiempo pueden
ser utilizadas posteriormente en los módulos de simulación de los modelos de transporte ADE, TS,
ADZ y MDLC‐ADZ (ver Figura 2).
Para analizar los experimentos con trazadores y realizar una calibración subjetiva del modelo ADZ,
la herramienta STTool incorpora la metodología desarrollada inicialmente en el modelo ADZTOOL
(Lees y Camacho, 1998), con la cual se puede obtener una descripción precisa y detallada de la
información inherente a un experimento con trazadores.
Calibración
Editor de Análisis de Experimentos Modelos de Transporte
objetiva y exploración de
Datos con Trazadores de Solutos
modelos
Modulo de
Generación de series ADZ
Simulación
MDLC‐ADZ
Figura 2. Esquema de modelación del transporte de solutos en la herramienta STTool.
La herramienta STTool permite realizar simulaciones individuales o de Monte‐Carlo de los modelos
de transporte de solutos ADE, TS, ADZ y MDLC‐ADZ. El modelo de advección‐dispersión ADE (ver
descripción detallada en Rutherford, 1994) para solutos conservativos y flujo permanente permite
cuantificar los mecanismos de advección y dispersión en ríos. Suponiendo que el fenómeno de
transporte es unidimensional después de que se ha alcanzado una condición de mezcla completa
en la sección transversal la ecuación gobernante es,
∂c ∂c ∂ 2c
= −u + D 2 (2.1)
∂t ∂x ∂x
donde c es la concentración del soluto; u es la velocidad longitudinal promedio calculada a partir
del caudal en el tramo y el área transversal promedio efectiva A; x es la distancia longitudinal; t
es el tiempo de cálculo; y D representa el coeficiente de dispersión longitudinal constante en un
tramo corto de río.
Presentaciones completas del modelo TS se encuentran en Bencala y Walters (1983). En el caso de
solutos conservativos y flujo permanente en el que no existen aportes laterales de caudal, el
sistema acoplado de ecuaciones gobernantes para el canal principal y la zona de almacenamiento
está dado por:
∂c ∂c ∂ 2c
= −u + D 2 + α (c s − c ) (2.2a)
∂t ∂x ∂x
dcs A
=α (c − c s ) (2.2b)
dt As
donde u, D, t, x, A y c han sido definidos anteriormente; c s es la concentración del soluto
conservativo en la zona de almacenamiento, As es el área transversal promedio de la zona de
almacenamiento; y α es el coeficiente de intercambio entre la zona de almacenamiento y el canal
principal. El efecto de las zonas de agua relativamente estancada en las orillas o en las zonas de
grava gruesa en el lecho o zonas porosas en las bancas es producir dispersión longitudinal. El
efecto se modela como un proceso idealizado de intercambio de masa de primer orden entre el
canal principal activo y la zona muerta adyacente. Agua y soluto se consideran bien mezclados en
la zona de almacenamiento, en la que se asume que no ocurre transporte hacia aguas abajo, ni
acumulación neta de masa.
En la herramienta se ha programado la solución numérica de las ecuaciones diferenciales parciales
del modelo ADE (ecuación (2.1)) y TS (ecuaciones (2.2a y 2.2b)). La solución utilizada es la misma
solución del esquema implícito de diferencias fintitas implementado en el modelo OTIS (Runkel,
1998; Runkel y Chapra, 1993), programado en MATLAB por Camacho (2000).
Presentaciones completas y claras del modelo ADZ se encuentran en Young y Wallis (1993), Lees et
al., (2000), Camacho (2000) y González (2008). El modelo ADZ considera que la mayor parte de la
dispersión observada en canales naturales es debida a las zonas muertas, i.e. los efectos
acumulados de las zonas muertas dominan los procesos dispersivos observados y su efecto total
puede acoplarse produciendo así una zona muerta agregada, cuyo tiempo de residencia define las
propiedades de la dispersión asociadas al tramo del río que está siendo modelado (Beer y Young,
1983; Young y Wallis, 1993).
El modelo ADZ permite representar de forma agregada los efectos dispersivos causados por una o
más zonas muertas, y por esta razón es posible utilizar un modelo matemático diferencial
ordinario. El modelo ADZ en tiempo continuo para el análisis de solutos conservativos en flujo
permanente está dado por:
dc
=
1
(cu (t − τ ) − c(t )) (2.3)
dt t − τ
siendo c la concentración conservativa del soluto aguas abajo a la salida del tramo agregado de
estudio; cu la concentración conservativa del soluto aguas arriba a la entrada del tramo de
En este aparte se presenta una descripción de cómo interactuar con la herramienta STTool. Se
presentan a continuación los diferentes módulos en los que está dividida el área de trabajo, y se
describen las principales entradas de datos que se requieren. Una revisión detallada de los
modelos matemáticos y de las metodologías de análisis utilizados se presenta en el capítulo 2 y en
los Apéndices de este manual.
3.1 EJECUCIÓN DE LA HERRAMIENTA
Es necesario asegurarse de que el directorio de búsqueda actual de MATLAB sea el mismo en el
que se ha descargado la carpeta STTool. De igual forma es necesario incluir en la definición de
rutas de búsqueda (Set path) todas las carpetas que contiene la carpeta principal STTool. Para
ejecutar el programa se debe ingresar el comando “stt” en la ventada de comandos (Command
Window) de MATLAB (ver Figura 3).
Figura 3. Ejecución de la herramienta STTool.
Una vez ha sido ejecutado el inicio del programa, el usuario verá la siguiente pantalla:
Figura 4. Modo de inicio de la herramienta STTool. Vista de los cinco módulos de trabajo incorporados.
4 MÓDULOS Y PROCEDIMIENTOS COMUNES EN STTOOL
En la herramienta STTool existen procedimientos típicos que se repiten a través de los diferentes
módulos de funcionamiento. Por ejemplo, antes de ejecutar un procedimiento de calibración y/o
simulación se requiere el ingreso de datos de experimentos con trazadores. A continuación se
explica la forma en la que se deben ingresar estos datos, y se presentan los diferentes módulos de
funcionamiento en los que se ha divido a la herramienta.
4.1 CARGAR DATOS DE EXPERIMENTOS CON TRAZADORES:
Los datos de experimentos con trazadores pueden provenir de archivos de EXCEL, matrices
almacenadas en el espacio de trabajo (Workspace), archivos de texto (*.txt) y archivos de proyecto
de STTool tipo (*.mat) (ver Figura 6).
Cuando se ingresan series de tiempo de concentración, sin importar el tipo de archivo que se
utilice, éstas deben estar preparadas de la siguiente forma: en la primera columna se añaden los
datos de tiempo, en la segunda columna los datos de concentración medidos en el primer sitio, en
la tercera columna los datos de concentración medidos en el segundo sitio y así sucesivamente. Se
debe tener especial cuidado en ingresar igual número de filas en todas las columnas y valores de
cero (0) cuando la medición de concentración sea cero. De igual forma el vector de tiempos
(columna 1) debe tener incrementos consistentes, i.e. si se realizaron mediciones de
concentración cada 10 segundos, siempre se debe utilizar este nivel de agregación (ver Figura 6).
Dentro del tipo de datos que se puede cargar en la herramienta STTool se encuentran los archivos
tipo Proyecto. Estos archivos se crean cuando el usuario ha ingresado al menos una vez los datos
de concentración y los parámetros que se requieran para ejecutar una calibración o una
simulación. Estos archivos tipo Proyecto le permiten al usuario adquirir de forma sencilla valores
numéricos ingresados anteriormente. Los archivos tipo Proyecto pueden crearse en cada sub‐
módulo de trabajo siempre y cuando el usuario acepte la sugerencia del programa antes de
comenzar un proceso de calibración o simulación.
(a) (b) (c)
Figura 5. a) Pantalla para seleccionar el tipo de datos a cargar. b) Ejemplo de adquisición de datos
provenientes del espacio de trabajo (Workspace). c) Cuadro de diálogo tipo Windows para cargar datos
provenientes de EXCEL y/o archivos tipo (*.txt).
4.2 GUARDAR Y ABRIR PROYECTOS:
STTool permite almacenar los datos de experimentos con trazadores y los datos de entrada para
realizar las calibraciones y/o simulaciones. Siempre que se va a ejecutar un procedimiento en el
que ya se hayan ingresado los datos requeridos, el programa le pregunta al usuario si desea
guardar el proyecto. Para esto STTool sugiere una ruta especificada por:
…./STTool/Proyectos/MCATADZ. En esta ruta los puntos representan la ruta en la que el usuario
guardó la carpeta que contiene a la herramienta STTool, y la última carpeta especificada
corresponde al procedimiento que se esté realizando. Los procedimientos en los que se puede
guardar y abrir un proyecto son: ADZTOOL (herramienta ADZTOOL), MCATADE (calibración
objetiva del modelo ADE con MCAT Toolbox), MCATADZ (calibración objetiva del modelo ADZ con
MCAT Toolbox), MCATTS (calibración objetiva del modelo TS con MCAT Toolbox), SCEADE
(calibración objetiva del modelo ADE con SCE‐UA), SCEADZ (calibración objetiva del modelo ADZ
con SCE‐UA), SCETS (calibración objetiva del modelo TS con SCE‐UA), MDLCADZ (calibración
objetiva del modelo MDLC‐ADZ con MCAT Toolbox y/o SCE‐UA), SimulaciónADZ (simulaciones del
modelo ADZ), SimuADE (simulaciones del modelo ADE), SimuTS (simulaciones del modelo TS).
Aunque el usuario puede guardar el proyecto en cualquier lugar del computador, se recomienda
fuertemente que se conserven las rutas preestablecidas, ya que los archivos tipo proyecto tienen
una extensión (*.mat) y solo contienen la información necesaria para trabajar en cada módulo
específico, e.g. los proyectos que se guarden en la calibración con MCAT Toolbox no sirven para
alimentar los datos requeridos en la calibración con SCE‐UA.
Los Proyectos que han sido guardados pueden cargarse en los módulos de calibración y simulación
de los diferentes modelos de transporte de solutos programados en STTool.
4.3 MÓDULO EDITOR DE DATOS
Este módulo ha sido diseñado para que el usuario pueda generar una serie temporal de datos de
concentración, un pulso de concentración y/o un escalón de concentración, con el fin de utilizar
estos datos en la calibración y/o simulación de los modelos de transporte de solutos incorporados
en el programa (ver Figura 7). Adicionalmente, en este módulo se pueden cargar y visualizar datos
provenientes de experimentos con trazadores que hayan sido guardados previamente.
Figura 7. Módulo EDITOR DE DATOS.
4.3.1 Sub‐módulo “Generar un archivo”
Generar una serie de datos:
Para generar una serie de datos el usuario debe ingresar el tiempo inicial, el delta de tiempo, el
tiempo final y el número de sitios a generar (ver Figura 8). Los tiempos ingresados no tienen
asociados una clasificación específica, y su cantidad se verá aumentada en deltas de tiempo, i.e. si
el usuario desea tomar como medición de referencia el tiempo en segundos, desde el segundo
inicial hasta el segundo final se realizarán incrementos enteros del delta de tiempo ingresado. El
número de sitios seleccionado corresponde al número de puntos en los que se tomaron
mediciones de concentración durante el experimento con trazadores.
Figura 8. Datos requeridos para la generación de una serie de datos.
Una vez se ingresan los datos requeridos el programa crea una matriz denominada AA_SERIE en el
espacio de trabajo (Workspace), la cual puede ser cargada posteriormente en los módulos de
calibración y simulación de los modelos de transporte de solutos. El usuario podrá editar
directamente los valores de concentración medidos en campo, o editarlos en una hoja de cálculo
tipo EXCEL.
Generar un pulso:
Por medio de este algoritmo el usuario puede generar un pulso de concentración que represente
el vertimiento casi instantáneo de una sustancia contaminante. Los datos de entrada requeridos
son: el intervalo de tiempo, la hora de inicio de la simulación, la hora de inicio del pulso, la hora de
finalización del pulso, la hora de finalización de la simulación y la concentración del contaminante
vertido (ver Figura 9). En este sub‐módulo es necesario indicar si se trabajará en segundos,
minutos y/o horas; no obstante, las unidades de concentración no están definidas y pueden tomar
cualquier unidad de medida. Una vez se ingresa la información requerida, el programa almacena
en el espacio de trabajo (Workspace) una matriz con el nombre AAPULSO que puede ser guardada
en EXCEL y cargada posteriormente en los módulos de calibración y simulación de los modelos de
transporte de solutos.
Generar un escalón:
Por medio de este algoritmo el usuario puede generar un escalón de concentración que
represente el vertimiento continuo de una sustancia contaminante. Los datos de entrada
requeridos son: el intervalo de tiempo, la hora de inicio de la simulación, la hora de inicio del
escalón, la hora de finalización del escalón y la concentración del contaminante vertido (ver Figura
10).
En este sub‐módulo es necesario indicar si se trabajará en segundos, minutos y/o horas; no
obstante, las unidades de concentración no están definidas y pueden tomar cualquier unidad de
medida. Una vez se ingresa la información requerida, el programa almacena en el espacio de
trabajo (Workspace) una matriz con el nombre AAESCALON que puede ser guardada en EXCEL y
cargada posteriormente en los módulos de calibración y simulación de los modelos de transporte
de solutos.
4.3.2 Sub‐módulo “Cargar y visualizar”
En este sub‐módulo el usuario puede cargar series temporales de concentración provenientes de
EXCEL, del espacio de trabajo (Workspace) y/o de un archivo de texto tipo (*.txt) (ver Figura 11).
Una vez se indica en forma correcta el archivo que se desea cargar, éste puede ser visualizado en
pantalla.
4.4 MÓDULO MODELO ADZ
En este módulo están agrupados los sub‐módulos Calibración Subjetiva, Calibración Objetiva y
Simulación (ver Figura 12). Dentro de cada sub‐módulo existen diferentes opciones que le
permiten al usuario cargar los datos, calibrar el modelo ADZ por medio de las herramientas MCAT
y SCE‐UA y realizar simulaciones del modelo con base en parámetros definidos previamente.
Figura 12. Visualización general del módulo MODELO ADZ.
4.4.1 Sub‐módulo Calibración Subjetiva ‐ ADZTOOL
En este aparte se encuentran programados los algoritmos utilizados en la herramienta ADZTOOL
(Lees y Camacho, 1998). Para realizar la calibración subjetiva del modelo ADZ y analizar
rápidamente los resultados obtenidos en el desarrollo de un experimento con trazadores, el
usuario debe cargar los datos de un experimento con trazadores e ingresar información primaria
recolectada en campo (ver Figura 13). La herramienta STTool permite guardar y abrir proyectos en
los que se incluyan los datos de trazadores y los datos de campo ingresados; no obstante, la
primera vez que el usuario ingresa la información de un experimento específico debe suministrar
las series temporales en de archivos de EXCEL, matrices almacenadas en el espacio de trabajo
(Workspace) y/o de archivos de texto.
Figura 13. Datos requeridos para ejecutar la herramienta ADZTOOL.
Para analizar los experimentos con trazadores y realizar una calibración subjetiva del modelo ADZ
(ver métodos de cálculo en Lees y Camacho, 1998) el usuario debe ingresar información básica de
campo. Esta información es: masa inyectada en el experimento con trazadores (no es
indispensable, sirve para estimar el caudal por trazadores), caudal medido por otra metodología
(no es indispensable, sirve como verificación), porcentaje de la concentración pico que se
considera como concentración base del experimento (no es indispensable, si se deja vacío este
campo no se modifican los datos del experimento con trazadores en el análisis) y longitudes entre
sitios de medición (no es indispensable, si se ingresa permite estimar la velocidad media del
transporte de solutos).
La Figura 14 presenta un ejemplo de los resultados obtenidos al analizar un experimento con
trazadores en los que se realizaron mediciones en tres sitios diferentes. De acuerdo con los datos
registrados en el experimento con trazadores, se presentan para cada sitio los tiempos de arribo
τ del soluto, los tiempos promedio de viaje tmed y el error del caudal estimado como el error
porcentual entre el caudal estimado por medio de los trazadores y el estimado por otra
metodología. De igual forma entre dos sitios de medición se presenta el tiempo de residencia del
soluto, la fracción dispersiva DF estimada y la velocidad media del transporte de solutos.
Figura 14. Ejemplo de los resultados obtenidos con la herramienta ADZTOOL.
Una ventaja significativa de la herramienta STTool es que permite guardar los resultados
obtenidos en los procesos de cálculo en hojas de EXCEL. De esta forma, el usuario tiene la facilidad
de revisar los cálculos realizados, los parámetros encontrados y la magnitud de los coeficientes de
ajuste entre los valores observados y las simulaciones realizadas con los modelos matemáticos.
Los resultados obtenidos por defecto se sugiere guardarlos en la carpeta cuya ruta es:
…./STTool/RESULTADOS. En esta ruta los puntos representan la ruta en la que el usuario guardó la
carpeta que contiene a la herramienta STTool; no obstante, el usuario puede guardar los
resultados en cualquier carpeta del computador.
4.4.2 Sub‐módulo “Calibración objetiva”
Por medio de estas herramientas el usuario puede realizar la calibración del modelo ADZ
utilizando la herramienta MCAT Toolbox y la metodología de búsqueda global SCE‐UA (ver Figura
15).
Figura 15. Visualización de las opciones de calibración objetiva del modelo ADZ.
MCAT Toolbox:
Para calibrar el modelo ADZ utilizando simulaciones de Monte‐Carlo y la herramienta MCAT
Toolbox el usuario debe cargar los datos de un experimento con trazadores. Una vez éstos se han
mostrado en pantalla, se deben ingresar los rangos en los que podrán variar los parámetros en las
simulaciones de Monte‐Carlo, seleccionar si se utilizarán elementos en serie, e indicar el número
de simulaciones que se desean realizar (ver Figura 16).
Figura 16. Ingreso de parámetros de calibración del modelo ADZ y opción guardar proyecto.
Una vez se ingresan los datos requeridos, el programa le pregunta al usuario si desea guardar los
datos ingresados en un archivo que contenga la información del proyecto, i.e. los datos del
experimento con trazadores y los parámetros de calibración. En caso de aceptar, el programa por
defecto sugiere guardar el proyecto en una ruta que cumple las siguientes especificaciones:
…./STTool/Proyectos/MCATADZ. En esta ruta los puntos representan la ruta en la que el usuario
guardó la carpeta que contiene a la herramienta STTool. Aunque el usuario puede guardar el
proyecto en cualquier lugar del computador, se recomienda fuertemente que se conserven las
rutas preestablecidas, ya que los archivos tipo proyecto tienen una extensión *.mat y solo
contienen la información necesaria para trabajar en cada módulo específico, i.e. los proyectos que
se guarden en la calibración con MCAT Toolbox no sirven para alimentar los datos requeridos en la
calibración con SCE‐UA.
STTool al finalizar las realizaciones de las simulaciones de Monte‐Carlo ejecuta la herramienta
MCAT Toolbox, permitiéndole al usuario por medio de ésta analizar el comportamiento del
modelo matemático ADZ. En este manual no se nombran con detalle los aspectos que pueden ser
analizados con MCAT Toolbox y se invita al lector a revisar el manual del usuario publicado por
Thorsten et al., (2004) para conocer todas las potencialidades que dicha herramienta ofrece.
STTool permite guardar los resultados de la calibración en hojas de cálculo de EXCEL.
SCE‐UA:
STTool permite calibrar el modelo de transporte de solutos ADZ por medio del algoritmo de
búsqueda global Shuffled Complex Evolution. Para realizar esto el usuario debe ingresar los datos
de un experimento con trazadores y los parámetros que controlan el algoritmo de búsqueda
global. La serie de trabajos presentados por Duan et al., (1993, 1994) ofrecen una descripción
detallada del significado y la aplicabilidad de cada parámetro de búsqueda, y los valores
recomendados por estos autores son propuestos explícitamente en la herramienta STTool (ver
Figura 17a). Así mismo, el usuario debe indicar el rango de variación de los parámetros y proponer
unos valores iniciales de búsqueda.
Una vez se ingresan los datos requeridos, el programa le pregunta al usuario si desea guardar los
datos ingresados en un archivo que contenga la información del proyecto, i.e. los datos del
experimento con trazadores, los parámetros de calibración y los parámetros que controlan el
algoritmo de búsqueda. En caso de aceptar, el programa por defecto sugiere guardar el proyecto
en la ruta: …./STTool/Proyectos/SCEADZ. En esta ruta los puntos representan la ruta en la que el
usuario guardó la carpeta que contiene a la herramienta STTool. Aunque el usuario puede guardar
el proyecto en cualquier lugar del computador, se recomienda fuertemente que se conserven las
rutas preestablecidas, puesto que los archivos tipo proyecto tienen una extensión (*.mat) y solo
contienen la información necesaria para trabajar en cada módulo específico.
(a) (b)
Figura 17. a) Parámetros requeridos por el algoritmo de búsqueda global SCE‐UA. Aplicación en la
calibración del modelo ADZ. b) Ejemplo del mejor resultado obtenido en la calibración del modelo ADZ.
Al finalizar las búsqueda global de los parámetros que minimicen la función objetivo 1‐R2 (siendo
R2 el coeficiente de eficiencia de Nash‐Sutcliffe, 1970) STTool ejecuta la herramienta MCAT
Toolbox, permitiéndole al usuario por medio de ésta analizar el comportamiento del modelo ADZ.
De igual forma, STTool permite guardar los resultados de la calibración en hojas de cálculo de
EXCEL.
4.4.3 Sub‐módulo “Simulación”
Este módulo le permite al usuario realizar simulaciones del modelo ADZ. Para esto, es necesario
ingresar los datos de un pulso de concentración, un escalón de concentración o una medición
realizada aguas arriba en un punto de medición de un experimento con trazadores.
Posteriormente, es necesario ingresar dos parámetros del modelo ADZ, i.e. se deben ingresar dos
de los siguientes cuatro valores: tiempo de arribo, tiempo promedio de viaje, tiempo de residencia
o fracción dispersiva (ver Figura 18); los restantes son calculados automáticamente por la
herramienta (ver relaciones existentes entre los parámetros del modelo ADZ en Lees et al.,
(2000)).
En el módulo de simulación es posible utilizar elementos ADZ en serie para representar el
transporte de solutos en un canal extenso. Se recomienda al lector que para comprender mejor
este concepto lea los trabajos publicados por Wallis et al., (1989), Young y Wallis (1993) y Lees et
al., (2000).
Una vez finaliza la simulación, el programa por defecto sugiere guardar las simulaciones realizadas
en la ruta: …./STTool/Proyectos/SimulaciónADZ.
(a) (b)
Figura 18. a) Parámetros requeridos por el algoritmo de simulación del modelo ADZ. b) Resultados
obtenidos al ejecutar una simulación con elementos ADZ en serie.
4.5 MÓDULO MODELO TS
En este módulo se pueden realizar calibraciones objetivas y simulaciones del modelo de
transporte de solutos TS (ver Figura 19).
Figura 19. Opciones del módulo MODELO TS.
4.5.1 Sub‐módulo “Calibración objetiva”
Por medio de estas herramientas el usuario puede realizar la calibración del modelo TS utilizando
la herramienta MCAT Toolbox y la metodología de búsqueda global SCE‐UA. En el desarrollo de la
solución numérica del sistema de ecuaciones diferenciales STTool utiliza la misma solución
eficiente y precisa del esquema implícito de diferencias fintitas implementado en el modelo OTIS
(Runkel, 1998; Runkel y Chapra, 1993). Esta solución ha sido programada en MATLAB por Camacho
(2000).
MCAT Toolbox:
El procedimiento para ejecutar esta herramienta es el mismo descrito para el modelo ADZ.
Después de ingresar los datos de concentración en unidades de [mg/lt] obtenidos en un
experimento con trazadores, se deben ingresar los siguientes parámetros (ver Figura 20): rango de
variación del coeficiente de dispersión [m2/s], rango de variación del área del canal principal [m2],
rango de variación del ancho del canal principal [m], rango de variación del área de
almacenamiento en la zona muerta [m2], rango de variación del coeficiente de intercambio entre
el canal principal y la zona de almacenamiento [1/s], longitud del tramo [m], caudal del
experimento [m3/s], incremento del tiempo en la solución del sistema de ecuaciones [s] y número
de segmentos en los que se divide la longitud total del tramo para solucionar el sistema de
ecuaciones.
Figura 20. Ingreso de parámetros necesarios para calibración y simulación del modelo TS por medio de
simulaciones de Monte‐Carlo.
STTool le permite al usuario guardar los parámetros ingresados en forma de proyecto (*.mat), con
el fin de volver a cargarlos en un futuro de una manera ágil en la que no se requiera volver a
digitar la información ya ingresada anteriormente. Después de realizar el número de simulaciones
ingresado por el usuario, STTool carga la herramienta MCAT Toolbox con el fin de permitirle al
usuario analizar el comportamiento del modelo y la bondad de ajuste de éste a los datos
observados.
SCE‐UA:
Si el usuario desea realizar la calibración objetiva del modelo TS utilizando la metodología de
búsqueda global Schuffle Complex Evolution (ver Figura 21), se deben ingresar los mismos
parámetros descritos en el ítem anterior, y adicionalmente los parámetros de control del
algoritmo de búsqueda (ver descripción en el módulo ADZ – Calibración Objetiva – SCE‐UA).
Figura 21. Parámetros requeridos para realizar la calibración del modelo TS por medio de la metodología
SCE‐UA.
Después de realizar el número de simulaciones necesario para minimizar la función objetivo 1‐R2
con base en los criterios de precisión y optimización de la búsqueda señalados por el usuario,
STTool carga la herramienta MCAT Toolbox con el fin de permitirle analizar el comportamiento del
modelo y la bondad de ajuste de éste a los datos observados.
4.5.2 Sub‐módulo “Simulación”
Este módulo le permite al usuario realizar simulaciones del modelo TS. Para esto, es necesario
ingresar los datos de un pulso de concentración, un escalón de concentración o una medición
realizada aguas arriba en un punto de medición de un experimento con trazadores.
Posteriormente, es necesario ingresar los parámetros del modelo TS. Una vez finaliza la
simulación, el programa por defecto sugiere guardar las simulaciones realizadas en la ruta:
…./STTool/Proyectos/SimuTS.
4.6 MÓDULO MODELO ADE
En este módulo se pueden realizar calibraciones objetivas y simulaciones del modelo de
transporte de solutos ADE (ver Figura 22).
Figura 22. Opciones del módulo MODELO ADE.
4.6.1 Sub‐módulo “Calibración objetiva”
Por medio de estas herramientas el usuario puede realizar la calibración del modelo ADE
utilizando la herramienta MCAT Toolbox y la metodología de búsqueda global SCE‐UA. En el
desarrollo de la solución numérica del sistema de ecuaciones diferenciales STTool utiliza la misma
solución eficiente y precisa del esquema implícito de diferencias fintitas implementado en el
modelo OTIS (Runkel, 1998; Runkel y Chapra, 1993). Esta solución ha sido programada en MATLAB
por Camacho (2000).
MCAT Toolbox:
El procedimiento para ejecutar esta herramienta es el mismo descrito para los modelo ADZ y TS.
Después de ingresar los datos de concentración en unidades de [mg/lt] obtenidos en un
experimento con trazadores, se deben ingresar los siguientes parámetros (ver Figura 23): rango de
variación del coeficiente de dispersión [m2/s], rango de variación del área del canal principal [m2],
longitud del tramo [m], caudal del experimento [m3/s], incremento temporal en la solución del
sistema de ecuaciones [s] y número de segmentos en los que se divide la longitud total del tramo
para solucionar el sistema de ecuaciones.
Figura 23. Ingreso de parámetros necesarios para calibración y simulación del modelo TS por medio de
simulaciones de Monte‐Carlo.
STTool le permite al usuario guardar los parámetros ingresados en forma de proyecto (*.mat), con
el fin de volver a cargarlos en un futuro de una manera ágil en la que no se requiera volver a
digitar la información ya ingresada anteriormente. Después de realizar el número de simulaciones
ingresado por el usuario, STTool carga la herramienta MCAT Toolbox con el fin de permitirle al
usuario analizar el comportamiento del modelo y la bondad de ajuste de éste a los datos
observados.
SCE‐UA:
Si el usuario desea realizar la calibración objetiva del modelo ADE utilizando la metodología de
búsqueda global Schuffle Complex Evolution (ver Figura 24), se deben ingresar los mismos
parámetros descritos en el ítem anterior, y adicionalmente los parámetros de control del
algoritmo de búsqueda (ver descripción en el módulo ADZ – Calibración Objetiva – SCE‐UA).
Después de realizar el número de simulaciones necesario para minimizar la función objetivo 1‐R2
con base en los criterios de precisión y optimización de la búsqueda señalados por el usuario,
STTool carga la herramienta MCAT Toolbox con el fin de permitirle analizar el comportamiento del
modelo y la bondad de ajuste de éste a los datos observados.
Figura 24. Parámetros requeridos para realizar la calibración del modelo ADE por medio de la metodología
SCE‐UA.
4.6.2 Sub‐módulo “Simulación”
Este módulo le permite al usuario realizar simulaciones del modelo TS. Para esto, es necesario
ingresar los datos de un pulso de concentración, un escalón de concentración o una medición
realizada aguas arriba en un punto de medición de un experimento con trazadores.
Posteriormente, es necesario ingresar los parámetros del modelo ADE.
Una vez finaliza la simulación, el programa por defecto sugiere guardar las simulaciones realizadas
en la ruta: …./STTool/Proyectos/SimuADE.
4.7 MÓDULO MODELO MDLC‐ADZ
El modelo MDLC‐ADZ (Camacho y Lees, 2000) es un modelo integrado que acopla el modelo de
Zona Muerta Agregada (ADZ) de transporte, con un modelo de tránsito hidrológico de crecientes
(MDLC). El núcleo del modelo integrado se basa en una conceptualización que relaciona la
velocidad de la onda de creciente con la velocidad media del agua, y ésta, con la velocidad efectiva
de transporte del soluto, la cual está determinada en parte por zonas muertas y procesos de
almacenamiento temporal. El modelo propuesto presenta las siguientes ventajas: 1) Es simple y
parsimonioso requiriendo la calibración de solo dos parámetros. 2) Los parámetros de transporte
se estiman a partir de datos hidro‐geométricos, variables de estado del modelo hidrológico y datos
de un solo experimento con trazadores. En la herramienta STTool se ha programado el operador
multi‐lineal discreto de convolución del modelo MDLC‐ADZ (ver descripción detallada en Camacho
2000, y Camacho y Lees, 2000).
En este módulo se requiere el ingreso de datos de concentración [mg/lt] provenientes de un
experimento con trazadores y una hidrógrafa de caudal [m3/s]. Estos datos pueden provenir de
archivos tipo proyecto (*.mat), archivos de EXCEL, matrices almacenadas en el espacio de trabajo
(Workspace) y datos en archivos (*.txt) (ver Figura 25).
Figura 25. Datos de entrada para utilizar el modelo ADZ.
Una vez ingresadas las series de caudal y concentración, STTool requiere el ingreso de información
de parámetros hidráulicos tales como longitud del tramo, ancho de la base del canal, talud,
pendiente del canal, coeficiente de rugosidad, y parámetros del modelo de transporte de solutos
ADZ. La información ingresada puede provenir de información recolectada en campo, por ejemplo
la sección transversal en un canal uniforme, o rangos para calibrar los parámetros efectivos que
representan la información observada en el experimento con trazadores (ver Figura 26).
Figura 26. Parámetros hidráulicos y de transporte de solutos en la modelación integrada MDLC‐ADZ.
Para calibrar el modelo MDLC‐ADZ se han programado las metodologías de simulaciones de
Monte‐Carlo y búsqueda global por medio del algoritmo SCE‐UA. Considerando la simplicidad
matemática del modelo, únicamente se ha dejado como parámetro de control del algoritmo de
búsqueda SCE‐UA el número de comunidades.
5 CASOS DE ESTUDIO
Para ilustrar las capacidades de la herramienta STTool, se presentan estudios basados en tres
experimentos con trazadores realizados en los ríos Subachoque (González, 2008) y quebrada Lejía,
y en el canal de drenaje urbano Molinos (López, 2003). En la Tabla 1 se resumen los datos básicos
de los experimentos. Para cada metodología de análisis de trazadores y modelos de transporte se
presentan los resultados obtenidos por la herramienta STTool y se discuten las ventajas que cada
una ofrece.
Tabla 1. Descripción de los experimentos con trazadores utilizados para calibrar los modelos de transporte
de solutos.
5.1 ANÁLISIS DE EXPERIMENTOS CON TRAZADORES (ADZTOOL)
La herramienta ADZTOOL permite analizar las mediciones de concentración en función del tiempo
que se realizan en un experimento con trazadores. Esta metodología permite estimar el estado de
ganancia estable del experimento, i.e. el nivel de conservación de la masa de trazador inyectada.
Así mismo, es posible estimar el caudal y la velocidad media del soluto con base en las mediciones
temporales de la variación de la concentración en dos o más sitios de muestreo (e.g. Kilpatrick,
1993; Jobson, 1997) (ver Figura 27). Como una primera exploración del modelo ADZ, la
herramienta ADZTOOL permite estimar en forma subjetiva los tiempos de arribo y residencia del
soluto, la fracción dispersiva entre dos o más tramos de estudio y el caudal del experimento (Lees
y Camacho, 1998).
35
S1→τ1 = 890.00 s ; tmed 1= 1423.37 s ; Error Caudal= 0.02 %
S2→τ2 = 1330.00 s ; tmed 2= 1937.37 s ; Error Caudal= 0.02 %
30
S1-S2→SSG = 1.00; Tr= 74.00 s ; DF= 0.14; Vel= 0.21 m/s
•←←Cmax
25
•←←Cmax
Concentración (mg/L)
20
15
10
0
0 500 1000 1500 2000 2500 3000 3500 4000
Tiempo (s)
(a)
25
•←←Cmax S1→τ1 = 460.00 s ; tmed 1= 877.40 s ; Error Caudal= 1.64 %
S2→τ2 = 1480.00 s ; tmed 2= 2502.62 s ; Error Caudal= 1.64 %
20
Concentración (mg/L)
15
•←←Cmax
10
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Tiempo (s)
(b)
Figura 27. Ejemplo de análisis de trazadores utilizando la metodología ADZTOOL. a) Experimento río
Subachoque. b) Experimento quebrada Lejía.
5.2 CALIBRACIÓN DE MODELOS DE TRANSPORTE UTILIZANDO LAS METODOLOGÍAS GLUE Y
SCE‐UA
La calibración de los modelos de transporte integrados a la herramienta STTool puede llevarse a
cabo en forma objetiva mediante el uso de dos metodologías ampliamente conocidas, aceptadas y
utilizadas por la comunidad científica, i.e. la metodología Generalized Likelihood Uncertainty
Estimation (GLUE, Beven y Binley, 1992) basada en simulaciones de Monte‐Carlo que ha sido
incorporada en la herramienta MCAT (Wagener, et al., 2004), y la metodología de optimización
Shuffled Complex Evolution (SCE‐UA‐Duan et al., 1993) cuyos resultados de búsqueda global de la
minimización de la función objetiva son analizados posteriormente con la herramienta MCAT.
Las dos metodologías de calibración utilizadas exploran el espacio paramétrico por medio de la
realización de varias simulaciones de los modelos, y permiten seleccionar el conjunto de
parámetros que mejor represente los datos observados. La calibración de cada modelo
incorporado se lleva a cabo teniendo en cuenta la minimización de una o varias funciones objetivo.
Específicamente, la herramienta STTool incluye el coeficiente de eficiencia R2 de Nash‐Sutcliffe
(1970), el porcentaje de sesgo APB y la raíz del error cuadrático medio RMSE (e.g. Rodríguez,
2005). Los resultados obtenidos por medio de las simulaciones de Monte‐Carlo y/o la exploración
del espacio paramétrico de un modelo utilizando el algoritmo evolutivo SCE‐UA, son analizados
por medio de la herramienta MCAT.
En la Figura 28 se presentan los resultados obtenidos en la calibración del modelo ADE con los
datos del Río Subachoque al utilizar las dos metodologías de calibración propuestas. El modelo
ADE tiene dos parámetros, i.e. el coeficiente de dispersión longitudinal y el área efectiva del canal.
Nótese que los resultados obtenidos en la etapa de calibración, al utilizar las dos metodologías,
permiten obtener resultados muy similares en los parámetros del modelo y por ende en el nivel de
ajuste encontrado.
RESULTADOS CALIBRACIÓN UTILIZANDO MCATool
Archivo en uso: SU-U5-s2s3.mat
30
Observado aguas arriba
Observado aguas abajo
Calibrado MCATool;
25 D= 0.4809; A= 1.30
tpico = 1820.00; Conc.pico = 23.59
R2= 0.9988
20
Concentración (M/L3)
15
10
0
0 500 1000 1500 2000 2500 3000 3500
Tiempo (T)
(a)
RESULTADOS CALIBRACIÓN UTILIZANDO SCE-UA
Archivo en uso: SU-U5-s2s3.mat
30
Observado aguas arriba
Observado aguas abajo
Calibrado SCE-UA;
25 D= 0.4678; A= 1.30
tpico = 1820.00; Conc.pico = 23.67
R2= 0.9988
20
Concentración (M/L3)
15
10
0
0 500 1000 1500 2000 2500 3000 3500
Tiempo (T)
(b)
Figura 28. Ejemplo de calibración del modelo ADE. a) Metodología GLUE basada en simulaciones de
Monte‐Carlo. b) Metodología SCE‐UA.
Es importante resaltar que para realizar la calibración basada en simulaciones de Monte‐Carlo, se
debe indicar el número de simulaciones que se desean realizar para explorar el espacio
paramétrico, y definir los intervalos en los que se muestreará el espacio factible. Un mayor
número de simulaciones representa una mayor probabilidad de encontrar un mejor nivel de
ajuste.
Definir a priori el número de simulaciones mínimas requeridas para garantizar una calibración
correcta de cada modelo de transporte es un ejercicio que requiere un alto nivel de experticia, ya
que se ha encontrado, por ejemplo, que el coeficiente de dispersión de los modelos ADE y TS
presentan variaciones de hasta cuatro órdenes de magnitud para un mismo tramo en función del
caudal (e.g. Young y Wallis, 1993; Camacho, 2006a; González, 2008). En este contexto, se ha
encontrado que el modelo ADZ, con tan solo dos parámetros que presentan una alta
identificabilidad y un claro sentido físico, describe con mayor parsimonia el transporte de solutos
en ríos (e.g. Camacho 2006a, Camacho et al., 2007, González y Camacho, este congreso). Teniendo
en cuenta las anteriores consideraciones, se recomienda realizar varias exploraciones, de
aproximadamente 20 simulaciones cada una, en las que se identifique el rango más adecuado para
el análisis de cada parámetro, y posteriormente realizar al menos 1000 simulaciones de Monte‐
Carlo para analizar la identificabilidad y sensibilidad de los parámetros.
Para calibrar los modelos de transporte de solutos por medio de la metodología SCE‐UA, se deben
ingresar al menos seis parámetros adicionales a los parámetros propios de cada modelo de
transporte para controlar el algoritmo que permite realizar un muestreo evolutivo del espacio
paramétrico. Duan et al. (1994) presentan una revisión detallada de la metodología SCE‐UA en la
calibración de modelos hidrológicos, y sugieren algunos valores típicos para los parámetros que
controlan el algoritmo de búsqueda global. En la calibración de los modelos de transporte de
solutos ADE, TS, ADZ y MDLC, se ha encontrado que no es necesaria una gran carga
computacional, y los parámetros de control que mejor se ajustaron a cada modelo en la
calibración de 58 experimentos con trazadores realizados en varios ríos de montaña se sugieren
explícitamente en los datos de arranque de la herramienta STTool. Cabe resaltar que no es posible
determinar a priori el número de simulaciones que se van a realizar con la metodología SCE‐UA
para calibrar cada modelo de transporte, ya que esta magnitud depende del nivel de ajuste
deseado por el usuario.
En la Figura 29 se presentan los resultados obtenidos al explorar el espacio paramétrico factible
del modelo ADZ en la calibración del experimento realizado en la quebrada Lejía. Se presentan los
gráficos de dispersión generados a partir de 3000 simulaciones de Monte‐Carlo y la evolución de 5
comunidades en la metodología SCE‐UA. Nótese que los resultados obtenidos son virtualmente los
mismos. No obstante, el algoritmo SCE‐UA muestreó únicamente un total de 209 puntos en el
espacio paramétrico.
(a)
0.15 0.15
0.1 0.1
1-R2
1-R2
0.05 0.05
950 1000 1050 1100 1150 1200 1250 1650 1700 1750 1800 1850 1900 1950
τ [tiempo de retraso advectivo] t [tiempo medio de viaje]
(b)
Figura 29. Gráficos de dispersión obtenidos en la exploración del espacio paramétrico del modelo ADZ. a)
Metodología GLUE basada en simulaciones de Monte‐Carlo. b) Metodología SCE‐UA.
Si se realizan 209 simulaciones de Monte‐Carlo dentro del mismo espacio factible del ejemplo
anterior, se obtienen los resultados presentados en la Figura 30. Nótese que pese a realizar el
mismo número de simulaciones del modelo ADZ, y obtener de nuevo resultados altamente
similares, la metodología SCE‐UA (ver Figura 29b) presenta una clara exploración evolutiva que
permite direccionar continuamente la búsqueda hacia regiones de mejor comportamiento de la
función objetivo. No obstante, con miras a explorar la sensibilidad e identificabilidad de los
parámetros de un modelo matemático, es importante explorar en forma aleatoria y menos
parcializada el espacio paramétrico factible (ver Figura 29a). De esta forma se pueden obtener
mejores nociones acerca de cómo interactúan los parámetros de un modelo, y analizar si en un
determinado caso algunos de ellos presentan baja sensibilidad en la representación de un
fenómeno físico.
0.2 0.2
0.15 0.15
1-R2
1-R2
0.1 0.1
0.05 0.05
950 1000 1050 1100 1150 1200 1250 1650 1700 1750 1800 1850 1900 1950
τ [tiempo de retraso advectivo] t [tiempo medio de viaje]
Figura 30. Gráficos de dispersión obtenidos en la exploración del espacio paramétrico del modelo ADZ
utilizando la metodología GLUE basada en 209 simulaciones de Monte‐Carlo.
En la Figura 31 se presentan los resultados obtenidos al calibrar el modelo ADE utilizando el
experimento realizado en el río Subachoque, 2000 simulaciones de Monte‐Carlo y 5 comunidades
evolutivas en el algoritmo SCE‐UA. El algoritmo SCE‐UA requirió un total de 543 simulaciones para
obtener una mejora inferior al 0.01% en la función objetivo especificada.
(a)
(b)
Figura 31. Gráficos de dispersión obtenidos en la exploración del espacio paramétrico del modelo ADE. a)
Metodología GLUE basada en simulaciones de Monte‐Carlo. b) Metodología SCE‐UA.
La herramienta MCAT permite graficar en dos y tres dimensiones el comportamiento del modelo
en el espacio paramétrico, definiendo una superficie de respuesta. Una superficie cóncava en un
único vértice es sinónimo de una alta identificabilidad de los parámetros. En la Figura 32 se
presentan los resultados obtenidos al analizar el espacio paramétrico de los modelos ADZ (2
parámetros de calibración) y TS (4 parámetros de calibración), en la calibración del experimento
con trazadores desarrollado en el río Subachoque. Nótese que la superficie de respuesta cóncava
en el espacio paramétrico del modelo ADZ (ver Figura 32a) comprueba la alta identificabilidad y
baja interacción de sus parámetros (ver Figura 33). Así mismo, nótese que la superficie de
respuesta encontrada en el modelo TS (ver Figura 32b) sugiere que se presentan problemas de
interacción paramétrica y por lo tanto baja identificabilidad (ver Figura 34).
(a) Modelo ADZ (b) Modelo TS
Figura 32. Superficie de respuesta de la función objetivo en el espacio paramétrico de los modelos ADZ y
TS.
Figura 33. Gráficos de dispersión obtenidos en la exploración del espacio paramétrico del modelo ADZ
utilizando la metodología GLUE basada en 2000 simulaciones de Monte‐Carlo.
Figura 34. Gráficos de dispersión obtenidos en la exploración del espacio paramétrico del modelo TS
utilizando la metodología GLUE basada en 2000 simulaciones de Monte‐Carlo.
Con base en los resultados de la banda de incertidumbre paramétrica GLUE basada en 2000
simulaciones de monte‐Carlo, presentados en la Figura 35, puede afirmarse que el modelo ADZ
(estructura y parámetros) es adecuado para representar los mecanismos de transporte en el
tramo de estudio. Nótese que los datos están totalmente contenidos en una banda más angosta
de incertidumbre (cuantiles 5 y 95%), que la del modelo TS.
Modelo de salida y límites de confianza (LCS=0.95, LCI=0.05) Modelo de salida y límites de confianza (LCS=0.95, LCI=0.05)
30 25
25
20
20
15
15
10
10
5
5
0 0
1 1
dCFL
dCFL
0.5 0.5
0 0
50 100 150 200 250 300 350 20 40 60 80 100 120 140 160
(a) Modelo ADZ (b) Modelo TS
Figura 35. Análisis de incertidumbre paramétrica de los modelos ADZ y TS, por medio de la metodología
GLUE basada en 2000 simulaciones de Monte‐Carlo.
Por su parte, el modelo MDLC‐ADZ es una metodología eficiente y de bajo costo, computacional y
logístico, que permite realizar caracterizaciones hidráulicas y de transporte de sustancias disueltas
bajo flujo permanente y no permanente (Camacho, 2000). De acuerdo con Camacho y Lees (2000),
el factor esencial en los buenos resultados obtenidos en este modelo es la relación paramétrica
integrada que permite determinar el tiempo de viaje del soluto y del retraso advectivo del frente
de concentración a partir de características hidráulicas y geomorfológicas del canal. Para ilustrar
las ventajas que ofrece esta metodología, se analiza un experimento con trazadores realizado en el
canal Molinos. Este canal presenta una sección trapezoidal definida y razonablemente uniforme.
En la Tabla 2 se presentan los resultados obtenidos por las dos metodologías de calibración
incorporadas en la herramienta STTool, en la calibración del coeficiente de rugosidad n de
Manning, el ancho de la base del canal W y la pendiente longitudinal efectiva del tramo So
utilizando datos de un experimento con trazadores.
Tabla 2. Resultados obtenidos en la calibración del modelo integrado MDLC‐ADZ. Canal Molinos.
MDLC‐ADZ (GLUE) MDLC‐ADZ (SCE‐UA)
Caudal (lt/s)
n W (m) So R2 n W (m) So R2
36.7 0.0168 1.9 1.3% 0.9960 0.0171 1.9 1.2% 0.9960
Nótese en la Tabla 2 que los resultados obtenidos en calibración para el coeficiente n de Manning,
n = 0.0198, son consistentes con los valores típicos encontrados en un canal de concreto, y que las
dos metodologías producen valores de parámetros óptimos muy similares.
El análisis de sensibilidad permite evaluar el impacto generado por el cambio de los parámetros o
los datos de entrada en la respuesta de un modelo matemático. Esta metodología permite
determinar cuál parámetro domina la respuesta y cuál podría ser eliminado por su baja
sensibilidad o influencia en los resultados obtenidos en simulación. Para analizar la sensibilidad de
los parámetros de un modelo, la herramienta STTool, por medio del acople de la herramienta
MCAT, utiliza el método de Análisis Regional de Sensibilidad (RSA por su sigla en inglés) propuesto
por Hornberger y Spear (1981), el cual emplea simulaciones de de un algoritmo evolutivo o de
Monte‐Carlo para muestrear el espacio paramétrico factible. En este método la población
paramétrica es particionada en dos grupos, teniendo en cuenta el buen o mal comportamiento
que presenten con respecto a la función objetivo. Posteriormente se calcula la distribución
marginal acumulada de parámetros para definir estadísticamente el grado de diferencia
encontrada entre las dos subpoblaciones, y estimar de esta forma la sensibilidad que presenta un
parámetro con respecto a la respuesta del modelo.
Nótese que los resultados mostrados en la Figura 36 sugieren que el coeficiente de rugosidad n de
Manning presenta una alta sensibilidad e identificabilidad en la explicación de los fenómenos
hidráulicos y de transporte de solutos.
0.9 0.9
0.8 0.8
0.7 0.7
cum. norm. 1-R2
cum. norm. 1-R2
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0.012 0.014 0.016 0.018 0.02 0.022 0.024 0.026 0.028 1.86 1.87 1.88 1.89 1.9 1.91 1.92 1.93 1.94
n de Manning Ancho base
0.9 H
0.8
0.7
Likelihood(1-Nr)
cum. norm. 1-R2
0.6
0.5
0.4
0.3
0.2
L
0.1
Beer, T., Young P. (1983). “Longitudinal dispersion in natural streams”. Journal of Environmental
Engineering, Vol. 109, No. 5, pp. 1049-1067.
Bencala, K. E., Walters, R. A. (1983). “Simulation of solute transport in a mountain pool-and-
riffle stream: A transient storage model”. Water Resources Research, Vol. 19, No. 3, pp. 718-
724.
Bencala, K.E., McKnight, D.M., Zellweger, G.W. (1990). “Characterization of transport in an
acidic and metal-rich mountain stream based on a lithium traces injection and simulations of
transient storage”. Water Resources. Research, Vol. 26, No. 5, pp. 989–1000.
Beven, K.J., Binley, A.M. (1992). “The future of distributed models: model calibration and
uncertainty prediction”. Hydrological Processes, Vol. 6, pp. 279-298.
Broshears, R. E.; Bencala, K. E.; Kimball, B. A.; McKnight, D. M. (1993). Tracer-dilution
experiments and solute-transport simulations for a mountain stream, Saint Kevin Gulch,
Colorado. Water-Resources Investigations Report of the US Geological Survey.
Camacho, L.A., Lees, M.J. (1999). “Multilinear discrete lag-cascade model for channel routing”.
Journal of Hydrology, Vol. 226, pp. 30-47.
Camacho, L.A. (2000). Development of a hierarchical modeling framework for solute transport
under unsteady flow conditions in rivers. PhD Dissertation, Imperial College of Science
Technology and Medicine, London, England.
Camacho, L.A., Lees, M.J. (2000). “Modelación del transporte de solutos en ríos bajo condiciones
de flujo no permanente: un modelo conceptual integrado”. XIX Congreso Latinoamericano de
Hidráulica, Córdoba, Argentina.
Camacho, L.A. (2006a). “Calibración y comparación de modelos de transporte de solutos en ríos
de montaña”. XXII Congreso Latinoamericano de Hidráulica, Ciudad Guayana, Venezuela.
Camacho, L.A. (2006b). Notas de clase del curso Hidrología Aplicada. Universidad Nacional de
Colombia.
Camacho, L.A., Rodríguez, E.A., Gelvez, R., González, R., Medina, M., Torres, J. (2007a).
“Metodología para la caracterización de la capacidad de autopurificación de ríos de montaña”. I
Congreso Internacional del agua y el ambiente, Bogotá, Colombia.
Chapra, S.C., Runkel, R.L. (1999). “Modeling impact of storage zones on stream dissolved
oxygen”. Journal of Environmental Engineering, ASCE, Vol. 125, No. 5, pp. 415–419.
Chatwin, P., Allen, C. (1985). “Mathematical models of dispersion in rivers and estuaries”. Annual
Review of Fluid Mechanics, Vol. 17, pp. 119-149.
Day, T.J., Wood, I.R. (1976). “Similarity of the mean motion of fluid particles dispersing in a
natural chanel”. Water Resources Research, Vol. 12, pp. 655-666.
De Smedt, F., Brevis, W., Debels, P. (2005). “Analytical solution for solute transport resulting
from instantaneous injection in streams with transient storage”. Journal of Hydrology, Vol. 315,
pp. 25-39.
De Smedt, F. (2006). “Analytical solutions for transport of decaying solutes in rivers with transient
storage”. ”. Journal of Hydrology, Vol. 330, No. 15, pp. 672-680.
Dooge, J.C.I., Napiórkowski, J.J., Strupczewski, W.G. (1987). “The general downstream
response of a generalized uniform channel”. Acta Geophysica Polonica, Vol. 35, No. 4, pp. 405-
418.
Duan, Q., Sorooshian, S., Gupta, V.K. (1992). “Effective and efficient global optimization for
conceptual rainfall-runoff models”. Water Resources Research, Vol. 19, No. 1, pp. 269-276.
Duan, Q., Gupta, V.K., Sorooshian, S. (1993). “A Shuffled Complex Evolution approach for
effective and efficient global minimization”. Optimization Theory and Applications, Vol. 76, No.
3, pp. 501-521.
Duan, Q., Sorooshian, S., and Gupta, V.K. (1994). “Optimal use of the SCE-UA global
optimization method for calibrating watershed models”. Journal of Hydrology, Vol. 158, pp 265-
284.
EPA. (2001). Performing Quality Flow Measurements at Mine Sites. Office of Research and
Environmental Protection Development, Washington DC.
Fischer, H. B. (1967). “The mechanics of dispersion in natural streams”. Journal of the Hydraulics
Division, American Society of Civil Engineers, Vol. 93, pp. 187-216.
Fischer, H. B. (1973). “Longitudinal Dispersion and Turbulent Mixing in Open-Channel Flow”.
Annual Review of Fluid Mechanics, Vol. 5, pp. 59-78.
Fischer, H.B., List, E. J., Koh, R. C., Imberger, J., Brooks, N. H. (1979). Mixing in inland and
coastal waters. Academic, New York. E.U.
Ge, Y., Boufadel, M.C. (2005). “Solute transport in multiple-reach experiments: Evaluation of
parameters and reliability of prediction”. Journal of Hydrology, Vol. 323, pp. 106-119.
González, R.A. (2008). Determinación del comportamiento de la fracción dispersiva en ríos
característicos de montaña. Tesis de Maestría, Universidad Nacional de Colombia, Bogotá.
González, R.A., Camacho, L.A. (2008). “Determinación del comportamiento de la fracción
dispersiva en ríos característicos de montaña”. XXIII Congreso Latinoamericano de Hidráulica,
Cartagena, Colombia.
Harvey, J.W., Wagner, B.J., Bencala, K.E. (1996). “Evaluating the reliability of the stream traces
approach to characterize stream subsurface water Exchange”. Water Resources. Research, Vol.
(32), No. 8, pp. 2441–2451.
Hays, J.R., Krenkel, P.A., Schnelle, K.B. (1966). Mass transport mechanisms in open-channel
flow. Tech Report No. 8, Vanderbilt University, Nashville, Tennessee, pp. 138.
Hornberger G.M., Spear, R.C. 1981. “An approach to the preliminary analysis of environmental
systems”. Journal of Environmental Management, Vol. 12, pp. 7-18.
Hubbard E. F., Kilpatrick, F.A., Martens L.A., Wilson J. F. (1981). Measurement of time travel
and dispersion in streams by dye tracing. Techniques of Water-Resources Investigations of the
United States Geological Survey (USGS). Document TWI 3-A9.
Jakeman, A.P., Walters, R.A., Kennedy, V.C. (1984). “Transport and concentration controls for
chloride, strontium, potassium and lead in Uvas Creek, a small cobble-bed stream in Santa Clara
County, California, USA 2. Mathematical modeling”. Journal of Hydrology. Vol. 75, pp. 111–
141.
Jobson, H. E. (1997). “Predicting travel time and dispersion in rivers and streams”. Journal of
Hydraulic Engineering, Vol. 123, No. 11, pp. 971-978.
Kazezyılmaz-A., Cevza M., Medina, M.A. (2006). “Stream solute transport incorporating
hyporheic zone processes”. Journal of hydrology, Vol. 329, pp. 26–38
Kilpatrick, F.A., Cobb, E.D. (1985). Measurement of discharge using tracer. Chapter A16
Techniques of Water-Resources Investigations of the United States Geological Survey (USGS).
Kilpatrick, F.A. (1993). Simulation of soluble waste transport and buildup in surface waters using
tracers. U.S. Geological Survey Techniques of Water-Resources investigations, Book 3.
Kratzer, C.R.; Biagtan, R. N. (1997). Determination of travel times in the lower San Joaquin
River basin, California, from dye-tracer studies during 1994-1995. Water-Resources
Investigations Report of the US Geological Survey.
Lee, K. K. (1995). Stream velocity and dispersion characteristics determined by dye-tracer studies
on selected stream reaches in the Willamette River basin-Oregon. Water-Resources
Investigations Report of the US Geological Survey.
Lees, M.J., Camacho L.A. (1998). ADZTOOL v1.0 – User Manual. Imperial College of Science
Technology and Medicine, London, UK.
Lees, M.J., Camacho, L.A., Chapra, S. (2000). “On the relationship of transient-storage and
aggregated dead zone models of longitudinal solute transport in streams”. Water Resources
Research. Vol. 36, No. 1, pp 213-224.
López, G. M. (2003). Investigación de la aplicación predictiva de los modelos de transporte de
solutos de Almacenamiento Temportal (TS) y Zona -Muerta Agregada (ADZ). Universidad de
los Andes, Bogotá, Colombia.
López, R. (2005). Resistencia al flujo en ríos de montaña. Tesis doctoral en Ingeniería, Universidad
de Lleida, España.
Mazijk A.van., Veling, E.J.M. (2005). “Tracer experiments in the Rhine Basin: evaluation of the
skewness of observed concentration distributions. Journal of Hydrology. Vol. 307, pp. 60-78.
Meier, W. K., Reichert, P. (2005). “Mountain streams – Modeling hydraulics and substance
transport”. Journal of Environmental Engineering, Vol. 131, No. 2, pp. 252-261.
Nash J.E, Sutcliffe J.V. (1970). “River forecasting through conceptual models Part I-A discussion
of principles”. Journal of Hydrology. Vol. 10, pp. 282-290.
Nordin, C.F., Troutman, B.M. (1980). “Longitudinal dispersion in rivers: the persistence of
skewness in observed data”. Water Resources Research. Vol. 16, No. 1, pp. 123–128.
Perumal, M. (1994). “Multilinear discrete cascade model for channel routing”. Journal of
Hydrologyk. Vol. 158, pp. 135-150.
Rodríguez, E.A. (2005). A Comparison Between Three Hydrological Simulations in a Northern
Environment. PhD Dissertation, University of Waterloo, Canada.
Runkel, R.L. (1998). One-dimensional transport with inflow and storage (OTIS): a solute
transport model for streams and rivers. U.S. Geological Survey Water Resources Investigations
Report, 98–4018, 73.
Runkel, R.L., Chapra S.C. (1993). “An efficient numerical solution of the transient storage
equations for solote transport un small streams”. Water Resources Research. Vol. 29, No. 1, pp.
211-215.
Rutherford, J. C. (1994). River mixing. John Wiley & Sons, Chichester.
Shan Y. P., Chang Y.T., Jan C.S. (2001). “Comparison of uncertainty analysis methods for a
distributed rainfall-runoff model”. Journal of Hydrology. Vol. 244, pp. 43-59.
Streeter V, Wylie E, Bedford K. (1997). Mecánica de los Fluidos, 9° Edición, Mc Graw Hill Book
Company.
Thackston, E.L., Schnelle, K.B. (1970). “Predicting effects of dead zones on stream mixing”.
Journal of the Sanitary Engineering Division, American Society of Civil Engineers, 96, 319-31.
Taylor, G.I. (1921). “Diffusion by continuous movements”. Proceedings of the London
Mathematical Society, Series A. pp. 196-211.
Wagener, T., Wheater, H., Lees, M. (2004). MCAT v5 user manual. Available at
http://www3.imperial.ac.uk/ewre/research/software/toolkit.
Wagener, T., Wheater, H.S. (2006). “Parameter estimation and regionalization for continuous
rainfall-runoff models including uncertainty”. Journal of Hydrology. Vol. 320 (1-2), pp. 132-
154.
Wagener, T., Kollat, H. (2006). “Numerical and visual evaluation of hydrological and
environmental models using the Monte-Carlo analysis toolbox”. Environmental Modelling &
Software. Vol. 22, pp. 1021-1033.
Wallis, S. G., Young, P.C., Beven, K. J. (1989). “Experimental investigation of the aggregated
dead zone model for longitudinal solute transport in streams channels”. Water Engineering
Group, Civ. Engineers, Part 2, 87.
Wörman, A. (2000). “Comparison of models for transient storage of solutes in small streams”.
Water Resources. Resesarch. Vol. 36, No. 2, pp. 455–458.
Young, P.C., Wallis, S.G. (1986). “The Agregated Dead Zone (ADZ) model for dispersion in
rivers”. International Conference on Water Quality Modelling in the Inland Natural
Environment, Bournemouth, England, 10-13 June.
Young, P.C. (1992). “Parallel processes in hydrology and water quality: a unified time-series
approach”. Tyne and Humber Branch Symposium on Water Quality Modelling, Harrogate, 13
November 1991.
Young, P.C., Wallis, S.G. (1993). Solute transport and dispersion in channels. Channel Network
Hydrology (Ed. K. Beven and M.J. Kirby). John Wiley & Sons Ltd, Chichester, pp. 129-174.
7 APÉNDICES
7.1 TRANSPORTE DE SOLUTOS Y DISPERSIÓN EN CANALES
Los procesos de transporte de sustancias disueltas o solutos son muy importantes en el estudio de la
calidad del agua. Al ser introducida una sustancia contaminante en un río, ésta es transportada y
dispersada a medida que avanza hacia aguas abajo desde el sitio del vertimiento, afectándose la calidad
del agua por las reacciones biológicas y bioquímicas que ocurren.
Para representar correctamente los procesos de transporte de solutos en ríos de montaña es necesario
realizar experimentos con trazadores (Broshears et al., 1993; Meier y Reichert, 2005). Éstos al ser
inyectados en una corriente se comportan de igual forma que un soluto o contaminante disuelto en
agua. Si se realizan mediciones del movimiento del trazador, se están midiendo también las
características dispersivas de la corriente (Hubbard et al, 1981).
Los trazadores deben ser sustancias solubles en agua, detectables a bajas concentraciones con
instrumentos de campo, tener baja interferencia con la concentración base, no ser nocivos para la salud
humana y ambiental, no ser costosos y ser razonablemente estables o conservativos, i.e. que no
reaccionen, se adsorban, se sedimenten o volatilicen fácilmente (Camacho, 2006b).
Los experimentos con trazadores son útiles para: estimar el caudal en corrientes; determinar los tiempos
característicos de arribo, pasaje y concentración pico de sustancias contaminantes; calcular la magnitud
de la concentración pico alcanzada por un vertimiento para un caudal dado; evaluar las características
dispersivas en una corriente; realizar análisis de regresiones utilizando las características físicas del río
para obtener ecuaciones que regionalicen la dispersión y los tiempos de viaje; y para calibrar
correctamente los modelos de transporte solutos, entre otros muy variados usos en geología, hidrología
e hidráulica (Hubbard et al, 1981; Kilpatrick, 1993; Jobson, 1997).
Una descripción detallada de cómo estimar caudales puede encontrarse en Kilpatrick et al., (1985); EPA
(2001); López (2005). Una descripción detallada y práctica de cómo estimar los tiempos de viaje y la
dispersión en corrientes utilizando trazadores se encuentra en Hubbard et al. (1981), Broshears et al.
(1993), Lee (1995), Jobson (1997), y Kratzer y Biagtan (1997). Así mismo, ejemplos de aplicación de
experimentos con trazadores en la calibración objetiva de modelos de transporte de solutos puede
consultarse en Young y Wallis (1986), Wallis et al. (1989), Broshears et al. (1993), Lees et al. (2000),
Meier y Reichert (2005), Camacho (2006a), y De Smedt (2006).
Al graficar las variaciones de concentración con el tiempo, i.e. la curva de respuesta del trazador, en al
menos dos secciones transversales aguas abajo del punto de inyección, se puede observar que la forma y
magnitud de las curvas están afectadas por los siguientes factores: 1) el grado de conservación de masa
o persistencia del trazador, 2) la masa de trazador inyectada, 3) la magnitud del caudal de la corriente y
4) la dispersión longitudinal.
Para determinar el grado de conservación del trazador se utiliza el concepto de estado de ganancia
estable SSG (Steady State Gain), el cual indica la relación existente entre el área bajo la curva de
respuesta del trazador en un sitio de medición aguas abajo y otro ubicado aguas arriba, i.e.
⁄ , siendo la concentración observada. Es importante notar que si en un experimento con
trazadores 1, no se ha recuperado completamente la masa de trazador inyectado, y es posible
que no se hayan alcanzado condiciones de mezcla completa, o que existan aportes de caudal en el tramo
definido. Por otra parte, si 1, es posible que los equipos de medición no estén correctamente
calibrados o que existan salidas de caudal (Lees y Camacho, 1998).
La magnitud de la concentración del trazador es directamente proporcional a la masa inyectada. Con
respecto a la magnitud del caudal, es claro que para una misma masa de trazador inyectado, la
concentración observada será menor en la medida en que el caudal sea mayor. Por último, la dispersión
del trazador en el canal se puede identificar al observar en las curvas de respuesta la atenuación de la
concentración pico y el aumento de la distribución temporal del trazador, i.e. la extensa cola que poseen
las curvas concentración‐tiempo hacia aguas abajo del punto de inyección (Bencala y Walters, 1983;
Runkel, 1998; Chapra y Runkel, 1999; Camacho, 2000; Ge y Boudafel, 2005). Lo anterior es cierto sin
importar si se consideran o no los procesos de reacciones bioquímicas que pueda sufrir el soluto, y se
explica mediante mecanismos de movimiento de agua y mezcla del trazador. Es importante resaltar que
dichos mecanismos son causados principalmente por la interacción de dos fenómenos básicos: la
advección diferencial, i.e. el movimiento del soluto debido al movimiento del agua a diferentes
velocidades, y la difusión molecular y turbulenta del soluto a través de la sección transversal de flujo
(Fischer 1973; Young y Wallis, 1993; Rutherford, 1994; Camacho 2000).
El flujo en canales abiertos soporta gradientes laterales y verticales de velocidad longitudinal. Por esta
razón el soluto es transportado a diferentes velocidades, i.e. existen partículas que arriban a un sitio
específico en diferentes intervalos de tiempo. Este mecanismo de transporte se conoce como advección
diferencial.
Simultáneamente a la advección diferencial, el soluto es distribuido en las direcciones vertical y lateral
del canal. Este fenómeno ha sido explicado por medio de los mecanismos de difusión, i.e. movimiento
Browniano y difusión turbulenta provocada por remolinos (Fischer, 1973; Rutherford, 1994; Streeter et
al., 1997; Camacho, 2000). De esta forma, la interacción entre la advección diferencial, y la difusión
vertical y transversal, controlan principalmente la dilución y propagación de la distribución de los solutos
o sustancias disueltas.
Ya que los ríos son generalmente más anchos que profundos, la distribución del soluto sufre una mezcla
vertical completa antes que se alcance la mezcla transversal (Hubbard et al.,, 1981; Kilpatrick, 1993;
Young y Wallis, 1993; Jobson, 1997). De acuerdo con Rutherford (1994), la mezcla vertical se completa
aguas abajo del sitio de inyección normalmente dentro de una distancia menor a 50 veces la profundidad
del río (de 1 a 10 veces el ancho); no obstante, la mezcla lateral es más lenta y se completa normalmente
dentro de 100 a 300 veces el ancho del río.
Para explicar matemáticamente los procesos de transporte de solutos, se debe analizar la conservación
de masa del soluto en un volumen de control infinitesimal (Fischer et al., 1979; Streeter et al., 1997;
Camacho 2000). En el volumen de control presentado en la Figura 37, , , representan los ejes
coordenados y , , y representan las componentes de velocidad instantánea longitudinal, transversal
y vertical. De igual forma, y representan la concentración del soluto dentro del volumen de control y
la tasa de flujo másico por unidad de área (flux) en la dirección .
Si se desea conocer el cambio de almacenamiento de la masa del soluto, se debe calcular la tasa neta de
flujo másico que entra y sale del volumen de control, i.e. ⁄ en la dirección , se puede plantear
que:
⁄ (7.1)
Es importante resaltar que el flux tiene dos componentes principales, un componente advectivo y otro
difusivo (ver Figura 37). El componente advectivo, , representa la traslación del soluto a una velocidad
local longitudinal, y el difusivo, , representa el transporte del soluto debido a la difusión molecular.
Esta difusión se modela apropiadamente por medio de la ley de Fick (e.g. Rutherford, 1994).
(7.2.a)
⁄ (7.2.b)
(7.2.c)
siendo la velocidad local longitudinal y el coeficiente de difusión molecular. Es importante notar
que el signo negativo en la ecuación (7.2.b) se utiliza para indicar que el transporte ocurre desde las
regiones de mayor concentración, hacia las regiones de menor concentración.
Figura 37. Volumen de control infinitesimal y análisis de los componentes longitudinales de flujo. Tomado de
Camacho (2000).
Si se realiza el mismo análisis para las direcciones transversal y vertical del volumen de control, y se
realiza la adición de las tasas de flujo másico por unidad de área, se obtiene la tasa de cambio de masa
del soluto, i.e. ⁄ , dentro del volumen de control definido, que puede expresarse en
términos de la variación temporal de la concentración
(7.3)
El transporte difusivo se produce por el movimiento de iones disueltos y moléculas, debido a la
existencia de gradientes de concentración y a la agitación térmica existente. En teoría la ecuación (7.3)
debería predecir la concentración del soluto para unas condiciones de frontera dadas. No obstante, esta
ecuación tan solo es aplicable para flujo laminar, ya que en éste es posible predecir el perfil de
velocidades (Fischer 1967; Fischer, 1973; Camacho, 2000).
El flujo en ríos es generalmente turbulento, i.e. se presentan fluctuaciones aparentemente aleatorias de
la velocidad con respecto a la velocidad media de flujo (Rutherford, 1994). Las características
geomorfológicas de los ríos, i.e. bancas, formas de lecho y obstáculos en general, generan turbulencia
adicional que se traduce en un incremento local de los gradientes de concentración del soluto y una
aceleración del proceso de difusión molecular. El efecto de crear un transporte difusivo adicional es
denominado difusión turbulenta. Ésta se presenta en forma similar a la difusión molecular, pero debido a
las características físicas propias del fenómeno, su orden de magnitud es mayor y es la causa más
representativa del transporte difusivo.
Teniendo en cuenta los efectos de la difusión turbulenta (cf. ecuación 7.4), la ecuación (7.3) puede
reescribirse como (7.5), si se considera que el efecto del coeficiente de difusión molecular puede
despreciarse, i.e.
(7.4)
En la ecuación anterior es la componente de la velocidad instantánea en la dirección longitudinal; es
la componente de la velocidad media en el tiempo y representa la fluctuación turbulenta instantánea.
El mismo análisis es válido para las demás componentes de velocidad en la dirección transversal y
vertical, así como para la concentración del soluto.
(7.5)
Si se toman los promedios temporales de cada término de la ecuación (7.5) en un período mayor que
aquel en el que ocurren las fluctuaciones turbulentas, pero menor que aquel en el que ocurren cambios
en las componentes de la velocidad media, y se considera que el promedio temporal de las fluctuaciones
turbulentas es cero (cf. ecuación 7.6), se tiene que:
0 (7.6)
0 (7.7)
Nótese que la ecuación (7.6) es válida para las demás fluctuaciones turbulentas instantáneas de
velocidad y concentración, y que en la ecuación (7.7) los términos que contienen dos cantidades prima
representan el transporte debido a la difusión turbulenta. Utilizando los resultados de la ecuación de
continuidad en forma diferencial para flujo incompresible (cf. ecuación 7.8), se reduce (7.7) a (7.9):
0 (7.8)
0 (7.9)
La principal limitación de la ecuación (7.9) es que en canales naturales no es posible estimar en forma
determinística las fluctuaciones turbulentas instantáneas de la velocidad (Chatwin y Allen, 1985).
Siguiendo a Young y Wallis (1993), el flux difusivo turbulento en cualquier dirección es proporcional al
gradiente de concentración en esa dirección, en forma similar a los resultados sugeridos por la Ley de
Fick. Esta ley expresa que la tasa neta de transferencia de un soluto de una región de mayor
concentración a una de menor concentración debe darse a una tasa proporcional al gradiente de
concentración entre las dos regiones.
De acuerdo con Camacho (2000), la forma más conocida y utilizada en la práctica para modelar la
difusión turbulenta está basada en el trabajo realizado por Taylor (1921), en donde se demuestra que
bajo turbulencia estacionaria y homogénea, la difusión turbulenta puede ser modelada usando la Ley de
Fick. La turbulencia se denomina estacionaria si características del flujo como la velocidad media, la
varianza de la velocidad y la correlación entre las velocidades permanece constante con el tiempo. La
turbulencia se denomina homogénea si las fluctuaciones de la velocidad no varían con el espacio.
; ; (7.10)
, y son los coeficientes de difusión turbulenta o coeficientes de difusividad de remolino (Fischer
et al., 1979; Chatwin y Allen, 1985; Streeter et al., 1997). Es importante aclarar que estos coeficientes
son variables y representan condiciones específicas de un tramo de un río (Young y Wallis, 1993).
Utilizando los resultados obtenidos en las ecuaciones (7.9) y (7.10), la ecuación que describe el
transporte difusivo turbulento de solutos en las tres dimensiones puede escribirse como:
(7.11)
Siguiendo a Young y Wallis (1993), la ecuación (7.11) solo es válida cuando las suposiciones hechas en el
trabajo de Taylor se satisfacen y esto se cumple si la distribución del soluto ha permanecido en el flujo
un tiempo mayor que la escala de tiempo Lagrangiana y su distribución alcanza distancias mayores que la
escala espacial Lagrangiana, i.e. el tiempo y la distancia necesarias para que una partícula de soluto
olvide su estado inicial. En otros términos, la ecuación (7.11) es válida solo cuando la distancia de la
distribución espacial del soluto supera la distancia a la cual los efectos de la turbulencia están
correlacionados. Es importante notar que las longitudes de mezcla en las direcciones vertical y
transversal dependen de la ubicación del sitio de inyección, i.e. las características hidráulicas y
geométricas del río hacia aguas abajo afectan la mezcla del soluto en la sección transversal.
7.1.1 Modelo de Advección‐Dispersión ADE
La ecuación (7.11) no puede resolverse de forma analítica o numérica puesto que no se conocen los
campos de velocidad en las tres dimensiones, ni tampoco la distribución de los coeficientes de mezcla o
difusividad de remolino. Particularmente en ríos, el transporte de solutos puede considerarse un
fenómeno unidimensional después de que se alcancen las condiciones de mezcla completa en la sección
transversal. En este caso no es necesario considerar la ecuación (7.11) en forma tridimensional, y es
posible emplear como longitud característica la dirección longitudinal del flujo.
Para reducir la ecuación (7.11) a una forma unidimensional, se debe considerar que los parámetros que
representan los procesos de transporte son promediados en la sección transversal, i.e. son función
únicamente de la ubicación en la dirección longitudinal y del tiempo. De esta forma puede establecerse
una ecuación (cf. ecuación 7.12) que permita cuantificar los mecanismos de advección y dispersión en
ríos.
(7.12)
En la ecuación anterior, y representan el valor promedio de la concentración del soluto y la velocidad
longitudinal en la sección transversal, respectivamente, y el coeficiente de dispersión longitudinal.
Nótese que para que la ecuación (7.12) tenga validez, debe pasar un tiempo suficientemente largo desde
que la dispersión comienza para que ocurra una mezcla completa del soluto en la sección transversal.
La dispersión longitudinal representa la variación de la concentración del soluto con respecto al espacio y
al tiempo, y su efecto se debe a la combinación de los mecanismos de transporte, i.e. advección
diferencial, difusión molecular y difusión turbulenta. De acuerdo con Fischer (1973) el coeficiente de
dispersión es varios órdenes de magnitud mayor que el coeficiente de difusión longitudinal turbulenta
, haciendo que en la práctica este último sea despreciable.
De acuerdo con Chatwin y Allen (1985) las suposiciones a las que está sujeta la ecuación (7.12) son: 1) la
distribución de solutos ha sido introducida en la corriente por un tiempo suficientemente largo que
permite garantizar la mezcla transversal del soluto; 2) la turbulencia es estadísticamente estacionaria; 3)
el campo de velocidades es permanente; 4) la sección transversal es constante y 5) el soluto no sufre
reacciones bioquímicas.
El modelo de advección‐dispersión ADE (cf. ecuación 7.13) considera además que el coeficiente efectivo
de dispersión longitudinal depende de la variación de la velocidad y los coeficientes de difusión
turbulenta o coeficientes de difusividad de remolino y en la sección transversal.
(7.13)
Una de las principales limitaciones en el uso del coeficiente de dispersión es que éste es responsable
de cuantificar todas las características físicas que afectan la distribución espacio‐temporal del soluto, i.e.
los efectos advectivos y difusivos generados por la turbulencia, los efectos de mezcla generados por
flujos secundarios debidos a irregularidades del lecho y curvaturas del canal, y las interacciones
dispersivas entre la zona hiporreica o zonas muertas de flujo relativamente estacionario y el canal
principal de flujo longitudinal.
Medir de forma explícita cada uno de los anteriores mecanismos de mezcla en un tramo de río es una
actividad difícil que no está justificada en términos prácticos. Por esta razón se han propuesto varias
formulas empíricas para estimar el coeficiente de dispersión (Fischer et al., 1979; Rutherford, 1994),
pero se han encontrado diferencias de hasta cuatro órdenes de magnitud en su estimación (e.g,Young y
Wallis, 1993). Las principales dificultades encontradas radican en el desconocimiento de las magnitudes
y distribución de los coeficientes de difusividad, así como la predicción de la distribución de las
fluctuaciones instantáneas de la velocidad longitudinal.
Chatwin y Allen (1985) presentan la solución de la ecuación de advección‐dispersión para una descarga
instantánea de una masa de soluto. Seleccionando orígenes apropiados para y , se tiene que:
, exp (7.14)
donde y son constantes y es el área de la sección transversal del río.
En teoría, después de un tiempo suficientemente largo, la distribución de solutos sigue una forma de
campana de Gauss. No obstante, varios autores han reportado que aún realizando mediciones en puntos
localizados a grandes distancias del sitio de inyección de un trazador, no se han observado
comportamientos descritos por la solución analítica de la ecuación ADE (cf. ecuación 7.14) (Day y Wood,
1976; Young y Wallis, 1993; Camacho, 2000; Mazijk y Veling, 2005, De Smedt et al., 2005). Por el
contrario, se ha observado que una serie de datos concentración‐tiempo típica presenta un limbo
ascendente más abrupto que el descendente, debido principalmente a que la distribución de solutos
continúa su desarrollo mientras que pasa por un punto fijo de observación (Nordin y Troutman, 1980).
De acuerdo con Young y Wallis (1993), existen dos principales razones para explicar las desviaciones
entre los datos de concentración‐tiempo medidos en campo y aquellos obtenidos mediante el modelo
de advección‐dispersión: 1) las observaciones de campo son realizadas en tiempos insuficientes para que
la distribución Gaussiana pueda ser desarrollada y 2) los canales naturales no son uniformes.
7.1.2 Modelo de Almacenamiento Temporal TS
Para explicar las largas colas observadas en los experimentos con trazadores, especialmente en ríos de
montaña, se han desarrollado modelos de transporte de solutos que incorporan el concepto de zona
muerta o zona de almacenamiento temporal (Hays, 1966; Thackston y Schnelle, 1970, Bencala y Walters,
1983; Jakeman et al., 1984; Wörman, 2000; Kazezyılmaz‐Alhan y Medina, 2006).
Los efectos de almacenamiento temporal son causados por la no uniformidad de los canales naturales,
i.e. se debe a la presencia de meandros, secuencias piscina‐rápido y piscina‐caída, islas, material vegetal,
estructuras de control e interacción con flujos subsuperficiales (Bencala y Walters, 1983).
En forma general, las irregularidades geomorfológicas de los canales contribuyen al desarrollo de flujos
secundarios, fenómenos turbulentos de gran escala y estancamiento de solutos. Así mismo, los flujos
subsuperficiales en lechos con materiales porosos causan un efecto de retención temporal de partículas,
de tal forma que cuando éstas regresan al flujo principal producen largas colas en las curvas
concentración‐tiempo (Runkel, 1998; Camacho, 2000; De Smedt et al., 2005).
El intercambio de solutos entre el canal principal y las zonas de almacenamiento afecta las características
del transporte y la magnitud de la concentración en la zona principal del canal. El efecto de las zonas de
almacenamiento es retardar el transporte del soluto, produciendo un alargamiento en el perfil de
concentración observado en el dominio del tiempo, i.e. en una posición fija (Harvey et al., 1996; Nordin y
Troutman, 1980).
De acuerdo con Camacho (2000), las zonas de almacenamiento afectan el tiempo de residencia del
soluto en el sistema, siendo éste el parámetro que determina la escala de tiempo sobre la cual pueden
ocurrir los procesos físicos, químicos y biológicos que afectan la calidad del agua. Por ende, si un modelo
de transporte no representa correctamente el tiempo de residencia, se puede sobreestimar el efecto del
transporte longitudinal y/o subestimar la escala de tiempo en que ocurren las interacciones bioquímicas.
El transporte de solutos con almacenamiento temporal en una corriente se modela combinando la
ecuación de advección‐dispersión en el canal principal con la ecuación de almacenamiento en las zonas
muertas, por medio de un término que considera el intercambio de masa. El concepto “intercambio de
masa de primer orden” entre el canal principal y la zona de almacenamiento ha sido utilizado, verificado
y aceptado ampliamente por la comunidad científica (Nordin y Troutman, 1980; Bencala y Walters, 1983;
Bencala et al.,, 1990; Broshears et al., 1993; Kazezyılmaz‐Alhan y Medina, 2006).
Las ecuaciones generales de transporte del modelo TS (Transient Storage) han sido descritas por Bencala
y Walters (1983). En el trabajo original se presentan dos submodelos, uno físico y otro cinético. El
submodelo físico se enfoca en el comportamiento de la concentración del soluto en el canal y analiza los
procesos de transporte. El submodelo cinético analiza el comportamiento de las sustancias no
conservativas y formula las reacciones químicas que sufre el contaminante.
Considerando que el trazador es conservativo, que no existe variación de caudal y que los parámetros de
transporte son constantes (en el espacio y en el tiempo) para el tramo analizado, el modelo TS toma la
siguiente forma (Runkel, 1998; Lees et al., 2000; Camacho, 2000; De Smedt, 2006):
(7.15a)
(7.15b)
Donde es la concentración del soluto conservativo en el canal principal; la velocidad media en la
sección transversal de flujo; el coeficiente de dispersión longitudinal en el canal principal; el área de
la sección transversal del canal principal; el coeficiente de intercambio de masa entre la zona de
almacenamiento y el canal principal; el tiempo; la distancia longitudinal en el canal principal. Las
variables que tienen un subíndice representan parámetros de transporte en la zona de
almacenamiento (zona única considerada en forma agregada). Nótese que cuando 0 se retorna al
modelo de advección‐dispersión ADE.
De acuerdo con Camacho (2000), los procesos de intercambio entre el canal principal y las zonas de
almacenamiento temporal descritos por el modelo TS presentan las siguientes características:
• La concentración en el canal principal varía únicamente en la dirección longitudinal.
• En la zona de almacenamiento se asume que el agua y los solutos están bien mezclados, i.e. no
hay procesos dispersivos o difusivos y los solutos son distribuidos en forma instantánea y
homogénea.
• No existen procesos de advección en la dirección longitudinal del flujo en la zona de
almacenamiento.
• No existe ganancia neta o acumulación de agua en la zona de almacenamiento, i.e. volúmenes
iguales de agua son intercambiados entre el canal principal y la zona de almacenamiento. Los
paquetes intercambiables de agua transportan solutos que entran y salen de la zona de
almacenamiento, pero se almacenan allí únicamente en forma temporal.
• El intercambio de masa es modelado mediante procesos de transferencia de primer orden, i.e. el
intercambio de solutos entre el canal principal y la zona de almacenamiento es proporcional a la
diferencia de concentración existente entre éstos.
Es importante notar que el concepto de zona de almacenamiento temporal o zona muerta no está
relacionado en forma directa con un parámetro físico de la corriente que se desea modelar, por lo tanto,
es imprescindible el uso de experimentos con trazadores para calibrar el modelo TS y encontrar los
parámetros efectivos involucrados en los mecanismos de transporte.
Runkel (1998) presenta la implementación del modelo OTIS (One‐dimensional Transport with Inflow and
Storage) que resuelve mediante métodos numéricos las ecuaciones, en forma completa (ver Bencala y
Walters, 1983), del modelo de almacenamiento temporal para corrientes en las que se pueda considerar
flujo unidimensional. OTIS contiene soluciones numéricas para variaciones temporales de los
parámetros, así como para la solución de las ecuaciones en estado estacionario o permanente. Las
condiciones de frontera aguas arriba son definidas en términos de una concentración de entrada que
puede ser variable en el tiempo. Las condiciones de frontera aguas abajo están definidas por un flujo
dispersivo definido por el usuario (observado en experimentos con trazadores). Adicionalmente, para
realizar la estimación de parámetros del modelo TS se ha implementado un método de optimización no
lineal en la versión extendida de OTIS (OTIS‐P).
7.1.3 Modelo de Zona Muerta Agregada ADZ
En contraste con la representación conceptual desarrollada en torno a los trabajos investigativos que
incluyen el concepto de zona muerta o zona de almacenamiento vinculado con el modelo dispersivo tipo
Ley de Fick (modelo ADE), el modelo de Zona Muerta Agregada (Aggregated Dead Zone model, ADZ ‐
Beer y Young, 1983) considera que la mayor parte de la dispersión observada en canales naturales se
debe a las zonas muertas, i.e. los efectos acumulados de las zonas muertas dominan los procesos
dispersivos observados y su efecto total puede acoplarse produciendo una zona muerta agregada, cuyo
tiempo de residencia define las propiedades de la dispersión asociadas al tramo del río que está siendo
modelado (Beer y Young, 1983; Young y Wallis, 1986; Wallis et al., 1989; Young y Wallis, 1993). En el
modelo ADZ un tramo de río se considera un sistema imperfectamente mezclado en el cual una
sustancia disuelta experimenta advección pura y posteriormente dispersión en una zona de mezcla
activa agregada (Young y Lees, 1993; Lees et al., 2000). La Figura 38 muestra un diagrama que representa
los mecanismos de transporte en un tramo de río. En esta figura la sigla RMC representa un Reactor de
Mezcla Continua.
Figura 38. Modelo de Zona Muerta Agregada (ADZ) de primer orden. Tomada y modificada de Lees et al.,
(2000).
Formulación del modelo ADZ en tiempo continuo:
Los modelos de zona muerta o almacenamiento temporal están basados en ecuaciones diferenciales
parciales que se obtienen al incorporar en el modelo de advección‐dispersión los términos apropiados
que permiten relacionar el intercambio de masa que se produce entre el canal principal y las zonas
muertas. Por su parte, el modelo ADZ permite representar de forma agregada los efectos dispersivos
causados por una o más zonas muertas (dependiendo de la longitud del tramo que se esté analizando), y
por esta razón es posible utilizar un modelo matemático diferencial ordinario.
Para desarrollar matemáticamente el modelo ADZ, es importante recalcar la concepción de los autores
con respecto a las causas principales de los procesos dispersivos que ocurren en un tramo de canal, i.e. la
importancia que cobran las zonas muertas en la explicación de las curvas concentración‐tiempo
observadas. Teniendo en cuenta lo anterior, resulta sensato asumir que la estructura más simple
necesaria para describir el transporte de solutos en el tramo analizado, es la misma requerida para
describir una sola zona muerta (Young y Wallis, 1986).
Considerando una zona muerta con volumen en un campo de flujo con caudal y asumiendo mezcla
completa instantánea, el balance de masa indica que:
(7.16)
siendo la concentración del soluto que ingresa a la zona muerta; la concentración en la zona
muerta y debido a la suposición de mezcla completa, la concentración que abandona la zona muerta.
Si se considera flujo permanente, la ecuación (7.16) puede escribirse como:
(7.17)
La ecuación (7.17) es una ecuación diferencial de primer orden que describe la relación existente entre
los cambios en la concentración del soluto a la entrada y a la salida de una zona muerta ubicada dentro
de un tramo de canal.
Para describir el comportamiento de los procesos dispersivos en el tramo completo de un canal, es
necesario considerar que el efecto agregado de todas las zonas muertas existentes puede ser descrito en
forma similar a la ecuación (7.17), asumiendo que el volumen es remplazado por un volumen efectivo
denominado volumen de la zona muerta agregada (ADZ). Así mismo, para modelar los efectos
advectivos del transporte se ha incorporado un tiempo de retraso que contabiliza el tiempo requerido
por el frente de la distribución del soluto para recorrer el tramo analizado (ver Figura 38) (Beer y Young,
1983; Wallis et al., 1989; Young y Wallis, 1993). Teniendo en cuenta las anteriores consideraciones, el
modelo puede reescribirse como:
(7.18a)
(7.18b)
siendo el tiempo de residencia ADZ, i.e. el tiempo asociado al paso completo del soluto por el tramo
en el que ocurren los procesos dispersivos. Nótese que los efectos de la dispersión están siendo
modelados al considerar que en cada tramo del río existe una longitud en la que el soluto experimenta
traslación pura, i.e. su concentración inicial tiene magnitud , y posteriormente ingresa a una zona de
mezcla activa de la cual sale con una concentración .
Formulación del modelo ADZ en tiempo discreto:
Dependiendo de las características físicas y de la longitud de un canal, puede ser necesario considerar
más de un elemento ADZ (cada uno descrito por una ecuación diferencial ordinaria de primer orden).
Para representar de una forma más adecuada las posibles conexiones (en serie y/o en paralelo) de los
diferentes elementos ADZ, es conveniente reescribir el modelo descrito en la ecuación (7.18a) en la
forma de ecuación en tiempo discreto, i.e
(7.19)
siendo el subíndice que denota el valor de la variable modelada en el é instante de muestreo y
el entero menor del tiempo de retraso advectivo expresado en intervalos de muestreo, i.e. ⁄∆ .
La anterior ecuación permite el uso de métodos sofisticados de análisis de series de tiempo (e.g. Young y
Wallis, 1986; Wallis et al., 1989; Young, 1992; Young y Wallis, 1993). De acuerdo con Wallis et al., (1989),
la solución de la ecuación (7.19) puede obtenerse al plantear relaciones numéricas entre los parámetros
, del modelo en forma discreta y del modelo en forma continua. Asumiendo que es
constante en el intervalo de muestreo ∆ , una solución numérica aproximada del modelo original puede
obtenerse por medio de:
∆ ⁄ ; 1 (7.20a)
1⁄ ⁄∆ ; ∆ (7.20b)
Es importante resaltar que el modelo ADZ en forma de tiempo continuo tiene un infinito número de
soluciones en forma discreta, ya que los parámetros de este último dependen del intervalo de tiempo
seleccionado.
7.2 ESTIMACIÓN DE PARÁMETROS EN MODELOS DE TRANSPORTE
A continuación se describen las principales características de las metodologías de calibración utilizadas
en la herramienta STTool.
7.2.1 Estimación de parámetros, análisis de incertidumbre y sensibilidad utilizando la herramienta
MCAT
De acuerdo con Wagener et al., (2004), es importante estimar la identificabilidad de los parámetros de
un modelo cuando éste va a ser usado en la prueba de hipótesis científicas que requieran la
interpretación de la naturaleza del sistema. Identificar y comprender el significado físico de los
parámetros de un modelo matemático permite avanzar en el conocimiento de la predicción de
comportamientos futuros como respuesta a un cambio de algún componente del sistema analizado.
La estructura de algunos modelos hidrológicos y los errores en la toma de datos utilizados en calibración
hace que la respuesta de éstos no sea única para un conjunto de parámetros dado (problema de
equifinalidad descrito ampliamente por Beven y Binley, 1992), i.e. es posible obtener respuestas iguales
o muy parecidas con respecto a una función objetivo definida, a partir de la combinación de diferentes
magnitudes paramétricas en el espacio factible. Teniendo en cuenta la problemática expuesta,
usualmente es necesario recolectar información adicional que permita mejorar la modelación, a
expensas de generar modelos menos parsimoniosos que limitan su aplicación en cuencas escasamente
instrumentadas o no instrumentadas.
La modelación hidrológica y ambiental requiere el análisis objetivo de la identificabilidad e incertidumbre
de los parámetros de un modelo para poder mejorar la regionalización de los resultados en cuencas no
instrumentadas (Wagener y Wheater, 2006). Se hace entonces necesario utilizar herramientas que
permitan comprender el comportamiento de la estructura de un modelo y analizar la identificabilidad e
incertidumbre de sus parámetros. El programa Monte‐Carlo Analysis Toolbox MCAT1 es una herramienta
de evaluación numérica y gráfica del comportamiento de modelos matemáticos, desarrollada en
MATLAB, que utiliza los resultados provenientes de simulaciones de Monte‐Carlo o algoritmos
evolutivos.
Una metodología idónea para analizar modelos lineales y no lineales es la realización de simulaciones de
Monte‐Carlo (MC). De esta forma se puede muestrear el espacio paramétrico factible en forma aleatoria
siguiendo una distribución de probabilidad específica. Es importante resaltar que también existen otros
métodos de muestreo como por ejemplo el Latin Hypercube Sampling (eg, Shan‐Yu et al., 2001) y
algunos métodos evolutivos como el Schuffle Complex Evolution (Duan et al., 1993).
La metodología MC requiere efectuar corridas del modelo cada vez que se cambia el conjunto de
parámetros. No obstante, la capacidad de procesamiento de los computadores mejora en forma
acelerada, permitiendo realizar simulaciones que hace tan solo una década resultarían absolutamente
engorrosas. Ya que en general no se tiene información a priori acerca de la naturaleza de la distribución
de los parámetros y su correlación, es recomendable asumir una distribución uniforme (Wagener y
1
El paquete computacional puede ser descargado en forma libre desde el sitio web:
http://www3.imperial.ac.uk/ewre/research/software/toolkit
Kollat, 2006) y realizar el muestreo del espacio paramétrico dentro de los límites físico‐conceptuales
reconocidos por el modelador.
MCAT cuenta con subrutinas que permiten analizar en forma completa y avanzada la respuesta de un
modelo. A continuación se describen en forma sucinta las capacidades y bondades de la herramienta
MCAT (Wagener et al., 2004; Wagener y Kollat, 2006), y se presenta un ejemplo de los resultados
obtenidos al acoplarla en el programa SOLUTE TRANSPORT TOOL. Se utiliza una serie concentración‐
tiempo obtenida en los sitios 2 y 3 de un experimento con trazadores realizado en el río Subachoque que
se denominó SU‐U5‐s2s3 (ver Tabla 3).
Tabla 3. Características del experimento con trazadores utilizados para presentar los métodos de estimación de
parámetros del modelo ADZ. Experimento SU‐U5‐s2s3.
Estimación de parámetros:
La identificabilidad de un modelo consiste en la definición de los parámetros, o grupo de conjuntos de
parámetros, que dentro de una estructura establecida represente en forma adecuada el sistema que se
está analizando.
En la medida en que el espacio paramétrico se reduzca dentro del espacio factible, el modelo se puede
identificar con mayor precisión. MCAT cuenta con herramientas gráficas para el análisis de la estimación
de parámetros tales como:
• Gráfico de dispersión: Permite graficar, para cada parámetro del modelo, la función objetivo
seleccionada o su probabilidad de ser un buen descriptor del modelo, contra la magnitud del
parámetro (ver Figura 39). De esta forma se puede identificar la región paramétrica de mejor
comportamiento y reducir en forma sistemática el error observado al analizar regiones que no
generen buenos resultados en la modelación.
Figura 39. Gráfico de dispersión obtenido con MCAT en el análisis de experimentos con trazadores utilizando el
modelo ADZ de primer orden. Experimento SU‐U5‐s2s3.
En la medida en que este gráfico sea más cóncavo, el parámetro analizado es más identificable,
i.e. un parámetro no identificable presentará indistintamente valores similares de la función
objetivo en el espacio paramétrico analizado. Los resultados gráficos de esta herramienta le
permiten al modelador identificar la combinación de parámetros que mejor expliquen los datos
observados, y analizar la estructura del modelo en términos de su parsimonia. Nótese que en el
caso específico de los datos analizados, el modelo ADZ muestra dos parámetros claramente
identificables.
• Distribución a posteriori de parámetros: Permite visualizar la distribución de parámetros
generada a partir de un condicionamiento de ajuste a una función objetivo (ver Figura 40). Para
cada parámetro del modelo, este procedimiento de análisis divide en veinte clases de igual
tamaño el rango definido por el usuario, y genera histogramas que representan la probabilidad
que tiene cada clase para explicar correctamente los datos observados. Los resultados de esta
herramienta le permiten al modelador seleccionar una metodología estratégica de muestreo que
se ajuste a las distribuciones observadas.
Figura 40. Distribución a posteriori de parámetros obtenida con MCAT en el análisis de experimentos con
trazadores utilizando el modelo ADZ de primer orden. Experimento SU‐U5‐s2s3.
• Gráfico de identificabilidad: Permite graficar la probabilidad acumulada del mejor 10% de la
población paramétrica en términos de la función objetivo, i.e. el mejor 10% de la población
paramétrica es dividida en diez clases de igual tamaño y su histograma es graficado. Altos
gradientes en la distribución acumulada representan una alta identificabilidad del parámetro
(ver Figura 41).
1 1
0.8 0.8
cum. distr.(1-R2) | id.
0.6 0.6
0.4 0.4
0.2 0.2
360 380 400 420 440 500 520 540 560 580
τ [tiempo de retraso advectivo] t [tiempo medio de viaje]
Figura 41. Gráfico de identificabilidad de parámetros obtenido con MCAT en el análisis de experimentos con
trazadores utilizando el modelo ADZ de primer orden. Experimento SU‐U5‐s2s3.
• Gráfico de la superficie de respuesta en el espacio paramétrico: Esta metodología permite
graficar en dos y tres dimensiones el comportamiento del modelo en el espacio paramétrico,
definiendo una superficie de respuesta. Una superficie cóncava en un único vértice es sinónimo
de una alta identificabilidad de los parámetros (ver Figura 42).
Figura 42. Superficie de respuesta obtenida con MCAT en el análisis de experimentos con trazadores utilizando el
modelo ADZ de primer orden. Experimento SU‐U5‐s2s3.
Análisis de sensibilidad:
El análisis de sensibilidad evalúa el impacto generado por el cambio de los parámetros o los datos de
entrada en la respuesta del modelo. Esta metodología permite analizar cuál parámetro domina la
respuesta y cuál podría ser eliminado por su baja sensibilidad o influencia en los resultados obtenidos en
simulación. De esta forma el modelador podría reestructurar el modelo y reducir la carga computacional
evitando la calibración de parámetros superfluos.
Para analizar la sensibilidad de los parámetros de un modelo, MCAT utiliza el método de Análisis
Regional de Sensibilidad (RSA por su sigla en inglés) propuesto por Hornberger y Spear (1981), el cual
emplea simulaciones de Monte‐Carlo o de un algoritmo evolutivo para muestrear el espacio paramétrico
factible. En este método la población paramétrica es particionada en dos grupos, teniendo en cuenta el
buen o mal comportamiento que presenten con respecto a la función objetivo. Posteriormente se
calcula la distribución marginal acumulada de parámetros para definir estadísticamente el grado de
diferencia encontrada entre las dos subpoblaciones y estimar de esta forma la sensibilidad que presenta
un parámetro con respecto a la respuesta del modelo.
En la herramienta RSA de MCAT, la población paramétrica es organizada de acuerdo con la respuesta
encontrada frente a la función objetivo y posteriormente es dividida en diez grupos de igual tamaño. La
distribución acumulada de cada grupo es graficada, permitiendo analizar la sensibilidad de los
parámetros en el espacio factible. Así mismo, la versión 5 de MCAT contiene una herramienta que utiliza
la distribución acumulada del mejor 10% de la población paramétrica, para compararla con respecto a la
población total. En la Figura 43 nótese como en la medida en que las probabilidades acumuladas varían
con mayor rapidez, los parámetros analizados son más sensibles en un determinado rango.
1 1
0.8 0.8
cum. norm. 1-R2
0.6 0.6
0.4 0.4
0.2 0.2
360 380 400 420 440 500 520 540 560 580
τ [tiempo de retraso advectivo] t [tiempo medio de viaje]
Figura 43. Análisis regional de sensibilidad obtenido con MCAT en el análisis de experimentos con trazadores
utilizando el modelo ADZ de primer orden. Experimento SU‐U5‐s2s3.
Para analizar la sensibilidad de los parámetros, MCAT (función Class Plot), basándose en la herramienta
RSA, permite visualizar los resultados de las 10 clases en las que se ha divido la población paramétrica
(ver Figura 44). Este gráfico es una herramienta útil que permite analizar la amplitud de las simulaciones
del modelo y el nivel de ajuste encontrado en el espacio factible que se está explorando.
25
20
Concentración [mg/lt]
15
10
H
Likelihood(1-R2)
L
0
50 100 150 200 250 300 350
Tiempo en intervalos de 10 segundos
Figura 44. Gráfico de clases obtenido con MCAT en el análisis de experimentos con trazadores utilizando el
modelo ADZ de primer orden. Experimento SU‐U5‐s2s3.
Análisis de incertidumbre en los resultados del modelo utilizando la metodología GLUE:
MCAT utiliza un procedimiento ponderado de la metodología de estimación probabilística de
incertidumbre GLUE (Generalized Likelihood Uncertainty Estimation ‐ Beven y Binley, 1992), en el que
para cada intervalo de tiempo la respuesta obtenida por el modelo (al utilizar un conjunto de parámetros
dado) es ponderada por la probabilidad que tienen los parámetros de explicar correctamente los datos
observados. En cada intervalo de tiempo se calcula la distribución de frecuencia acumulada utilizando la
función objetivo seleccionada (transformada a probabilidad) y los intervalos de confianza especificados
por el usuario son estimados utilizando interpolación lineal. En la herramienta MCAT se presentan los
límites de confianza (cuartiles 5% y 95%) de la respuesta del modelo (ver Figura 45). En la medida en que
los datos observados estén dentro de la banda de confianza, se muestra que el modelo (estructura y
parámetros) es capaz de representar los datos observados en forma adecuada.
Datos de salida del modelo y banda de confianza (UCI=0.95, LCI=0.05)
30
25 Banda de confianza
20
15
10
0
1
dCFL
0.5
0
50 100 150 200 250 300 350
Time [samples]
Figura 45. Análisis de incertidumbre en los resultados del modelo utilizando la metodología GLUE. Resultados
obtenidos con la herramienta MCAT en la calibración y análisis del modelo ADZ de primer orden. Experimento
SU‐U5‐s2s3.
En la etapa de calibración del modelo ADZ utilizando la herramienta MCAT se pueden obtener en forma
tabular el grupo de los 10 mejores ajustes encontrados, en función de la de la función objetivo que en
este caso es la minimización de 1 . En la Tabla 4 se presentan los resultados obtenidos en el
Experimento SU‐U5‐s2s3.
Tabla 4. Diez mejores simulaciones obtenidas para el modelo ADZ de primer orden. Experimento SU‐U5‐s2s3.
No. (s)
1 408.7 522.9 0.99954
2 404.8 519.1 0.99954
3 403.7 518.2 0.99953
4 403.6 517.0 0.99953
5 392.1 516.2 0.99952
6 394.3 518.8 0.99952
7 400.3 513.1 0.99951
8 401.3 516.8 0.99951
9 394.6 520.2 0.99951
10 402.5 518.3 0.99950
En la Figura 46 se presentan los resultados obtenidos en la calibración del modelo ADZ utilizando la
metodología GLUE utilizando la herramienta MCAT que ha sido acoplada en la herramienta SOLUTE
TRANSPORT TOOL. Se utiliza información de series de tiempo de concentración obtenidas en los sitios 2 y
3 del experimento con trazadores realizado en el río Subachoque (ver Tabla 3).
RESULTADOS CALIBRACIÓN UTILIZANDO MCAT Toolbox
Archivo en uso: SU-U5-S2S3.mat
30
Observado aguas arriba
Observado aguas abajo
Mejor Calibración con MCAT Toolbox
25 τ= 408.70; tmed = 522.99
tpico = 1810.00; Conc.pico = 23.61
DF= 0.22; R2= 0.9995
20
Concentración (M/L3)
15
10
0
0 500 1000 1500 2000 2500 3000 3500
Tiempo (T)
Figura 46. Estimación de parámetros utilizando la metodología GLUE en la calibración del modelo ADZ de primer
orden. Experimento SU‐U5‐s2s3.
7.2.2 Estimación de parámetros utilizando la metodología Shuffled Complex Evolution SCE‐UA
Duan et al., (1992, 1993) han presentado el método de optimización global SCE‐UA (abreviatura de
Shuffled Complex Evolution‐University of Arizona). Este método está basado en la síntesis o combinación
de cuatro conceptos: 1) combinación de métodos determinísticos y probabilísticos, 2) evolución
sistemática de una comunidad de puntos pertenecientes al espacio paramétrico, 3) evolución
competitiva y 4) mezcla de comunidades.
La metodología SCE‐UA tiene componentes determinísticos y probabilísticos que controlan su
funcionamiento. Los parámetros que se deben ingresar son: m, el número de puntos en cada
comunidad; q, el número de puntos en una subcomunidad; p, el número de comunidades; í , el
mínimo número de comunidades requeridas en la población; , el número de hijos generados por cada
subcomunidad; y , el número de evoluciones que realiza cada comunidad.
Algoritmo principal SCE‐UA:
1. Generar muestra: muestrear aleatoriamente s puntos en el espacio paramétrico factible y
calcular la función objetivo en cada punto.
2. Jerarquizar los puntos: ordenar los s puntos de menor a mayor magnitud de la función objetivo.
3. Partición en comunidades: dividir los s puntos en p comunidades. Cada comunidad contiene m
puntos, de tal forma que la primera contenga los 1 1 primeros puntos jerarquizados, la
segunda los 1 2 siguientes, y así sucesivamente; 1,2, … .
4. Evolución de cada comunidad: se realiza siguiendo un algoritmo de evolución competitiva de
comunidades (CCE, Competitive Complex Evolution), que será explicado más adelante.
5. Mezcla de comunidades: combinar los puntos de cada comunidad evolucionada en una única
población, i.e. jerarquizar los puntos tal como se hizo en el paso 2 y volver a repartir la población
en p comunidades de acuerdo con el paso 3.
6. Verificar convergencia: si se ha alcanzado alguno de los criterios de convergencia
preestablecidos termine el procedimiento, si no es así continúe.
7. Verificar la reducción en el número de comunidades: si se ha alcanzado el mínimo número de
comunidades requeridas en la población, i.e. í , remueva la comunidad que tenga los
puntos de menor orden en la jerarquización; haga que 1 y ; regrese al paso 4. Si
í , retorne al paso 4.
Algoritmo de Evolución Competitiva de Comunidades (CCE):
El algoritmo de evolución competitiva de comunidades CCE está basado en el esquema Simplex de
búsqueda propuesto por Nelder y Mead (1965) y es como sigue:
1. Construya una subcomunidad seleccionando q puntos de la comunidad en forma aleatoria. Se
debe seguir una distribución de probabilidad trapezoidal en la que el mejor punto tenga la mayor
probabilidad de conformar la subcomunidad.
2. Identificar el peor punto de la subcomunidad y calcular el centroide sin tener en cuenta este
punto.
3. Intentar encontrar un punto de reflexión, reflectando el peor punto a través del centroide. Si el
nuevo punto generado está dentro del espacio paramétrico factible vaya al paso 4, de lo
contrario genere aleatoriamente un punto que esté dentro del espacio factible y pase a 4.
4. Si el nuevo punto generado es mejor que el peor punto, remplácelo por el nuevo y vaya al paso
7; de lo contrario pase a 5.
5. Intentar encontrar un punto de contracción encontrando un nuevo punto que se encuentre en el
medio de la línea conformada por el peor punto y el centroide. Si el punto encontrado es mejor
que el peor, remplace este último por el punto de contracción y vaya al paso 7. De lo contrario
continúe en 6.
6. Genere aleatoriamente un punto dentro del espacio paramétrico factible y remplace el peor
punto por éste.
7. Repita los pasos 2‐6 veces. En este procedimiento 1 y representa el número de nuevos
puntos (hijos) generados por cada subcomunidad.
8. Repita los pasos 1‐7 veces. En este procedimiento 1 y representa el número de
evoluciones realizadas por cada comunidad antes de mezclar todas las comunidades.
Nótese que la partición de la población en varias comunidades facilita una exploración más extensiva del
espacio paramétrico factible. En el algoritmo CCE cada punto de la comunidad es un padre potencial con
la habilidad de participar en el proceso de reproducción de hijos, entendiéndose este concepto como un
redireccionamiento objetivo de las zonas de búsqueda en el problema de calibración. El método SCE‐UA
emplea las técnicas evolutivas de competitividad en busca de los puntos que minimicen en forma global
la función objetivo seleccionada, evitando que el algoritmo quede atrapado en zonas de óptimos locales.
Para que se obtengan resultados adecuados en el problema de calibración que se está enfrentando Duan
et al., (1994) han descrito las recomendaciones que se deben seguir en la selección de los parámetros de
la metodología SCE‐UA:
• Seleccionar 2 1, siendo el número de parámetros que se deben optimizar.
• Seleccionar 2 , teniendo en cuenta que si 1, las subcomunidades son
seleccionadas utilizando el método Simplex.
• El número de hijos que cada subcomunidad genera puede ser un número mayor o igual a uno.
Si 1 solamente se cambiará uno de los padres originales. En la medida en que se
incrementa, la búsqueda se sesga de forma considerable a favor de la búsqueda local en el
espacio paramétrico.
• El parámetro puede ser cualquier número entero positivo. En la medida en que es pequeño,
las comunidades serán mezcladas con mayor frecuencia, a expensas de reducir la exploración
independiente del espacio paramétrico. Si es un número grande, cada comunidad se contraerá
rápidamente y la búsqueda local se limita.
• El número de comunidades varía en forma directamente proporcional con la dificultad del
problema de calibración, i.e. se debe considerar la no linealidad de los procesos y la cantidad de
parámetros que se deben calibrar.
• El mínimo número de comunidades í varía entre 1 y . Este parámetro ha sido incluido ya
que en la medida en que el algoritmo converge se requiere un menor número puntos.
En la Figura 47 se presentan los resultados obtenidos en la calibración del modelo ADZ utilizando la
metodología SCE‐UA acoplada en la herramienta SOLUTE TRANSPORT TOOL. Se utiliza información de
series de tiempo de concentración obtenidas en los sitios 2 y 3 del experimento con trazadores realizado
en el río Subachoque (ver Tabla 3).
RESULTADOS CALIBRACIÓN UTILIZANDO SCE-UA
Archivo en uso: SU-U5-S2S3.mat
30
Observado aguas arriba
Observado aguas abajo
Calibrado SCE-UA;
25 τ= 404.32; tmed = 518.71
tpico = 1810.00; Conc.pico = 23.60
DF= 0.22; R2= 0.9995
20
Concentración (M/L3)
15
10
0
0 500 1000 1500 2000 2500 3000 3500
Tiempo (T)
Figura 47. Estimación de parámetros utilizando la metodología SCE‐UA en la calibración del modelo ADZ de
primer orden. Experimento SU‐U5‐s2s3.
7.2.3 Estimación de parámetros utilizando el modelo unificado MDLC‐ADZ
En este apartado se presenta la descripción de una metodología propuesta por Camacho y Lees (1999,
2000) para acoplar un modelo hidrológico de transito de crecientes (modelo hidrológico multilineal
discreto de retraso y tránsito de crecientes MDLC) y el modelo ADZ de transporte de solutos.
Revisión del modelo hidrológico Multilineal Discreto de Retraso y Tránsito de Crecientes MDLC
El modelo multilineal discreto de cascada (MDC, Perumal, 1994) consta de dos parámetros que
determinan el número de embalses en serie y sus coeficientes de almacenamiento para representar el
tránsito de crecientes en canales abiertos. Para tener en cuenta la no linealidad de los procesos de
propagación de ondas, especialmente bajo condiciones hidráulicas dominadas por los efectos de
resistencia, el modelo multilineal responde en forma lineal a una entrada de caudal y varía temporal y
espacialmente sus parámetros en función de las condiciones locales de flujo.
Camacho y Lees (1999) presentan una extensión del modelo MDC, en el que se incluye un tercer
parámetro que está físicamente relacionado con la traslación de la onda de creciente, y que puede
estimarse al conocer las características geométricas del canal. El modelo propuesto, i.e. Modelo
Hidrológico Multilineal de Retraso y Tránsito de Crecientes MDLC, define un submodelo lineal que utiliza
tres parámetros para modelar los efectos de tránsito que producen, en forma conceptual, un canal lineal
y una serie de embalses lineales (ver Figura 48).
Canal lineal nd embalses lineales en serie con K1=K2=…=Kn
Figura 48. Estructura conceptual del modelo MDLC. Adaptada de Camacho y Lees (1999).
Siguiendo a Camacho y Lees (1999), el procedimiento para estimar el tránsito de la onda de creciente es:
1. Partición de la hidrógrafa de entrada en P pulsos de duración constante e igual al intervalo de
tiempo de tránsito ∆ .
2. Cálculo de los parámetros del submodelo lineal para el primer pulso de entrada , ∆ . Los
parámetros que se deben calcular son: que representa el número de embalses en serie
(número no necesariamente entero); que representa el coeficiente de almacenamiento lineal
para todos los embalses (K1=K2=Kn) y que cuantifica el tiempo de retraso en el canal lineal
(efecto de traslación pura de la onda).
3. Cálculo de la función de respuesta del pulso unitario del modelo discreto de cascada (embalses
en serie) asociado al pulso ,
∆
(7.21)
∆
(7.22)
∆
siendo la respuesta en forma discreta al pulso unitario asociada con el tiempo ∆ ; la
respuesta en forma discreta al pulso unitario asociada a los tiempos subsiguientes
∆ 2,3 … y un número suficientemente largo para que sea despreciable.
4. Cálculo de la respuesta al pulso de entrada para los tiempos ∆ 1,2, …
(7.23)
5. Aplicar el procedimiento de retraso (canal lineal) a la respuesta del pulso de entrada.
(7.24)
En tiempo discreto el tiempo de retraso advectivo está dado en múltiplos del intervalo de
muestreo, i.e. donde entero menor ⁄∆ .
6. Repetir los pasos 2‐5 para los subsiguientes pulsos ∆ . La hidrógrafa completa de salida se
obtiene al integrar los pulsos de respuesta obtenidos para cada pulso de entrada.
Los parámetros del submodelo lineal se estiman mediante el método de cálculo de los momentos
temporales, ya que de esta forma se pueden relacionar los parámetros del modelo con las propiedades
del canal y sus características hidráulicas. Los momentos del modelo mulitilineal retraso‐cascada en
forma continua están dados por:
1er momento alrededor del origen (7.25a)
2do momento alrededor del centroide (7.25b)
2 3er momento alrededor del centroide (7.25c)
Los parámetros del modelo MDLC pueden ser relacionados con los parámetros del modelo linealizado de
tránsito de St Venant. Dooge et al., (1987) han presentado ecuaciones para el cálculo de los tres
primeros momentos temporales en el análisis del tránsito de crecientes en canales (utilizando cualquier
sección transversal y cualquier ecuación de resistencia).
(7.26a)
1 1 (7.26b)
1 1 1 1 (7.26c)
siendo e el número de Froude y la profundidad normal de flujo para el caudal de referencia ,
respectivamente; la pendiente del canal; la distancia longitudinal a la cual se desea calcular la
hidrógrafa resultante y la relación entre la celeridad de la onda cinemática y la velocidad media del
flujo con respecto al caudal de referencia.
(7.27)
Relacionando los momentos temporales calculados para el modelo MDLC con aquellos encontrados por
Dooge et al., (1987) en la linealización de las ecuaciones de St Venant, se obtiene que (Camacho y Lees,
1999):
1 1 (7.28a)
(7.28b)
1 (7.28c)
Los momentos del modelo continuo se relacionan con los del modelo discreto para intervalos de tiempo
∆ (Perumal, 1994) (cf. ecuaciones 7.29a,b,c). Cuando ∆ se deben utilizar los parámetros del
modelo en forma continua.
∆ (7.29a)
∆
(7.29b)
∆
∆ (7.29c)
En el modelo MDLC el caudal de referencia depende de la intensidad del caudal de entrada y se recalcula
a través del tiempo mediante una función que generalmente presenta la forma
(7.30)
siendo el caudal base o caudal antecedente al arribo de la onda de creciente y un coeficiente cuyos
límites empíricos son 0 y 0.5. Debido a que el caudal de referencia es recalculado a través del tiempo, el
submodelo lineal resulta ser una buena aproximación de la no linealidad asociada al tránsito de
crecientes.
Es importante resaltar que en los resultados comparativos entre el modelo multilineal de retraso‐
cascada (MDLC), las soluciones obtenidas al utilizar el modelo completo de St Venant, el modelo lineal de
retraso‐cascada ( 0, i.e. ), y el modelo multilineal de dos parámetros (MDC), permiten
concluir que (Camacho y Lees, 1999):
El modelo MDLC reproduce correctamente la forma y los tiempos característicos de la hidrógrafa
simulada, en comparación con los resultados obtenidos al utilizar el modelo completo de tránsito de St
Venant, probando ser una aproximación efectiva en la simulación de las características no lineales del
tránsito de ondas de creciente.
El modelo MDLC permite obtener mejores resultados (para cualquier tipo de canal) que el modelo
multilineal de dos parámetros.
El modelo MDLC presenta un alto nivel de ajuste sin importar el número de subcanales (división de la
longitud total de tránsito) utilizados para obtener la hidrógrafa de salida.
El parámetro de retraso del modelo MDLC reduce considerablemente el número de embalses en serie
que requiere el modelo multilineal de dos parámetros para simular el tiempo de retraso en canales de
gran longitud (eficiencia computacional). La inclusión del término explicito de retraso advectivo resulta
ser una herramienta útil en aplicaciones predictivas de los modelos de tránsito, ya que permite conocer
de forma explícita el tiempo de arribo del frente de la onda de creciente entre dos sitios.
El modelo lineal de retraso‐cascada ( 0) permite obtener resultados aceptables (en comparación con
las predicciones obtenidas por el modelo de St Venant) para condiciones de onda dinámica
(especialmente canales irregulares con alta resistencia al flujo) y longitudes de tránsito menores a 20 km.
Los parámetros del modelo MDLC están relacionados con los parámetros de la forma lineal del modelo
de St Venant y pueden ser utilizados en cualquier tipo de canal y con cualquier ecuación de resistencia.
El modo lineal del modelo MDLC puede ser representado en forma de función de transferencia,
permitiendo el uso de técnicas avanzadas de análisis de series de tiempo en la estimación de parámetros
y análisis de incertidumbre (e.g. Young, 1992).
Modelo integrado MDLC‐ADZ:
Camacho (2000) y Camacho y Lees (2000) presentan una metodología para la modelación del transporte
de solutos en ríos bajo condiciones de flujo permanente y no permanente, basada en el acoplamiento
del modelo de transporte de solutos ADZ y el modelo de tránsito hidrológico de crecientes MDLC. La
metodología descrita plantea una relación paramétrica fundamentada en las velocidades del soluto y del
flujo. Para no generar confusiones en el entendimiento de las ecuaciones planteadas, en esta sección se
utilizará el subíndice para denotar las propiedades asociadas al transporte de solutos (modelo ADZ) y el
subíndice para referenciar las propiedades asociadas a la hidráulica del flujo (modelo MDLC).
Diferentes estudios (Young y Wallis, 1986; Wallis et al., 1989; Young y Wallis, 1993; Lees et al.,, 2000)
han encontrado que usualmente es suficiente utilizar un solo tramo ADZ para describir con precisión los
procesos de transporte. Así mismo, en el caso de requerir la modelación de tramos largos de ríos, la
estructura más apropiada puede ser la de modelos ADZ de primer orden en serie. De esta forma, el
tiempo promedio de viaje del soluto puede obtenerse mediante la técnica de momentos temporales y se
calcula como:
, (7.31)
donde representa el tiempo total de retraso en el tramo; el número de tramos idénticos de primer
orden y , el tiempo de residencia en cada elemento ADZ de primer orden.
Por otra parte, el modelo MDLC utiliza tres parámetros para modelar la traslación de una onda de
caudal, considerando que en forma conceptual este tránsito puede realizarse utilizando un canal lineal y
una serie de embalses lineales (ver Figura 48).
En el modelo MDLC el tiempo medio de viaje de la onda de creciente está dado por:
(7.32)
donde representa el tiempo de retraso del frente de la onda de creciente; representa el
coeficiente de almacenamiento de cada embalse lineal, cuyo efecto de atenuación es análogo al
parámetro de tiempo de residencia ADZ que caracteriza la dispersión en el transporte de solutos; y
representa el número de embalses lineales en serie requerido para realizar el tránsito de la onda (ver
ecuaciones 7.28a,b,c).
De acuerdo con Camacho y Lees (1999, 2000), se ha demostrado que el movimiento promedio de una
onda de flujo linearizada en un canal general uniforme de cualquier sección transversal y fórmula de
fricción, está dada exactamente por la aproximación de la onda cinemática, i.e.
(7.33)
donde denota la relación de la velocidad de la onda cinemática , a la velocidad media del flujo ,
con respecto al caudal de referencia (cf. ecuación 7.27); y L representa la longitud de tránsito.
Es importante notar que el tiempo promedio de viaje del soluto en el modelo ADZ y el tiempo promedio
de viaje o tiempo de traslación del centroide de la onda de creciente en el modelo MDLC (cf. ecuación
7.31 y 7.32) presentan estructuras similares, pese a que representan procesos diferentes (Camacho,
2000).
De acuerdo con Lees et al., (2000), en ríos sujetos a procesos de mezcla en zonas muertas o de
almacenamiento temporal, la velocidad efectiva del transporte de solutos es menor que la velocidad
media del flujo. La velocidad media efectiva del transporte de solutos u s puede estimarse utilizando los
parámetros del modelo ADZ mediante,
⁄ (7.34)
donde es la longitud total del tramo analizado. Así mismo, esta velocidad efectiva puede relacionarse
con la velocidad media del flujo mediante el uso de un coeficiente efectivo de retraso del soluto
(Mazijk, 1996; Camacho, 2000), i.e.
(7.35)
Siguiendo a Camacho y Lees (2000), el procedimiento para estimar los parámetros del modelo ADZ es
como sigue:
1. Determinar los parámetros de flujo del modelo MDLC, i.e. , , , (cf. ecuaciones 7.27,
7.28a‐7.28c), los cuales son función de las características hidráulicas del canal, i.e. de Manning,
longitud, pendiente longitudinal, sección transversal y caudal.
2. Calcular el tiempo promedio de viaje del soluto utilizando los parámetros del modelo MDLC.
1 (7.36)
3. Calcular el tiempo de retraso advectivo del frente de concentración . Asumiendo que la
relación de velocidades media y máxima del transporte de solutos y de la hidráulica del flujo se
mantiene constante, se puede establecer que
(7.37)
1 (7.38)
4. Calcular el tiempo de residencia , en la zona de mezcla activa. Se sugiere utilizar la misma
estructura en serie identificada en el modelo MDLC, por lo tanto y , puede obtenerse
como,
, ⁄ (7.39)
La relación planteada entre el modelo de tránsito de crecientes MDLC y el de transporte de solutos ADZ
permite analizar la información recolectada por medio de experimentos con trazadores y
caracterizaciones hidráulicas en dos vías, i.e. conociendo los parámetros del modelo de transporte de
solutos se pueden determinar las propiedades hidráulicas del canal y viceversa.
En la Figura 49 se presenta un ejemplo de estimación de las características hidráulicas del río
Subachoque‐Aguas arriba La Pradera, utilizando información de campo obtenida en un experimento con
trazadores (ver Tabla 3). El análisis presentado se desarrolló utilizando la herramienta SOLUTE
TRANSPORT TOOL, en la que se calibra el modelo acoplado MDLC‐ADZ, por medio de la metodología de
calibración objetiva Schuffled Complex Evolution (SCE‐UA, Duant et al., 1993).
Los resultados obtenidos en la calibración del modelo acoplado MDLC‐ADZ son consistentes con los
valores observados en campo y presentados en la Tabla 3. El modelo ajusta los datos observados con un
coeficiente de eficiencia 0.9995. Los parámetros encontrados en el modelo para el coeficiente de
Manning, el ancho efectivo y la pendiente longitudinal efectiva son: 0.2589, 5.95 ,
2.4%, respectivamente. Estos valores presentan un claro sentido físico, ya que el tramo está
caracterizado por una pendiente longitudinal alta, árboles caídos y bolos de gran tamaño.
En la Figura 49 se evidencia que el coeficiente de Manning es un parámetro identificable en el modelo
integrado MDLC‐ADZ. Así mismo, puede notarse que la pendiente longitudinal presenta una baja
sensibilidad e identificabilidad, y puede afirmarse que su mangnitud interactúa con el ancho base del río.
Figura 49. Ejemplo de calibración del modelo MDLC‐ADZ utilizando la metodología SCE‐UA. Experimento SU‐U5‐
s2s3.
7.3 REVISIÓN DE ESTRUCTURAS COMPUESTAS DEL MODELO ADZ PARA EXPLICAR LOS DATOS
OBSERVADOS EN EXPERIMENTOS CON TRAZADORES
Al realizar la calibración del modelo ADZ de primer orden se encontraron coeficientes de eficiencia
(Nash‐Sutcliffe, 1970) 0.985 para algunos experimentos con trazadores analizados en esta
investigación. Aunque este ajuste es suficientemente bueno en predicciones hidrológicas e hidráulicas,
pueden obtenerse mejores representaciones de los datos observados al explorar estructuras más
complejas del modelo ADZ. Siguiendo a Wallis et al. (1989), Young y Wallis (1993) y Lees et al. (2000),
quienes han reportado que el uso de elementos ADZ en serie permite representar correctamente el
transporte de solutos en ríos, en este apéndice se presentan los resultados obtenidos al emplear esta
metodología en la calibración del experimento con trazadores SU‐U2‐s1s3 (ver Tabla 5).
Tabla 5. Experimentos seleccionados para explorar estructuras compuestas del modelo ADZ. Resultados
obtenidos en la etapa de calibración
120
Concentración (M/L3)
100
80
60
40
20
0
0 500 1000 1500 2000 2500 3000
Tiempo (T)
a)
180
Observado aguas arriba
Observado aguas abajo
160 Mejor Calibración con MCAT Toolbox
τ= 1081.12; tmed = 1656.86
tpico = 1560.00; Conc.pico = 53.07
140 # elementos en serie: 7
DF= 0.35; R2= 0.9996
Concentración (M/L3)
120
100
80
60
40
20
0
0 500 1000 1500 2000 2500 3000
Tiempo (T)
b)
Figura 50. Resultados obtenidos en la calibración del modelo ADZ. a) Estructura de primer orden. b) Estructura de
elementos en serie. Experimento SU‐U2‐s1‐s3.
Los resultados en calibración muestran que al utilizar 7 elementos ADZ en serie se puede obtener un
ajuste casi perfecto, i.e. 0.9996. No obstante, en la Figura 51 y Figura 52 puede notarse que esta
estructura del modelo implica una alta pérdida de identificabilidad y sensibilidad de parámetros.
Figura 51. Gráficos de dispersión al emplear 7 elementos ADZ en serie en la calibración del experimento SU‐U2‐
s1‐s3.
Figura 52. Análisis de sensibilidad regional al emplear 7 elementos ADZ en serie en la calibración del experimento
SU‐U2‐s1‐s3.
El problema de identificabilidad también puede evidenciarse con claridad si se grafica el espacio
paramétrico (ver Figura 53). Nótese que la concavidad que presenta el espacio paramétrico en el modelo
ADZ de primer orden (ver Figura 42) se convierte en un espacio paramétrico con múltiples mínimos
globales, en los que necesariamente se requiere el uso de metodologías avanzadas de calibración, e.g.
metodología GLUE, SCE‐UA y/o SRIV.
Figura 53. Espacio paramétrico al emplear 7 elementos ADZ en serie en la calibración del experimento SU‐U2‐s1‐
s3.
Teniendo en cuenta los anteriores resultados, puede corroborarse que el uso de la estructura de primer
orden del modelo ADZ es suficientemente adecuada para representar el transporte de solutos en ríos, y
que en esta estructura los parámetros presentan un claro sentido físico y una alta identificabilidad. El uso
de estructuras más complejas sacrifica la parsimonia del modelo, y se presenta un claro problema de
equifinalidad.