See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/280092560

IDENTIFICACIÓN BASADA EN REDES NEURONALES ARTIFICIALES DE UN

TRAMO DE UN CANAL PRINCIPAL DE RIEGO

Research · July 2015

DOI: 10.13140/RG.2.1.3284.3368

CITATION READS

1 311

1 author:

Ybrain Hernández
Universidad Tecnológica de la Habana, José Antonio Echeverría
2 PUBLICATIONS 1 CITATION

SEE PROFILE

All content following this page was uploaded by Ybrain Hernández on 16 July 2015.

The user has requested enhancement of the downloaded file.

 IDENTIFICACIÓN BASADA EN REDES NEURONALES ARTIFICIALES DE
UN TRAMO DE UN CANAL PRINCIPAL DE RIEGO
Hernández López Y., Rivas-Perez R.

Departamento de Automática y Computación, Instituto Superior Politécnico José Antonio Echeverría,

CUJAE, Marianao, Habana, Cuba (e-mail: ybra@electrica.cujae.edu.cu)

RESUMEN
En el presente trabajo mediante la aplicación de las herramientas de identificación de sistemas se obtiene
un modelo neuronal (softmodel) de la variación de nivel de agua en un tramo de un canal principal de
riego. El modelo derivado se basa en una red neuronal recurrente de varias capas con estructura NARX, y
retardo de tiempo. Los resultados de validación del modelo obtenido muestran que el mismo reproduce
con una elevada exactitud los datos observados, lo que fundamenta la posible aplicación del modelo
derivado en el diseño de sistemas efectivos de control y/o con fines de predicción de la distribución de
agua en los tramos de los canales principales de riego.

PALABRAS CLAVES: Identificación de sistemas, modelo basado en redes neuronales, canal principal
de riego, uso eficiente de los recursos hidráulicos

SYSTEM IDENTIFICATION BASED ON ARTIFICIAL NEURAL NETWORK

OF AN IRRIGATION MAIN CANAL POOL
ABSTRACT

In this paper by applying of system identification tools a neural network model (softmodel) of water level
variation in a main irrigation canal pool has been obtained. The derived model is based on a recurrent
neural network with NARX multilayer structure and time delay. The validation results of obtained model
show that it reproduces with a high accuracy the observed data, which support the possible application of
this model in the design of effective control systems and/or for prediction of water distribution in main
irrigation canal pools.

KEY WORDS: system identification, neural network based model, irrigation main canal pool, efficient
use of hydraulic resources

1. INTRODUCCIÓN
El agua como recurso renovable existe en cantidades limitadas y con fuertes variaciones en el espacio y
tiempo. El ser humano mantiene una relación muy especial con este preciado líquido debido a su
indispensable importancia para la vida y la economía.
La demanda de recursos hídricos es cada vez mayor a escala local y mundial. A los tradicionales
usos agrícolas y los crecientes usos urbanos e industriales se suma el deterioro progresivo del medio
ambiente. Según la FAO, la escasez del agua afecta a más del 40% de la población mundial. En el año
2030 se espera que la población mundial alcance los 8100 millones de personas y las necesidades de
alimentos aumenten un 55% respecto a 1998.
A nivel mundial, el 40% del total de los alimentos se producen en áreas de cultivos bajo
regadío. El 70% del agua se utiliza para producir alimentos, llegando en algunos países hasta el
95%. Además, se prevé que la utilización del agua en el mundo aumente más del doble que la tasa de
crecimiento demográfico [1].
En los últimos años debido al aumento creciente de la producción agrícola, industrial y de la población,
en muchas partes del mundo existe crisis en el abastecimiento de agua, por lo que resulta imprescindible
el uso racional de los recursos hídricos disponibles.
Por consiguiente, uno de los mayores desafíos del presente siglo consiste en el uso racional y sostenible
de los recursos hidráulicos, como se ha reconocido en distintos foros internacionales en los últimos años.
Desde el punto de vista agrícola, la satisfacción de las necesidades alimenticias de la población
mundial frente a las previsibles restricciones hídricas pasa por la mejora en eficiencia y productividad
del regadío, objetivo que sólo podrá ser alcanzado mediante una mejora tecnológica de sus sistemas
de control. Sin duda, la aplicación de sistemas efectivos de control en todos los eslabones de la
distribución de agua de riego juega un papel transcendental en la necesaria modernización tecnológica de
estos sistemas.
Una de las medidas para conseguir una gestión eficiente de los recursos hídricos consiste en el control de
la distribución de agua en canales principales de riego. Se trata de distribuir de un modo eficiente los
volúmenes de agua que se manejan en el riego utilizando herramientas tecnológicas proporcionadas por la
automatización.
La necesidad de un buen modelo matemático que describe de forma adecuada el proceso real constituye
uno de los inconvenientes que presentan los métodos de diseño de sistemas de control basados en modelo.
Obviamente, el rendimiento de estos sistemas de control va a depender en gran medida de la robustez y
precisión alcanzado por el modelo.
El desarrollo de un buen modelo no es trivial, sobre todo porque los criterios para determinar lo que es
bueno y lo que no, dependen esencialmente de la finalidad y la aplicación del mismo. Un buen modelo
debe capturar el comportamiento dinámico más importante del proceso en condiciones reales y ser tan
simple y robusto como sea posible.
Los canales de riego son procesos no lineales y su dinámica se describe mediante las ecuaciones de Saint-
Venant, las cuales son no lineales en derivadas parciales del tipo hiperbólicas con restricciones complejas,
por lo que su aplicación en la simulación del comportamiento dinámico de los canales de riego requiere
un elevado costo computacional y su utilización de forma directa en el diseño de sistemas de control
presenta serias dificultades [2, 3].
La discretización de estas ecuaciones puede ser usada pero el problema radica en que el modelo obtenido
posee un orden elevado y este no es apropiado para amplios sistemas con características físicas
heterogéneas. Además de que son introducidas no linealidades por diferentes componentes del propio
canal. Esto fundamenta la necesidad de obtener modelos matemáticos simples de los canales de riego que
posibiliten su aplicación directa en el diseño de sistemas de control efectivo de la distribución del agua.
La identificación de sistemas constituye un área importante de la teoría del control, que posibilita la
construcción de modelos matemáticos de los procesos físicos sobre la base de las observacio nes
(mediciones) de sus señales de salida y entrada obtenidas en condiciones de funcionamiento, teniendo en
cuenta que estas mediciones se verán afectadas por ruidos, perturbaciones e incertidumbres [4].
La representación de series de tiempo con dinámicas de comportamiento no lineal ha adquirido gran
importancia en las últimas décadas, debido a que muchos autores concuerdan en afirmar que las
series de datos reales presentan comportamientos no lineales, y la aproximación que pueda
hacerse con modelos lineales resulta inadecuada. Esta motivación ha conducido al surgimiento de una
amplia gama de modelos, donde, las redes neuronales artificiales, vistas como una técnica no
paramétrica de regresión no lineal, han demostrado un enorme potencial [5].
El objetivo de este trabajo consiste en la obtención de un modelo mediante redes neuronales que
reproduzca con suficiente exactitud para los fines deseados el comportamiento dinámico del sexto
tramo del canal principal de riego “Güira de Melena” utilizando la identificación de sistemas.

2. DESARROLLO

2.1. Breve descripción del canal principal de riego objeto de estudio

En este trabajo se estudia el canal principal de riego Güira de Melena ubicado en la provincia de
Mayabeque, el cual tiene una longitud aproximada de 62 km y conduce un caudal promedio de 10 m 3/s.
Este canal suministra agua a diferentes granjas y comunidades agrícolas de la provincia.
En la figura 1, se muestra un esquema simplificado de un canal principal de riego, donde: QR, Q1 , Q2,
…Q i, representan el caudal de agua en el reservorio y en los diferentes tramos; q R, q1, q2, …q i, son las
descargas laterales; y R, y1, y2, …y i+1, son el nivel de agua en los diferentes tramos (variables controladas)
y uR, u1, u2, …ui, representan la magnitud de apertura de las compuertas (variables de control) de los
tramos.
Las compuertas del canal, en este caso compuertas sumergibles, son operadas con el fin de controlar la
distribución de agua en los diferentes tramos. Habitualmente, estas estructuras incluyen elementos
eléctricos y mecánicos. La sección de canal ubicada entre dos compuertas se denomina tramo. En este
trabajo se estudiará solamente el VI tramo del canal principal objeto de estudio.
La operación del VI tramo del canal principal se realiza a través del método de regulación aguas abajo,
con sensor de nivel alejado. Las mediciones disponibles son el nivel aguas abajo del tramo y la posición
de la compuerta aguas arriba.

2.2. Identificación del VI tramo del canal principal objeto de estudio

Las redes neuronales imitan la estructura hardware del sistema nervioso, con la intención de construir
sistemas de procesamiento de la información paralelos, distribuidos y adaptativos, que puedan
presentar un cierto comportamiento "inteligente".

Figura 1. Diagrama simplificado de un canal principal de riego.

Dicho de otra manera se plantea que las redes neuronales consisten en una simulación de las
propiedades observadas en los sistemas neuronales biológicos, a través de modelos matemáticos
recreados mediante mecanismos artificiales.
Las redes neuronales constituyen una de las áreas de la inteligencia artificial que ha despertado mayor
interés en los últimos años para la implementación de algoritmos de control. Este hecho se basa en que las
redes neuronales son potencialmente capaces de resolver problemas cuya solución por métodos
convencionales resulta extremadamente difícil. Una de sus grandes cualidades es que son capaces de
aprender cuando se les presenta una serie de ejemplos del comportamiento de un sistema y establecen las
relaciones principales entre las entradas y las salidas.
Las redes neuronales que se utilizan en la ingeniería, son un conjunto de ecuaciones matemáticas que
imitan el funcionamiento de una red neuronal humana, se trata de aprovechar el modelo matemático
descubierto en la forma de conexión de las neuronas, teniendo en cuenta que estas solucionan problemas
como el de identificar, aprender, adaptarse, memorizar, discriminar, sintetizar, imaginar y abstraer.
Las redes neuronales vistas como una técnica de regresión no paramétrica no lineal permiten extraer las
dinámicas no lineales desconocidas presentes entre las variables explicativas y la serie, sin necesidad de
realizar ningún tipo de supuestos [5].
Las redes neuronales son modelos auto-adaptables, que no requieren supuestos a priori acerca del
problema en estudio, característica altamente deseable en casos donde el mecanismo generador de los
datos es desconocido.
El carácter de aproximador universal que poseen las redes neuronales, les permite aproximar cualquier
función continua sin importar la complejidad en su comportamiento [5].
Una de las principales características de las redes neuronales artificiales es su capacidad de aprendizaje.
El entrenamiento muestra algunos paralelismos con el desarrollo intelectual de los seres humanos. No
obstante, aún cuando parece que se ha conseguido entender el proceso de aprendizaje conviene ser
moderado porque el aprendizaje de las mismas está limitado.
El objetivo del entrenamiento de una red neuronal artificial es conseguir que una aplicación determinada,
para un conjunto de entradas produzca el conjunto de salidas deseadas o mínimamente consistentes. El
proceso de entrenamiento consiste en la aplicación secuencial de diferentes conjuntos o vectores de
entrada para que se ajusten los pesos de las interconexiones según un procedimiento predeterminado.
Durante la sesión de entrenamiento los pesos convergen gradualmente hacia los valores que hacen que
cada entrada produzca el vector de salida deseado.
Así pues, los datos para los cuales fue entrenada la red neuronal son los mostrados en la figura 2 y
representan el nivel aguas abajo del tramo y la posición de la compuerta aguas arriba, por lo que el
modelo matemático a obtener debe considerar el nivel aguas abajo como variable de salida y la posición
de la compuerta aguas arriba como variable de entrada.
variación de nivel aguas abajo
6

5
Variación de nivel (centímetros)

0
0 100 200 300 400 500 600 700
Tiempo (segundos)

variación de la posición de la compuerta aguas arriba

650

600
Posición(centímetros)

550

500

450

400
0 100 200 300 400 500 600 700
Tiempo (segundos)

Figura 2. Representación de los datos del experimento.

2.3. Selección de la estructura del modelo
La selección de la estructura del modelo constituye una de las decisiones más importantes y difíciles en el
procedimiento de identificación de sistemas debido a que la complejidad del modelo puede afectar la
exactitud con la que describe el proceso real [4], [6].
El modelo matemático del sistema objeto de estudio está conformado por una red neuronal NARX, que
predice el nivel aguas arriba del canal basado en la variación de la apertura de las compuertas aguas
abajo.
Dicha red genera un modelo NARX no-lineal auto-regresivo (que emplea mediciones pasadas como base,
para predecir valores futuros) con entradas externas. Está fundamentada en el modelo lineal ARX, de aquí
se deriva su nombre, el cual constituye una herramienta estándar en la identificación de sistemas tipo caja
negra. La ecuación de definición para el modelo NARX es la siguiente:
𝑦 𝑡 = 𝑓(𝑦 𝑡 − 1 , 𝑦 𝑡 − 2 , … , 𝑦 𝑡 − 𝑛𝑦 , 𝑢 𝑡 , 𝑢 𝑡 − 1 , 𝑢 𝑡 − 2 , … , 𝑢(𝑡 − 𝑛𝑢 )) , (1)

donde, el valor siguiente o actual de la señal de salida depende de los valores anteriores de la salida y de
la entrada. La n y representa la cantidad de salidas anteriores que se tendrán en cuenta y la n u la cantidad
de entradas respectivamente [7].
La estructura de la red se muestra en la figura 3, donde se emplea una configuración, mayormente, con
conexiones unidireccionales (feedforward). Dicho esquema representa la función f de (1).
yk

yk-1 q-1
..
.
yk-ny q-1
RED
^
NEURONAL yk
uk
ARTIFICIAL

uk-1 q-1
..
.
uk-nu q-1

Figura 3. Modelo NARX.

La arquitectura de la red es la mostrada en la ilustración 4 donde el bloque TD representa las unidades de

retardo de la red tanto para la señal de entrada como para la de salida las cuales permiten a la red NARX
capturar las propiedades dinámicas del proceso.

u(t)
y^(t)
TD RED
NEURONAL
ARTIFICIAL
y(t) TD

Figura 4. Esquema de arquitectura NARX serie paralelo

Para obtener los parámetros del modelo se hace con la ayuda de la caja de herramientas para redes
neuronales que brinda el software MATLAB®.
El número de capas y neuronas por capa para la red, así como el número de retardos para la señal de
entrada fueron determinados empíricamente de los datos puesto que acerca del dimensionamiento de la
topología de este tipo de redes, se indica que no existe una teoría que defina a ciencia cierta el número de
capas de la red y el número de neuronas en cada capa; esto se hace usando pruebas por ensayo y error.
En la figura 5 se presenta la estructura de red basada en una estructura neuronal NARX la cual fue la que
mejores resultados presentó de varias que fueron analizadas.
Esta red neuronal es una red recurrente con 26 retardos para las señales de entrada y de salida, 9 neuronas
en la capa oculta y una en la capa de salida. La capa oculta tiene por función de transferencia la función
tansig, que es una función de transferencia no lineal usada para entrenar redes neuronales, también
llamada función tangente sigmoidea hiperbólica mientras que la capa de salida presenta una función lineal
o purelin.
Esta arquitectura fue escogida por dos razones específicas: En primer lugar, la red con una función de
activación “tansig” en la capa oculta y una función lineal en la capa de salida, es conocida por ser capaz
de caracterizar cualquier relación estática no lineal [8].
Tanto los datos de entrada como de salida fueron divididos de forma tal que una parte de los mismos se
utilizaron para el entrenamiento de la red neuronal y la otra porción para la validación de la misma.

Figura 5. Estructura de la red.

El resultado del entrenamiento del modelo neuronal es el mostrado en la figura 5 donde se aprecia la
excelente capacidad de aproximación del mismo.
6
salida estimada
salida real

5
Variación de nivel(centíemtros)

0
0 50 100 150 200 250 300 350 400
Tiempo(segundos)

Figura 5. Salidas real y del modelo después de la fase del entrenamiento.

2.4. Validación del modelo
Una vez que la fase de estimación de parámetros ha concluido, es necesario evaluar si el modelo obtenido
describe con suficiente exactitud el comportamiento dinámico del sistema real, es decir, si la salida del
modelo se ajusta a los datos obtenidos experimentalmente del proceso real objeto de estudio. El
procedimiento que posibilita evaluar la calidad del modelo obtenido para la aplicación requerida se
conoce como validación de modelo [4]. Por otro lado es necesario destacar, que los modelos obtenidos
mediante el procedimiento de identificación de sistemas de los canales principales de riego deben ser
validados utilizando diferentes criterios, debido a la complejidad dinámica que presenta este tipo de
planta [9], [10].
Para cuantificar el grado de adecuación del modelo se utilizó un índice de ajuste (FIT), el cual constituye
una medida cuantitativa de la calidad del modelo y se obtiene a partir de la norma de los errores
residuales entre la salida medida y la salida estimada por el modelo. Los valores cercanos al 100%
significan una mejor aproximación y por consiguiente un mejor modelo [4].

𝑛 2 /(𝑛 − 1)
1− 𝑖=1 𝑦𝑖 − 𝑦𝑖
𝐹𝐼𝑇 = ∗ 100 (2)
𝑠𝑡𝑑 𝑦𝑖

donde, std(yi) es la desviación estándar del modelo real.

También fue calculado el coeficiente de determinación o proporción de la varianza (VAF), el cual brinda
una medida porcentual de la coincidencia entre dos señales, en este caso, entre la salida del sistema y la
salida del modelo. Un mayor valor porcentual indica una menor varianza residual por lo que se puede
afirmar que el modelo explica de forma satisfactoria el comportamiento de la variable.
𝑣𝑎𝑟 𝑦𝑖 − 𝑦𝑖
𝑉𝐴𝐹 = 1 − (3)
𝑣𝑎𝑟(𝑦𝑖 )
Para analizar si el modelo obtenido es confiable, se procede a realizar dos pruebas, la primera es la
verificación del modelo en la cual se comparan los datos reales del sistema con los datos obtenidos con el
sistema identificado. El resultado se muestra en la figura 5.
La segunda prueba es realizar un comprobación del modelo, para ello se le presenta a la red un conjunto
de valores de entrada-salida que sea representativo del problema a resolver y diferente al utilizado para
proceso de identificación u obtención del modelo y se compara con el sistema construido. El resultado de
este ensayo se muestra en la figura 6.
6

salida del modelo

5.5 salida real

5
Variación de nivel(centímetros)

4.5

3.5

2.5

1.5
0 20 40 60 80 100 120 140 160 180 200
Tiempo(segundos)

Figura 6. Salidas real y del modelo en la fase de validación

La figura 6 representa la habilidad que presenta la red neuronal (NARX) para estimar el nivel en el tramo
del canal aprovechando una de las principales ventajas que posee el modelo de la red es que aprende la
relación existente entre los datos, adquiriendo la capacidad de generalizar conceptos. De esta manera, una
red neuronal puede tratar con información que no le fue presentada durante la fase de entrenamiento.
Tanto el índice de ajuste, como el coeficiente de determinación se muestran en la tabla 1.
 Tabla 1. Criterios cuantitativos para la validación

Arquitectura VAF FIT

Red NARX 99.5221 93.0868

CONCLUSIONES
El modelo neuronal obtenido corrobora el amplio uso que presentan estas estructuras de la inteligencia
artificial dentro del campo de la identificación de sistemas y puede constituir entonces una herramienta
muy general y potente para modelar procesos industriales de cualquier grado de complejidad.
El modelo reproduce de forma adecuada la salida observada del canal, incluso considerando datos de
entrada-salida que no fueron utilizados en la estimación de los parámetros del modelo por lo que puede
ser utilizado en el diseño de sistemas efectivos de control automático de la distribución del agua en los
sistemas de riego.
REFERENCIAS
[1] LITRICO, Xavier; FROMION, Vicent. Modeling and Control of Hydrosystems. Londres
:Springer, 2009. 409 pp. ISBN 978-1-84882-623-6.

[2] WEYER, Erick. "System identification of an open water channel ". Control Engineering Practice,
2001 vol 9, núm. 11, pp. 1289–1299.
[3] RIVAS-PEREZ, Raúl. et all. "Robust system identification of an irrigation main canal,"Adv.
Water Resoucer,2007., vol 30, núm. 1,pp. 1785–1796.
[4] LJUNG, Lennart. System Identification Theory for the users, New Jersey: Second Edition,
Prentice Hall , 1999. 313 pp.ISBN 0-13-656695-2.
[5] SANCHEZ, Paola. "Una nueva metodología de entrenamiento de redes neuronales y sus
implicaciones en la selección de modelos". Director: Juan David Velázquez. Tesis de
doctorado,Universidad Nacional de Colombia, Colombia,2012.
[6] RIVAS-PEREZ, Raúl; FELIU, Vicente; SANCHEZ, Luis; PEDREGAL, Diego; LINARES,
Antonio. "Identificación del primer tramo del canal principal de riego Imperial de Aragón ". Ing.
hidráulica en México, 2008, vol XXIII, núm. 1, pp. 71–87.
[7] MathWorks, “Matlab. The Language of technical computing. Neural Network Toolbox Help.",
2013.
[8] DELGADO, Eusebio; CORDERO, Edinson. "Estimación de la velocidad de los movimientos
básicos de la mano,a partir de las señales electromiográficas y usando redes neuronales
artificiales". Director: Rodolfo Villamizar. Trabajo de grado, Universidad Industrial de Santander,
Bucamaranga, 2010.
[9] RIVAS-PEREZ, Raúl; FELIU-BATLLE, Vicente; CASTILLO-GARCIA, Fernando; LINARES,
Antonio. "Mathematical model for robust control of an irrigation main canal pool". Environmental
Modelling & Software, 2014,vol 51, núm. 1, pp. 207-220.
[10] RIVAS-PEREZ, Raúl.; FELIU-BATLLE, Vicente.; CASTILLO-GARCIA, F.; LINARES-SAEZ,
A; “Control oriented model of a complex irrigation main canal pool,” IFAC Proceedings Volumes
(IFAC-PapersOnline), vol. 18, núm. 1, pp. 2919-2924.

SOBRE LOS AUTORES

Ybrain Hernández López. Es profesor instructor del Departamento de Automática y Computación de la

Facultad de Ingeniería Eléctrica del Instituto Superior Politécnico José Antonio Echeverría. Se encuentra
culminando sus estudios de maestría en Informática Industrial y Automatización. Es miembro de la
 Federación Internacional de Control Automático. Sus intereses científicos se encuentran relacionados con
el modelado y control basados en redes neuronales de plantas con comportamiento dinámico complejo.

Raúl Rivas Pérez. Es profesor titular e investigador titular del Departamento de Automática y
Computación de la Facultad de Ingeniería Eléctrica del Instituto Superior Politécnico José Antonio
Echeverría. Tiene el grado científico de D.Sc y es miembro de mérito de la Academia de Ciencias de
Cuba y miembro de la Federación Internacional de Control Automático. Sus intereses científicos se
encuentran relacionados con el modelado y control de plantas con comportamiento dinámico complejo,
así como con el diseño de controladores de orden fraccional.

View publication stats