Documentos de Académico
Documentos de Profesional
Documentos de Cultura
D C
1
2 2
3 2 3 2
3 3
GENERACIÓN
4 4
33 33
26 25 4 26 25 4
32 34 32 34
30 31 30 31
24 23 22 24 23 22
10 10
29 5 11 29 5 11
27 28 5 27 28 5
22 22
21 6 11 21 6 11
24 6 24 6
26 25 23 12 26 25 23 12
20 19 18 7 12 20 19 18 7 12
7 13 7 13
14 15 14 15
35 8 15 13 35 8 15 13
8 16 17 8 16 17
36 18 19 39 36 18 19 39
27 9 16 14 30 27 9 16 14 30
9 20 9 20
37 21 38 37 21 38
28 10 17 29 28 10 17 29
SELECCIÓN CRUZAMIENTO 1
CRUCE
1
2
3 2
33
26 25 4
32 34
MUTACIÓN 1 MUTACIÓN 2
30 31
24 23 22
APAREAMIENTO
10
1 29 5 11 1
27 28 5
22
21 6 11
24 6
1
26 25 23 12
20 19 18 7 12
7 13
2 2
3 2 3 2
14 15
35 8 15 13
MUTACIÓN
8 16 17
3 3
36 18 19 39
27 9 16 14 30
9 20
4 4
37 21 38
28 10 17 29
33 33
26 25 4 26 25 4
32 34 32 34
30 31 30 31
24 23 22 24 23 22
10 10
29 5 11 29 5 11
27 28 5 27 28 5
22 22
21 6 11 21 6 11
24 6 24 6
26 25 23 12 26 25 23 12
20 19 18 7 12 20 19 18 7 12
ÓPTIMO
REPRODUCCIÓN
7 13 7 13
14 15 14 15
35 8 15 13 1 35 8 15 13
8 16 17 8 16 17
1
36 18 19 39 36 18 19 39
27 9 16 14 30 27 9 16 14 30
9 20 9 20
2
3 2
37 21 38 37 21 38
28 10 17 29 28 10 17 29
33
26 25 4
32 34
30 31
24 23 22
10
29 5 11
27 28 5
22
21 6 11
SELECCIÓN
24 6
SELECCIÓN
26 25 23 12
20 19 18 7 12
7 13
14 15
35 8 15 13
8 16 17
36 18 19 39
27 9 16 14 30
9 20
37 21 38
28 10 17 29
Evaluación de los
individuos de P.
Actualizar población no
dominada Pte.
Aplicar cruzamiento
FIN
Mircro Algoritmo Genético Multiobjetivo
Algoritmo Evolutivo Multiobjetivo de frente de Pareto Fuente: Valle y Pino (2014). Optimización del
Diseño de Redes de Distribución de agua
Fuente: Adaptado de Zitzler & Thiele (1999). potable, usando algoritmos genéticos con tres
funciones objetivo. Caso: Viñani-Tacna. (Tesis
de Pregrado de la UNJBG). Tacna, Perú.
# Soluciones = 𝑁ú𝑚𝑒𝑟𝑜𝐷𝑖á𝑚𝑒𝑡𝑟𝑜𝑠 𝑁𝑢𝑚𝑒𝑟𝑜𝑇𝑢𝑏𝑒𝑟í𝑎𝑠
Todini y Pilati
1987. Según J.
D.J. Wood y C.O.A. Saldarriaga 1998,
Método de Newton Raphson Charles entre 1970 garantía de
y 1972, basado en conservación de
la linealización de masa en cada
D.W.Martin y G. Peters, las ecuaciones de nudo y
1962 y 1963, método energía, requiere conservación de
numérico para solución matrices e energía en cada
de ecuaciones no iteraciones circuito de la red
Método de Hardy Cross lineales, por métodos
iterativos
Ing. Norteamericano H.
Cross 1936, método de
comprobación de
diseño
10 m.c.a
In matrix form the problem can be formulated as follows (Todini, 1987):
Ecuaciones:
Conservación de energía
Continuidad
http://www.epa.gov/nrmrl/wswrd/dw/epanet.html
DATOS BÁSICOS PARA EL MODELAMIENTO
COMPONENTES FISICOS
Los datos básicos para la elaboración de un modelo de redes de agua para abastecimiento
poblacional, están referidos a datos y componentes físicos y no físicos.
COMPONENTES NO FISICOS
Los no físicos están referidos a CURVAS, patrones y controles.
REPRESENTACIÓN DE DIFERENTES TIPOLOGÍAS DE DEPÓSITOS MEDIANTE EL MODELO
EPANET
GradienteVinani.m
MetodoGradiente.m
CalcCosto.m
CalcConfiabilidad.m
AlgoritmoGeneticoa.m
AlgoritmoGeneticop.m
𝐼𝑅´ = 1 − 𝐼𝑅
Siendo:
Ir : Índice de Resiliencia
Cj : Coeficiente de conectividad del nodo j.
Cj : Coeficiente de conectividad
NT : Numero de tuberías que llegan a un nodo en particular j.
Qj : Caudal demandado en cada nudo
Di : Diámetro de tubería que llega a un nodo en particular j.
Qe : Caudal entregado por el reservorio
máxDi : Máximo diámetro que llega a un nodo en particular j.
He : Altura piezométrica del reservorio
Hj : Altura piezométrica real
Hj* : Altura piezométrica ideal
un : Número de nudos
ne : Número de reservorios
Curva: Función objetivo de costo para
tubería con relación al diámetro comercial.
𝑀𝑖𝑛ሺ𝐹 𝐷 = 𝐶 𝐷𝑖 = 𝐿𝑖
𝑖=1
Satisfaciendo restricciones
Hidráulicas Comerciales
Conservación de la masa en los nudos
Los diámetros de las tuberías sólo puede
Conservación de la energía en los circuitos
tomar valores discretos: 𝐷𝑖 ∈ 𝜑𝐷 𝑐𝑜𝑚𝑒𝑟𝑐𝑖𝑎𝑙𝑒𝑠
Presión mínima en los nudos de consumo
Etapa1:
Etapa2:
Evaluación de los La población
individuos de P. Se crea la
inicial (P) es
población
totalmente
Actualizar población no externa (Pt e )
dominada Pte. aleatoria
Selección de individuos de
la población para el
cruzamiento
Aplicar cruzamiento
FIN
Funciones
Restricciones
objetivo
INICIO
Selección de individuos de
la población para el
cruzamiento
Aplicar cruzamiento
FIN
Calcular adaptabilidad de los individuos P y 𝐏𝐭 𝐞
Etapa 1 Etapa 2
ni
𝑆𝒊 = (7) fj = 1 + σ𝑖,𝑖>𝑗 𝑆𝑖 (8)
N+1
Actualizar población no
dominada Pte.
Selección de individuos de
la población para el
cruzamiento
Aplicar cruzamiento
FIN
INICIO Aplicar cruzamiento
Comenzar población inicial P. Los ocho padres resultantes anteriormente son sometidos al operador
Crear población externa Pte. genético de cruza para la obtención de cuatro hijos
Evaluación de los
individuos de P.
Actualizar población no
dominada Pte.
Selección de individuos de
la población para el
cruzamiento
Aplicar cruzamiento
FIN
INICIO Aplicar cruzamiento
Comenzar población inicial P. Los ocho padres resultantes anteriormente son sometidos al operador
Crear población externa Pte. genético de cruza para la obtención de cuatro hijos
Evaluación de los
individuos de P.
Actualizar población no
dominada Pte.
Selección de individuos de
la población para el
cruzamiento
Aplicar cruzamiento
FIN
Aplicar cruzamiento
3400000
Número de generaciones : 25
3200000
3000000
Número de genes de los pobladores : 139
2800000
2200000
Número de torneos binarios :4
0.4 0.5 0.6 0.7 0.8 0.9 1
SIN MAGMO 1
Comparación
329.20
1.92 12.948 de
329.2 Resultados
1.14 43.594 329.20 1.00 14.77
OPTIMIZAC (Valle y SPEA 2 329.20 1.42 10.741 329.2 0.65 42.072 329.20 0.90 13.61
3000000 0.8 12.38
IÓN Pino 2014)
3 292.20 1.22 11.577 231.8 0.677 41.753 185.40 1.61
4
2500000 292.20 0.66 15.718 102 0.786 31.415 129.80 1.15 0.7 12.88
Confiabilidad
5 0.47 0.6 13.29
Velocidad
292.20 0.21 17.387 148.4 0.46 29.789 102.00
2000000
6 148.40 1.23 16.472 292.2 1.3 39.506 292.20 1.48 0.5 16.54
máxima
Costo
2.59m/s 1.94m/s 2.43m/s 7 102.00 1.61 16.108 129.8 1.38 39.715 231.80 1.85
(m/s) 1500000
8
0.4 18.54
102.00 1.55 17.181 292.2 0.27 50.669 329.20 0.91 23.50
1000000
9 102.00 0.2 16.165 129.8 0.49 51.382 102.00 0.87
0.3 18.49
Presión 10 102.00 1.34 11.998 148.4 0.54 41.928 102.00 1.30 0.2 13.92
mínima (m) 10.14mca 23.28mca 12.08mca 500000
11 185.40 1.56 12.08 329.2 0.49 42.301 102.00 1.12 0.1 13.88
12
0 102.00 0.56 15.951 292.2 0.87 51.672 148.40 0.50 0 18.47
Presión 13
45.50mca 68.46mca 68.14mca 148.40 Sin 1.76 MAGMO
15.656 329.2 0.88 SPEA
53.885
102.00 1.29 17.95
máxima (m) 14
optimización
102.00 0.93 10.144 329.2 0.012 44.046 292.20 0.24 13.20
15 102.00 0.46 10.243 292.2 0.72 44.486 102.00 0.53 13.28
Métodos de optimización
Costo (S/)
16 102.00 1.15 15.933 129.8 0.46 53.948 83.40 1.10 18.24
1 311 550.83 1 933 745.61 2 527 767.66 17 148.40 0.32 16.283 129.8 1.22 56.2 185.40 0.07 18.97
18 185.40 Costo14.592
1.45 Confiabilidad
148.4 1.52 46.617 231.80 0.78 17.66
Confiabilida 19 148.40 1.48 10.829 129.8 0.38 46.244 129.80 1.48 12.08
0.70 0.391 0.42
d (Ir) 20 102.00 0.39 11.208 231.8 0.72 56.74 102.00 0.31 12.26
El SPEA se aplica a redes de gran tamaño, minimiza el problema y reduce los tiempos de cálculo. Realiza un análisis
integral que implica una optimización simultánea de dos funciones objetivo: Máxima confiabilidad y mínimo costo para
un diseño óptimo que asegura la calidad del método.
Se evidencia notables mejoras respecto a los métodos tradicionales de diseño que se limitan a verificar condiciones
hidráulicas y no pretenden optimizar el diseño de la red de agua potable. El costo estimado de la red optimizada es
económicamente superior a la red sin optimización (S/. 2 530 803.86 vs S/. 1 311 550.83), sin embargo al incluir como
parámetro a optimizar en el diseño la confiabilidad de la red de agua potable, se hizo evidente que la red más confiable
es la optimizada con un índice de resiliencia de 0.42 contra un índice de resiliencia de 0.70 vulnerable a todo tipo de
fallas.
El MAGMO tiene mejor desempeño que el SPEA, los resultados indicaron que con el algoritmo SPEA tiene una
confiabilidad de 0.42 y un costo estimado de S/. 2 530 803.86 el cual es superior al costo estimado con la
implementación del MAGMO en S/. 597 058.25, además una confiabilidad de 0.391 con menos probabilidad de fallas
Se debe incorporar las técnicas de optimización para mejorar el diseño óptimo de las redes de distribución de agua en
la normatividad vigente
Para la aplicación del El Algoritmo Evolutivo Multiobjetivo de Frente de Pareto (SPEA) se recomienda:
- Considerar como parámetros de acuerdo a los investigadores un ratio de 1:4 entre la población externa y el tamaño de la
población.
- Es necesario que cada proyecto de diseño cuente con su propia curva de costos de tuberías
- Para las presiones altas se recomienda el uso de válvulas reductoras de presión y colocación de purgas para las tuberías con
velocidades menores y evitar problemas como la sedimentación.
Debemos centrar los esfuerzos en la búsqueda de modelos de optimización Multiobjetivo con software elaborados que
permitan atender un mayor número de aspectos ingenieriles con un menor presupuesto