Você está na página 1de 19

INFLUENCIA DEL PROCESO DE ACORAZAMIENTO EN LA SOCAVACIÓN DE LOS

PILARES DEL PUENTE REQUE

INFLUENCE OF PROCESS OF DREADNOUGHT IN THE SCOUR OF THE PILLARS


BRIDGE REQUE

(1) Guillermo Gustavo Arriola Carrasco


(2) Luis Miguel Bejarano Trujillo
(3) Fernandez heredia keymer y.
(4) Julon Guevara alain

Resumen

La disponibilidad de agua en cantidad y calidad insuficientes para la atención de los diversos usos y usuarios es
sin duda uno de los más serios problemas a ser enfrentados en el manejo de los recursos hídricos en una cuenca
hidrográfica. Generalmente, la asignación de agua para la atención de las demandas está condicionada por la
disponibilidad de agua en el espacio y tiempo, por lo que se hace necesario conocer con aproximación la
disponibilidad presente y futura del recurso hídrico, con la finalidad de formular propuestas actuales y futuras
para una adecuada gestión de éstos (Laqui, 2008). Debido a la escasa y limitada información de caudales de los
ríos del altiplano peruano, especialmente en la cuenca del río Huancané, en general se ha utilizado modelos de
transformación lluvia-caudal, como Témez (Sovero, 1991) y Lutz Scholz (Nina, 2008).

Abstract

The availability of water in insufficient quantity and quality for the attention of the various uses and users is
undoubtedly one of the most serious problems to be faced in the management of water resources in a river basin.
Generally, the allocation of water for the attention of the demands is conditioned by the availability of water in the
space and time, reason why it is necessary to know with approximation the present and future availability of the
water resource, with the purpose of formulating current proposals And future for an adequate management of these
(Laqui, 2008). Due to the scarce and limited information on the flows of the Peruvian highlands, especially in the
Huancané river basin, in general, rainfall-flow models have been used, such as Témez (Sovero, 1991) and Lutz
Scholz (Nina, 2008). ).

Palabras claves: recursos hidricos,propuestas actuals, rios del altiplano peruano

Key words: Water resources, current proposals, rivers of the Peruvian highlands
1. Introducción

La disponibilidad de agua en cantidad y calidad insuficientes para la atención de los diversos usos y
usuarios es sin duda uno de los más serios problemas a ser enfrentados en el manejo de los recursos
hídricos en una cuenca hidrográfica. Generalmente, la asignación de agua para la atención de las
demandas está condicionada por la disponibilidad de agua en el espacio y tiempo, por lo que se hace
necesario conocer con aproximación la disponibilidad presente y futura del recurso hídrico, con la
finalidad de formular propuestas actuales y futuras para una adecuada gestión de éstos (Laqui, 2008).
Debido a la escasa y limitada información de caudales de los ríos del altiplano peruano, especialmente en
la cuenca del río Huancané, en general se ha utilizado modelos de transformación lluvia-caudal, como
Témez (Sovero, 1991) y Lutz Scholz (Nina, 2008). La transformación de lluvia en caudal es uno de los
procesos más difíciles de ser entendidos, debido al gran número de variables que se modifican en el
espacio y tiempo (Weigert, 2005), así como
la limitación de datos hidrometeorológicos y la no linealidad del proceso que dificultan la utilización de
este tipo de modelos (Santos & Pereira, 2003).
El análisis y previsión de caudales estacionales es de fundamental importancia en el planeamiento y
operación de sistemas de recursos hídricos. Una de las dificultades en la previsión de esas series es su
naturaleza no estacionaria debido a los periodos de lluvia y estiaje durante el año. Estas previsiones son
realizadas, actualmente, por metodologías basadas en modelos de series temporales y se recomienda los
modelos autorregresivos periódicos (Ballini et al., 2003). Dada la importancia de la modelización y
previsión de caudales medios mensuales, durante las últimas décadas se han propuesto gran variedad de
modelos, y muy recientemente se han introducido nuevos modelos, que manejan de una manera eficiente
la aleatoriedad de los caudales y presentan una fácil adaptabilidad a nuevos datos, sin la necesidad de
recurrir a laboriosas formulaciones matemáticas. Entre estos modelos se incluyen las técnicas de
inteligencia artificial, que comprenden las técnicas de Redes Neuronales Artificiales, Sistemas Fuzzy y
Neuro-Fuzzy (Zúñiga & Jordán, 2005), Teoría Nebulosa, Sistemas Multi-Agentes.

Los modelos de Redes Neuronales Artificiales (RNA) tienen entre sus principales características: tratan
incertezas de fácil adaptabilidad a nuevos datos y abstraen el conocimiento físico de los sistemas a ser
modelados, ya que el modelo puede ser generado únicamente a partir de datos de entrada y salida (Ballini,
2000). Con el objetivo de superar las deficiencias de los modelos
matemáticos se ha incrementado el número de trabajos que utilizan modelos basados en redes neuronales
artificiales (Figueiredo et al., 2007). Entre sus principales aplicaciones en la solución de problemas
relacionados a recursos hídricos, tenemos la previsión de caudales (Ballini, 2000; Zuñiga & Jordán, 2005;
Laqui, 2008; Bravo et al., 2008; Gomes & Lima, 2010, Cruz et al.,
2010 ), modelamiento lluvia-caudal (Baganha, 1999; Tokar & Markus, 2000; Weigert, 2005), operación
de reservorios (Kilinç & Ciğizoğlu, 2003) y otras aplicaciones relacionadas a los recursos hídricos
(Magalhães, 2004; Hillman
et al., 2004; Ovanto et al., 2005; Jaimes, 2006; Gibilini, 2006), obteniéndose en todos buenos resultados.






  



2. Materiales y Métodos
2.1. Objetivo general y específicos

- Aplicar redes neuronales, para la generación de series hidrológicas en la Cuenca del Rio Chicama.

- Utilizar el concepto de redes neuronales para la obtención de datos hidrológicos.

- Determinar una red neuronal óptima, para la predicción de caudales en la Cuenca del Rio Chicama
según su tendencia con medias móviles.

- Comprobar la validez de los modelos aplicados, por medio de análisis estadísticos

2.2. Hipótesis del Problema

La selección del mejor modelo basado en redes neuronales artificiales nos permitirá obtener resultados
de los caudales con mayor exactitud para estudios de modelos hidráulicos en la Cuenca del río Chicama.

2.3. Variables

Variable dependiente: Software Excel. Algoritmo utilizado en redes neuronales, función de


error, función de activación.
Variable independiente Las precipitaciones Obtenidas de las estaciones.

2.4. Tipo de investigación

El presente proyecto de investigación se enfoca en una información cuantitativa y método cuasi


experimental, con la finalidad de predecir series hidrológicas de la cuenca del rio Chicama.

3. Resultados

Información básica Redes Neuronales Artificiales

Son modelos computacionales que tratan de replicar, de manera simplificada, el complejo


funcionamiento del cerebro humano. Su capacidad de aprendizaje a través de ensayos repetidos las hace
muy utilizables en una amplia variedad de aplicaciones en todas las ciencias. Han demostrado ser una
herramienta muy útil por su sorprendente habilidad para capturar relaciones no lineales entre variables.
De hecho, pueden aproximar cualquier función no lineal si son correctamente especificadas.

En 1943, Warren McCulloc y Walter Pitts originaron el primer modelo de operación neuronal, el cual
fue mejorado en sus aspectos biológicos por Donald Hebb en 1948. En 1962 Bernard Widrow propuso
la regla de aprendizaje Widrow-Hoff, posteriormente Frank Rosenblatt desarrolló una prueba de
convergencia y definió el rango de problemas para los que su algoritmo aseguraba una solución, ´el
propuso los Perceptrones como herramienta computacional.

El cerebro humano continuamente recibe señales de entrada de muchas fuentes y las procesa a manera
de crear una apropiada respuesta de salida; nuestros cerebros cuentan con millones de neuronas que se
interconectan para elaborar redes neuronales, estas redes ejecutan los millones de instrucciones
necesarias para mantener una vida normal. Las neuronas son las células que forman la corteza cerebral
de los seres vivos, cada una está formada por elementos llamados cuerpo, axón y dendritas, como se

muestra en la Figura 1. Las dendritas forman una estructura de filamentos muy fina que rodean el cuerpo
de la neurona, el axón es un tubo largo y delgado que se ramifica en su extremo en pequeños bulbos
finales que casi tocan las dendritas de las células vecinas, la pequeña separación entre los bulbos finales
y las dendritas se le denomina sinapsis.

Figura 1: Descripción de una neurona natural.

Las neuronas, al igual que las demás células del cuerpo, funcionan a través de impulsos eléctricos y
reacciones químicas. Los impulsos eléctricos que utiliza una neurona para intercambiar información con
las demás viajan por el axón que hace contacto con las dendritas de la neurona vecina mediante las
sinapsis; la intensidad de la corriente transmitida depende de la eficiencia de la transmisión sináptica.
Una neurona en especial transmitirá un impulso eléctrico por su axón; además cada neurona en un
tiempo corto recibe varias señales de las neuronas vecinas que transmiten a través de sus dendritas; la
señal que se transmite a la neurona podrá ser además inhibitoria o excitatoria. La neurona manda el
impulso por su axón si la excitación que recibe de sus neuronas vecinas excede su inhibición por un
valor crítico, que supera el umbral de activación de la neurona. Las redes neuronales artificiales están
compuestas de gran cantidad de procesadores conectados entre si y actuando en paralelo. Los modelos
neuronales biológicos son mucho más complejos que los modelos computacionales actuales, estando el
comportamiento de la red determinado por su topología, los pesos de las conexiones y la función
característica de las neuronas.
En la Figura 2, puede observarse una comparación entre los procesos de una neurona natural y una
artificial.
Figura 2: Comparación entre neurona natural y neurona artificial.

4. Función de Activación

La función de activación de un nodo define la salida de ese nodo dada una entrada o un conjunto de
entradas, la neurona necesita saber si se activa o inhibe; de activarse emite o transfiere un impulso a las
neurona s adyacentes y para ello debe cumplirse la condición para activarse y ejecutar la expresión de
salida que transmite a otra neurona. Ambas funciones son del tipo f(xi, wi, dj), que dependen de las
entradas, sus pesos y de un parámetro variable de ajuste. Esto se entiende de la siguiente manera: para
cada grupo de entradas i hay otro grupo de salidas j. Las Funciones de Activación pueden ser:

 Funciones Lineales:
f(x) = x

 Funciones Paso: Dan una salida binaria dependiente de si el valor de entrada está por
encima o por debajo del valor umbral.

 Funciones Sigmoidales: Funciones monótonas acotadas que dan una salida gradual no
lineal.
 La función logística de 0 a 1, ver la gráfica en la Figura 3:

Figura 3: La función logística de 0 a 1.

 La función tangente hiperbólica de −1 a 1, ver la gráfica en la Figura 4:

Figura 4: La función tangente hiperbólica de −1 a 1.

5. Neurona o Unidad Procesadora

Todo modelo de red neuronal consta de dispositivos elementales de procesamiento: las neuronas. A
partir de ellas, se pueden generar representaciones específicas, de tal forma que un estado conjunto de
ellas pueda significar una letra, un número o cualquier otro objeto.
Generalmente se pueden encontrar tres tipos de neuronas:

Figura 5: Descripción de una Neurona Artificial.

Red Neuronal Artificial

Una red neuronal artificial (RNA) es un par (N, U), donde N es un conjunto de nodos y U es un conjunto
de unidades procesadoras sobre N que satisface la siguiente condición: cada nodo Xi ǫ N tiene que ser
un nodo de entrada o de salida de al menos una unidad procesadora de U. Analizando la red neuronal de
la Figura 6, se tendría el siguiente conjunto de unidades procesadoras U, sobre N.

La cuenca hidrográfica del Río Chancay – Lambayeque, se ubica en el norte del Perú, políticamente su
territorio corresponde a los departamentos de Lambayeque y Cajamarca. Limita por el Norte con la

Figura 6: Descripción de una Red Neuronal Artificial.


Arquitecturas de Red

Las redes neuronales artificiales replican el comportamiento de las redes neuronales naturales,
interconectando neuronas artificiales organizadas en capas, presentando arquitecturas diferentes, como
puede apreciarse en la Figura 7, que presenta un perceptron simple y un perceptron multicapa.

La arquitectura de una red neuronal se forma conectando múltiples procesadores elementales,


organizados en diferentes capas, como puede observarse en la Figura 8, siendo ´este un sistema
adaptivo que posee un algoritmo para ajustar sus pesos (parámetros libres) para alcanzar los
requerimientos de desempeño del problema, basado en muestras representativas. Por lo tanto se puede
señalar que es un sistema de computación distribuida que se caracteriza por:

Figura 7: Arquitecturas de redes neuronales artificiales.

 Un conjunto de unidades elementales, cada una de las cuales posee bajas capacidades de
procesamiento.

 Una densa estructura interconectada usando enlaces ponderados. Parámetros libres que
deben ser ajustados para satisfacer los requerimientos de desempeño.

 Un alto grado de paralelismo.


Figura 8: Ejemplo de una red neuronal que realiza un diagnostico medico.

La arquitectura de las redes neuronales consiste en la organización y disposición de las neuronas


formando capas más o menos alejadas de la entrada y salida de la red, como puede observarse en la
Figura (2.16), siendo en este sentido, los parámetros fundamentales de la red: el número de capas, el
número de neuronas por capa, el grado de conectividad y el tipo de conexiones entre neuronas. Según
los tipos de conexiones que conectan a las neuronas de cada capa o de distintas capas, se identifican
los siguientes tipos de conexiones:

 Conexiones hacia Delante: Existe una capa de entrada con n neuronas y una capa de salida
con m neuronas y al menos una capa oculta de neuronas internas. Cada neurona de una capa,
excepto las de entrada, recibe entradas de todas las neuronas de la capa anterior y envía su
salida a todas las neuronas de la capa posterior, excepto las de salida. No hay conexiones
hacia atrás ni laterales entre neuronas de la misma capa. La estructura de este tipo de redes
puede observarse en la Figura 9.

 Conexiones Laterales: Un ejemplo típico de este tipo es el circuito el ganador toma todo,
que cumple un papel importante en la elección del ganador. La estructura de este tipo de
redes se presenta en la Figura 10.

 Conexiones hacia Atrás o Recurrentes: Además de la red contar con las conexiones hacia
adelante estas redes incorporan conexiones hacia atrás y llevan los datos de las neuronas de
una capa superior a otras de la capa inferior. La estructura de este tipo de redes puede
observarse en la Figura 11.

Figura 9: Conexiones hacia delante.


Figura 10: Conexiones laterales.

Figura 11: Conexiones hacia atrás o recurrentes.


6. Entrenamiento de una Red Neuronal

En el entrenamiento se presentan las entradas y respuestas deseadas, entonces la red neuronal partiendo
de un conjunto de pesos sinápticos iniciales, inicia el proceso de aprendizaje que busca un conjunto de
pesos que permitan a la red desarrollar correctamente la salida deseada, minimizando los errores. Los
valores de entrada se recomiendan que previamente sean de algún modo transformados a una escala.

Existen dos fases en el entrenamiento de toda aplicación de las redes neuronales: la fase de aprendizaje
y la fase de prueba, con las siguientes características:

Fase de Aprendizaje: Una característica de las redes neuronales es su capacidad de aprender.


Aprenden por la actualización o cambio de los pesos sinápticos que caracterizan a las conexiones. Los
pesos son adaptados de acuerdo a la información extraída de los patrones de entrenamiento nuevos que
se van presentando. Normalmente, los pesos óptimos se obtienen optimizando (minimizando o
maximizando) alguna función de energía. Por ejemplo, un criterio popular en el entrenamiento
supervisado es minimizar el error cuadrático medio, entre el valor deseado y el valor de salida de la
red.

Fase de Prueba: Una vez calculados los pesos de la red, las neuronas de la ´ultima capa se comparan
con la salida deseada para determinar la validez del diseño. Una buena implementación práctica radica
en el número adecuado de neuronas, en el número idóneo de capas ocultas, la extensión de la función
de activación, el tiempo de entrenamiento de la red, las implicaciones de la generación de ruido.

Procesamiento y análisis de imágenes.

El procesamiento de imágenes es un campo muy promisorio de aplicaciones de las Redes Neuronales,


en donde la imagen digitalizada original o bien preprocesada se utiliza como entrada de una red,
obteniéndose como salida una clasificación e identificación de la imagen o de segmentos de ella. Como
procedimientos de preprocesamiento pueden utilizarse transformadas de Fourier, algoritmos de
extracción de características especiales y otras técnicas.
Entre las aplicaciones que se han desarrollado están la identificación de blancos militares camuflados
(Ruck, 1987), utilizando imágenes obtenidas mediante un radar laser y una red multicapas,
obteniéndose una más alta efectividad de la solución neuronal (86.4%) de reconocimiento de tanques,
en comparación con un clasificador estadístico (76.5%).

Control automático y robótico.

Un tema fundamental en Ingeniería de Control es diseñar un controlador que, con base en el estado
presente de un sistema, determine el conjunto óptimo de señales que hagan que un sistema de
actuadores lleve al sistema al estado deseado.

Wang y Yeh han explorado el uso de Redes Neuronales para la construcción de controladores auto-
adaptativos, caracterizados por su habilidad de aprender a partir de ejemplos, sin necesidad de modelar
la planta a controlar.

Estos controladores se distinguen por su adaptabilidad dinámica ante cambios de la misma planta, así
como por sus propiedades de robustez.

Análisis y generación de lenguaje natural.

En cuanto a la aplicación de Redes Neuronales para el reconocimiento de lenguaje hablado, se está


trabajando activamente para mejorar el reconocimiento de fonemas, haciéndolo independiente del
hablante (Cole, 1990), así como su clasificación, introduciendo redes con retrasos.

Asimismo, se están empleando Redes Neuronales para analizar un vocablo hablado, identificando sus
parámetros fonéticos, con el fin de asociarlo con la palabra escrita correspondiente, permitiendo su
reconocimiento. (Sung & Jones, 1990).
En lo que respecta a la generación de lenguaje, los trabajos más famosos son los de Terrence Sejnowsky
y Charles Rosenberg que introducen su sistema NETTALK como un sistema que aprende a leer en voz
alta. A partir de NETTALK ha habido nuevas contribuciones en cuanto al mejor tipo de red neuronal
a utilizar.

7. PREDICCION CON MEDIAS MOVILES


Medias Móviles Dada la serie Y1, Y2, … Yt, el método de medias móviles de orden p(𝑀𝑀𝑝,𝑡 ) consiste
en aproximar el valor de la tendencia de las variables de interés en el instante t (𝑇𝑡 ) mediante el
promedio de observaciones cercanas.

Por ejemplo, la media móvil de orden 3 y 5 viene dadas por :

𝑌𝑡−1 + 𝑌𝑡 + 𝑌𝑡+1 𝑌𝑡−2 + 𝑌𝑡−1 + 𝑌𝑡 + 𝑌𝑡+1 + 𝑌𝑡+2


𝑇𝑡 = 𝑀𝑀3,𝑡 = ; 𝑇𝑡 = 𝑀𝑀5,𝑡 =
3 5

Una de sus características es cuando aumenta el orden de suavizado la tendencia se comporta más
suavemente. Las medias móviles nos permiten estudiar la evolución futura de la serie, ya que hace uso
de observaciones futuras.

Método analíticos para modelizar la tendencia

Consiste en obtener una función matemática que reproduzca el comportamiento en lo posible a los
valores originales en función del tiempo (t).
Los modelos más habituales son la lineal ( 𝑇1 = 𝑎 + 𝑏 × 𝑡 ), parábola (𝑇𝑡 = 𝑎 + 𝑏 × 𝑡 + 𝑐 × 𝑡 2 ),
exponencial (𝑇𝑡 = 𝑎 × 𝑒 𝑏×𝑡 )
Donde a, b y c son cantidades desconocidas que se deben obtener para determinar la tendencia.
Para estudiar la función obtenida se obtiene el 𝑅 2, que es una medida entre 0 y 1, donde valores
próximos a 1 indica que se reproduce adecuadamente la tendencia.

Eliminación de la tendencia

El ajuste de la tendencia nos permite obtener una nueva serie de datos axentos de efecto de tendencia,
que denominamos serie sin tendencia 𝑌𝑡∗ .
Para el modelo aditivo, la eliminación de la tendencia se realiza mediante: 𝑌𝑡 = 𝑇𝑡 + 𝐸𝑡 + 𝐼𝑡 ⟶ 𝑌𝑡 −
𝑇𝑡 = 𝐸𝑡 + 𝐼𝑡
Para el modelo multiplicativo la eliminación de la tendencia viene dada por:
𝑌
𝑌𝑡 = 𝑇𝑡 × 𝐸𝑡 × 𝐼𝑡 ⟶ 𝑡⁄𝑇 = 𝐸𝑡 × 𝐼𝑡
𝑡

Ajuste y Predicción

Una vez obtenidos los índices de estacionalidad calculados uno por cada uno de los instantes que
componen el periodo de estacionalidad la predicción en un estado de tiempo dado.
Los dos objetivos fundamentales para el estudio de series cronológicas son:

 Análisis histórico de los datos. Como han evolucionado los datos y se han comportado por
periodos.
 Predicción de valores futuros. A partir de las componentes de tendencia y/o estacionalidad
obtenidas, podemos obtener valores futuros (esperados) de la serie sobre una nueva
secuencia temporal.
𝑝𝑟𝑒𝑑 𝐼𝐸𝑆𝑇𝑡 𝑝𝑟𝑒𝑑 𝐼𝐸𝑆𝑇𝑡
𝑌𝑡 = 𝑇𝑡 + ; 𝑌𝑡 = 𝑇𝑡 ×
100 100

8. Resultados
Una vez aplicadas las metodologías, se ha procedido a realizar el análisis de resultados mediante el
cálculo de sensibilidad de datos, comparando los caudales simulados con los caudales dados.

En la Tabla 5 se puede observar los parámetros de validación para la cuenca, existiendo una relación
directa entre el número de datos de entrenamiento, y el Coeficiente de eficiencia de Nash y Sutcliffe,
según nuestra bibliografía [1] se pudo observar que entre mayor cantidad de datos mejora el coeficiente,
también un parámetro importante es el monitoreo de la cuenca, entre mayor número de estaciones tenga
la cuenca, mejor es el coeficiente, que con un mayor número de registros es mayor el desempeño de la
red.

Cuenca Área Número Densidad Número Coef. Efi. Nash


(Km²) Estacione Estaciones de & Sutcliffe
s por (Km²) registros
Río Chicama 4814.3 Km² 4 0,0014 14 0,3

En la Figura 4.2 se pueden apreciar la gráfica de la serie hidrológica de caudales observados y los
caudales Predicciòn versus sus fechas de ocurrencias; los caudales observados son los caudales que se
obtuvo del registro historico, y los caudales simulados son los caudales obtenidos en el entrenamiento
de la red en excel se aprecia que las series coinciden en ciertos puntos.
Se tomaran datos de los años 2007 al 2011

Figura 4.2 Comparación de series hidrológicas de caudales calculados y Predicción de


la cuenca Río Chicama.

Para hallar la tendencia vamos usar una recta de ajuste:


𝑌 = −3.6192𝑥 + 327.45 , donde x representa el tiempo, la cual nos dará la PREDICCIÒN.(grafica de
rojo) donde a continuación mostraremos los datos obtenidos por dicha ecuación.

2007M01 Tendencia
2007M02 338.9701
2007M03 334.3702
2007M04 329.7703
2007M05 325.1704 2010M01 173.3737
2007M06 320.5705 2010M02 168.7738
2007M07 315.9706 2010M03 164.1739
2007M08 311.3707 2010M04 159.574
2007M09 306.7708 2010M05 154.9741
2007M10 302.1709 2010M06 150.3742
2007M11 297.571 2010M07 145.7743
2007M12 292.9711 2010M08 141.1744
2008M01 288.3712 2010M09 136.5745
2008M02 283.7713 2010M10 131.9746
2008M03 279.1714 2010M11 127.3747
2008M04 274.5715 2010M12 122.7748
2008M05 269.9716 2011M01 118.1749
2008M06 265.3717
2008M07 260.7718
2008M08 256.1719
2008M09 251.572
2008M10 246.9721
2008M11 242.3722
2008M12 237.7723
2009M01 233.1724
2009M02 228.5725
2009M03 223.9726
2009M04 219.3727
2009M05 214.7728
2009M06 210.1729
2009M07 205.573
2009M08 200.9731
2009M09 196.3732
2009M10 191.7733
2009M11 187.1734
2009M12 182.5735
177.9736

Luego calculamos la serie de diferencia y cocientes (modelo aditivo o multiplicativo) para eliminar la
tendencia asi obtener un buen ajuste de la estacionalidad. Des las dos series calculamos su
COEFICIENTE DE VARIACION (CV) y aquella que tenga el coeficiente de variación más pequeño
nos indica el modelo a seguir.

MEDIA -7.817 1.774


DESVIACION 353.076 2.596
cv 45.168887 1.463627

Observamos que el modelo es la serie de cocientes.


A la hora de quitar la tendencia y dejar aislada la componente estacional (SIN TENDENCIA), lo que
tendremos que hacer es la división de los datos por la tendencia, sobre esta serie se mejora la
componente estacional

datos sin tendencia


8

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49

Figura 4.3 Comparación de series sin tendencia de la cuenca Río Chicama.

Luego calculamos las medias móviles de orden 12, con el fin de centrar los datos hacemos un centrado
de orden 2.
Calculamos los índices de la serie estacionalizada de los datos sin tendencia dividido con los datos
centrados ya encontrados. Luego hallamos los promedios de todos los mese encontrados (un índice
para cada mes del año)
2007M07 92.8199165
2007M08 32.7620267
2007M09 44.9999844
2007M10 34.173363
2007M11 90.4431587
2007M12 70.1285132
2008M01 167.115868
2008M02 148.357303
2008M03 72.4309108
2008M04 212.959897
2008M05 85.1210399
2008M06 75.8928007

Esto representa un promedio de lo pasa en cada mes del año.


Los daos obtenidos tendremos que normalizados y obtendremos los INDICES DE
ESTACIONALIDAD, de esto encontramos la PREDICCIÓN (la serie predicha) que se obtiene
multiplicando la tendencia por la componente estacional (ver figura 4.2)
Ahora el objetivo es extrapolar nuestra proyección a futuro para los 12 meses siguientes de los caudales
mensuales del rio Chicama.
Primero proyectamos la tendencia y lo representamos a continuación:

Figura 4.4 La grafica verde representa la TENDENCIA para la extrapolación de los 12


meses siguientes.

La predicción total se consigue corrigiendo dicha tendencia con los índices de estacionalidad
correspondiente para cada mes
Figura 4.5 PROYECCIÓN a futuro (12 meses) de los caudales del rio Chicama

A continuación se muestra los caudales proyectados:

2011M02 179.378381
2011M03 84.0290873
2011M04 236.632053
2011M05 90.4145627
2011M06 76.8959938
2011M07 89.5015047
2011M08 29.9864047
2011M09 38.9839215
2011M10 27.9312578
2011M11 69.4938469
2011M12 50.4505071
2012M01 112.039684
9. CONCLUSIONES

 De acuerdo a la evaluación realizada aplicando redes neuronales, para la generación de


caudales en el rio Chicama, se consiguio un valor del coeficiente de eficiencia de Nash &
Sutcliffe de 0.03 lo que indica que la red se comportó de una forma no ideal, esto se debió a
que se tomó poca cantidad de datos.

 Durante el análisis se obtuvieron mejores resultados con datos de caudales mensuales que con
los datos de caudales diarios, esto se debió a que los datos diarios presentan una mayor
dispersión de la información, y los datos mensuales al ser datos totales o promedios,
compensan estas diferencias y la red aprende de mejor forma y obtiene mejores simulaciones.

 Se observó una relación directa entre el número de datos para el entrenamiento, y el coeficiente
de eficiencia de Nash & Sutcliffe, siendo este coeficiente mejor con mayor cantidad de datos.

 Las Redes Neuronales obtienen información más precisa dependiendo de la exactitud de los
datos de entrada y que tan continuos en el tiempo sean estos.

10. RECOMENDACIONES

 Se debe trabajar con la mayor cantidad de datos disponibles, para que la red pueda entrenarse
con más datos históricos y obtener mejores simulaciones, ya que esto influencia de gran manera
para tener un mejor desempeño de la red.

 Realizar estudios de simulación de caudales diarios, mensuales utilizando redes neuronales


artificiales, usando como neuronas de entrada variables que caractericen la respuesta
hidrológica de la cuenca, como el número de curva o algún índice que vegetación, temperatura,
etc.

 Realizar el análisis de consistencia de la información de precipitación y caudales, la


continuidad en el tiempo de estas variables, como paso previo e indispensable al momento de
utilizar las redes neuronales artificiales para la simulación de caudales.

 Implementar modelos de simulación basados en redes neuronales que puedan simular sistemas
complejos y difíciles de explicar, como son los procesos hidrológicos, de impactos
ambientales, por medio de otro tipo de arquitectura de redes neuronales artificiales distintas a
las presentadas en esta investigación.

 Seguir investigando en el tema de Redes Neuronales Artificiales, involucrando un mayor


número de variables que intervengan en comportamiento de la cuenca, trabajando con redes
que tengan más de una capa de entrada, para así poder verificar qué importancia tiene cada
variable empleada para el cálculo de caudales.

11. BIBLIOGRAFÍA
 [1] Samanego, E. (2011). Análisis de la robustez de un modelo de redes neuronales para la
predicción de caudales en la cuenca alta del rio Paute. Universidad Politécnica Salesiana.
Ecuador.

 [2] Luja. E. (2014). Pronostico de Caudales medios mensuales del rio ILave usando modelos
de redes neuronales artificiales. Universidad Nacional del Altiplano Puno. Perú.

 [3] Laqui. W. (2010). Aplicación de Redes Neuronales Artificiales a la Modelización de
caudales medios mensuales del Rio Huancané. Revista Geo – Atmosférica. Perú.

 [4] Ministerio de Agricultura. (2003). Evaluación y ordenamiento de los recursos hídricos en
la cuenca del río Chicama – hidrología. Instituto nacional de recursos hídricos. La Libertad –
Perú.