Académique Documents
Professionnel Documents
Culture Documents
PROYECTO DE INVESTIGACIN
AUTORES:
Chingay Gonzales, Gary A.
Malhaber Montenegro Miguel.
Pea Becerra Enjhor Thaylor.
ASESOR:
ING. CIVIL GUILLERMO GUSTAVO ARRIOLA CARRASCO
PIMENTEL, JULIO DEL 2016
1
Aplicacin de redes neuronales para la modelizacin y generacin de
series hidrolgicas en la Cuenca del Rio Chicama
___________________________________________
Grado/ Apellidos y Nombres:.
Asesor Metodolgico
___________________________________________
Grado/ Apellidos y Nombres:.
Asesor Especialista
___________________________________________
Grado/ Apellidos y Nombres:.
Presidente de Jurado
___________________________________________
Grado/ Apellidos y Nombres:.
Secretario(a) de Jurado
___________________________________________
Grado/ Apellidos y Nombres:.
Vocal/Asesor de Jurado
2
DEDICATORIA
A Dios
Gracias a Dios por darnos la vida, por estar con nosotros en cada paso que
damos, por mostrarnos cada da que tan bella puede ser la vida, que siempre
hay una luz para creer en nuestra existencia.
A nuestra familia
Por los conocimientos que nos brinda semana a semana, por el apoyo
desinteresado y la fomentacin para la investigacin cientfica en al rea de
hidrologa.
3
AGRADECIMIENTO
A nuestros padres por ese gran amor, apoyo y dedicacin que nos brindan en
cada momento para que podamos realizar nuestros sueos y anhelos
convirtindonos en unas personas exitosas.
4
RESUMEN
5
INDICE GENERAL
DEDICATORIA ................................................................................................................................ 3
AGRADECIMIENTO........................................................................................................................ 4
RESUMEN ...................................................................................................................................... 5
INDICE GENERAL ........................................................................................................................... 6
INTRODUCCIN ............................................................................................................................ 8
CAPTULO I: PLANTEAMIENTO DEL PROBLEMA ........................................................ 11
1.1. SITUACIN PROBLEMTICA ....................................................................................... 11
1.1.2. A NIVEL NACIONAL .............................................................................................. 12
1.2. FORMULACIN DEL PROBLEMA................................................................................. 15
1.3. DELIMITACIN DE LA INVESTIGACIN....................................................................... 15
1.4. JUSTIFICACIN E IMPORTANCIA ................................................................................ 15
1.5. LIMITACIONES DE LA INVESTIGACIN ....................................................................... 16
1.6. OBJETIVO .................................................................................................................... 16
1.6.1. OBEJETIVO GENERAL ........................................................................................... 16
1.6.2. OBJETIVO ESPEFICFICO....................................................................................... 17
CAPTULO II: MARCO TERICO ........................................................................................ 19
2.1. ANTECEDENTES DE ESTUDIO ...................................................................................... 19
2.2. BASE TERICA CIENTFICA .......................................................................................... 23
2.2.1. Redes Neuronales Artificiales.............................................................................. 23
CAPITULO III: MARCO METODOLGICO ........................................................................ 51
3.1. Tipo y diseo de la investigacin: ................................................................................... 51
3.1.1. Tipo de la investigacin: ............................................................................................ 51
3.1.2. Diseo de la investigacin: ........................................................................................ 51
3.2. Poblacin y muestra: ....................................................................................................... 51
3.3. Hiptesis .......................................................................................................................... 51
3.4. Variables: ......................................................................................................................... 52
3.5. Mtodos, tcnicas e instrumentos de recoleccin de datos: ........................................ 52
3.5.1 Mtodos de Investigacin: ......................................................................................... 52
3.5.2. Tcnicas de recoleccin de los datos: ....................................................................... 53
3.5.3. Descripcin de los instrumentos utilizados:.............................................................. 53
CAPITULO IV: ANALISIS E INTERPRETACIN DE RESULTADOS ........................... 55
4.1 Ubicacin y caractersticas generales del rea de la cuenca en estudio. ...................... 55
4.1.1. Ubicacin. .................................................................................................................. 55
4.1.2 Caractersticas climticas ........................................................................................... 55
6
4.1.3 El uso del suelo. ......................................................................................................... 55
4.1.4. Precipitacin media:.................................................................................................. 56
4.1.5 Caractersticas hidrolgicas de la cuenca................................................................... 57
4.2 Materiales y Mtodos ...................................................................................................... 57
4.2.1 Materiales.................................................................................................................. 57
4.2.2 Definicin de los datos. .............................................................................................. 57
4.2.3 Identificacin de variables de entrada. ...................................................................... 58
4.2.4 Implementacin de arquitecturas de redes neuronales. ........................................... 58
4.2.5 Mtodos. .................................................................................................................... 59
4.2.6 Desarrollo de los mtodos. ........................................................................................ 60
4.2.7 Modelo Presentado para su anlisis. ......................................................................... 63
4.2.8 Anlisis con la herramienta de identificacin de sistemas de Matlab. ...................... 63
4.2.9 Implementacin en Matlab herramienta de redes neuronales NNTool. ............. 63
4.2.10 Anlisis microcuenca el Perejil. ................................................................................ 67
4.2.11 Anlisis cuenca Chicama........................................................................................... 68
4.3 Anlisis De Resultados...................................................................................................... 68
4.3.1 Microcuenca El Perejil. ............................................................................................... 70
CONCLUSIONES ........................................................................................................................... 72
RECOMENDACIONES .................................................................................................................. 73
BIBLIOGRAFA ............................................................................................................................. 74
7
INTRODUCCIN
La disponibilidad de agua en cantidad y calidad insuficientes para la atencin
de los diversos usos y usuarios es sin duda uno de los ms serios problemas a
ser enfrentados en el manejo de los recursos hdricos en una cuenca
hidrogrfica. Generalmente, la asignacin de agua para la atencin de las
demandas est condicionada por la disponibilidad de agua en el espacio y
tiempo, por lo que se hace necesario conocer con aproximacin la
disponibilidad presente y futura del recurso hdrico, con la finalidad de formular
propuestas actuales y futuras para una adecuada gestin de stos (Laqui,
2008). Debido a la escasa y limitada informacin de caudales de los ros del
altiplano peruano, especialmente en la cuenca del ro Huancan, en general se
ha utilizado modelos de transformacin lluvia-caudal, como Tmez (Sovero,
1991) y Lutz Scholz (Nina, 2008). La transformacin de lluvia en caudal es uno
de los procesos ms difciles de ser entendidos, debido al gran nmero de
variables que se modifican en el espacio y tiempo (Weigert, 2005), as como
la limitacin de datos hidrometeorolgicos y la no linealidad del proceso que
dificultan la utilizacin de este tipo de modelos (Santos & Pereira, 2003).
El anlisis y previsin de caudales estacionales es de fundamental importancia
en el planeamiento y operacin de sistemas de recursos hdricos. Una de las
dificultades en la previsin de esas series es su naturaleza no estacionaria
debido a los periodos de lluvia y estiaje durante el ao. Estas previsiones son
realizadas, actualmente, por metodologas basadas en modelos de series
temporales y se recomienda los modelos autorregresivos peridicos (Ballini et
al., 2003). Dada la importancia de la modelizacin y previsin de caudales
medios mensuales, durante las ltimas dcadas 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 fcil adaptabilidad a nuevos datos, sin la necesidad de recurrir a
laboriosas formulaciones matemticas. Entre estos modelos se incluyen las
tcnicas de inteligencia artificial, que comprenden las tcnicas de Redes
Neuronales Artificiales, Sistemas Fuzzy y Neuro-Fuzzy (Ziga & Jordn,
2005), Teora Nebulosa, Sistemas Multi-Agentes.
8
Los modelos de Redes Neuronales Artificiales (RNA) tienen entre sus
principales caractersticas: tratan incertezas de fcil adaptabilidad a nuevos
datos y abstraen el conocimiento fsico de los sistemas a ser modelados, ya
que el modelo puede ser generado nicamente a partir de datos de entrada y
salida (Ballini, 2000). Con el objetivo de superar las deficiencias de los modelos
matemticos se ha incrementado el nmero de trabajos que utilizan modelos
basados en redes neuronales artificiales (Figueiredo et al., 2007). Entre sus
principales aplicaciones en la solucin de problemas relacionados a recursos
hdricos, tenemos la previsin de caudales (Ballini, 2000; Zuiga & Jordn,
2005; Laqui, 2008; Bravo et al., 2008; Gomes & Lima, 2010, Cruz et al.,
2010 ), modelamiento lluvia-caudal (Baganha, 1999; Tokar & Markus, 2000;
Weigert, 2005), operacin de reservorios (Kilin & Ciizolu, 2003) y otras
aplicaciones relacionadas a los recursos hdricos (Magalhes, 2004; Hillman
et al., 2004; Ovanto et al., 2005; Jaimes, 2006; Gibilini, 2006), obtenindose en
todos buenos resultados.
9
CAPTULO I
PLANTEAMIENTO DEL
PROBLEMA
10
CAPTULO I: PLANTEAMIENTO DEL PROBLEMA
11
La presente investigacin tiene como propsito el desarrollo de modelos de
simulacin hidrolgica usando redes neuronales artificiales, el
entrenamiento se efectuar a partir de datos de precipitacin y caudales
antecedentes de las cuencas.
12
recurso de agua. Es por ello que la hidrologa nos brinda los conocimientos
necesarios para realizar un Estudio Integral de las Cuencas para as
aprovechar los recursos Hdricos que disponemos de la manera adecuada.
La zona andina o sierra tiene en general un clima fro y seco, en la zona norte
las precipitaciones son ms intensas.
13
transmite su frialdad a la costa, y es la causa de la ausencia de lluvias
durante todo el ao.
Clima clido muy seco: (desrtico o rido tropical). Temperatura
promedio es 24C. - 75.2F. Este clima se presenta en la costa del norte
del Per desde Piura hasta Tumbes y desde el litoral marino hasta
zonas a 1,000 msnm. (3,030 pies). Presencia de fuerte lluvias entre los
meses de diciembre hasta abril, y muy seco desde mayo a noviembre,
debido a la influencia de la corriente marina del Nio.
Clima templado subhmedo: (estepa y valles interandinos bajos).
Temperatura promedio es 20C. - 68F., con lluvias estacionales. Este
clima se presenta en la zona andina y fundamentalmente se da en los
valles interandinos ubicados entre los 1,000 y 3,000 msnm. (3,030 y
9,090 pies).
Clima fro o boreal: (valles mesoandinos). Temperatura promedio es
12C. - 53.6F., veranos lluviosos e inviernos secos con fuertes heladas.
Este clima corresponde a la zona andina entre los 3,000 y 4,000 msnm.
(9,090 12,121 pies).
Clima frgido: (tundra) Temperatura promedio es 6C. - 42.8F., con
veranos muy fros y secos. Este clima corresponde a la zona andina
entre los 4,000 y 5,000 msnm. (12,121 y 15,151 pies).
Clima de nieve: (glido) Temperatura promedio es 0C. - 32F. o
menores. Este clima corresponde a la zona andina desde los 5,000
msnm. (15,151 pies) a ms. El clima est influido por las grandes masas
de nieve y hielo que se forman normalmente en las altas cumbres
andinas; en esta zona se originan las lagunas y glaciares que dan origen
a los ros de las cuencas del Pacfico o del Amazonas.
Clima semiclido muy hmedo: (vertiente oriental andina). Temperatura
promedio es 22C. - 71.6F., con tendencia a aumentar en territorios de
menores alturas, permanentes precipitaciones durante todo el ao. Este
clima corresponde a la selva alta, ubicada sobre zona andina oriental
entre los 1,000 y los 400 msnm. (3,030 y 1,212 pies).
Clima clido hmedo: (llanura amaznica). Temperatura promedio es
25C. - 77F., sin diferencias notables de temperatura durante todo el
ao. Este clima corresponde a la selva baja, ubicada sobre la llanura
14
amaznica entre los 400 y los 80 msnm. (1,212 y 242 pies). Las lluvias
son torrenciales, especialmente en los meses de verano, originando una
exuberante flora y una rica fauna.
Tres son las razones principales que hacen importante la investigacin que se
desarrolla en este trabajo.
15
caudales en un punto de la cuenca del rio Chicama, con un tiempo de
avance de un da.
1.6. OBJETIVO
16
1.6.2. OBJETIVO ESPEFICFICO
17
CAPTULO II
MARCO TERICO
18
CAPTULO II: MARCO TERICO
19
de penalizacin modificada. Se finaliza con un pronstico a mediano
plazo, para perodos de inundacin, de alturas hidromtricas a siete das
que se realiza con redes neuronales que integran redes neuronales con
diferentes arquitecturas. El inters de este proyecto radica en su
aplicacin para el pronsticos de crecidas en la provincia de Corrientes,
Repblica Argentina, que actualmente no dispone de ningn sistema de
pronstico de crecidas del Ro Parana en organismos oficiales de la
provincia, por lo cual el desarrollo del mencionado trabajo sera de gran
importancia provincial y regional para una mejor prediccin de las
crecidas del Ro, que ocasionan perdidas de gran importancia en la
economa de la regin. As mismo, el problema genrico planteado en
este proyecto es comn a otras muchas situaciones, donde se podran
aplicar los resultados obtenidos en la realizacin de esta tesis, como son
las dems provincias que se encuentran en las mrgenes del Ro
Paran.
20
modelos matemticos hidrodinmicos de calidad de aguas - el inh
con el fin de contribuir a la divulgacin de informacin de inters,
relevante para el desarrollo de estudios hidrulicos en el pas, ha
querido contribuir con el presente documento para presentar un listado y
breve resea del los modelos (software) hidrodinmico ms utilizados
actualmente por la comunidad internacional. dado el gran desarrollo que
ha experimentado esta rea en los ltimos 10 aos, donde actualmente
existen numerosos modelos, la mayora especializados en una
problemtica o rea en particular, es que, en esta ocasin, se
presentarn aquellos modelos aplicables a los estudios de hidrodinmica
ambiental en zonas costeras y estuarios. a futuro, se presentarn
publicaciones similares a aquellos modelos relevantes en otras reas de
inters como por ejemplo, el area fluvial, la modelacin en estudios de
inundacin en ros y costas, modelos para la propagacin de tsunamis,
modelos de calidad de aguas en embalses, modelos para la propagacin
de oleaje ocenico y local, hidrologa y aguas subterrneas.
22
2.2. BASE TERICA CIENTFICA
23
Figura 1: Descripcin de una neurona natural.
Las neuronas, al igual que las dems clulas del cuerpo, funcionan a travs de
impulsos elctricos y reacciones qumicas. Los impulsos elctricos que utiliza
una neurona para intercambiar informacin con las dems viajan por el axn
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
transmisin sinptica. Una neurona en especial transmitir un impulso elctrico
por su axn; adems cada neurona en un tiempo corto recibe varias seales de
las neuronas vecinas que transmiten a travs de sus dendritas; la seal que se
transmite a la neurona podr ser adems inhibitoria o excitatoria. La neurona
manda el impulso por su axn si la excitacin que recibe de sus neuronas
vecinas excede su inhibicin por un valor crtico, que supera el umbral de
activacin de la neurona. Las redes neuronales artificiales estn compuestas
de gran cantidad de procesadores conectados entre si y actuando en paralelo.
Los modelos neuronales biolgicos son mucho ms complejos que los modelos
computacionales actuales, estando el comportamiento de la red determinado
por su topologa, los pesos de las conexiones y la funcin caracterstica de las
neuronas.
24
En la Figura 2, puede observarse una comparacin entre los procesos de una
neurona natural y una artificial.
Funcin de Activacin
La funcin de activacin 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 condicin para activarse y ejecutar la expresin 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 parmetro 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 Activacin pueden ser:
Funciones Lineales:
f(x) = x
25
Funciones Paso: Dan una salida binaria dependiente de si el valor de
entrada est por encima o por debajo del valor umbral.
26
2.2.2. Neurona o Unidad Procesadora
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 condicin: cada nodo Xi 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 tendra el siguiente conjunto de unidades procesadoras U,
sobre N.
28
Figura 6: Descripcin de una Red Neuronal Artificial.
Arquitecturas de Red
29
Figura 7: Arquitecturas de redes neuronales artificiales.
30
La arquitectura de las redes neuronales consiste en la organizacin y
disposicin de las neuronas formando capas ms o menos alejadas de la
entrada y salida de la red, como puede observarse en la Figura (2.16), siendo
en este sentido, los parmetros fundamentales de la red: el nmero de capas,
el nmero de neuronas por capa, el grado de conectividad y el tipo de
conexiones entre neuronas. Segn los tipos de conexiones que conectan a las
neuronas de cada capa o de distintas capas, se identifican los siguientes tipos
de conexiones:
31
Figura 9: Conexiones hacia delante.
32
Entrenamiento de una Red Neuronal
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
diseo. Una buena implementacin prctica radica en el nmero adecuado de
neuronas, en el nmero idneo de capas ocultas, la extensin de la funcin de
activacin, el tiempo de entrenamiento de la red, las implicaciones de la
generacin de ruido.
33
ajuste los datos. El proceso de aprendizaje tambin conocido como
entrenamiento se realiza mediante patrones-ejemplo, siendo dos los tipos de
aprendizaje: supervisado y no supervisado.
34
2. La raz cuadrada del error cuadrtico medio definida como:
Sobreajuste Overfitting
35
Figura 12: Sobreajuste de Redes Neuronales.
36
la otra sobre el subset de validacin. Normalmente, el modelo no trabaja tan
bien sobre el subset de validacin como lo hace sobre el set de estimacin, en
el cual se bas su diseo. La curva de aprendizaje de estimacin decrece
montonamente para un nmero creciente de repeticiones en la forma
acostumbrada. En contraste, la curva de aprendizaje de validacin decrece
montonamente hasta un mnimo, entonces empieza a incrementarse mientras
contine el entrenamiento. Cuando miramos a la curva de aprendizaje de
estimacin puede parecer que podramos mejorar si vamos ms all del punto
mnimo sobre la curva de aprendizaje de validacin. En realidad, lo que la red
est aprendiendo ms all de ese punto es esencialmente ruido contenido en el
set de entrenamiento. Esta heurstica sugiere que el punto mnimo sobre la
curva de aprendizaje de validacin sea utilizado como un criterio para detener
la sesin de entrenamiento.
37
Optimizacin de Ajuste de Perceptrn. Adaptaciones de la Funcin de
Error
Donde:
Newton. Levenberg-Marquardt
39
donde:
g es el vector gradiente
H la matriz hessiana de segundas derivadas.
donde:
J es la matriz Jacobiana cuyos componentes son la derivada primera de
los error es de la red respecto a los pesos.
donde
es un escalar que cambia en cada iteracin, decrece si el error decrece y
aumenta en caso contrario.
Criterios de Parada
Los algoritmos de ajuste funcionan por iteraciones, por eso se requiere algn
criterio que indique detener el proceso y dar el resultado por bueno. Algunos de
estos pueden ser:
40
Que todos los puntos de la muestran tengan su error por debajo de un
umbral.
Regularizacin
41
Cuando es cero, el proceso de aprendizaje no est restringido y la red
se determina completamente con los ejemplos de entrenamiento.
donde:
el conjunto Ctotal se refiere a todos los pesos de la red.
Redes Estticas
Son ejemplo de este tipo de redes, las redes Multicapa de Perceptrones, las
redes de Funciones de Base Radial y las redes Neuronal Probabilstica.
Redes Multicapa
43
Figura 14: Descripcin de una red neuronal artificial multicapa.
Capa de Salida de una Red Neuronal: Est compuesta por unidades que
se encuentran en la capa de salida de una red funcional (X, U), donde
cada unidad es la salida de al menos una unidad funcional de U y no es
la entrada de ninguna unidad procesadora de U.
Perceptrn
44
Figura 15: Estructura del Perceptrn.
45
Aplicaciones de las redes neuronales
Diagnstico.
Procesamiento de seales.
46
Para este problema se han desarrollado enfoques tradicionales basados en
filtros y ecualizadores de canales y la aplicacin de estimacin estadstica para
conformar un estimado ptimo de la seal deseada. Sin embargo, la falta de
conocimiento de parmetros estadsticos de la seal obstaculiza el uso de la
teora de la estimacin.
47
una clasificacin e identificacin de la imagen o de segmentos de ella. Como
procedimientos de preprocesamiento pueden utilizarse transformadas de
Fourier, algoritmos de extraccin de caractersticas especiales y otras tcnicas.
Entre las aplicaciones que se han desarrollado estn la identificacin de
blancos militares camuflados (Ruck, 1987), utilizando imgenes obtenidas
mediante un radar laser y una red multicapas, obtenindose una ms alta
efectividad de la solucin neuronal (86.4%) de reconocimiento de tanques, en
comparacin con un clasificador estadstico (76.5%).
48
En lo que respecta a la generacin de lenguaje, los trabajos ms 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.
49
CAPTULO III
MARCO
METODOLGICO
50
CAPITULO III: MARCO METODOLGICO
3.3. Hiptesis
51
3.4. Variables:
Variables Dependientes:
Software Matlab. Algoritmo utilizado en redes neuronales, funcin de
error, funcin de activacin.
Variables Independientes:
Las precipitaciones Obtenidas de las estaciones.
DEDUCTIVO:
Porque nosotros despus de haber definido las variables
independientes y dependientes y sus respectivos indicadores, se
tendr que deducir la hiptesis para una adecuada evaluacin de las
precipitaciones registradas en cada estacin a estudiar.
INDUCTIVO:
Porque despus de obtener los resultados adecuados con el
desarrollo de la presente trabajo de investigacin que implic un
proceso basado en los distintos mtodos para luego desarrollar los
dems aspectos complementarios, se podr dar inicio a una
adecuado prediccin de series hidrolgicas.
ANLISIS.
Porque tenemos el objeto de estudio a la cuenca del rio Chicama y
se estudiar analizando para ello la informacin facilitada por las
estaciones para conocer sus caudales y as disear de forma
adecuada estructuras hidrulicas.
52
SNTESIS.
Porque una vez estudiados y comparados los diferentes mtodos
utilizados para la prediccin de caudales mximos plantearemos la
ptima solucin, sobre cul sera el modelo que ms se ajustara a los
regmenes de precipitacin actual.
Observacin:
Tiene como fuente a los investigadores.
Anlisis de Documentos:
Se tuvo en cuenta libros, tesis, revistas, etc, relacionados al tema a
tratar que se ha investigado, con la finalidad de seleccionar y
complementar la informacin faltante.
ANALISIS E
INTERPRETACIN DE
RESULTADOS
54
CAPITULO IV: ANALISIS E INTERPRETACIN DE RESULTADOS
4.1.1. Ubicacin.
La cuenca del Rio Chicama se ubica geogrficamente entre los paralelos
7 21 y 7 59 de latitud sur y los meridianos 78 14 y 79 20 de longitud
oeste. Siendo su extensin total de 5,822 Km2. Altitudinalmente se
extiende desde el nivel del mar hasta la lnea de las cumbres de la cuenca
del Rio Maran llegando a una altura aproximada de 4,297 m.s.n.m.
4.2.1 Materiales
Los materiales utilizados en la presente investigacin estn conformados
por datos de estaciones meteorolgicas e hidromtricas, tomadas de
algunos trabajos de investigacin.
57
que se ha estudiado en este trabajo de investigacin es necesario
informacin de cada estacin, debido a que el modelo es altamente
sensible a la informacin de cada estacin.
El programa elegido para realizar esta tesis fue Matlab debido a que tiene
un Toolbox de redes neuronales que es bastante general y flexible.
Este toolbox permite cambiar el nmero de capas, nmero de neuronas,
su funcin de activacin, diversos tipos de interconexin entre capas,
diversas funciones de error para optimizar la red, varios tipos de
algoritmos de aprendizaje. Todas estas opciones son programables.
La interfaz es bastante manejable, permite trabajar con ventanas, desde
teclado o con scripts.
Una opcin que se ha utilizado del toolbox es la diferenciacin interna
entre muestra de entrenamiento, validacin y prediccin o test. La red se
entrena con los datos de entrada y va calculando una llamada varianza
dentro de los cuadrados medios del error, y habitualmente representada
por MSE (Mean Square Error) o MSW (Mean Square Within) que se
calcula como la media de las k varianzas muestrales. MSE es un cociente:
al numerador se le llama suma de cuadrados del error y se representa por
58
SSE y al denominador grados de libertad por ser los trminos
independientes de la suma de cuadrados. (Jimnez, 2009).
Debido al aprendizaje en cada iteracin, este MSE de entrenamiento va
disminuyendo. Paralelamente el programa va calculando el MSE con los
datos de validacin que globalmente van disminuyendo hasta cierto punto
y luego aumentan paulatinamente. En ese punto Matlab automticamente
detiene el entrenamiento de la red, debido a que la red se est
sobreentrenando para los datos de entrenamiento, pero se est
distanciando de datos que no hayan intervenido en su entrenamiento.
Esta caracterstica se llama early stopping y evita la especializacin de
la red, lo cual es poco deseable para la generalizacin deseada.
Para identificar la red ptima para el problema que ocupa esta tesis, se ha
trabajado con el nmero de capas, numero de nodos o neuronas por
capa, los tipos de conexin entre capas y neuronas entre capas y las
funciones de transferencia utilizadas. La versatilidad que ofrece el toolbox
de Matlab ha permitido probar varias arquitecturas de red.
4.2.5 Mtodos.
Los mtodos usados en la presente investigacin se han dividido en dos
etapas, las cuales son:
A) Recoleccin y anlisis de la informacin hidrometeorolgica
Anlisis de las series temporales de los caudales medios mensuales.
B) Modelamiento determinstico de caudales mensuales
59
Determinacin de las variables de los modelos a emplear.
Los datos fueron agrupados de tal forma que sigan la serie cronologa
mensual y anual establecida, se utiliz el 75% de datos para el
entrenamiento, dejando el 25% de datos para la verificacin del modelo,
excepto en la cuenca del rio Chicama, donde se utiliz el 85% de datos para
el entrenamiento. Quedando la distribucin como se ve en la Tabla 4.2 para
los caudales medios, y en la Tabla 4.3 para los caudales diarios.
60
Cuenca Datos para Datos para
entrenamiento (das) comprobacin (das)
Rio Chicama 75 19
Tabla 4.3 Distribucin de la informacin de la cuenca analizada con datos diarios.
61
E.C. 4.1
Donde E son todos los errores e I es la matriz identidad. El valor adaptativo
mu se incremente por mu_inc hasta que el cambio se muestre por encima de
los resultados lo que indica un valor de reduccin del rendimiento. El cambio se
hace entonces a la red y mu decrece por mu-dec.
El algoritmo converge cuando:
El nmero mximo de iteraciones es alcanzado.
62
4.2.7 Modelo Presentado para su anlisis.
En la Tabla 2. se presenta el modelo analizado, donde las entradas son las
precipitaciones (P) y caudales histricos de la cuenca (Q), y en la salida se
tienen los caudales futuros (Q).
ENTRADAS SALIDA
P1 Q1 Q5
P2 Q2 Q6
P3 Q3 Q7
P4 Q4 Q8
. . ..
Tabla 2 Modelo analizado
Para realizar este anlisis, utilizando el software Matlab, se procedi a trabajar con
diversos modelos para realizar el entrenamiento de la red, se trabaj con un total
del 75%, 80% y 85% de los datos histricos obtenido de la Cuenca de estudio, esto
se lo hizo debido a que en unas cuencas se tena menor cantidad de informacin
por lo que se utiliz un mayor porcentaje de datos para el entrenamiento, el
porcentaje restante se lo dejo para su realizar la comprobacin de los datos
simulados
Figura 18 Matlab-NNTool: Ventana NNTool, con la Red Neuronal y los datos usados en la
Generacin de la red.
64
Figura 19: Matlab-NNTool: Ventana de Creacin de la red neuronal, donde se indican datos y
se configuran las funciones y la estructura de la red neuronal
65
En la Figura 21 se observa la ventana de entrenamiento donde se coloca en nmero
de iteraciones que se necesita para el entrenamiento de la red.
En las Figuras 22 y 23, se presentan las grficas del mejor entrenamiento obtenido y la
mejor correlacin del entrenamiento interno de la red.
Figura 22: Matlab-NNTool: grficas con los resultados del entrenamiento de la RN, funcin de
entrenamiento TRAINBR.
66
Figura 23: Matlab-NNTool: grficas con los resultados del entrenamiento de la correlacin de
la Red Neuronal.
67
4.2.11 Anlisis cuenca Chicama.
Para el anlisis de la cuenca Chicama se trabaj con datos diarios de caudal y
precipitacin de las estaciones Huacapongo, Quirihuac, Tambo.
Se realiz el relleno de datos faltantes por el mtodo de correlacin entre las
estaciones antes mencionadas, posteriormente se calcul la precipitacin
media de la cuenca por medio del mtodo de polgonos de Thiessen.
En la Tabla 2.8 se observa las coordenadas de las estaciones utilizadas para el
anlisis de la cuenca Chicama.
ESTACION COORDENADAS
Huacapongo 9162114 756991
Quirihuac 9105863 735118
Tambo 9523381 753038
Tabla 4 Coordenadas estaciones cuenca Chicama.
69
Figura 24 Comparacin de series hidrolgicas de caudales calculados y
simulados de la cuenca Ro Chicama.
71
CONCLUSIONES
72
RECOMENDACIONES
73
BIBLIOGRAFA
[3] Luja. E. (2014). Pronostico de Caudales medios mensuales del rio ILave
usando modelos de redes neuronales artificiales. Universidad Nacional del
Altiplano Puno. Per.
74