Modelos de pronóstico de caudales mensuales en el río Shullcas (Huancayo - Perú) con redes neuronales artificiales

Palabras clave: Redes neuronales, Pronóstico de caudal, Caudal mensual, Modelos de pronóstico.

Resumen

El recurso hídrico en la subcuenca del río Shullcas es escaso en cantidad, calidad y oportunidad; el abastecimiento de agua potable para los pobladores de la ciudad de Huancayo se realiza con las aguas de este río y para su gestión es necesario realizar estimaciones de la oferta hídrica futura empleando diferentes métodos de pronóstico. El trabajo de investigación consistió en la estimación de caudales mensuales con modelos de redes neuronales artificiales con el objetivo de obtener modelos de pronóstico de caudales mensuales para el río Shullcas en la estación de Chamisería en función de las precipitaciones y evapotranspiraciones mensuales. La metodología consistió de cinco etapas: 1) se construyó el polígono de Thiessen para estimar las precipitaciones mensuales y temperaturas medias representativas de la subcuenca del río Shullcas; 2) se detectaron y corrigieron datos pluviométricos e hidrométricos mensuales fuera de intervalo; 3) se generaron las temperaturas medias mensuales para la estación de Huaytapallana, considerando el gradiente término determinado por la ANA y las precipitaciones mensuales para la estación de Huaytapallana correspondientes a los años 2014 a 2019 por el método de la razón normal; 4) se caracterizaron las precipitaciones mensuales y temperaturas medias mensuales de las estaciones meteorológicas de Santa Ana y Huaytapallana, a través de ajuste funcional a la serie de Fourier; 5)finalmente se empleó redes neuronales de tipo multilayer perceptrón (MLP) y radial basis function (RBF) para generar los modelos de pronóstico de los caudales mensuales en la estación hidrométrica de Chamisería en la subcuenca Shullcas y se validaron con el coeficiente de determinación (R2), el error cuadrático medio (RMSE), y la raíz de la media cuadrática (RMS). Los resultados indican que los modelos generados con redes neuronales multilayer perceptrón tienenmayor potencia predictiva según los coeficientes de determinación (R2) de 0; 947 y 0; 857 respectivamente.

Biografía del autor/a

Toribio Marcos Reyes Rodríguez, Universidad Nacional Santiago Antúnez de Mayolo. Huaraz, Perú.
tmreyes2@gmail.com
Maximiliano Epifanio Asís López, Universidad Nacional Santiago Antúnez de Mayolo. Huaraz, Perú.
masisl@unasam.edu.pe

Citas

Agrorural, Geoservice Ingeniería. 2016. Elaboración del expediente técnico del proyecto, Afianzamiento hídrico en el valle del río Shullcas con fines agrícolas. Lima

Autoridad Nacional del Agua (ANA).2015. Evaluación de recursos hídricos en la cuenca del Mantaro. Lima

Ballini, R. 2000. Análise e previzâo de vazões utilizando modelos de séries temporais, redes neurais e redes neurais nebulosas. Tesis Dr., Universidade Estadual de Campinas, Brasil. 183p.

Bravo, J.; Correa, O.; Collischonn, W.; Rolim, A., & Bertacchi, C. 2008. Previsões de curto prazo de vazão afluente ao reservatório de furnas utilizando redes neurais artificiais. Revista Brasileira de Recursos Hídricos RBRH 13(2) 77 - 88.

Chow, V.; Madmen, D.; Mays, L. 1994. Hidrología aplicada. Colombia: McGraw Hill.

Cruz, M.; Rodrigues, L.&Versiani, B. 2010. Previsão de vazões coma metodologíaDPFTe com redes neurais artificiais. Revista Brasileira de Recursos Hídricos RBRH 15(1) 121 - 132.

Dingman, S. 2008. Physical hydrology. USA: Waveland Press, Inc.

Figueiredo, K.; Barbosa, C.; Da Cruz, A.; Vellasco, M.; Pacheco, M.; Contreras, R.; Barros, M.; Castro, R.;Marques,V.;&Duarte, U. 2007.Modelo de previsão de vazão cominformação de precipitação utilizando redes neurais. Revista Brasileira de Recursos Hídricos RBRH 12(3) 69 - 82.

Georgakakos y Krzysztofowicz, 2001.Probabilistic & Ensemble Forecasting. Journal of hydrology. 249(1)

Gomes, L.& Lima, S. 2010. Modelo baseado na técnica de redes neurais para previsão de vazões na bacia do rio São Francisco. Revista Brasileira de Recursos Hídricos RBRH 15(1)5 - 15.

Mendenhall, W. y Sincich,T. 1997. Probabilidad y estadística para ingeniería y ciencias.México: Prentice Hall.

Tanty, R. y Desmukh, T. 2015. Application of Artificial Neural Network in Hydrology -A Review. International Journal of Engineering Research & Technology: 4(6).

Tokar, A. & Markus, M. 2000. Precipitation-runoff modeling using artificial neural networks and conceptual models. Journal of Hydrologic Engineering. 4(4), 156 - 161.

Ventimilla, J. y Cisneros, F. 2015. Predicción de caudales basados en redes neuronales artificiales (NA) para períodos de tiempo subdiarios. Revista Politécnica: 35(2).

Weigert, F. 2005.Modelagem chuva-vazão mensal utilizando redes neurais artificiais. Tesis Mg. Sc., Universidade Federal do Paraná, Curitiva, Brasil. 174 p.

Zuñiga, A; Jordán, C. 2005. Pronóstico de caudales medios mensuales empleando sistemas neurofuzzy. Revista Tecnológica de la Escuela Superior Politécnica del Litoral 18(1): 17 - 23. Guayaquil, Ecuador.

Publicado
2020-12-22
Cómo citar
Reyes Rodríguez, T., & Asís López, M. (2020). Modelos de pronóstico de caudales mensuales en el río Shullcas (Huancayo - Perú) con redes neuronales artificiales. Aporte Santiaguino, 13(2), Pág. 222-236. https://doi.org/10.32911/as.2020.v13.n2.737
Sección
Artículos Originales