Se presentó en FIUNA Tesis de Maestría en Ingeniería de Recursos Hídricos del Ing. José Díaz Alvarenga

El pasado 16 de mayo del corriente, el Ing. José Manuel Díaz Alvarenga presentó exitosamente su Defensa de Tesis de Maestría en Ingeniería de Recursos Hídricos con énfasis en Hidrología de la Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA) – 1ra Edición, titulada “Previsión de niveles a corto plazo con redes neuronales artificiales en el río Paraguay, estación de Asunción”. 

El trabajo presentado contó con la orientación del Prof. Dr. Olavo Correa Pedrollo y la Co-orientación del Prof. Dr. Andrés Wehrle. La Mesa examinadora estuvo integrada por los Profesores; Dr. Juan Martin Bravo, MSc. Sandra Mongelos, MSc. Giovanni Gómez, MSc. Julián Báez, Dra. Margarita Pereira y el Ing. MBA. Pedro Ferreira Estigarribia, Decano de la FIUNA. 

Resumen

Para la previsión a corto plazo de niveles pluviométricos del río Paraguay en la estación de Asunción, se adoptó como área de estudio, el tramo de río comprendido entre las ciudades de Concepción y Asunción, aplicándose el modelo empírico de redes neuronales artificiales, cuyos datos de entrada fueron observaciones diarias de precipitación y niveles, de estaciones hidrométricas que se encuentran en el área de estudio; para niveles se utilizaron las estaciones de Concepción y Asunción, para las precipitaciones se utilizaron las estaciones del Aeropuerto Internacional Silvio Pettirossi (Asunción), Aeródromo de Concepción, Aeródromo de San Pedro del Ycuamandyyú y San Estanislao. Preliminarmente, fueron realizadas correlaciones y auto correlaciones de todos los datos, para la definición de las entradas de los modelos.

Para tener en cuenta las condiciones de humedad antecedente fue utilizado el recurso de medias móviles ponderadas exponencialmente de las lluvias pasadas. El modelo de redes neuronales artificiales posee una arquitectura de múltiples capas, con una sola capa intermedia y la función de activación del tipo sigmoide bipolar, siendo entrenado con el algoritmo retro propagativo. Para evitar el super ajuste se utilizó la técnica de validación cruzada, y una forma original de repartición de las muestras de entrenamiento, validación y verificación, basada, no en la cantidad de registros, pero si en la representatividad de estos, para el entrenamiento. Los horizontes temporales estudiados van de 1 a 30 días.

La aplicación del modelo, demostró tener un buen desempeño hasta alcances del orden de 15 días, con error medio de 32 cm y coeficiente de Nash-Sutcliffe del orden de 0.904, así también se destaca que se obtuvieron menores errores y mayores proporciones de varianzas explicadas cuanto menor fue el horizonte temporal. Los modelos de redes neuronales artificiales se mostraron mejores que la alternativa de prever para el futuro los mismos niveles observados en el tiempo actual. Se concluye, por lo tanto, que, incluso en ríos que presentan regímenes lentos, como el río Paraguay en Asunción, puede ser importante contar con previsiones en tiempo actual, obtenidas con el uso de redes neuronales artificiales.

Consejo Nacional de Ciencia y Tecnología del Paraguay

Cabe mencionar que el programa de Maestría 14-POS-023 ha sido financiado por el Consejo Nacional de Ciencia y Tecnología (CONACYT), en el marco de la componente II1. Fondo para proyectos de creación y fortalecimiento de postgrados nacionales, que enfoca sus objetivos a la formación de capital humano de excelencia para la investigación y desarrollo.

 

 

 

 

Se presentó en FIUNA Tesis de Maestría en Ingeniería de Recursos Hídricos del Ing. José Díaz Alvarenga

Puedes dejar una respuesta, o trackback desde tu propio sitio.

Deja un comentario

Realice la siguiente operación antes de enviar * Time limit is exhausted. Please reload CAPTCHA.

Desarrollado por WordPress Visit www.iFreeCellPhones.com for Free Cell Phones. | Thanks to Palm Pre Blog, Find Best CD Rates and Fat burning furnace
Contáctenos

[contact-form-7 id=»1720″ title=»Contáctenos»]

×
A %d blogueros les gusta esto: