Predicción de caudales máximos diarios del Río Magdalena a la altura del municipio de Calamar (Bolívar), usando el método de redes neuronales artificiales (Rna).
Fecha
Fecha
2021-03-18
Director
Título de la revista
ISSN de la revista
Título del volumen
Editor
Descripción
En la hidrología, es usual emplear modelos físicos tradicionales para determinar factores hidro-climáticos; sin embargo, éstos han presentado diversas limitaciones, entre ellas la practicidad y la precisión debido al comportamiento no lineal de los fenómenos naturales. En particular, la proyección en el tiempo de variables hidro-meteorológicas como caudales, se ha convertido en una necesidad imperativa para la óptima gestión de los recursos hídricos; específicamente en lo que refiere a la generación de energía eléctrica; ordenamiento territorial; diseño y operación de estructuras; abastecimiento y prevención de emergencias.
La reciente evolución digital y perfeccionamiento de modelos informáticos, ha generado que el uso de herramientas tecnológicas aumente en diversas áreas de la ciencia. Las hidrociencias, por ejemplo, para solucionar problemas físicos y aproximar magnitudes desconocidas, han requerido metodologías de predicción no convencionales fundamentadas en inteligencia artificial (IA), considerando dentro de esta disciplina las redes neuronales artificiales (RNA) como potente en la capacidad de aprendizaje y adaptación.
Este trabajo expone la implementación de cinco modelos de RNA en Matlab®2020a, para la predicción de caudales máximos diarios [Q_MX_D1] del río Magdalena, utilizando como atributos de entrada el día del año (DOY, por su nombre en inglés)2, el día pluviométrico [PTPM_CON3] y nivel máximo diario [NV_MX_D4] para diferentes series de tiempo. El análisis de los resultados se realizó a partir del índice de error cuadrático medio (MSE) y el coeficiente de correlación (R). El modelo de RNA más óptimo y con mayor cercanía a los datos reales fue, RNA_4_1 con MSE de 3,882E-07 y R igual a 1. El estudio se efectuó en una pequeña sección del río Magdalena, entre las estaciones SAN PEDRITO ALERTA Y CALAMAR. Los datos fueron tomados del banco de información del Instituto de hidrología, meteorología y estudios ambientales (IDEAM) de enero de 2017 a diciembre de 2020.
Resumen
In hydrology, it is usual to use traditional physical models to determine hydro-climatic factors; however, these have presented several limitations, among them practicality and precision due to the non-linear behavior of natural phenomena. In particular, the projection in time of hydro-meteorological variables such as flows and / or levels has become an imperative need for the optimal management of water resources; specifically regarding the generation of electrical energy; territorial ordering; design and operation of structures; supply and prevention of emergencies.
The recent digital evolution and improvement of computer models, has generated an increase in the use of technological tools in various areas of science. Hydrosciences, for example, to solve physical problems and approximate unknown magnitudes, have required unconventional prediction methodologies based on artificial intelligence (AI), considering within this discipline artificial neural networks (ANN) as powerful in the capacity for learning and adaptation.
This work exposes the implementation of five RNA models in Matlab®2020a, for the prediction of maximum daily flows [Q_MX_D5] of the Magdalena River, using as input attributes the day of the year (DOY, for its name in English), the pluviometric day [PTPM_CON6] and daily maximum level [NV_MX_D7] for different time series. The analysis of the results was carried out from the mean square error (MSE) and the correlation coefficient (R). The most optimal RNA model and closest to the real data was, RNA_4_1 with MSE of 3,882E-07 and R equal to 1. The study was carried out in a small section of the Magdalena River, between the SAN PEDRITO ALERTA and CALAMAR stations. The data was take from the information bank of the Institute of Hydrology, Meteorology and Environmental Studies (IDEAM) from January 2017 to December 2020.
Palabras clave
Hidrología, Caudal, Inteligencia artificial, Red neuronal artificial
Materias
Ingeniería Civil - Tesis y Disertaciones Académicas, Corrientes de agua - Mediciones, Hidrología - Mediciones, Hidrología - Investigaciones, Redes de neuronas artificiales - Uso