Predicción de Caudal para Diseño Estructura Hidráulicas Obras Viales en La Cuenca Del Huallaga-Beltran Cajaleon

BELTRAN CAJALEON SANTAMARIA
UNIVERSIDAD NACIONAL HERMILIO VALDIZAN

HUANUCO PERU
ESCUELA DE POST GRADO
MAESTRIA EN: DISEÑO Y CONSTRUCCION DE OBRAS VIALES
PROYECTO DE TESIS
Predicción de caudales mediante el uso de redes neuronales

en obras viales en la cabecera de la cuenca del alto Huallaga.
TESISTA: BELTRAN CAJALEON SANTAMARIA
HUANUCO - PERU
2018
1
I. EL PROBLEMA DE INVESTIGACIÓN
INTRODUCCION
Obra vial bien a ser estructura que sirve parar el tránsito de personas y
vehículos, también bienes a ser una estructura que une dos puntos en un
determinado espacio geográfico estos pueden ser carreteras, autos
pistas, avenidas, calles y puentes.
La predicción de caudales máximos horarios o diarios es de vital
importancia para el diseño de los elementos de drenaje superficial y sub
drenaje de una obra vial, así como para la alerta temprana de
inundaciones y desastres causado por avenidas extremas. El pronóstico
de caudales mensuales o estacionales sirve para determinar la oferta
hídrica para utilización del agua.
La red neuronal
1.1 Descripción Del Problema
(Dölling y Varas, 2000), Al estudiar los escurrimientos de cuencas de
montaña usando redes neuronales artificiales (ANN), muestran que los
escurrimientos mensuales de primavera y verano se representan
adecuadamente, mejorando los resultados obtenidos utilizando otros
métodos.
El pronóstico de caudales en cuencas de régimen de precipitación pluvial es
esencial para resolver un amplio número de problemas de planificación,
diseño y operación de los sistemas de aprovechamiento del recurso agua,
los cuales tienen un alto impacto socio económico a nivel regional.
2
El uso de redes neuronales artificiales (ANN) para la predicción de caudales
de escurrimiento, es una metodología en el que captura la naturaleza no
lineal del proceso precipitación-escorrentía para una escala mensual, con el
cual mejora los resultados obtenidos con otros métodos.
(Portillo, 2013), En su investigación en el desarrollo de un semivariograma
periódico para series temporales de precipitación afirma que en muchas
obras de ingeniería civil que son influenciadas profundamente por factores
climáticos como precipitación pluvial, temperatura y otros.
(Gomes, 2016), Al plantear un modelo de predicción de aportaciones
mensuales utilizando redes neuronales artificiales (RNA). aplicada a la
cuenca del Río Amambaí (Brasil) lo define las RNA como un sistema
computacional estructurado, basado en el funcionamiento del cerebro
humano, en el que se procesan datos de entradas a lo largo de la red, para
obtener un dato de salida, y pueden ser una interesante herramienta de
predicción, que no solo tienen las ventajas, con relación a un modelo clásico
de previsión hidrológica, sino que, tienen la gran ventaja de ser muy
adaptables a las necesidades del modelador, que define desde el diseño
inicial hasta el algoritmo de calibración. Por más que sea considerado como
un modelo de caja negra, su versatilidad es una de las principales ventajas
para este tipo de modelo.
1.2 Formulación Del Problema
1.2.1 Problema General
La predicción de avenidas máximas mediante el uso de redes neuronales
artificiales (RNA), mejorara el correcto dimensionamiento de estructuras

3
hidráulicas garantizando así la vida útil de la infraestructura vial como puentes,
alcantarillas, obras de drenaje superficial y subdrenaje y su prevención contra
los daños provocados por avenidas máximas durante su vida útil en
infraestructura vial.
1.2.2 Problemas Específicos
 Disponer un modelo hidrológico desarrollado para predicción de
caudales con un sustento técnico y científico teniendo en cuenta los
parámetros hidrológicos de una determinada región
 Cuáles serán los criterios principales para desarrollar un modelo
predictivo de caudales con el uso de RNA.
 Como será el desempeño del modelo de RNA con otro modelo
hidrológico existente para la predicción de caudales.
 Qué relación existirá entre las variables Hidrometerologicas como
Precipitación, Evaporación y caudales para la cuenca en análisis.
 Ver el comportamiento de caudales en una cuenca mediante el uso de
RNA y realizar el mapeo del periodo de retorno de eventos de
precipitación máxima.
1.3 Objetivo General
El objetivo principal es desarrollar un modelo de predicción de caudales
mediante el uso de redes neuronales, como herramienta de apoyo parar la
predicción de caudal con anticipación a un evento, en una determinada región
con características propias y su desempeño en la predicción de caudales.
4
1.4 Objetivo Especifico
 Desarrollar un modelo predictivo con aplicación de red neuronal artificial
que permita el pronóstico de predicción de caudal a partir de datos de
caudales, precipitación y evaporación.
 Determinar cuáles son los criterios principales para desarrollar un modelo
predictivo de caudales maximo con el uso de RNA.
 Analizar y comparar el desempeño del modelo de RNA con otro modelo
hidrológico existente para la predicción de caudales.
 Establecer la relación entre las variables Hidrometerologicas como
Precipitación, Evaporación y caudales para la cuenca en análisis.
 Analizar el comportamiento de caudales en una cuenca mediante el uso
de RNA y realizar el mapeo del periodo de retorno de eventos de
precipitación máxima.
1.5 Sistema De Hipótesis
1.5.1 Hipótesis General

El uso de un modelo de red neuronal artificial mejorara la predicción de
caudal para el diseño de estructuras hidráulicas en obras viales en
comparación de otros modelos hidrológicos
1.5.2 Hipótesis Específica

H1: El modelo será eficiente en la predicción de caudales, si la correlación
entre la variable precipitación con los caudales será suficientemente buena
de acuerdo al coeficiente de Nash and Sutcliffe con un valor mayor a 0.80
H2: Sera suficiente tres estaciones hidrográficas de medición para calibrar
y evaluar la sensibilidad e incertidumbre del modelo propuesto.
5
1.6 Variable
Una variable es una propiedad que puede fluctuar y cuya variación es
susceptible de medirse u observarse.
1.6.1 Variable Independiente
La Variable independiente la precipitación, Evaporación
1.6.2 Variable Dependiente
La variable dependiente es el caudal futuro
1.7 Justificación E Importancia
1.7.1 Justificación
La predicción de caudales de una región determinada, nos da a conocer la
incertidumbre existente sobre el caudal máximo o mínimo, y así para tomar
en cuenta en diseño de estructuras hidráulicas en obras viales, como son
los puentes, alcantarillas cunetas y otras estructuras hidráulicas en obras
viales.
1.7.2 Importancia
Toda investigación sobre un determinado tema específico, es un
herramienta que nos va ayudar a entender, comprender y poder hacer usos
de ello, para dar soluciones a problemas; Mediante el desarrollo de un
modelo hidrológico atreves del usos de Redes Neuronales Artificiales para
predicción de caudales será una herramienta más que podemos contar
como herramienta de apoyo para el diseño de estructuras hidráulicas en
obras viales
1.8 Viabilidad
La investigación es viable, porque nos va a permitir conocer el
comportamiento hidrológico de la cuenca atreves del tiempo, donde se va
hacer uso de una metodología ya propuesta en varios lugares, donde
6
además se cuenta con datos meteorológicos con registro históricos para el
cual se va hacer usos de la teoría de redes neuronales artificiales para la
predicción de caudal para diseño de estructuras hidráulicas en obras viales
1.9 Limitaciones
La investigación se limita a proponer un modelo hidrológico mediante el uso
de RNA para la perdición de caudales futuros, mediante los datos de
ingreso como precipitación, evaporación de una cuenca hidrográfica
aplicado a para el diseño de estructuras hidráulicas a obras viales.
1.10 Operacionalidad De Variables

variable definición dimensión indicadores
Precipitación Caída de agua solida o Meteorológico Magnitud

liquida sobre la
(Independiente) superficie terrestre. Severidad
Es uno de los factores
Evaporación determinantes que intensidad
influye directamente el
(Independiente) aumento o disminución
de caudal
Evaporación La evaporación es un Meteorológico Magnitud
proceso físico que
(Independiente consiste en el paso
lento y gradual de un
estado líquido hacia un
estado gaseoso
Caudal Cantidad de agua que hidrológico Magnitud

paso por una sección
en un determinado avenida
tiempo que depende
directamente de la
precipitación y otros
factores meteorológico
7
PROBLEMA OBJETIVO HIPOTESIS VARIABLE
Problema General Objetivo General Hipótesis General Variable de Estudio
La predicción de caudales mediante el El objetivo principal es desarrollar un El uso de un modelo de red Variable Independiente
uso de redes neuronales artificiales modelo de predicción de caudales neuronal artificial mejorara la
(RNA), mejorara el correcto mediante el uso de redes neuronales. predicción de caudal para el Precipitación, evaporación,
dimensionamiento de estructuras Objetivos Específicos diseño de estructuras Indicadores
hidráulicas garantizando así la vida útil hidráulicas en obras viales en  Magnitud
de la infraestructura vial. -Desarrollar un modelo predictivo con comparación de otros  Intensidad
Problemas Específicos aplicación de red neuronal artificial que modelos hidrológicos  Severidad
permita el pronóstico de predicción de Hipótesis Especificas
-Disponer un modelo hidrológico caudal. Variable Dependiente
desarrollado para predicción de -H1: El modelo será eficiente
caudales con un sustento técnico y -Determinar cuáles son los criterios en la predicción de caudales, Caudal
científico teniendo. principales para desarrollar un modelo si la correlación entre la
-Cuáles serán los criterios principales predictivo de caudales máximo con el uso variable precipitación con los Indicadores
para desarrollar un modelo predictivo de RNA. caudales será
de caudales con el uso de RNA. suficientemente buena de  Magnitud
- Como será el desempeño del modelo -Analizar y comparar el desempeño del acuerdo al coeficiente de
de RNA con otro modelo hidrológico modelo de RNA con otro modelo Nash and Sutcliffe con un  Evento extremo
existente para la predicción de hidrológico existente para la predicción de valor mayor a 0.80
caudales. caudales. -H2: Sera suficiente tres
-Qué relación existirá entre las variables estaciones hidrográficas de
Hidrometerologicas como Precipitación, -Establecer la relación entre las variables medición para calibrar y
Evaporación y caudales. Hidrometerologicas. evaluar la sensibilidad e
- Ver el comportamiento de caudales en incertidumbre del modelo
una cuenca mediante el uso de RNA y -Analizar el comportamiento de caudales propuesto.
realizar el mapeo del periodo de retorno en una cuenca mediante el uso de RNA y
de eventos de precipitación máxima. realizar el mapeo del periodo de retorno
de eventos de precipitación máxima
8
II. MARCO TEORICO
2.1 Antecedentes
 Internacionales.
(Dolling y Varas, 2000), en su trabajo de Pronostico de caudales
en cuencas nivales usando redes neuronales artificiales pone de
manifiesto, con resultados concretos, que la utilización metódica
y ordenada de las técnicas de inteligencia artificial, al pronóstico
de variables hidrológicas puedes dar lugar a una nueva etapa en
la gestión de los recursos hídricos, la cual está apoyada en la
predicción más precisas y confiables, a lo que se realizan hasta
ahora con otros métodos de simulación. Especialmente cuando
se trata de predecir fenómenos de características netamente no
lineales.
(Moscoso, 2014), en su investigación análisis de la relación entre
variables hidrometerologicas y zonas inundables por medio de
sistemas inteligentes artificiales en un tramo del rio Bogotá, logra
implementar un modelo utilizando técnica de inteligencia artificial
con los cuales se emulo el comportamiento de un tramo del rio
Bogotá basado en histórico de caudal, arrojando resultados
estadísticos que demuestran pronósticos muy cercanos a los
datos reales y la efectividad de la técnicas.
 Nacionales.
(Sanchez y Laqui, 2009), En su investigación de predicción de
caudales medios mensuales del rio Huancané utilizando modelos
de redes neuronales, logro establecer y desarrollar modelos de
9
redes neuronales, a partir de datos de caudales, precipitación y
evaporación, lo que demuestra la capacidad de los modelos de
redes neuronales artificiales en la predicción de caudales medios
mensuales a partir de este tipo de información.
(Vargas, Espinoza y Arce, 2011), en su investigación sobre el
pronóstico de caudales medios mensuales del rio Caplina,
aplicando redes neuronales artificiales (rna) y modelo autor
regresivo periódico de primer orden par (1) afirma que las redes
neuronales artificiales desde el punto de vista de predicción o
pronóstico de caudales mensuales, muestra un comportamiento
excelente en términos de la estadística de los errores de
predicción.
2.2 Bases Teóricas.
2.2.1 predicción
(Pérez y Merino, 2012.) Es una expresión que anticipa aquello que,
supuestamente, va a suceder. Se puede predecir algo a partir de
conocimientos científicos, relevaciones de algún tipo, hipótesis o
indicios.
En el ámbito de la ciencia, una predicción es un anticipo de lo que
ocurrirá de acuerdo al análisis de las condiciones existentes. Es
frecuente que las predicciones surjan tras experimentos o
investigaciones que permiten conocer las condiciones y estimar que, si
se repiten, el resultado será el mismo.
10
Las predicciones científicas, sin embargo, no siempre se cumplen ya
que suelen existir variables desconocidas u otras cuya dinámica no se
puede anticipar con precisión.
2.2.1 Caudal
(Fattorelli, Fernandez; 2011), lo define con caudal es la cantidad de agua
que pasa en un cierto instante a través de una sección. El caudal, siendo
una de las variables más importantes en estudios hidrológicos se mide
indirectamente en función del nivel de la corriente (y el área de la
sección) y la velocidad del flujo (caudal es igual a área por velocidad).
2.2.3 Modelo hidrológico
(Fattorelli, Fernandez; 2011) lo define al modelo como un sistema
permiten simular el comportamiento de un sistema real (prototipo) y
obtener mediante la operación del mismo, las respuestas o salidas a un
determinado impulso o entradas al sistema.
En hidrología e hidráulica se usan modelos: físicos, analógicos y
matemáticos.
 Los modelos Físicos. son una parte importante del diseño
hidráulico (Por ejemplo, los modelos de laboratorio de hidráulica).
 Los modelos Analógicos: Que usan otro sistema físico que posea
propiedades similares a las del prototipo.
 Los modelos matemáticos: son cualquier ecuación o algoritmo
matemático que pretenda representar un fenómeno físico. Estos
modelos son más versátiles que los anteriores y pueden
fácilmente cambiar los valores de variables o parámetros.
11
(Sanchez, Laqui; 2008) expone en su trabajo Predicción de
caudales medios mensuales del rio Huancané utilizando modelo
de redes neuronales sobre la importancia de la previsión de
caudales, durante las últimas décadas se han propuesto gran
variedad de modelos, entre ellos, los modelos de alisamiento
exponencial, modelos de regresión lineal y no lineal, modelos de
series de tiempo estocásticas y muy recientemente se han
introducido nuevos modelos de previsión, que manejan de una
manera eficiente la aleatoriedad de los caudales y presentan una
fácil adaptabilidad a nuevos datos, sin la necesidad de incurrir en
laboriosas formulaciones matemáticas. Entre estos modelos se
incluyen las técnicas de inteligencia artificial.
2.2.4 Red neuronal
(Ponce, 2010) lo define a las Redes Neuronales Artificiales (RNA) son
sistemas que constan de un gran número de procesadores simples,
llamados neuronas, ligados por conexiones o enlaces los cuales son
caracterizados por un peso o valoración.
(Ponce, 2010; Pérez, 2002) Lo describe a cada unidad recibe entradas
xi, i=1,……,n, y genera una única salida yj. Los pesos wji; i= i,…..,n, que
conectan la entrada i-esima, con la neurona j- esima, atenúan o
amplifican las señales de entrada, provocando que su suma, más el
umbral o sesgo Øj, asociado a la neurona j - esima, al pasar por una
función de activación, produzca una señal de salida saturada, es decir
que a pesar de que el sumatorio sea un número grande positivo o
negativo, la salida solo variara dentro de un rango específico.
12
Figura 1: Neurona artificial.

Realizado por: Gabriel Asqui. 2016
2.3 Bases Epistémico
2.3.1 Epistemología De La Investigación
Con la investigación se propone un modelo para predecir caudales, con
el uso de las teorías y leyes desde un enfoque empirista-realista
(mediciones, experimentos, inducción controlada), que nos permite
explicar las relaciones entre los datos de entrada y de salida con el uso
de una metodología como es el uso de la teoría de redes neuronales
artificiales para la predicción de caudales.
Mi investigación es positivista por que comprende el estudio del
fenómeno en su realidad sin la manipulación de variables, para así
explicar, predecir fenómenos de la naturaleza a futuro.
2.3.2 Axiología Epistémica.
En la investigación se toma las variables tal cual se dan en la naturaleza
sin alteraciones tal como sucede en su medio natural y que se
representa la realidad del evento o suceso. Porque al no respetar los
13
valores, los resultados de la investigación no serán confiables, y por lo
tanto el uso de la teoría propuesta no representaría al sistema real.
En la investigación que se realice se tendrá presente el bien, la verdad,
que será la base de la investigación para esto sea confiable y poder ser
de utilidad.
2.3.3 Paradigma De La Investigación.
Para la investigación se tendrá en cuentas una metodología propuesta
por propuesta por Dawson y Wilby (2001) que aplico a los datos de
Precipitación- escorrentía de rio Yangtze (China), para la generación
de un modelo de un sistema hidrológico.
En la investigación se dará un enfoque analítico-interpretativo, que se
basara en las técnicas de observación, Descripción y proposición del
uso de RNA para la explicación de la realidad y predecir un futuro
comportamiento del mismo.
14
III. METODOLOGÍA
3.1 Tipo de investigación.
3.1.1 Por el tipo de Enfoque es Cuantitativo.
Por lo que se recolectan datos de un hecho real en base a la medición,
para luego probar la hipótesis con las herramientas estadísticas y
establecer una relación entre las variables, determinar así el
comportamiento de la misma con el uso de teorías y leyes.
3.1.2 Por el manejo de Variable es descriptivo -Correlacional
Los estudios descriptivos buscan especificar las propiedades, las
características y los perfiles de personas, grupos, comunidades,
procesos, objetos o cualquier otro fenómeno que se someta a un
análisis. Es decir, únicamente pretenden medir o recoger. (Sampieri y
Fernández, 2012).
3.1.3 De acuerdo al fin que persigue.
La investigación es aplicada y tecnológica. Por qué busca conocer el
comportamiento de una determinada variable para implementar un
modelo para resolver una incertidumbre.
3.1.4 por la formulación de hipótesis.
Investigación no experimental-Longitudinal, por el tipo de la
recolección de datos atreves del tiempo ya sea en periodos o puntos,
para analizar cómo se comporta.
15
Las investigaciones no experimentales no establecen relación, ni se
puede probar relaciones causales directas entre dos variables o entre
dos elementos (Manuel Borja, 2012).
3.2 Diseño y esquema de la investigación.
Se propone la metodología propuesta por Dawson y Wilby (2001) que
aplico a los datos de Precipitación- escorrentía de rio Yangtze(China)
que consta de siete pasos.
 Adquisición de Datos
 Selección de variable a predecir
 Procesamiento de datos (Etapa 1)
-Limpieza de datos
-Identificación de predictores y variable a predecir
 Selección del tipo de RNA
-Tipo de red
-Algoritmo de entrenamiento
 Pre procesamiento de datos(etapa 2)
-estandarización de datos
-selección de set de datos
 Entrenamiento de la redes seleccionadas
-Arquitectura de la red
-Entrenamiento
 Evaluación y resultados
16
3.3 Población y muestra.
La población y muestra seleccionada es de tipo no probabilístico dirigida,
donde el universo de investigación, en el trabajo lo conforma la cabecera
de la cuenca del alto Huallaga con sub cuencas Higueras, Molinos y
Huertas, con características propias.
-Características De La Muestra
Es una muestra que por su característica es no probabilística que
obedece a los criterios de investigación, cumpliendo con el esquema de
investigación y que dicha muestra es el elemento principal de la
modelación hidrológico.
La muestra comprende la cabecera de la cuenca del alto Huallaga con
sub cuencas en Higueras, Molinos, y Huertas que esta ubicados en la
provincia Huánuco, Leoncio Prado, Pachitea y Ambo, región Huánuco
entre las coordenadas 291,000 y 339,000 Longitud Este, 8’843,000 y
8’903,000 Latitud Sur. Entre las altitudes de 650.00 hasta los 5,800
m.s.n.m.
3.4 Definición operativa del Instrumentos de recolección de datos.
Los instrumentos deben de contar con su respectiva calibración y que se
ajustan a estándares mínimos en la precisión de medición, que en su
mayoría son equipos operados por el Servicio Nacional de Hidrología y
Meteorología investigación (SENHAMI) y los otros equipos y
instrumentos de menos presión usados como apoyo a la investigación
son:
-Fichas de campo
17
-Cámaras filmadoras y Fotográfica
-Equipos de medición (topográficos)
-Equipos de Laboratorio (Mecánica de Suelo)
-Equipos Informáticos (computadoras)
-Correntómetro y otros
3.5 Técnicas de recojo, procesamiento y presentación de datos.
3.5.1 Fuentes
Los datos necesarios para la investigación y la implementación del
modelo hidrológico deben ser suministrados por el Servicio Nacional de
Hidrología del Perú (SENAMHI) y otros datos por entidades.
3.5.2 Técnicas e Instrumentos de recolección de Datos.
Los instrumentos deben de contar con su respectiva calibración y que se
ajustan a estándares mínimos en la precisión de medición, que en su
mayoría son equipos operados por el Servicio Nacional de Hidrología y
Meteorología investigación (SENHAMI) y los otros equipos e
instrumentos de menos presión usados como apoyo a la investigación
son:
-Fichas de campo
-Cámaras filmadoras y Fotográfica
-Equipos de medición topográficos
-Equipos de medición de Caudales y Velocidad de Flujo
-Equipos de Laboratorio (Mecánica de Suelo-Permeabilidad de
Suelo)
18
-Equipos Informáticos (computadoras)
-Correntómetro y otros
La información cartográfica debe estar compuesta por cartas nacional
de Instituto Geográfico Nacional (IGM) e imágenes satelitales
descargadas del Lan Sat 8 correspondiente al área de investigación.
- Recopilación de información del campo.
Se realizara visitas a la zona de investigación de acuerdo a las
necesidades con la finalidad de hacer un reconocimiento general de
lugar, así mismo se recolectaron muestras de textura del suelo y
descripción de paisajes para luego elaborar los mapas de clasificación
hidrológica de suelos, uso de suelo y cobertura vegetal de la zona de
estudio, el cual servirán para datos de entrada.
Para la elaboración de estos mapas se realizara en su integridad a partir
de la carta nacional, fotografías satelitales, y con la ayuda del GPS,
cámara fotográfica, ficha de datos y toma de muestra de suelo.
3.5.3 Procesamiento de datos Pluviométricos
La información pluviométrica será proporcionada por el Servicio Nacional
de Hidrología y Meteorología, (SENHAMI) – Zonal Huánuco y Zonal
Huancayo, de las estaciones pluviométricas de jacas Chico, Canchan,
San Rafael, Yanahuanca, Tingo María, Molinos y Carpish de un periodo
de 30 años de registro desde al año 2015 hacia atrás
19
3.5.4 Empleo del sistema de información Geográfico GIS para
obtener datos preliminares
Con la información de las fotografías satelitales y cartográfica se
digitalizara un modelo digital de terreno DEM (Digital Elevación Model)
en el sistema SIG, para determinar y delimitar la cuenca y sub cuenca
hidrográfica, sus características de la red de drenaje, los parámetros
geomorfológicos de la cuenca en estudio.
20
IV. CRONOGRAMA
4.1 Cuadro con cronograma de acciones.
MESES Mes 1 Mes 2 Mes 3 Mes 4 Mes 5 Mes 6

ITEM DESCRIPCION DE ACTIVIDADES SEMANAS 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
1 ELABORACION UN PLAN DE TESIS
2 REVISION DE BIBLIOGRAFIA
3 RECOPILACION DE INFORMACION
4 TRABAJO DE CAMPO
5 TRABAJOS DE GABINETE
6 PROCESAMIENTO DE INFORMACION
7 ELABORACION DE MAPAS
8 INTERPRETACION DE RESULTADOS
9 IMPRESIÓN DE BORADOR
10 IMPRESIÓN DEL INFORME FINAL
21
V. PRESUPUESTO
5.1 Potencial humano.
 Beltrán Cajaleon Santamaría
5.2 Recursos materiales.
 SENHAMI-DIRECCION REGIONAL HUANUCO
 INSTITUTO GEOGRAFICO NACIONAL PERUANO
 INTITUTO GEOLOGICO, MINERO Y METALURGICO
 MINISTERIO DE TRANSPORTES Y COMUNICACIONES (MTC)
 USGS –SCIENCE FOR CHANG ING WORLD
5.3 Recursos financieros.
El presupuesto estimado en bines y servicios para la elaboración del
trabajo de Investigación es como se detalla.
5.3.1Bienes
 Compra De Bibliografía S/. 2500.00
 Compra De Datos Físico S/. 1600.00
 Compra De Datos Digitales S/. 2500.00
 Papel Y Útiles De Escritorio S/. 800.00 S/. 7400.00
5.3.2 Servicios
 Trabajo De Campo S/. 3500.00
 Pago a terceros S/.6000.00
 Alquiler De Equipos De Medición S/.4500.00
 Movilidad S/. 1500.00
 Servicio De Internet S/. 650.00
 Viáticos S/. 850.00
22
 Otros S/.600.00 S/. 17600.00
5.3.3 Financiamiento
 El investigador
Total General S/. 25,000.00
23
VI. BIBLIOGRAFÍA
 Autoridad nacional del Agua, Recursos Hídricos en el Perú (2010). Lima,
Perú: Editorial Súper Gráfica l.R.L. Jr. Ica 344-346 Cercado de Lima,
 Jose R. Temez Pelaez, (1978). Calculo Hidrometerologico de Caudales
máximos en pequeñas Cuenca naturales, ministerio de obras públicas y
urbanismo dirección general de carreteras.
 Ing. Sergio Fattorelli y Ing. Pedro Fernández, (2011). Diseño Hidrológico.
Padova, Argentina: Edición digital publicada en la biblioteca virtual de la
WASA-GN.
 Ven Te Chow, David R. Maidment y Larry W. Mays, (1994). Hidrología
aplicada, McGraw-Hill Interamericana S.A.
 Arturo Rocha Felices, (2013). Introducción a la hidráulica de las obras
viales. Lima, Perú: Imprenta ICG.
 Julian David Rojo Hernandez, (2011). Desarrollo de un sistema experto

para la predicción de caudales medios mensuales en Colombia (tesis de
maestría). Universidad Nacional de Colombia, Colombia.
 Ivan Arturo Ayala Bizarro, (2016). Predicción de sequias con redes
neuronales y algoritmos genéticos utilizando precipitación por percepción
remota (tesis de maestría). Universidad Nacional de Ingenieria, Peru.
 William Daniel Moscoso Barrera, (2014). Análisis de la relación entre
variables hidrometerologicas y zonas inundables por medio de sistemas
inteligentes artificiales en un tramo del rio Bogotá comprendido entre
estación de puente Florencia (Gachancipa) y Tocancipa (tesis de
Maestría). Universidad de la sabana, Colombia.
24
 Lucas Pujol Reig, (2009). Predicción de caudales en tiempo real en

grandes cuencas utilizando redes neuronales artificiales (tesis doctoral).
Universidad politécnica de Valencia, España.
 Maria de Carmen Montserrat la red Martinez, (2013). Sistemas
inteligentes para el ajuste de modelos hidrológicos. Aplicación al rio
Parana (tesis doctoral). Universiodad de Cantabria, España.
 Miguel Sanchez D y Wilber Laqui V. (2009). Predicción de caudales
mensuales del rio Huancané Utilizando modelos de redes Neuronales.
Análisis científicos UNALM, 70(2), 196-206.
 Pino Vargas Edwin, Siña Espinoza Luis y Román arce Carmen. (2011).
Pronostico de caudal medios mensuales del rio capulina, aplicando redes
neuronales artificiales (RNA) y modelo autorregresivo periódico de primer
orden par (1). ECIPERU, 8(2), 69-72.
 Oscar Raul Dolling y Eduardo Varas Castellon (2000). Pronostico de
Caudales en cuencas Nivales Usando Redes Neuronales Artificiales.
Simposio llevado a cabo en el XIX congreso latinoamericano de hidráulica,
Cordoba, Argentina.
25
VII. ANEXOS
26
INDICE
I. EL PROBLEMA DE INVESTIGACIÓN ..................................................................... 2
1.1 Descripción Del Problema ................................................................................ 2
1.2 Formulación Del Problema ............................................................................... 3
1.2.1 Problema General ....................................................................................... 3
1.2.2 Problemas Específicos .............................................................................. 4
1.3 Objetivo General.................................................................................................. 4
1.4 Objetivo Especifico ............................................................................................ 5
1.5 Sistema De Hipótesis ......................................................................................... 5
1.5.1 Hipótesis General ........................................................................................ 5
1.5.2 Hipótesis Específica ................................................................................... 5
1.6 Variable .................................................................................................................. 6
1.6.1 Variable Independiente .............................................................................. 6
1.6.2 Variable Dependiente ................................................................................. 6
1.7 Justificación E Importancia.............................................................................. 6
1.7.1 Justificación ................................................................................................. 6
1.7.2 Importancia ................................................................................................... 6
1.8 Viabilidad............................................................................................................... 6
1.9 Limitaciones ......................................................................................................... 7
1.10 Operacionalidad De Variables ......................................................................... 7
II. MARCO TEORICO ....................................................................................................... 9
2.1 Antecedentes ....................................................................................................... 9
2.2 Bases Teóricas. ................................................................................................. 10
2.2.1 predicción ......................................................................................................... 10
27
2.2.1 Caudal ................................................................................................................ 11
2.2.3 Modelo hidrológico ......................................................................................... 11
2.2.4 Red neuronal .................................................................................................... 12
2.3 Bases Epistémico ............................................................................................. 13
2.3.1 Epistemología De La Investigación..................................................... 13
2.3.2 Axiología Epistémica. .............................................................................. 13
2.3.3 Paradigma De La Investigación. ........................................................... 14
III. METODOLOGÍA ..................................................................................................... 15
3.1 Tipo de investigación....................................................................................... 15
3.1.1 Por el tipo de Enfoque es Cuantitativo. .............................................. 15
3.1.2 Por el manejo de Variable es descriptivo -Correlacional ............... 15
3.1.3 De acuerdo al fin que persigue. ............................................................ 15
3.1.4 por la formulación de hipótesis. ........................................................... 15
3.2 Diseño y esquema de la investigación........................................................ 16
3.3 Población y muestra. ....................................................................................... 17
3.4 Definición operativa del Instrumentos de recolección de datos.......... 17
3.5 Técnicas de recojo, procesamiento y presentación de datos. ............. 18
3.5.1 Fuentes ........................................................................................................ 18
3.5.2 Técnicas e Instrumentos de recolección de Datos. ......................... 18
3.5.3 Procesamiento de datos Pluviométricos ............................................ 19
3.5.4 Empleo del sistema de información Geográfico GIS para obtener
datos preliminares .................................................................................................... 20
IV. CRONOGRAMA...................................................................................................... 21
4.1 Cuadro con cronograma de acciones. ........................................................ 21
V. PRESUPUESTO ......................................................................................................... 22
5.1 Potencial humano. ............................................................................................ 22
28
5.2 Recursos materiales. ....................................................................................... 22
5.3 Recursos financieros. ...................................................................................... 22
VI. BIBLIOGRAFÍA ....................................................................................................... 24
VII. ANEXOS ................................................................................................................... 26
29

Predicción de Caudal para Diseño Estructura Hidráulicas Obras Viales en La Cuenca Del Huallaga-Beltran Cajaleon

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Predicción de Caudal para Diseño Estructura Hidráulicas Obras Viales en La Cuenca Del Huallaga-Beltran Cajaleon

Uploaded by

Copyright:

Available Formats

BELTRAN CAJALEON SANTAMARIA

UNIVERSIDAD NACIONAL HERMILIO VALDIZAN

MAESTRIA EN: DISEÑO Y CONSTRUCCION DE OBRAS VIALES

Predicción de caudales mediante el uso de redes neuronales

TESISTA: BELTRAN CAJALEON SANTAMARIA

determinado espacio geográfico estos pueden ser carreteras, autos

pistas, avenidas, calles y puentes.

La predicción de caudales máximos horarios o diarios es de vital

importancia para el diseño de los elementos de drenaje superficial y sub

drenaje de una obra vial, así como para la alerta temprana de

inundaciones y desastres causado por avenidas extremas. El pronóstico

de caudales mensuales o estacionales sirve para determinar la oferta

hídrica para utilización del agua.

1.1 Descripción Del Problema

(Dölling y Varas, 2000), Al estudiar los escurrimientos de cuencas de

montaña usando redes neuronales artificiales (ANN), muestran que los

escurrimientos mensuales de primavera y verano se representan

adecuadamente, mejorando los resultados obtenidos utilizando otros

El pronóstico de caudales en cuencas de régimen de precipitación pluvial es

esencial para resolver un amplio número de problemas de planificación,

diseño y operación de los sistemas de aprovechamiento del recurso agua,

los cuales tienen un alto impacto socio económico a nivel regional.

El uso de redes neuronales artificiales (ANN) para la predicción de caudales

de escurrimiento, es una metodología en el que captura la naturaleza no

lineal del proceso precipitación-escorrentía para una escala mensual, con el

cual mejora los resultados obtenidos con otros métodos.

(Portillo, 2013), En su investigación en el desarrollo de un semivariograma

periódico para series temporales de precipitación afirma que en muchas

obras de ingeniería civil que son influenciadas profundamente por factores

climáticos como precipitación pluvial, temperatura y otros.

(Gomes, 2016), Al plantear un modelo de predicción de aportaciones

mensuales utilizando redes neuronales artificiales (RNA). aplicada a la

computacional estructurado, basado en el funcionamiento del cerebro

humano, en el que se procesan datos de entradas a lo largo de la red, para

obtener un dato de salida, y pueden ser una interesante herramienta de

de previsión hidrológica, sino que, tienen la gran ventaja de ser muy

adaptables a las necesidades del modelador, que define desde el diseño

un modelo de caja negra, su versatilidad es una de las principales ventajas

para este tipo de modelo.

1.2 Formulación Del Problema

1.2.1 Problema General

La predicción de avenidas máximas mediante el uso de redes neuronales

artificiales (RNA), mejorara el correcto dimensionamiento de estructuras

hidráulicas garantizando así la vida útil de la infraestructura vial como puentes,

alcantarillas, obras de drenaje superficial y subdrenaje y su prevención contra

los daños provocados por avenidas máximas durante su vida útil en

1.2.2 Problemas Específicos

 Disponer un modelo hidrológico desarrollado para predicción de

caudales con un sustento técnico y científico teniendo en cuenta los

parámetros hidrológicos de una determinada región

 Cuáles serán los criterios principales para desarrollar un modelo

predictivo de caudales con el uso de RNA.

 Como será el desempeño del modelo de RNA con otro modelo

hidrológico existente para la predicción de caudales.

 Qué relación existirá entre las variables Hidrometerologicas como

Precipitación, Evaporación y caudales para la cuenca en análisis.

 Ver el comportamiento de caudales en una cuenca mediante el uso de

RNA y realizar el mapeo del periodo de retorno de eventos de

1.3 Objetivo General

El objetivo principal es desarrollar un modelo de predicción de caudales

mediante el uso de redes neuronales, como herramienta de apoyo parar la

predicción de caudal con anticipación a un evento, en una determinada región

con características propias y su desempeño en la predicción de caudales.