TE Hidro

UNIVERSIDAD NACIONAL DE INGENIERÍA
Facultad de Ingeniería Civil

Departamento Académico de Hidráulica e Hidrología
7-12-2020
“Implementación de Redes
Neuronales para el Cálculo de
Caudales Mensuales”
CURSO:
Hidrología Aplicada
DOCENTE:
 Ing. ROMERO MACHUCA, Fernando Moisés
INTEGRANTES:
 BASURTO SOTO, Kevin Jeferson 20170079A
 GUANILO RIVERA, Jean Pierre 20171020K
Ciclo 2020-II
Facultad de Ingeniería Civil 2020 - II
ÍNDICE DE CONTENIDO
Introducción………………………………………………………………………………………….....2
Capitulo l: Fundamentos Teóricos……………………………………………………………….......2
1.1. Introducción……………………………………………………………………………..3
1.1.1. Definición………………………………………………………………………3
1.1.2. Breve Historia………………………………………………………...............3
1.1.3. Aplicación y Características de las Redes Neuronales…………………..4
1.2. Funcionamiento y Modelos de Redes Neuronales………………………………...5
1.2.1. Descripción de una Red Neuronal Biológica……………………………...5
1.2.2. Descripción del Modelo de una Neurona Artificial………………………..7
1.2.3. Arquitecturas de Redes Neuronales Artificiales………………………….8
1.2.4. Procesos de Aprendizaje de una RNA……………………………………10
1.2.5. Aprendizaje por Corrección de Error……………………………………...11
Capítulo ll: Base Teórica del modelo de Scholz……………………………………………….....14
2.1. Introducción…………………………………………………………………………...14
2.2. Metodología del Modelo……………………………………………………………..15
2.2.1. Ecuación General del Balance Hídrico…………………………………...15
2.2.2. Coeficiente de Escurrimiento……………………………………………...16
2.2.3. Precipitación Efectiva……………………………………………………....17
2.2.4. Retención de la Cuenca……………………………………………….......19
2.2.5. Relación entre Descargas y Retención……………………………….....19
2.2.6. Coeficiente de Agotamiento…………………………………………….....20
2.2.7. Almacenamiento Hídrico………………………………………………......21
2.2.8. Abastecimiento de la Retención……………………………………….....22
2.2.9. Determinación del Caudal Mensual para el Año Promedio……….......23
2.2.10. Generación y Validación de Caudales Mensuales para Periodos

Extendidos………………………………………………………………….23
2.2.11. Restricciones del Modelo………………………………………………....24
Bibliografí
Implementación de Redes Neuronales para el cálculo de caudales mensuales Página | 1

Introducción
En el Perú, en la década de los 80, el experto Lutz Scholz desarrolló el modelo
matemático "Transformación de Precipitación en Descarga" para el Ministerio de
Agricultura, a través del Plan Meris 11, para cuencas de la sierra peruana. Este
modelo presenta una serie de expresiones empíricas que en teoría permiten estimar
los valores de los caudales a escala mensual en cuencas que carecen de información
hidrométrica, en la actualidad este modelo es usado por especialistas e instituciones,
como la Autoridad Nacional del Agua, para el estudio del manejo de los recursos
hídricos de algunas cuencas del país, pero debido a la compleja diversidad climática
del Perú, no es posible aplicar el modelo en todo el país. En la presente tesis, se
pretende poder mejorar la estimación de estos caudales, mediante el uso de una
herramienta matemática conocida como Red Neuronal, la cual ha tenido variadas
aplicaciones en el campo de los modelos hidrológicos.

Capítulo l: Fundamentos teóricos

1.1. Introducción
1.1.1. Definición
Las redes neuronales artificiales (RNA) son arreglos de elementos de procesamiento

llamados neuronas, las cuales tratan de imitar el funcionamiento de la estructura
nerviosas biológica de un cerebro humano. Estos arreglos entre neuronas, también
llamados nodos, son interconectados entre sí, los cuales cooperan para formar un
sistema de procesamiento en paralelo capaz de llevar a cabo algunas tareas.
Su desarrollo se basa en las siguientes reglas:
 El procesamiento de información ocurre en muchos elementos individuales

llamados nodos, también denominado como unidades, células, o neuronas.
 Las señales pasan entre nodos a través de enlaces de conexión.
 Cada enlace de conexión tiene un peso asociado que representa la intensidad
de la conexión.
 A cada nodo normalmente se aplica una transformación no lineal, llamado
función de activación, a su entrada de la red para determinar su señal de
salida.
Una red neuronal se caracteriza por su arquitectura que representa el patrón de
conexión entre los nodos, su método de determinar los pesos de conexión, y la
función de activación.
1.1.2. Breve Historia
El desarrollo de las redes neuronales artificiales (RNA) se inició en la década de los 50

(McCulloch y Pitts 1943), inspirado por el deseo de entender el cerebro humano y
emular su funcionamiento. En 1969 Minsky-Papert publica un libro llamado
"Perceptrons" en donde mostraba con pesimismo la teoría de redes neuronales,
ocasionando un desinterés por el estudio de éstas. Matemáticamente, una RNA es a
menudo vista como un aproximador universal. Su capacidad de identificar una relación
entre datos, hace posible que las RNA puedan ser útiles para resolver problemas
complejos de gran escala tales como el reconocimiento de patrones, modelado no
lineal, clasificación, asociación y etc.
A principios de los años 80, las Redes Neuronales experimentaron un resurgimiento

debido al esfuerzo de Hopfield (1982). Un gran crecimiento en el interés de este
mecanismo computacional se ha producido desde que Rumelhart (1986) redescubrió
un marco matemático riguroso para las redes neuronales, es decir, un nuevo algoritmo
de propagación. En consecuencia, las RNA han encontrado aplicaciones en áreas tan

diversas como la neurofisiología, la física, la ingeniería biomédica, ingeniería eléctrica,

ciencias de la computación, la acústica, la cibernética, la robótica, el procesamiento de
imágenes, financiamiento, entre otros.
Desde principios de los años 90, las RNA se han utilizado con éxito en las áreas
relacionadas con la hidrología tales como el modelado de precipitación-escorrentía, la
previsión de flujo de corriente, el modelado de aguas subterráneas, calidad del agua,
la política de gestión del agua, los pronósticos de precipitación, series hidrológicas de
tiempo y operaciones de almacenamiento.
1.1.3. Aplicación y Características de las Redes Neuronales
Las redes neuronales son buenas herramientas para atacar problemas no lineales.
Sus usos se han extendido en muchas áreas en donde se requiere determinar
comportamientos, patrones desconocidos, secuencias, etc. Sin necesidad de conocer
como lo hace, importando solo el resultado. La idoneidad de los diversos campos de
aplicación de las redes neuronales es materia de arduas investigaciones, una de ellas
es la que se presenta en este trabajo.
Entre los usos específicos a los cuales se puede hacer referencia se tienen:
 Bombeo de agua subterránea.
 Discriminación de señales sísmicas.
 Monitoreo de señales acústicas, sísmicas o médicas.
 Estimación de la magnitud de un movimiento sísmico.
 Usos en mapas y características geológicas.
 Alerta temprana de terremotos.
 Cambios climáticos y pronóstico del clima.
 Modelamiento de sistemas estructurales desconocidos.
 Predicción en un modelo híbrido del comportamiento de una estructura.
 Simulación de distintos niveles de daños después de un desastre.
 Predicción en la bolsa de valores.
 Usos diversos en predicción y monitoreo en plantas industriales.
 Reconocimiento óptico de caracteres.
Las redes neuronales tienen estos usos gracias a que poseen las siguientes
características:
 Adaptabilidad: las redes neuronales pueden aprender de los datos que se les
proporciona. Pueden llegar a soluciones por lo general basándose en lo que
parece ser relaciones ocultas entre los datos y grupos de datos que hacen al
problema de posible solución. Esta es la principal ventaja que tienen sobre los
programas de cómputo comunes. Las redes neuronales no se rigen por reglas

ya prescritas para dichos programas ya que elaboran sus propias reglas

durante el proceso de aprendizaje.
 Capacidad de generalizar: las RNA tienen la capacidad de procesar datos no

necesariamente parecidos a los datos que usó para el entrenamiento o
aprendizaje. Además, pueden manejar datos incompletos y, por lo tanto,
pueden manejar datos con distorsiones llamados ruidos.
 No Linealidad: Las RNA pueden captar problemas de relaciones muy

complejas a partir de los datos de entrada. Los sistemas lineales relacionan de
la forma que la salida depende proporcionalmente a los valores de entrada. En
cambio, en los sistemas no lineales las salidas dependen de los valores de
entrada y de las relaciones de interacción que se generan. Esto es muy
parecido a lo que ocurre con frecuencia en la realidad.
 Procesamiento en Paralelo: Las RNA son altamente paralelas. Si se implantan

los programas en sistemas con procesadores en paralelo, estos son
compatibles con las redes neuronales e incrementan notablemente su
rendimiento debido a la naturaleza paralela de las redes neuronales.
 Modularidad: Una vez que la red ha sido entrenada, su tamaño y su

funcionalidad se reducen al valor y estructura de sus pesos. Esto hace que
sean portables y puedan ser insertados en otros sistemas de mayor tamaño.
Además, cuando la naturaleza del problema es similar, la red puede ser
actualizada con nuevos datos y seguir manteniendo su modularidad.
1.2. Funcionamiento y Modelos de Redes Neuronales
1.2.1. Descripción de una Red Neuronal Biológica
El cerebro puede considerarse un sistema altamente complejo. Su unidad básica, la

neurona, está masivamente distribuida con conexiones entre ellas (se calcula que hay
aproximadamente 10 billones de neuronas en la corteza cerebral y 60 trillones de
conexiones neuronales).
Si bien hay distintos tipos de neuronas biológicas, en la Figura N° 1.1 se muestra un

esquema simplificado de un tipo particular que es muy común.
Vemos que la misma está compuesta por:

 Soma o cuerpo celular: corresponde a la parte más voluminosa de la neurona.
Aquí se puede observar una estructura esférica llamada núcleo. Éste contiene
la información que dirige la actividad de la neurona.

 Dendritas: son prolongaciones cortas que se originan del soma neuronal. Su

función es recibir impulsos de otras neuronas y enviarlas hasta el soma de la
neurona.
 Axón: es una prolongación única y larga. En algunas ocasiones, puede medir

hasta un metro de longitud. Su función es sacar el impulso desde el soma
neuronal y conducirlo hasta otro lugar del sistema.
La función principal de las neuronas es la transmisión de los impulsos nerviosos.
Estos viajan por toda la neurona comenzando por las dendritas hasta llegar a las
terminaciones del axón, donde pasan a otra neurona por medio de la conexión
sináptica.
La manera en que respondemos ante los estímulos del mundo exterior y nuestro
aprendizaje del mismo está directamente relacionada con las conexiones neuronales
del cerebro, y las RNA son un intento de emular este hecho (ver figura N°1.2).

1.2.2 Descripción del Modelo de una Neurona Artificial
El primer modelo matemático de una neurona artificial, creado con el fin de llevar a
cabo tareas simples, fue presentado en el año 1943 en un trabajo conjunto entre el
psiquiatra y neuroanatomía Warren McCulloch y el matemático Walter Pitts (ver figura
N° 1.3).
El mismo consta de:

 Las entradas x e y, representan las señales que provienen de otras
neuronas y que son capturadas por las dendritas.
 Los pesos sinápticos w1 y w2 son la intensidad de la sinapsis que conecta
cada entrada.
 Un término aditivo b.
 Una función "f', de activación o umbral, que la neurona debe sobrepasar
para activarse, la cual puede ser lineal o no lineal.
 Una salida z, que representa la salida del estímulo.
La neurona se adapta al medio circundante y aprende de él modificando el valor

de sus pesos sinápticos w1 y w2 y su término aditivo b.
Tanto x, y y b son valores reales, y son conocidos como los parámetros libres del
modelo, pues los mismos pueden ser modificados y adaptados para realizar una
tarea determinada.
En este modelo, la salida neuronal Z está dada por:

z = j(w1x + w2y + b)
La función de activación o de transferencia "f' es seleccionada de acuerdo a la
tarea realizada por la neurona.
1.2.3. Arquitecturas de Redes Neuronales Artificiales
Típicamente una neurona tiene más de una entrada; en la figura N° 1.4 se
observa una neurona con n entradas; las entradas individuales p1, p2, ..., Pn son
multiplicadas por los pesos correspondientes w1,1, w1,2, ..., w1,n pertenecientes a la
matriz de pesos W.
La neurona tiene una ganancia b, la cual llega al mismo sumador al cual llegan
las entradas multiplicadas por los pesos, para formar la salida S.
S=w1,1∗x1 + w1,2∗x 2 +…+ w1 , n∗x n+ b
Esta expresión puede ser escrita en forma matricial
S=w p +b
Dentro de una red neuronal, los elementos de procesamiento se encuentran

agrupados por capas, una capa es una colección de neuronas; de acuerdo a la
ubicación de la capa en la RNA, ésta recibe diferentes nombres:

 Capa de entrada: Recibe las señales de la entrada de la red, algunos autores

no consideran el vector de entrada como una capa pues allí no se lleva a cabo
ningún proceso, en este trabajo se seguirá este criterio.
 Capas ocultas: Estas capas son aquellas que no tienen contacto con el medio
exterior, sus elementos pueden tener diferentes conexiones y son éstas las
que
determinan las diferentes topologías de la red.
 Capa de salida: Recibe la información de la capa oculta y transmite la

respuesta al medio externo.
Una red de una sola capa con un número "s" de neuronas, se observa en la figura N°
1.5 en la cual, cada una de las "n" entradas es conectada a cada una de las neuronas,
la matriz de pesos tiene ahora "s" filas.
En general las redes neuronales se pueden clasificar de diversas maneras, según su

topología, forma de aprendizaje (supervisado o no supervisado}, tipos de funciones de
activación, valores de entrada (binarios o continuos); un resumen de esta clasificación
se observa en la figura N° 1.6.

1.2.4. Procesos de Aprendizaje de una RNA
Es importante señalar que la propiedad más importante de las redes neuronales

artificiales es su capacidad de aprender a partir de un conjunto de patrones de
entrenamientos, es decir, es capaz de encontrar un modelo que ajuste los datos.
El proceso de aprendizaje también conocido como entrenamiento de la red puede ser
supervisado o no supervisado.
 Aprendizaje Supervisado
Se asemeja al método de enseñanza tradicional con un profesor que indica y

corrige los errores del alumno hasta que éste aprende la lección. Si la red utiliza
un tipo de aprendizaje supervisado debemos proporcionarle parejas de patrones
entrada-salida y la red neuronal aprende a asociarlos.
En terminología estadística equivale a los modelos en los que hay vectores de

variables independientes y dependientes: técnicas de regresión, análisis discriminante,
análisis lógit, modelos de series temporales, etc. En aprendizaje automático y minería
de datos, el aprendizaje supervisado es una técnica para deducir una función a partir
de datos de entrenamiento. Los datos de entrenamiento consisten de pares de objetos
(normalmente vectores): una componente del par son los datos de entrada y el otro,
los resultados deseados. La salida de la función puede ser un valor numérico (como
en los problemas de regresión) o una etiqueta de clase (como en los de clasificación).
A través del aprendizaje supervisado es la de crear una función capaz de predecir el

valor correspondiente a cualquier objeto de entrada válida después de haber visto una
serie de ejemplos, los datos de entrenamiento. Para ello, tiene que generalizar a partir

de los datos presentados a las situaciones no vistas previamente, cabe destacar que
en otros términos consiste en entrenar la red a partir de un conjunto de datos o
patrones de entrenamiento compuesto por patrones de entrada y salida.
El objetivo del algoritmo de aprendizaje es ajustar los pesos de la red wu de manera

tal que la salida generada por la RNA sea lo más cercanamente posible a la verdadera
salida dada una cierta entrada. Es decir, la red neuronal trata de encontrar un modelo
al proceso desconocido que generó la salida y. Este aprendizaje se llama supervisado
pues se conoce el patrón de salida el cual hace el papel de supervisor de la red.
 El aprendizaje no supervisado
No hay un profesor que corrija los errores al alumno; recuerda más al auto
aprendizaje. El alumno dispone del material de estudio, pero nadie lo controla. Si el
entrenamiento es no supervisado, únicamente debemos suministrar a la red los datos
de entrada para que extraiga los rasgos característicos esenciales. En terminología
estadística equivale a los modelos en los que sólo hay vectores de variables
independientes y buscan el agrupamiento de los patrones de entrada: análisis de
conglomerados o clúster, escalas multidimensionales, etc.
Aprendizaje no supervisado se presenta sólo un conjunto de patrones a la RNA, y el
objetivo del algoritmo de aprendizaje es ajustar los pesos de la red de manera tal que
la red encuentre alguna estructura o configuración presente en los datos.
Algunas de sus aplicaciones más importantes son:
Asociadores de patrones, esto es asocia dos patrones y permite recuperar la

información a pesar de errores en la capa de entrada.
Modeladores funcionales, las redes neuronales permiten, gracias a su capacidad de
ajustar el error dar los valores más cercanos a una función de la que solo sabemos
algunos puntos por los que pasa
1.2.5. Aprendizaje por Corrección de Error
El entrenamiento de una red neuronal monocapa se realiza mediante un proceso de

aprendizaje, para realizar este proceso se debe inicialmente tener definida la topología
de la red esto es: número de neuronas en la capa de entrada el cual depende del
número de componentes del vector de entrada, cantidad de capas ocultas y número
de neuronas de cada una de ellas, número de neuronas en la capa de la salida el cual
depende del número de componentes del vector de salida o patrones objetivo, con
base en la topología escogida se asignan valores iniciales a cada uno de los
parámetros que conforma la red.

Es importante recalcar que no existe una técnica para determinar el número de capas
ocultas, ni el número de neuronas que debe contener cada una de ellas para un
problema específico, esta elección es determinado por la experiencia del diseñador.
Cada patrón de entrenamiento se propaga a través de la red y sus parámetros
para producir una respuesta en la capa de salida, la cual se compara con los patrones
objetivo o salidas deseadas para calcular el error en el aprendizaje, este error marca el
camino más adecuado para la actualización de los pesos que al final del
entrenamiento producirán una respuesta satisfactoria, esto se logra minimizando el
error medio cuadrático en cada iteración del proceso de aprendizaje.
La deducción matemática de este procedimiento se realizará para una red con

una capa de entrada, una capa oculta y una capa de salida, como la mostrada
en la figura N° 1.7.
Para iniciar el entrenamiento se le presenta a la red un patrón de entrenamiento, el

cual tiene 3 componentes como se describe en la ecuación siguiente:
La salida Z de la neurona de la capa oculta, está descrito por la ecuación:
Z=w 1∗p1+ w2∗p 2+ w3∗p 3
Conociendo el valor de la salida deseada (Y), se encuentra el error (E):
ε =|Y −Z|

El criterio para minimizar el error, es distribuirlo hacia atrás en la capa de entrada,

modificando de esta manera los pesos, un criterio usualmente aplicado es distribuirlo
ponderadamente en función a las componentes de entrada, obteniendo así los nuevos
pesos de entrada:
W 1I =W 0I +ε i∗p i
Con lo cual se obtiene la nueva salida Z de la neurona de la capa oculta, está descrito
por la ecuación:
Z=W 11∗p1 +W 12∗p2 +W 13∗p 3
Este proceso se repite de manera que se obtenga una reducción en el valor del error
(E), un proceso similar se sigue para mejorar los resultados obtenidos con el modelo
de Lutz Scholz.

Capítulo ll: Base Teórica del modelo de Scholz

2.1. Introducción
Este modelo hidrológico fue desarrollado por el experimentado Lutz Scholz para
cuencas de la serranía peruana, entre los años de 1979 – 1980, en el marco de
Cooperación Técnica de la República de Alemania a través del Plan Meris ll.
El problema en esos años era la ausencia de registros de caudales en la serranía

peruana, por ello el modelo se desarrolló tomando en consideración los parámetros
físicos y meteorológicos de las cuencas, que se obtuvieron gracias a mediciones
cartográficas y de campo. Los parámetros más importantes del modelo son los
coeficientes para la determinación de la precipitación efectiva, déficit del
escurrimiento, retención y agotamiento de las cuencas; el procedimiento que siguió el
experto Lutz Scholz fue:
 Analizó los datos hidrometeorológicos de 19 cuencas entre Cuzco y Cajamarca

y procedió a calcular los parámetros necesarios para la descripción de los
fenómenos de la escorrentía promedio.
 En un segundo paso estableció un conjunto de modelos parciales de los

parámetros para el cálculo de caudales en cuencas sin información
hidrométrica. Aplicando los datos meteorológicos regionalizados para la
cuenca respectiva y los modelos parciales, es posible calcular los caudales
mensuales.
 El tercer paso permite la generación de caudales para un periodo extendido en

el punto de captación proyectada por un cálculo combinando (la precipitación
efectiva con las descargas del mes anterior por un proceso markoviano) y,
calibrando el modelo.
Este modelo fue implementado con fines de pronosticar caudales a escala mensual,
inicialmente fue utilizado en proyectos de riego y posteriormente su uso llegó a
extenderse a estudios hidrológicos con cualquier finalidad (abastecimiento de agua,
hidroelectricidad etc.)
Los resultados obtenidos de la aplicación del modelo a las cuencas de la sierra

peruana han producido una correspondencia satisfactoria respecto a los valores
medidos.

2.2. Metodología del Modelo
2.2.1. Ecuación General del Balance Hídrico
Para la obtención de los parámetros de escorrentía del año promedio en la cuenca de

nuestro interés, se aplicará el método propuesto por Fisher denominado Balance
Hídrico Mensual expresado en mm/mes, el cual presenta la siguiente forma:
CMi = Pi – Di + Gi - Ai
Donde:
 CMi: Caudal mensual, en mm/mes.

 Pi: Precipitación total mensual, en mm/mes.
 Di: Déficit de escorrentía, en mm/mes.
 Gi: Aporte del acuífero (salida), en mm/mes
 Ai: Abastecimiento de la retención, en mm/mes1
Asumiendo:
1. Para períodos largos el Gasto y Abastecimiento de la retención tienen el

mismo valor, es decir, Gi = Ai.
2. Que para el año promedio una parte de la precipitación retorna a la atmósfera
por evaporación.
Entonces reemplazando Pi – Di por PEi, la ecuación fundamental del balance hídrico
por meses se puede escribir en la forma siguiente:
Qmi  PEi  Gi  Ai
Donde:
 PEi: Precipitación efectiva mensual sobre la cuenca, en mm/mes

Reemplazando (P-D) por (C*P), y tomando en cuenta la transformación de unidades
(mm/mes a m3/seg) la ecuación se convierte en:
Q = c’ * C * P * AR
Que es la expresión básica del método racional, donde:
 Q: Caudal (m3/s)
 c': Coeficiente de conversión del tiempo (mes/seg)
 C: Coeficiente de escurrimiento
 P: Precipitación total mensual (mm/mes)
 AR: Área de la cuenca (m2)

2.2.2. Coeficiente de Escurrimiento

Se ha considerado el uso de la fórmula propuesta por L. Turc:
P−D
C=
P
Donde:
 C: Coeficiente de escurrimiento (mm/año)

 P: Precipitación total anual (mm/año)
 D: Déficit de escurrimiento (mm/año)
Para la determinación de D se utiliza la expresión:
P
D= 2 1/ 2
P
( 0.9+ 2
L )
L = 300 + 25T + 0.05T3
Donde:
 L: Coeficiente de Temperatura
 T: Temperatura media anual (°C)
Dado que no se ha podido obtener una ecuación general del coeficiente de
escorrentía para la toda la sierra, se ha desarrollado la fórmula siguiente, que es
válida para la región sur:
C = 3.16 * 1012 (P-0.571) (EP-3.686) r = 0.96
D = -1380 + 0.872 (P) + 1.032 (EP) r = 0.96
Donde:
 D: Déficit de escurrimiento (mm/año)
 P: Precipitación total anual (mm/año)
 EP: Evapotranspiración anual según Hargreaves (mm/año)
 R: Coeficiente de Correlación
La evapotranspiración potencial, se ha determinado por la fórmula de Hargreaves:
EP = 0.0075 (RSM) (TF) (FA)

RSM =0.075 ( RA ) (√ Nn )
FA = 1 + 0.06 (Z)
Donde:
 RSM: Radiación solar media

 FA: Coeficiente de corrección por elevación
 TF: Temperatura media anual (°F)
 RA: Radiación extraterrestre (mm H2O/año)
 (n/N): Relación entre insolación actual y posible (%) 50% (estimación en base
a los registros.
 Z: Elevación media de la cuenca (Km)
Para determinar la temperatura anual se toma en cuenta el valor de los registros de
las estaciones y el gradiente de temperatura de -5.3 °C 1/ 1000 m, determinado para
la sierra.
2.2.3. Precipitación Efectiva

Para el cálculo de la Precipitación Efectiva, se supone que los caudales promedio
observados en la cuenca pertenecen a un estado de equilibrio entre gasto y
abastecimiento de la retención.
La precipitación efectiva se calculó para el coeficiente de escurrimiento promedio, de

tal manera que la relación entre precipitación efectiva y la precipitación total sea igual
al coeficiente de escurrimiento.
Para fines hidrológicos se toma como precipitación efectiva la parte de la precipitación

total mensual, que corresponde al déficit según el método del USBR (precipitación
efectiva hidrológica es la antítesis de la precipitación efectiva para los cultivos).
Para este cálculo se optó por el método del United States Bureau of Reclamation
(USBR), para la determinación de la porción de lluvias que es aprovechable para
cultivos.
A fin de facilitar el cálculo de la precipitación efectiva se ha determinado el polinomio

de quinto grado:
PE = a0 + a1P + a2P + a3P + a4P + a5P
Donde:
 PE: Precipitación efectiva (mm/mes)

 P: Precipitación total mensual (mm/mes)

 ai: Coeficiente del polinomio
Sin embargo, estos polinomios tienen un límite de aplicación, a continuación, se

muestran los valores límite de la precipitación efectiva.
Ahora se indicarán tres juegos de los coeficientes ai, que permiten alcanzar cada valor
C predeterminado entre 0.15 y 0.45 por interpolación.
De esta forma es posible llegar a la relación entre la precipitación efectiva y la

precipitación total:
12
Q PEi
C= =∑
P i=1 P

Donde:
 Q: Caudal anual
 P: Precipitación total anual
12
∑ PEi : Sumade la precipitación efectiva mensual

i=1
2.2.4. Retención de la Cuenca

Bajo la suposición de que exista un equilibrio entre el gasto y el abastecimiento de la
reserva de la cuenca y además que el caudal total sea igual a la precipitación efectiva
anual, la contribución de la reserva hídrica al caudal se puede calcular según las
fórmulas:
Ri = CMi + Pi
CMi = PEi + Gi - Ai
Donde:
 CMi = Caudal mensual (mm/mes)

 PEi = Precipitación Efectiva Mensual (mm/mes)
 Ri = Retención de la cuenca (mm/mes)
 Gi = Gasto de la retención (mm/mes)
 Ai = Abastecimiento de la retención (mm/mes)
 Ri = Gi para valores mayores que cero (mm/mes)
 Ri = Ai para valores menores que cero (mm/mes)
Sumando los valores de G o A respectivamente, se halla la retención total de la
cuenca para el año promedio, que para el caso de las cuencas de la sierra varía de 43
a 188 (mm/año).
2.2.5. Relación entre Descargas y Retención

Durante la estación seca, el gasto de la retención alimenta los ríos, constituyendo el
caudal o descarga básica. La reserva o retención de la cuenca se agota al final de la
estación seca; durante esta estación la descarga se puede calcular en base a la
ecuación:
Qt = Q0 e-a(t)

Donde:
 Qt: Descarga en el tiempo t

 Qo: Descarga inicial
 A: Coeficiente de agotamiento
 t: tiempo
Al principio de la estación lluviosa, el proceso de agotamiento de la reserva termina,
comenzando a su vez el abastecimiento de los almacenes hídricos. Este proceso está
descrito por un déficit entre la precipitación efectiva y el caudal real. En base a los
hidrogramas se ha determinado que el abastecimiento es más fuerte al principio de la
estación lluviosa continuando de forma progresiva pero menos pronunciada, hasta el
final de dicha estación.
2.2.6. Coeficiente de Agotamiento

Mediante la fórmula anterior se puede calcular el coeficiente de agotamiento "a", en
base a datos hidrométricos. Este coeficiente no es constante durante toda la estación
seca, ya que va disminuyendo gradualmente. Con fines prácticos se puede despreciar
la variación del coeficiente "a" durante la estación seca empleando un valor promedio.
El coeficiente de agotamiento de la cuenca tiene una dependencia logarítmica del área
de la cuenca.
a = f (LnAR)
a = 3.1249 * 1067 (AR)-0.1144 (EP)-19.336 (T)-3.369 (R)-1.429 r=0.86
Donde:
 a: Coeficiente de agotamiento por día

 AR: Área de la cuenca (km2)
 EP: Evapotranspiración potencial anual (mm/año)
 T: Duración de la temporada seca (días)
 R: Retención total de la cuenca (mm/año)
En principio, es posible determinar el coeficiente de agotamiento real mediante aforos
sucesivos en el río durante la estación seca; sin embargo, cuando no sea posible ello,
se puede recurrir a las ecuaciones desarrolladas para la determinación del coeficiente
"a" para cuatro clases de cuencas:
 Cuencas con agotamiento muy rápido. Debido a temperaturas elevadas

(>10°C) y retención que va de reducida (50 mm/año) a mediana (80 mm/año):
a = - 0.00252 (LnAR) + 0.034

 Cuencas con agotamiento rápido. Retención entre 50 y 80 mm/año y

vegetación poco desarrollada (puna):
a = - 0.00252 (LnAR) + 0.030
 Cuencas con agotamiento mediano. Retención mediana (80 mm/año) y

vegetación mezclada (pastos, bosques y terrenos cultivados):
a = - 0.00252 (LnAR) + 0.026
 Cuencas con agotamiento reducido. Debido a la alta retención (> 100 mm/año)
y vegetación mezclada:
a = - 0.00252 (LnAR) + 0.023
En caso de poseer registros de caudales, el coeficiente de agotamiento promedio para

la estación seca está dado por la expresión:
a = -Ln (Qt / Q0) /T
Donde:
 a: Coeficiente de agotamiento
 Qt: Retención mensual del último mes seco
 Q0: Retención del primer mes seco
 T: Tiempo en días del período seco
2.2.7. Almacenamiento Hídrico

Tres tipos de almacenes hídricos naturales que inciden en la retención de la cuenca y
la determinación de la lámina específica "L" que almacena cada tipo de estos
almacenes está dado por:
 Acuíferos
LA = -750 (I) + 315 (mm/año)
Donde:
 LA: Lámina específica de acuíferos

 I: Pendiente de desagüe (I≤ 15%)
 Lagunas y Pantanos
LL = 500 (mm/año)
Donde:
 LL: Lámina específica de lagunas y pantanos

 Nevados
LN = 500 (mm/año)
Donde:
 LL: Lámina específica de nevados

Las respectivas extensiones o áreas son determinadas de los mapas o
aerofotografías. Los almacenamientos de corto plazo no son considerados para este
caso, estando los mismos incluidos en las ecuaciones de la precipitación efectiva.
2.2.8. Abastecimiento de la Retención

El abastecimiento durante la estación lluviosa es uniforme para cuencas ubicadas en
la misma región climática. En la región del Cusco el abastecimiento comienza en el
mes de noviembre con 5%, alcanzando hasta enero el valor del 80 % del volumen
final. Las precipitaciones altas del mes de febrero completan el 20 % restante, y las
precipitaciones efectivas del mes de marzo escurren directamente sin contribuir a la
retención. Los coeficientes mensuales expresados en porcentaje del almacenamiento
total anual se muestran en el siguiente cuadro:
Almacenamiento Hídrico durante la época de lluvias (valores en %)
La lámina de agua Ai que entra en la reserva de la cuenca se muestra en forma de

déficit mensual de la Precipitación Efectiva PEi. Se calcula mediante la ecuación:
Ai=ai ( 100R )
Donde:
 Ai: Abastecimiento mensual déficit de la precipitación efectiva (mm/mes)

 ai: Coeficiente de abastecimiento (%)
 R: Retención de la cuenca (mm/año)

2.2.9. Determinación del Caudal Mensual para el Año Promedio

Está basado en la ecuación fundamental que describe el balance hídrico mensual a
partir de los componentes descritos anteriormente:
CMi = PEi + Gi - Ai
Donde:
 CMi = Caudal mensual (mm/mes)

 PEi = Precipitación Efectiva Mensual (mm/mes)
 Gi = Gasto de la retención (mm/mes)
 Ai = Abastecimiento de la retención (mm/mes)
2.2.10. Generación y Validación de Caudales Mensuales para Periodos

Extendidos
El modelo hidrológico presentado anteriormente (de Lutz Scholz) permite estimar los
caudales del año promedio de las subcuencas con una precisión satisfactoria.
Para determinar, además de los promedios, otros parámetros estadísticos, sobre todo
la desviación tipo que se necesita para el cálculo de caudales sobre un nivel de
probabilidad predeterminado, se requiere generar datos para un periodo extendido.
Un método apropiado para la generación de caudales consiste en una combinación de

un proceso markoviano de primer orden con una variable de impulso, que vendría a
ser la precipitación efectiva.
Ecuación general del modelo markoviano:
Qt = f (Qt-1)
Q = g (PEt)
Con la finalidad de aumentar el rango de los valores generados y obtener una

aproximación cercana a la realidad, se utiliza, además una variable aleatoria.
Z=2∗z∗S∗√ 1−r 2
Finalmente, la ecuación integral para la generación de caudales mensuales

combinando los componentes citados, se escribe.
Qt = B0 + B1 (Qt-1) + B2 (PEt) + z*S*(1-r2)0.5

Donde:
 Qt: Caudal del mes t

 Qt-1: Caudal del mes anterior
 PEt: Precipitación efectiva del mes t
 Bi: Coeficientes de la regresión lineal múltiple
 S: Error estándar de la regresión múltiple
 r: Coeficiente de correlación múltiple
 z: Número aleatorio normalmente distribuido (0,1) del año t
El valor inicial de Qt-1 puede ser del caudal promedio del mes, o el caudal aforado del
mes, o empezar con cero.
La precipitación efectiva de cada mes se calcula según las siguientes

consideraciones:
 No es necesario identificar las curvas características para cada año puesto que
se identificaron al calcular la precipitación efectiva representativa.
 Los coeficientes de ponderación son los mismos.
 Con las ecuaciones de las curvas características multiplicadas con su
respectivo coeficiente de ponderación, nos dará PE de ese mes
Los valores de los coeficientes B0, B1, B2, r y S se calculan al desarrollar la regresión
múltiple con los datos de caudales mensuales para el año promedio
2.2.11. Restricciones del Modelo

El modelo presenta ciertas restricciones de uso o aplicación tales como:
 El uso de los modelos parciales, únicamente dentro del rango de calibración

establecido.
 Su uso es únicamente para el cálculo de caudales mensuales promedio.
 Los registros generados en el período de secas presentan una mayor
confiabilidad que los valores generados para la época lluviosa.
 La aplicación del modelo se restringe a las cuencas en las que se ha calibrado
sus parámetros (sierra peruana: Cusco, Huancavelica, Junín, Cajamarca)
Es importante tener en cuenta las mencionadas restricciones a fin de garantizar una
buena performance del modelo.

Bibliografía
 Chow Ven Te (2000). Hidrología Aplicada. Normas S.A. Colombia
 Lutz Scholz. (1980). Generación de Caudales Mensuales en la Sierra del Perú. Plan
Meris II. Cuzco–Perú
 Najarro Soto, David (2015). Calibración del Modelo Lutz Scholz y Generación de
Caudales Extendidos Aplicados a la Cuenca del Rio Chacco. Ayacucho.
 TICONA M, L (2008) “Generación de caudales medios por modelos determinísticos

Témez y Lutz Scholz en la cuenca del rio Llave. tesis de la escuela profesional de
Ingeniería Agrícola.

TE Hidro

Cargado por

Copyright:

Formatos disponibles

TE Hidro

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TE Hidro

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE INGENIERÍA

Facultad de Ingeniería Civil

 Ing. ROMERO MACHUCA, Fernando Moisés

 BASURTO SOTO, Kevin Jeferson 20170079A

 GUANILO RIVERA, Jean Pierre 20171020K

Capitulo l: Fundamentos Teóricos……………………………………………………………….......2

1.1.2. Breve Historia………………………………………………………...............3

1.1.3. Aplicación y Características de las Redes Neuronales…………………..4

1.2. Funcionamiento y Modelos de Redes Neuronales………………………………...5

1.2.1. Descripción de una Red Neuronal Biológica……………………………...5

1.2.2. Descripción del Modelo de una Neurona Artificial………………………..7

1.2.3. Arquitecturas de Redes Neuronales Artificiales………………………….8

1.2.4. Procesos de Aprendizaje de una RNA……………………………………10

1.2.5. Aprendizaje por Corrección de Error……………………………………...11

Capítulo ll: Base Teórica del modelo de Scholz……………………………………………….....14

2.2. Metodología del Modelo……………………………………………………………..15

2.2.1. Ecuación General del Balance Hídrico…………………………………...15

2.2.2. Coeficiente de Escurrimiento……………………………………………...16

2.2.3. Precipitación Efectiva……………………………………………………....17

2.2.4. Retención de la Cuenca……………………………………………….......19

2.2.5. Relación entre Descargas y Retención……………………………….....19

2.2.6. Coeficiente de Agotamiento…………………………………………….....20

2.2.7. Almacenamiento Hídrico………………………………………………......21

2.2.8. Abastecimiento de la Retención……………………………………….....22

2.2.9. Determinación del Caudal Mensual para el Año Promedio……….......23

2.2.10. Generación y Validación de Caudales Mensuales para Periodos

2.2.11. Restricciones del Modelo………………………………………………....24

Implementación de Redes Neuronales para el cálculo de caudales mensuales Página | 1

Implementación de Redes Neuronales para el cálculo de caudales mensuales Página | 2

Capítulo l: Fundamentos teóricos

Las redes neuronales artificiales (RNA) son arreglos de elementos de procesamiento

 El procesamiento de información ocurre en muchos elementos individuales

1.1.2. Breve Historia

El desarrollo de las redes neuronales artificiales (RNA) se inició en la década de los 50

A principios de los años 80, las Redes Neuronales experimentaron un resurgimiento

Implementación de Redes Neuronales para el cálculo de caudales mensuales Página | 3

diversas como la neurofisiología, la física, la ingeniería biomédica, ingeniería eléctrica,

1.1.3. Aplicación y Características de las Redes Neuronales

Implementación de Redes Neuronales para el cálculo de caudales mensuales Página | 4

ya prescritas para dichos programas ya que elaboran sus propias reglas

 Capacidad de generalizar: las RNA tienen la capacidad de procesar datos no

 No Linealidad: Las RNA pueden captar problemas de relaciones muy

 Procesamiento en Paralelo: Las RNA son altamente paralelas. Si se implantan

 Modularidad: Una vez que la red ha sido entrenada, su tamaño y su

1.2. Funcionamiento y Modelos de Redes Neuronales

1.2.1. Descripción de una Red Neuronal Biológica

El cerebro puede considerarse un sistema altamente complejo. Su unidad básica, la

Si bien hay distintos tipos de neuronas biológicas, en la Figura N° 1.1 se muestra un

Vemos que la misma está compuesta por:

Implementación de Redes Neuronales para el cálculo de caudales mensuales Página | 5

 Dendritas: son prolongaciones cortas que se originan del soma neuronal. Su

 Axón: es una prolongación única y larga. En algunas ocasiones, puede medir

La función principal de las neuronas es la transmisión de los impulsos nerviosos.

Implementación de Redes Neuronales para el cálculo de caudales mensuales Página | 6

1.2.2 Descripción del Modelo de una Neurona Artificial

El mismo consta de:

La neurona se adapta al medio circundante y aprende de él modificando el valor

En este modelo, la salida neuronal Z está dada por:

Implementación de Redes Neuronales para el cálculo de caudales mensuales Página | 7