Sistema inteligente para estimación y pronóstico de caudales
- Autores: Carlos Hernán Fajardo Toro
- Directores de la Tesis: Florentino Fernández Riverola (dir. tes.)
- Lectura: En la Universidade de Vigo ( España ) en 2008
- Idioma: español
- Tribunal Calificador de la Tesis: Fernando Díaz Gómez (presid.), María Lourdes Borrajo Diz (secret.), José Ramón Méndez Reboredo (voc.), Javier Bajo Pérez (voc.), Manuel González Bedia (voc.)
- Materias:
- Texto completo no disponible (Saber más ...)
- Resumen
Actualmente se utilizan diversos métodos en hidrología para la estimación de caudales, especialmente de tipo estadístico, Motivado por los problemas de alta variación que pueden presentar las series de tiempo se empezó a trabajar en el uso de algunas técnicas de inteligencia artificial tales como las redes neuronales, puesto que son capaces de asimilar correctamente dicha variación. En este sentido, es importante destacar que no han sido utilizados modelos híbridos con mucha frecuencia, algo que permitiría caracterizar dicha variación y, por tanto, realizar una predicción aún más ajustada.
En dominios como el estudiado, los problemas de variabilidad han aumentado mucho en los últimos años por razones casi siempre relacionadas con el cambio climático global. Esta situación se caracteriza por generar bruscas variaciones de temperatura, lo que contribuye a la existencia de grandes variaciones en los niveles de precipitación, viéndose así afectado el comportamiento de los caudales. Este hecho impide, o cuando menos dificulta, el control que se requiere sobre embalses y represas.
En este sentido los sistemas de razonamiento basados en casos resuelven un problema por medio de la adaptación de soluciones dadas con anterioridad a problemas similares. La solución del nuevo problema se obtiene tras la ejecución de cuatro pasos fundamentales: (i) recuperando casos similares almacenado en la memoria del CBR, (ii) adaptando los casos recuperados para intentar solucionar el problema presente, (iii) haciendo una revisión de la solución dada, (iv) actualizando el conocimiento aportado por la nueva solución. Los CBR son sistemas de aprendizaje incremental, puesto que cada vez que se resuelve un problema es posible crear un nuevo caso y almacenarlo para su posterior reutilización. Con frecuencia, la construcción de este tipo de sistemas presenta serias dificultades tanto por la presencia necesaria de supervisión humana en algunas fases, como por el uso de métodos ad hoc, dependientes del problema y difícilmente generalizables. En este sentido, sería interesante disponer de técnicas automáticas que colaboren en cada una de las fases del CBR automatizando su ciclo de vida y haciendo extensible su uso a una amplia gama de problemas.
Por otra parte, las redes neuronales son mecanismos capaces de crear modelos para solucionar problemas concretos, implementando métodos automáticos no paramétricos que no requieren de una arquitectura predefinida y construyendo modelos basados en entrenamiento, modificación y aprendizaje.
El modelo propuesto ha sido validado con datos reales de los caudales del embalse de Salvajina en Colombia, datos aportados por la Corporación autónoma de Occidente, (CVC), entidad que administra y controla dicho embalse. El clima de Colombia se ve afectado periódicamente por el fenómeno ENOS, lo que hace difícil el control del nivel de los embalses debido a las grandes oscilaciones climatológicas que generan. Esta gran variabilidad se ha visto aumentada en los últimos años y deberá ser estudiada y modelada por el sistema correctamente.
La integración de las técnicas antes mencionadas facilitó la construcción de un sistema híbrido de inteligencia artificial eficiente con capacidad de adaptación y autonomía. Este trabajo investigó la utilización de los modelos híbridos de inteligencia artificial mencionados, dado que las implicaciones teórica y práctica de este tipo de modelos facilitaron la resolución de un amplio conjunto de problemas caracterizados por su comportamiento irregular en el tiempo y su gran complejidad variabilidad, multicolinearidad y heterocedasticidad. Las características antes mencionadas están muy presentes en las variables con las que se trabajó en la presente propuesta, lo que justificó totalmente el uso de estos sistemas.
