Predicción de caudales basados en Redes Neuronales Artificiales (RNA) para períodos de tiempo sub diarios

##plugins.themes.bootstrap3.article.main##

Jaime Veintimilla R.

Felipe Cisneros



Resumen

Resumen: La aplicación de modelos matemáticos en el manejo de cuencas hidrográficas tiene requerimientos exigentes de información y en su mayoría no han sido desarrollados para ser aplicados en regiones de montaña. Por esta razón es necesario buscar e implementar modelos que no tengan estos requerimientos y que permitan establecer relaciones entre los datos de entrada y los de salida en una cuenca hidrográfica. Técnicas informáticas de inteligencia artificial permiten establecer relaciones entre los datos de entrada y los de salida en una cuenca hidrográfica. En este paper se evalúa diferentes modelos de Redes Neuronales Artificiales (RNA) con el fin de seleccionar uno e implementarlo, con esto se pretende obtener la posibilidad de manipular cada una de las conexiones del modelo de la red neuronal para buscar una convergencia rápida y la minimización del margen de error. Una vez que el modelo sea calibrado, se pretende realizar la predicción de caudales para intervalos de tiempo inferiores a 24 horas. Además se plantea desarrollar un prototipo para un sistema de transmisión de la información de las estaciones de lluvia, remotamente ubicadas.

 

Abstract: The application of mathematical models in watershed management is demanding information requirements and have mostly not been developed for application in mountained regions. For this reason it is necessary to seek and implement models that do not have these requirements and to establish relationships between the input and output in a river basin. Computer artificial intelligence techniques allow to establish relationships between the input and output in a river basin. In this paper different models of Artificial Neural Networks (ANN) to select one and implement it is evaluated with this is to obtain the ability to manipulate each of the connections model of neural network for rapid convergence and minimizing the margin of error. Once the model is calibrated, it is intended to make the prediction of flow rates for intervals of less than 24 hours time. Furthermore arises develop a prototype system for transmitting information of the rainy season, remotely located 

Descargas

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Citas

R. R. Beasley, D., Bull, D. R., Martin. An Overview of Genetic. Algorithms: Part 1, Fundamentals. Tech- nical report, En University Computing, 1993.

E. Cantú-Paz. A survey of Parallel Genetic Algo- rithms. Technical Report Illinois Genetic Algorithms Laboratory. Technical report, University of Illinois at Urbana-Champaign, 1997.

Patricio Capelo. Sistema de telemetría diseñado pa- ra PROMAS - Universidad de Cuenca. Technical re- port, 2007.

C. Chinrungrueng. Evaluation of Heterogeneous Architectures of Artificial Neural Networks. Techni- cal report, University of California at Berkeley, Cali- fornia, 1993.

Booch et Al. Proceso Unificado de Desarrollo de Software (UP). 2002.

R. F. Vázquez Z. & J. Feyen. Potencial evaporation: Its effect on the modelling of the hydrological cycle of e medium-sized catchment with the MIKE SHE code. 2002.

S. Forrest. Genetic Algorithms. ACM Computer Sur- vey, 1996.

J. Fritsch. Modular Neural Networks for Speech Recog- nition. PhD thesis, Carnegie Mellon University, 1996.

J. R. Hilera. Martinez. Redes Neuronales Artificiales (Fundamentos, Modelos y Aplicaciones). Addison Wes- ley, 1998.

Hecht-Nielsen R. Counter-propagation networks. J. Of Applied Optics, 1987.

Frevert Donald Singh Vijay. Mathemathical Models of Small Watershed Hrydrology and Applications. 2002.

D.P. Solomatine. Genetic and other global optimi- zation algorithms comparison and use in calibration problems. In Proc. 3rd International Conference on Hy- droinformatics, 1998.

G.N. Paudyal S.Y. Liong, W.H. Lim. River Stage Fo- recasting in Bangladesh: Neural Network Approach. Journal of Computing in Civil Engineering, 2000.

P Vanegas, P. De Bievre, B. Cisneros, F. Jerves, L. La- zo. Real time inflow prediction in the Paute River Basin. 2007.

Palacios F. Veintimilla J. Redes Neuronales Artificiales Aplicadas En La Predicción De Caudales En La Cuenca Del Río Paute. 2004.

G. Lewis W. Viessman. Introduction to Hydrology. HarperCollins College, New York, New York, USA, 1996 edition.

D. Whitley. A Genetic Algorithm Tutorial.

X. Yao. Evolutionary Artificial Neural Networks. En

International Journal of Neural Systems, 1993.