Predicción de la concentración de sedimento en suspensión utilizando redes neuronales artificiales y curva de gasto de sedimento
El presente proyecto tiene como fin estimar de manera precisa la concentración de sedimento en suspensión (Css) diaria en el río Cautín ubicado en la región de la Araucanía, Chile, a través de la aplicación de Redes Neuronales (ANN). Se propone una arquitectura para la formulación de la ANN que se...
| Autor Principal: | Hermosilla Barra, Matías Osvaldo |
|---|---|
| Formato: | Thesis |
| Idioma: | Spanish / Castilian |
| Publicado: |
Universidad Católica de la Santísima Concepción
2017
|
| Materias: | |
| Acceso en línea: |
http://repositoriodigital.ucsc.cl/handle/25022009/1016 |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: |
El presente proyecto tiene como fin estimar de manera precisa la concentración de sedimento en suspensión (Css) diaria en el río Cautín ubicado en la región de la Araucanía, Chile, a través de la aplicación de Redes Neuronales (ANN).
Se propone una arquitectura para la formulación de la ANN que se utilizó en la estimación de la concentración de sedimento en suspensión. Se utilizaron como variables de entrada la altura (H), el caudal (Q), y la precipitación diaria (PP). Mediante los estadísticos Percent Bias (PBIAS), Raíz del Error Cuadrático Medio (RMSE), se compararon los resultados obtenidos por el modelo de ANN y la curva de gasto de sedimento (CGS). Del análisis se pudo concluir que ambos modelos generan predicciones precisas de la Css, pero comparando los resultados entre los modelos, la ANN presentó mejores valores en los dos estadísticos mencionados.
Por otra parte, se analizaron 8 combinaciones de entradas a la ANN considerando las variables (H), (Q) y (PP) registradas el día que se midió la Css (tiempo “t”) y el día previo a ésta medición (tiempo “t-1”). Según los resultados obtenidos en el presente estudio, se determinó que las variables que generan predicciones más acertadas de la Css en el modelo de ANN, son h(t) Q(t) PP(t), considerando los estadísticos RMSE y PBIAS. |
|---|