Show simple item record

Professor Advisordc.contributor.advisorVargas Mesa, Ximena es_CL
Authordc.contributor.authorBonacic Martinic, Milena es_CL
Staff editordc.contributor.editorFacultad de Ciencias Físicas y Matemáticases_CL
Staff editordc.contributor.editorDepartamento de Ingeniería Civiles_CL
Associate professordc.contributor.otherMcPhee Torres, James
Associate professordc.contributor.otherGonzález Valenzuela, Ricardo
Admission datedc.date.accessioned2012-09-12T18:18:58Z
Available datedc.date.available2012-09-12T18:18:58Z
Publication datedc.date.issued2008es_CL
Identifierdc.identifier.urihttps://repositorio.uchile.cl/handle/2250/104857
General notedc.descriptionMemoria para optar al título de Ingeniero Civil
Abstractdc.description.abstractEn el contexto socio económico actual de Chile la mayoría de los sistemas tradicionales de control de crecidas son reactivos y resulta imprescindible, en respuesta a un nivel recurrente sin prevenciones claras, ofrecer soluciones a los problemas asociados a fenómenos de crecidas e inundaciones, cambiando el modelo de acción defensiva por un modelo de acción proactiva. En los últimos años se han realizado estudios de pronóstico de crecidas más adecuados a la realidad dentro del campo de las redes neuronales artificiales, mayormente prealimentadas. Continuando los estudios, en esta memoria se utilizan redes neuronales de tipo recurrente, redes dinámicas que liberan el supuesto de que los parámetros característicos de la cuenca sean estacionarios, capaces de modelar la alta NO linealidad del fenómeno y almacenar la historia relevante de la crecida. Se aplican específicamente para el pronóstico en la parte alta de la cuenca del río Mapocho, perteneciente a la hoya hidrográfica del río Maipo. Las variables relevantes son definidas a partir de registros de caudales, precipitaciones y temperaturas en tiempo horario. Posteriormente, se elige como red neuronal óptima aquella que entrega el menor error en el caudal pronosticado, cuya arquitectura, configuración y tipo de entrenamiento constituye un modelo de pronóstico. Se concluye la eficiencia y menor complejidad de considerar una crecida con amplias componentes de frecuencia como set de datos de entrenamiento, en comparación a un set de crecidas “pegadas”, independiente del tipo de red neuronal utilizada y marcadamente en el caso de una red neuronal recurrente. Los pronósticos de caudal obtenidos mediante redes neuronales recurrentes de Elman son de buena calidad tanto en valor como en el tiempo de ocurrencia. Se obtienen errores menores que para otros modelos de pronóstico como son las redes recurrentes de Hopfield, las redes prealimentadas y los modelos paramétricos. En el caso de crecidas pluviales, en la cuenca del Estero Arrayán en La Montosa se obtienen pronósticos certeros hasta con 12 horas de anticipación y en la cuenca del río Mapocho en Los Almendros se recomienda realizar pronósticos sólo hasta con 6 horas de anticipación. En el caso de crecidas de deshielo, en ambas cuencas es posible obtener pronósticos certeros con más de 24 horas de anticipación.
Lenguagedc.language.isoeses_CL
Publisherdc.publisherUniversidad de Chilees_CL
Type of licensedc.rightsAttribution-NonCommercial-NoDerivs 3.0 Chile
Link to Licensedc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/cl/
Keywordsdc.subjectIngenieríaes_CL
Keywordsdc.subjectPronóstico de caudaleses_CL
Keywordsdc.subjectRedes neuronaleses_CL
Títulodc.titlePronóstico de crecidas en tiempo real usando redes neuronales recurrenteses_CL
Document typedc.typeTesis


Files in this item

Icon

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 Chile
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 Chile