|
Palabras clave
|
Hidrológicas, Caudal, ESN, Optimización, Determinístico, Series Temporales,Redes Neuronales, Estocástico, Sistema Dinámico, UNSA CIENCIACTIVA, CONCYTEC
|
|
Justificación del proyecto
|
El desarrollo de modelos de pronóstico preciso y fiable de los caudales de los ríos sigue siendo una de las tareas más importantes y difíciles en la hidrología [#hess-17-253-2013]. Problemas reales como pronóstico presentan características complejas de tipo no lineal y algunas veces de comportamiento caótico, con el fin de modelar el comportamiento de este tipo de fenómenos, realizar una aproximación lineal [#BOXANDJenKys] puede generar un modelo poco eficiente [#LUNA2006].
Por otra parte, las series hidrológicas temporales mensuales tienen como característica un comportamiento periódico que se manifiesta en sus propiedades como la média, varianza, asimetría y estructura de autocorrelación ([#Thomas], [#maceira]). El análisis de este tipo de series puede realizarse mediante el uso de modelos autoregresivos[#VuFind:PRIO_166e028055e191855faa7e9810468e93] dentro de los cuales destaca el modelo PAR(p)[#maceira2]. Sin embargo, estos modelos son estadísticos y lineales, eso implica que su aplicación en series hidrológicas temporales (de comportamiento caótico) puede no capturar las características reales de las series y por lo tanto generar resultados inconsistentes.
Entre las metodologías que intentar modelar problemas complejos no lineales en los últimos años las Redes Neuronales Artificiales(RNA)[#WRCR:WRCR11667] destacan como métodos de aprendizaje de maquina. Aunque muchos investigadores de RNA's sugieren un buen desempeño de estas técnicas. El comportamiento de «caja negra» implícito que presentan tiene observaciones planteadas con respecto a su fiabilidad y validez como modelos hidrológicos([#Cunge75], [#hess-9-111-2005]).
De hecho, las RNA's de tipo feedforward en la mayoría de investigaciones y aplicaciones sobre modelos de predicción hidrológicos han sido ampliamente usadas en contraste con las RNA's Recurrentes [#hess-17-253-2013]. Las RNA's recurrentes son capaces de representar mapas dinámicos no lineales comúnmente encontradas en las tareas de predicción de series temporales [#VuFind:PRIO_166e028055e191855faa7e9810468e93]. Estudios sobre el desempeño de este tipo de redes neuronales demuestran un mejor desempeño que sus similares RNA's feedforward en prácticamente todas las pruebas, ademas del menor número de neuronas [#6327793] usadas. Pero, la principal razón de la preferencia en el uso de RNA's feedforward sobre RNA's recurrentes es que la recurrencia en redes neuronales ocasiona mayor complejidad sobre todo en el proceso de entrenamiento de la red neuronal.
Lo anterior mencionado motivó en este proyecto la elaboración de un modelo híbrido de proceso estocástico utilizando Redes Neuronales Artificiales Recurrentes con el fin de aprovechar las características ya mencionadas de este tipo de redes. Para esto se aplicará un enfoque recientemente introducido denominado Reservoir Computing (RC)[#LukoseviciusJaeger09]. Reservoir Computing es un enfoque de entrenamiento que se perfila como simple y rápido en comparación a otros enfoques usados en RNA's recurrentes tradicionales, todo esto con el fin de reducir su complejidad y aprovechar la capacidad comproabada de representar mejor las características de las series.
Además, como parte de nuestra propuesta de modelo se considerará un componente no determinista que representa un ruido aleatorio con distribución normal, esto con el fin de tener en cuenta la incertidumbre que afecta típicamente procesos hidrológico [#Awchi]. Siendo asi nuestro modelo una propuesta novedosa en la literatura.
Finalmente el uso de este modelo puede ser aplicado en la solución de problemas de la región de arequipa que involucran fenómenos climatológicos como caudales, precipitación, temperatura e incluso de tipo económico como precios de acciones entre otros.
|
|
Hipótesis del proyecto
|
El modelo de proceso estocástico propuesto será capaz de modelar con mayor precisión problemas del mundo real como la predicción de variables hidrológicas. Fundamentado en el uso de nuevos métodos en la literatura para asi reducir la complejidad de su construcción.
|
|
Resultados esperados del proyecto
|
•
• 01 tesis aprobada y sustentada
• Título profesional de Ing. de Sistemas
• Artículo ciéntifico sometido a una revista indizada.
|
|
Impactos esperados
|
Impacto Académico:
demostrar de manera comprobada que nuestro modelo híbrido basado en ESN es una alternativa eficiente en la predicción de variables hidrológicas con una tasa de precisión mayor y complejidad menor a los modelos tradicionales en la literatura.
• Demostrar que nuestro modelo puede ser generalizado en una gama de fenómenos no lineales de comportamiento estocástico no sólamente hidrológico (carga eléctrica por ejemplo).
• Un prototipo simple de la implementacón de nuestro modelo, para uso didáctico.
Impacto Socio Económico
Se puede usar el nuevo modelo como complemento en las tareas de análisis de escenarios junto a los modelos tradicionales, por su sencillez esto permitirá a un administrador/tomador de decisión elegir técnicas apropiadas de previsión, que finalmente puedan evitar perdidas económicas y sociales (Construcción de defensas rivereñas para evitar inundaciones, implantación de políticas de consumo de agua para mejorar la disponibilidad del recurso hídrico, ajustando el impacto del evento sobre el área vulnerable correspondiente).
|
