Posibilidades de la ingeniería artificial en el análisis de auscultación de presas

Salazar, Fernando and Toledo Municio, Miguel Ángel and Oñate Ibáñez, Eugenio (2013). Posibilidades de la ingeniería artificial en el análisis de auscultación de presas. In: "III Jornadas de Ingeniería del Agua. La protección contra los riesgos hídricos ( JIA 2013)", 23/10/2013 - 24/10/2013, Valencia (España). ISBN 978-84-267-2070-2. pp..

Description

Title: Posibilidades de la ingeniería artificial en el análisis de auscultación de presas
Author/s:
  • Salazar, Fernando
  • Toledo Municio, Miguel Ángel
  • Oñate Ibáñez, Eugenio
Item Type: Presentation at Congress or Conference (Article)
Event Title: III Jornadas de Ingeniería del Agua. La protección contra los riesgos hídricos ( JIA 2013)
Event Dates: 23/10/2013 - 24/10/2013
Event Location: Valencia (España)
Title of Book: III Jornadas de Ingeniería del Agua: la protección contra los riesgos hídricos
Date: 2013
ISBN: 978-84-267-2070-2
Volume: 1
Subjects:
Faculty: E.T.S.I. Caminos, Canales y Puertos (UPM)
Department: Ingeniería Civil: Hidráulica y Energética [hasta 2014]
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img] PDF - Users in campus UPM only - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (4MB)

Abstract

El comportamiento estructural de las presas de embalse es difícil de predecir con precisión. Los modelos numéricos para el cálculo estructural resuelven bien las ecuaciones de la mecánica de medios continuos, pero están sujetos a una gran incertidumbre en cuanto a la caracterización de los materiales, especialmente en lo que respecta a la cimentación. Así, es difícil discernir si un estado que se aleja en cierta medida de la normalidad supone o no una situación de riesgo estructural. Por el contrario, muchas de las presas en operación cuentan con un gran número de aparatos de auscultación, que registran la evolución de diversos indicadores como los movimientos, el caudal de filtración, o la presión intersticial, entre otros. Aunque hoy en día hay muchas presas con pocos datos observados, hay una tendencia clara hacia la instalación de un mayor número de aparatos que registran el comportamiento con mayor frecuencia [1]. Como consecuencia, se tiende a disponer de un volumen creciente de datos que reflejan el comportamiento de la presa. En la actualidad, estos datos suelen tratarse con métodos estadísticos para extraer información acerca de la relación entre variables, detectar anomalías y establecer umbrales de emergencia. El modelo general más común es el denominado HST (Hydrostatic-Season-Time), que calcula la predicción de una variable determinada de una presa a partir de una serie de funciones que tienen en cuenta los factores que teóricamente más influyen en la respuesta: la carga del embalse, el efecto térmico (en función de la época del año) y un término irreversible. Puntualmente se han aplicado modelos más complejos, en algunos casos introduciendo un número mayor de variables, como la precipitación [2], y en otros con otras expresiones como la función impulso-respuesta [3]. En otros campos de la ciencia, como la medicina o las telecomunicaciones el volumen de datos es mucho mayor, lo que ha motivado el desarrollo de numerosas herramientas para su tratamiento y para el desarrollo de modelos de predicción. Algunas de ellas, como las redes neuronales, ya han sido aplicadas al caso de la auscultación de presas [4], [5] con resultados prometedores. El trabajo que se presenta es una revisión de las herramientas disponibles en los campos de la minería de datos, inteligencia artificial y estadística avanzada, potencialmente útiles para el análisis de datos de auscultación. Se describen someramente, indicando sus ventajas e inconvenientes. Se presenta además el resultado de aplicar un modelo basado en bosques aleatorios [6] para la predicción del caudal de filtración en un caso piloto. Los bosques aleatorios están basados en los árboles de decisión [7], que son modelos que dividen el conjunto de datos observados en grupos de observaciones “similares”. Posteriormente, se ajusta un modelo sencillo (típicamente lineal, o incluso un valor constante) que se aplica a los nuevos casos pertenecientes a cada grupo.

More information

Item ID: 30191
DC Identifier: http://oa.upm.es/30191/
OAI Identifier: oai:oa.upm.es:30191
Official URL: http://www.ingenieriadelagua.com/2004/JIA/Jia2013/
Deposited by: Memoria Investigacion
Deposited on: 09 Jul 2014 10:36
Last Modified: 17 Oct 2018 12:07
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM