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

Resumen

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.