Post on 17-Nov-2014
description
Departamento de Ciencias Agroforestales
Programa de Doctorado “Sistemas de Producción Integrada en la Agricultura y la Ganadería”
MODELIZACIÓN DE LA FASE DE AVANCE DEL RIEGO MODELIZACIÓN DE LA FASE DE AVANCE DEL RIEGO POR SUPERFICIE. INTEGRACIÓN DE UNA SOLUCIÓN POR SUPERFICIE. INTEGRACIÓN DE UNA SOLUCIÓN
DE BALANCE DE VOLUMEN CON REDES DE BALANCE DE VOLUMEN CON REDES NEURONALES ARTIFICIALESNEURONALES ARTIFICIALES
José Antonio Rodríguez Álvarez Sevilla, Septiembre de 2007
Línea de Investigación “Manejo del Agua”
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
INTRODUCCIÓNINTRODUCCIÓN
Riego por SuperficieRiego por Superficie
El agua se aplica a la superficie del suelo.
El agua se distribuye en el campo por gravedad.
Fue el primer sistema en ser aplicado pero el último en ser analizado de forma completa.
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
INTRODUCCIÓNINTRODUCCIÓN
Región Riego por Superficie
60,2
43,5
35,0
80,0 - 90,0 !!!
Porcentaje de la Superficie Total RegadaPorcentaje de la Superficie Total Regada
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
INTRODUCCIÓNINTRODUCCIÓN
Subvención Oferta de Agua Intereses PolíticosPública a Bajo Coste y Comerciales
Subvención Oferta de Agua Intereses PolíticosPública a Bajo Coste y Comerciales
Cambio de Incertidumbre Presiones Políticas de Mercado AmbientalesCambio de Incertidumbre Presiones
Políticas de Mercado Ambientales
Pocos Cambios en el Patrón Pocos Cambios en el Patrón Actual de Sistemas de RiegoActual de Sistemas de RiegoPocos Cambios en el Patrón Pocos Cambios en el Patrón Actual de Sistemas de RiegoActual de Sistemas de Riego
Grandes Transformaciones
Desarrollo de Riego Presurizado
Desaceleración de Transformaciones
Nueva Política Orientada a la
Gestión del Agua
Paradigma Tradicional
Nuevo Paradigma
Evolución del Regadío en EspañaEvolución del Regadío en España
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
INTRODUCCIÓNINTRODUCCIÓN
Fase de Almacenamiento
Fase de Avance
Fase de Agotamiento
Fase de Recesión
Fases del Riego por SuperficieFases del Riego por Superficie
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
INTRODUCCIÓNINTRODUCCIÓN
Hidrodinámico Completo
Inercia Nula Onda Cinemática
Balance de Volumen
Empíricos
Baja
Media
Alta0
t
z
t
A
x
Q
t
z
Ag2
VSS
x
y
x
V
g
V
t
V
g
1f0
0
t
z
t
A
x
Q
f0 SSxy
ViVsVa
Modelos del Riego por SuperficieModelos del Riego por Superficie
Preferido por los Ingenieros
Complejidad/Precisión/Flexibilidad
0t
z
t
A
x
Q
f0 SS
ule)R 41
( SCS
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
INTRODUCCIÓNINTRODUCCIÓN
Modelo de Balance de VolumenModelo de Balance de Volumen
Flujo Superficial
Flujo Infiltrado
Q(ta)
)ta(Vz)ta(VytataQ
Ignorar la Variación Temporal del Caudal de Riego
Asumir Régimen Uniforme Asumir Factor de
Forma Superficial Constante
Forzar la Trayectoria de Avance a seguir una Función Arbitraria
ViVsVa
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
INTRODUCCIÓNINTRODUCCIÓN
Hidrodinámico Completo
Inercia Nula Onda Cinemática
Balance de Volumen
Empíricos
Complejidad/Precisión/Flexibilidad
Baja
Media
Alta0
t
z
t
A
x
Q
t
z
Ag2
VSS
x
y
x
V
g
V
t
V
g
1f0
0
t
z
t
A
x
Q
f0 SSxy
Modelos del Riego por SuperficieModelos del Riego por Superficie
0t
z
t
A
x
Q
f0 SS
ule)R 41
( SCS
ViVsVa
Integración con Redes Neuronales Artificiales
ViVsVa
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
INTRODUCCIÓNINTRODUCCIÓN
Objetivos del TrabajoObjetivos del Trabajo
Formular y evaluar un modelo híbrido para la simulación numérica de la fase de avance del riego por superficie mediante la integración de una solución de
balance de volumen con redes neuronales artificiales
1. Diseñar y evaluar dos redes neuronales artificiales para simular la evolución temporal del calado y el volumen del flujo superficial durante la fase de avance del riego por superficie.
2. Diseñar y evaluar dos redes neuronales para la asimilar el efecto de las fluctuaciones temporales del caudal de riego sobre la fase de avance del riego por superficie.
3. Integrar las redes neuronales con un modelo convencional de balance de volumen para la simulación numérica de la fase de avance del riego por superficie.
4. Evaluar la exactitud, precisión y funcionalidad del modelo híbrido formulado mediante la comparación de sus resultados con las salidas de un modelo de inercia nula del riego por superficie.
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
MATERIAL Y MÉTODOSMATERIAL Y MÉTODOS
Volumen de Agua Infiltrado en el SueloVolumen de Agua Infiltrado en el Suelo
Flujo Superficial
Flujo Infiltrado
Q(ta)
xa)ta(rz)ta(ZotaVz
dx )x(ttaZtaVxa
0Z
ataK)ta(Zo
2,32 W7,1W7,21R0R1R)ta(rz
Valiantzas (1997)
)ta(Vz)ta(VytataQ
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
MATERIAL Y MÉTODOSMATERIAL Y MÉTODOS
Volumen de Agua Almacenado sobre el Suelo Volumen de Agua Almacenado sobre el Suelo
Flujo Superficial
Flujo Infiltrado
Q(ta)
xa)ta(ry)ta(AotaVy
dx t,xAtaVyxa
0
1RNA)ta(Ao
2RNA)ta(Vy
Redes Neuronales Artificiales
)ta(Vz)ta(VytataQ
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
MATERIAL Y MÉTODOSMATERIAL Y MÉTODOS
Redes Neuronales Artificiales Redes Neuronales Artificiales
Son técnicas pertenecientes a los campos de la inteligencia artificial y la exploración de datos que intentan reproducir la forma en que los sistemas nerviosos biológicos procesan la información. Las RNA tienen la cualidad de aprender a realizar tareas basadas en un entrenamiento o en una experiencia inicial y son capaces de reconocer patrones con ruido o distorsionados.
Red Neuronal Artificial
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
MATERIAL Y MÉTODOSMATERIAL Y MÉTODOS
Redes Neuronales Artificiales Redes Neuronales Artificiales
Entrada O
culta Salida
Y..
...
X1
X2
Xn
Red Perceptrón Multicapa Red Perceptrón Multicapa
Los datos entran a la red a través de esta capa
Conecta la Capa de Entrada con la Capa de Salida
Los resultados salen de la red a través de esta capa
Ij=(Xi*Wji) + j
Yj=(Ij)
Función Activación
X1
X2
Xn
Wjn
Wj2
Wj1
Yj
Ij=(Xi*Wji) + j
Yj=(Ij)
Función Activación
X1
X2
Xn
Wjn
Wj2
Wj1
Yj
Neurona Neurona
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
MATERIAL Y MÉTODOSMATERIAL Y MÉTODOS
Redes Neuronales Artificiales Redes Neuronales Artificiales
Prueba y ErrorDiseño de una Red Neuronal Artificial Diseño de una Red Neuronal Artificial
1. Elegir el número de capas ocultas.
2. Elegir el número de neuronas en cada capa oculta.
3. Elegir las funciones de activación en las capas oculta y de salida.
4. Obtener los pesos y los umbrales de activación de todas las conexiones (entrenamiento de la red).
5. Elegir las variables (independientes) de entrada a la red.
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
MATERIAL Y MÉTODOSMATERIAL Y MÉTODOS
Redes Neuronales Artificiales Redes Neuronales Artificiales
Prueba y Error
Err
or Patrón de
Verificación
Patrón deEntrenamiento
Diseño de una Red Neuronal Artificial Diseño de una Red Neuronal Artificial
Configuración
1. Elegir el número de capas ocultas.
2. Elegir número de neuronas en cada capa oculta.
3. Elegir las funciones de activación en las capas oculta y de salida.
4. Obtener los pesos y los umbrales de activación de todas las conexiones (entrenamiento de la red).
5. Elegir las variables (independientes) de entrada a la red.
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
MATERIAL Y MÉTODOSMATERIAL Y MÉTODOS
Redes Neuronales Artificiales Redes Neuronales Artificiales
Prueba y Error
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
1,1
-10 -5 0 5 10
I j
F(I
j)
F(I j )=1/(1+e -Ij )
Función Sigmoidal
-1,2
-1
-0,8
-0,6
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
-10 -5 0 5 10
I j
F(I
j)
F(I j )=(e Ij - e -Ij )/(e Ij + e -Ij )
Función Tangente Hiperbólica
-1,2
-1
-0,8
-0,6
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
-10 -5 0 5 10
I j
F(I
j)
F(I j )=I j
Función Lineal
Sigmoidal Tangente Hiperbólica
Lineal
Diseño de una Red Neuronal Artificial Diseño de una Red Neuronal Artificial
1. Elegir el número de capas ocultas.
2. Elegir el número de neuronas en cada capa oculta.
3. Elegir las funciones de activación en las capas oculta y de salida.
4. Obtener los pesos y los umbrales de activación de todas las conexiones (entrenamiento de la red).
5. Elegir las variables (independientes) de entrada a la red.
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
MATERIAL Y MÉTODOSMATERIAL Y MÉTODOS
Redes Neuronales Artificiales Redes Neuronales Artificiales
Agente Supervisor: Levenberg Marquadt
Validación Cruzada
Err
or Patrón de
Validación
Patrón deEntrenamiento
Diseño de una Red Neuronal Artificial Diseño de una Red Neuronal Artificial
Ciclos
1. Elegir el número de capas ocultas.
2. Elegir el número de neuronas en cada capa oculta.
3. Elegir las funciones de activación en las capas oculta y de salida.
4. Obtener los pesos y los umbrales de activación de todas las conexiones (entrenamiento).
5. Elegir las variables (independientes) de entrada a la red.
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
MATERIAL Y MÉTODOSMATERIAL Y MÉTODOS
Redes Neuronales Artificiales Redes Neuronales Artificiales
Análisis de Sensibilidad: Perturbación
Diseño de una Red Neuronal Artificial Diseño de una Red Neuronal Artificial
1. Elegir el número de capas ocultas.
2. Elegir el número de neuronas en cada capa oculta.
3. Elegir las funciones de activación en las capas oculta y de salida.
4. Obtener los pesos y los umbrales de activación de todas las conexiones (entrenamiento de la red).
5. Elegir las variables (independientes) de entrada a la red.
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
MATERIAL Y MÉTODOSMATERIAL Y MÉTODOS
Volumen de Agua Almacenado sobre el Suelo Volumen de Agua Almacenado sobre el Suelo
Flujo Superficial
Flujo Infiltrado
Q(ta)
Patrón de Entrenamiento: 3320 Casos
Patrón de Verificación: 980 Casos
)ta(Vz)ta(VytataQ
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
MATERIAL Y MÉTODOSMATERIAL Y MÉTODOS
Volumen de Agua Almacenado sobre el Suelo Volumen de Agua Almacenado sobre el Suelo
Flujo Superficial
Flujo Infiltrado
Q(ta)
*K T*, X*, a, a2, a1, p2, p1,fRNA*A 1
*KA*, T*, X*, a, a2, a1, p2, p1,fRNA*V 2
Red Neuronal Artificial
)ta(Vz)ta(VytataQ
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
MATERIAL Y MÉTODOSMATERIAL Y MÉTODOS
Fluctuaciones Temporales del Caudal de Riego Fluctuaciones Temporales del Caudal de Riego
Flujo Superficial
Flujo Infiltrado
Q(ta)
)ta(Vz)ta(VytataQ
dttQtataQtat
0t
ta
Q(ta)
Caudal
Tiempo
taQ...,fRNA)ta(Ao 1
taQ...,fRNA)ta(Vy 2
)ta(Vz)ta(VytataQ
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
MATERIAL Y MÉTODOSMATERIAL Y MÉTODOS
Fluctuaciones Temporales del Caudal de Riego Fluctuaciones Temporales del Caudal de Riego
Flujo Superficial
Flujo Infiltrado
Q(ta)
)ta(Vz)ta(VytataQ
dttQtataQtat
0t
taQa...,fRNA)ta(Ao 1
taQv...,fRNA)ta(Vy 2 3RNA)ta(Qa
4RNA)ta(Qv
)ta(Vz)ta(VytataQ
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
MATERIAL Y MÉTODOSMATERIAL Y MÉTODOS
Fluctuaciones Temporales del Caudal de Riego Fluctuaciones Temporales del Caudal de Riego
Flujo Superficial
Flujo Infiltrado
Q(ta)
)ta(Vz)ta(VytataQ
Patrón de Entrenamiento: 30743 Casos
Patrón de Verificación: 1672 Casos
)ta(Vz)ta(VytataQ
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
MATERIAL Y MÉTODOSMATERIAL Y MÉTODOS
Fluctuaciones Temporales del Caudal de Riego Fluctuaciones Temporales del Caudal de Riego
Flujo Superficial
Flujo Infiltrado
Q(ta)
)ta(Vz)ta(VytataQ
Red Neuronal Artificial
*QK*, T*, X*, a, a2, a1, p2, p1,fRNA*Qa 3
*QK*, T*, X*, a, a2, a1, p2, p1,fRNA*Qv 4
)ta(Vz)ta(VytataQ
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
MATERIAL Y MÉTODOSMATERIAL Y MÉTODOS
Q(ta)
Vs.
Evaluación del Modelo Híbrido Evaluación del Modelo Híbrido
Diferencia estadística entre las medianas (Wilcoxon-Mann-Whitney).
Diferencia estadística entre las varianzas (Brown-Forsythe).
Diferencia estadística entre las distribuciones de frecuencia (Kolmogoroff–Smirnov).
Regresiones lineales entre los valores estimados por ambos modelos.
Raíz del Error Cuadrático Medio y Error Relativo Medio.
Análisis de sensibilidad.
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
RESULTADOS Y DISCUSIÓNRESULTADOS Y DISCUSIÓN
Redes Neuronales para Estimar el Área y el Volumen del Flujo Superficial Redes Neuronales para Estimar el Área y el Volumen del Flujo Superficial
VolumenVolumen
ÁreaÁrea
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
RESULTADOS Y DISCUSIÓNRESULTADOS Y DISCUSIÓN
Redes Neuronales para Estimar el Área y el Volumen del Flujo Superficial Redes Neuronales para Estimar el Área y el Volumen del Flujo Superficial
Proceso Variables Independientes
Variable Dependiente
No. de EP en la Capa
Oculta
Funciones de Activación Capa Oculta/Salida
Área del Flujo Superficial
p2, a2, a, X*, T*, K*
A* 5 EP Sigmoidal/Sigmoidal
Volumen del Flujo Superficial
p2, a, Ln(T*), Ln(X*), K*, A*
Ln(V*) 7 EP Sigmoidal/Lineal
Patrón de Entrenamiento Patrón de Verificación Variable Dependiente RECM ERM (%) r RECM ERM (%) r
A* 0,0084 1,3546 0,9994 0,0146 2,0841 0,9977 Ln(V*) 0,0780 3,1613 0,9985 0,1167 3,1865 0,9978
Topologías de las RNATopologías de las RNA
Precisión y Exactitud de las RNAPrecisión y Exactitud de las RNA
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
RESULTADOS Y DISCUSIÓNRESULTADOS Y DISCUSIÓN
Redes Neuronales para Estimar el Área y el Volumen del Flujo Superficial Redes Neuronales para Estimar el Área y el Volumen del Flujo Superficial
DimensionalDimensional
AdimensionalAdimensional
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
RESULTADOS Y DISCUSIÓNRESULTADOS Y DISCUSIÓN
Redes Neuronales para Asimilar las Fluctuaciones Temporales del CaudalRedes Neuronales para Asimilar las Fluctuaciones Temporales del Caudal
Comportamiento Típico de los Caudales EquivalentesComportamiento Típico de los Caudales Equivalentes
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
RESULTADOS Y DISCUSIÓNRESULTADOS Y DISCUSIÓN
Redes Neuronales para Asimilar las Fluctuaciones Temporales del CaudalRedes Neuronales para Asimilar las Fluctuaciones Temporales del Caudal
Proceso Variables Independientes
Variable Dependiente
No. de EP en la Capa Oculta
Funciones de Activación
Capa Oculta/Salida Caudal Equivalente Área del Flujo Superficial
p1, p2, a1, a2, a, X*, T*, K*, Q*
Qa* 5 EP Tangente Hiperbólica/Lineal
Caudal Equivalente Volumen del Flujo Superficial
p1, p2, a1, a2, a, X*, T*, K*, Q*
Qv* 5 EP Tangente Hiperbólica/Lineal
Patrón de Entrenamiento Patrón de Verificación Variable Dependiente RECM ERM (%) r RECM ERM (%) r
Qa* 0,0468 1,6925 0,9879 0,0310 1,0665 0,9927 Qv* 0,0283 1,8709 0,9897 0,0215 1,5568 0,9942
Topologías de las RNATopologías de las RNA
Precisión y Exactitud de las RNAPrecisión y Exactitud de las RNA
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
Q(ta)
Vs.
Las predicciones del modelo son estadísticamente válidas?.
Son suficientemente precisas las predicciones del modelo?.
Cual es el grado de exactitud de las predicciones del modelo?.
Es funcional el modelo?.
RESULTADOS Y DISCUSIÓNRESULTADOS Y DISCUSIÓN
Evaluación del Modelo Híbrido en Condiciones de Régimen PermanenteEvaluación del Modelo Híbrido en Condiciones de Régimen Permanente
Comparación entre las medianas, las varianzas y las distribuciones de
frecuencias
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
Q(ta)
Vs.
Las predicciones del modelo son estadísticamente válidas?.
Son suficientemente precisas las predicciones del modelo?.
Cual es el grado de exactitud de las predicciones del modelo?.
Es funcional el modelo?.
RESULTADOS Y DISCUSIÓNRESULTADOS Y DISCUSIÓN
Evaluación del Modelo Híbrido en Condiciones de Régimen PermanenteEvaluación del Modelo Híbrido en Condiciones de Régimen Permanente
Regresiones Lineales (Coeficiente de Determinación)
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
Q(ta)
Vs.
Las predicciones del modelo son estadísticamente válidas?.
Son suficientemente precisas las predicciones del modelo?.
Cual es el grado de exactitud de las predicciones del modelo?.
Es funcional el modelo?.
RESULTADOS Y DISCUSIÓNRESULTADOS Y DISCUSIÓN
Evaluación del Modelo Híbrido en Condiciones de Régimen PermanenteEvaluación del Modelo Híbrido en Condiciones de Régimen Permanente
Regresiones Lineales (Intercepto, Pendiente)
RECM, ERM
Análisis de los residuos
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
Q(ta)
Vs.
Las predicciones del modelo son estadísticamente válidas?.
Son suficientemente precisas las predicciones del modelo?.
Cual es el grado de exactitud de las predicciones del modelo?.
Es funcional el modelo?.
RESULTADOS Y DISCUSIÓNRESULTADOS Y DISCUSIÓN
Evaluación del Modelo Híbrido en Condiciones de Régimen PermanenteEvaluación del Modelo Híbrido en Condiciones de Régimen Permanente
Complejidad y flexibilidad del modelo, tiempo y estabilidad en la convergencia de los
cálculos.
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
RESULTADOS Y DISCUSIÓNRESULTADOS Y DISCUSIÓN
Evaluación del Modelo Híbrido en Condiciones de Régimen PermanenteEvaluación del Modelo Híbrido en Condiciones de Régimen Permanente
Prueba de Wilcoxon-Mann-Whitney Distancia de Avance Calado al Inicio del Campo
Estadísticos Modelo SRFR
Modelo Híbrido
Modelo SRFR Modelo Híbrido
Mediana de la Muestra 86,15 85,71 0,0829 0,0834 Hipótesis Nula Mediana Modelo SRFR = Mediana Modelo Híbrido Hipótesis Alternativa Mediana Modelo SRFR Mediana Modelo Híbrido Rango Medio de la Muestra 7811,14 7789,86 7800,41 7800,59 W 3,033*107 3,042*107 p 0,768 0,998
Prueba de Brown-Forsythe Distancia de Avance Calado al Inicio del Campo
Estadísticos Modelo SRFR
Modelo Híbrido
Modelo SRFR Modelo Híbrido
Media de la Muestra 104,53 104,27 0,0799 0,0799 Hipótesis Nula Varianza Modelo SRFR = Varianza Modelo Híbrido Hipótesis Alternativa Varianza Modelo SRFR Varianza Modelo Híbrido Desviación Estándar 72,06 72,02 0,0371 0,0370 W 0,00044 0,08745 p 0,983 0,767
≠
≠
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
RESULTADOS Y DISCUSIÓNRESULTADOS Y DISCUSIÓN
Evaluación del Modelo Híbrido en Condiciones de Régimen PermanenteEvaluación del Modelo Híbrido en Condiciones de Régimen Permanente
Prueba de Kolmogoroff–Smirnov Prueba de Kolmogoroff–Smirnov
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
RESULTADOS Y DISCUSIÓNRESULTADOS Y DISCUSIÓN
Evaluación del Modelo Híbrido en Condiciones de Régimen PermanenteEvaluación del Modelo Híbrido en Condiciones de Régimen Permanente
Solución Explícita
Número Medio de Iteraciones= 4,24
7800 Casos Evaluados
Solución Explícita
Número Medio de Iteraciones= 4,24
7800 Casos Evaluados
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
RESULTADOS Y DISCUSIÓNRESULTADOS Y DISCUSIÓN
So >= 0,00001So >= 0,00001
So >= 0,0001So >= 0,0001
Evaluación del Modelo de Walker y SkogerboeEvaluación del Modelo de Walker y Skogerboe
Flujo Superficial
Flujo Infiltrado
Q(ta)
Fórmula de Manning ry = 0,77
rz = f(a,r)
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
RESULTADOS Y DISCUSIÓNRESULTADOS Y DISCUSIÓN
So >= 0,00001So >= 0,00001
So >= 0,0001So >= 0,0001
Evaluación del Modelo de Walker y SkogerboeEvaluación del Modelo de Walker y Skogerboe
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
RESULTADOS Y DISCUSIÓNRESULTADOS Y DISCUSIÓN
Evaluación del Modelo Híbrido en Condiciones de Régimen TransitorioEvaluación del Modelo Híbrido en Condiciones de Régimen Transitorio
Prueba de Wilcoxon-Mann-Whitney Distancia de Avance Calado al Inicio del Campo
Estadísticos Modelo SRFR
Modelo Híbrido
Modelo SRFR
Modelo Híbrido
Mediana de la Muestra 81,14 80,21 0,0537 0,0535 Hipótesis Nula Mediana Modelo SRFR = Mediana Modelo Híbrido Hipótesis Alternativa Mediana Modelo SRFR Mediana Modelo Híbrido Rango Medio de la Muestra 27066,4 26934,6 27028,0 26973,0 W 3,627*108 3,637*108 p 0,326 0,681
Prueba de Brown-Forsythe Distancia de Avance Calado al Inicio del Campo
Estadísticos Modelo SRFR
Modelo Híbrido
Modelo SRFR
Modelo Híbrido
Media de la Muestra 97,37 96,81 0,0608 0,0607 Hipótesis Nula Varianza Modelo SRFR = Varianza Modelo Híbrido Hipótesis Alternativa Varianza Modelo SRFR Varianza Modelo Híbrido Desviación Estándar 69,01 68,82 0,0356 0,0357 W 0,337 0,0838 p 0,562 0,772
≠
≠
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
RESULTADOS Y DISCUSIÓNRESULTADOS Y DISCUSIÓN
Evaluación del Modelo Híbrido en Condiciones de Régimen TransitorioEvaluación del Modelo Híbrido en Condiciones de Régimen Transitorio
Prueba de Kolmogoroff–Smirnov Prueba de Kolmogoroff–Smirnov
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
RESULTADOS Y DISCUSIÓNRESULTADOS Y DISCUSIÓN
Evaluación del Modelo Híbrido en Condiciones de Régimen TransitorioEvaluación del Modelo Híbrido en Condiciones de Régimen Transitorio
Solución Explícita
Número Medio de Iteraciones= 3,87
27000 Casos Evaluados
Solución Explícita
Número Medio de Iteraciones= 3,87
27000 Casos Evaluados
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
RESULTADOS Y DISCUSIÓNRESULTADOS Y DISCUSIÓN
CaladoCalado
AvanceAvance
Resultados de los Análisis de SensibilidadResultados de los Análisis de Sensibilidad
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
CONCLUSIONESCONCLUSIONES
1. La integración de un modelo convencional de balance de volumen con redes neuronales artificiales conformaron el modelo Híbrido propuesto en este trabajo.
2. Las redes neuronales artificiales diseñadas fueron capaces de simular la
evolución temporal del calado y el volumen del flujo superficial con un elevado nivel de precisión y exactitud.
3. Las redes neuronales artificiales permitieron asimilar correctamente el
impacto de las variaciones graduales y repentinas del caudal de riego sobre el comportamiento de la fase de avance del riego por superficie.
4. La simple transformación de las principales variables en notación adimensional permitió que las redes neuronales diseñadas adquirieran excelentes capacidades de generalización.
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
CONCLUSIONESCONCLUSIONES
5. El modelo Híbrido fue capaz de predecir la distancia de avance y el calado del flujo superficial con una precisión similar a la alcanzada con un modelo numérico de inercia nula.
6. La solución del modelo Híbrido es explícita, no necesita discretizar los dominios temporal y espacial para resolver las ecuaciones que gobiernan el sistema y logra una rápida convergencia de los cálculos.
7. Las simplificaciones introducidas para formular el modelo Híbrido no
afectaron su nivel de sensibilidad frente a los principales parámetros que dominan los sistemas de riego por superficie.
Modelización de la Fase de Avance del Riego por SuperficieModelización de la Fase de Avance del Riego por Superficie
CONCLUSIONESCONCLUSIONES
http
://w
ww
.sip
ari
d.1
10m
b.c
om
/h
ttp://
ww
w.s
ipa
rid
.11
0mb
.co
m/ h
ttp://w
ww
.siparid
.11
0mb
.com
/h
ttp://w
ww
.siparid
.11
0mb
.com
/