EDITORIAL UNIVERSITAT POLITÈCNICA DE VALÈNCIA

XIV Jornadas españolas de ingeniería de

Costas y Puertos

Alicante, 24 y 25 de mayo de 2017

Editora científica

M. Esther Gómez-Martín


Congresos UPV

XIV Jornadas españolas de ingeniería de Costas y Puertos

Editora científica M. Esther Gómez-Martín

© de los textos: los autores

© imagen de portada: “Hidra imagen aérea” (hidraimagen.com)

© 2018 Editorial Universitat Politècnica de València www.lalibreria.upv.es / Ref.: 6401_01_01_01

ISBN: 978-84-9048-619-1

La Editorial UPV autoriza la reproducción, traducción y difusión parcial de la presente publicación con fines científicos, educativos y de investigación que no sean comerciales ni de lucro, siempre que se identifique y se reconozca debidamente a la Editorial UPV, la publicación y los autores. La autorización para reproducir, difundir o traducir el presente estudio, o compilar o crear obras derivadas del mismo en cualquier forma, con fines comerciales/lucrativos o sin ánimo de lucro, deberá solicitarse por escrito al correo [email protected].

XIV Jornadas Españolas de Ingeniería de Costas y Puertos Alicante 24 y 25 de mayo de 2017

Esta obra está bajo una Licencia Creative Commons CC BY-NC-ND 4.0


Nuevos métodos computacionales aplicados a la ingeniería de costas López-López Mercedesa; López-Úbeda, Isabelb ; Villacampa-Esteve, Yolandac y Aragonés-Pomares, Luisd aUniversidad de Alicante, Dpto. de Ingeniería Civil, C/ San Vicente del Raspeig s/n, 03690 San Vicente del Raspeig - Alicante. [email protected], bUniversidad de Alicante, Dpto. de Ingeniería Civil, C/ San Vicente del Raspeig s/n, 03690 San Vicente del Raspeig - Alicante. [email protected], c Universidad de Alicante, Dpto. de Matemática Aplicada, C/ San Vicente del Raspeig s/n, 03690 San Vicente del Raspeig - Alicante. [email protected], dUniversidad de Alicante, Dpto. de Ingeniería Civil, C/ San Vicente del Raspeig s/n, 03690 San Vicente del Raspeig - Alicante. [email protected]

Resumen Este artículo presenta la necesidad de desarrollar nuevas metodologías computacionales aplicadas a la ingeniería de costas. Las actuales metodologías no tienen en cuenta las características locales de las zonas de estudio, por lo que los errores que pueden llegar a cometerse son elevados. Las redes neuronales y modelos numéricos desarrllados por la universidad de Alicante proporcionan metodologías en las que son de aplicación las características cada zona de estudio, por lo que los valores que se obtienen presentan errores bajos, en tormo al 4%.

Palabras clave: redes neuronales, modelos numéricos, perfil de equilibrio, barras.

1. Introducción

La ingeniería de costas tiene como objetivo fundamental resolver los problemas que se plantean en la franja costera y para ello debe investigar técnicas fiables que conduzcan a proyectos que puedan ser garantizados a largo plazo (Aragonés et al., 2016). Así, a lo largo de los años la caracterización de los procesos y elementos costeros ha evolucionado desde simples ecuaciones matemáticas (Dean, 1977), a los modelos (matemáticos, numéricos, probabilísticos, etc.) (Masselink y Li, 2001). Por ejemplo los modelos basados en procesos deterministas pueden bien ser relativamente simples o pueden incorporar modelos hidrodinámicos sofisticados para calcular la hidrodinámica y la respuesta morfológica sobre áreas relativamente grandes (Neill et al., 2008). Usando modelos numéricos, se pueden desarrollar diversos modelos (oleaje, corrientes, transporte de sedimentos, etc.), los cuales deben ser vinculados entre sí, y posteriormente validados para su empleo en un lugar específico. Sin embargo, estas técnicas requieren considerable esfuerzo computacional. Además, todavía existen importantes discrepancias entre los resultados de los modelo y los datos medidos (Iglesias et al., 2009), lo cual puede ser debido a las incertidumbres en la comprensión de los procesos cercanos a la costa (rotura, reflexión, refracción, difracción, transporte de sedimentos, etc) (Jones et al., 2007). De acuerdo con ello, se han introducido otros métodos menos costosos como la inteligencia artificial (Hashemi et al., 2010).

La inteligencia artificial, en común con otros enfoques basados en datos, hace uso únicamente de datos medidos. Esta herramienta es especialmente útil en la aplicación en la costa debido a que muchos ingenieros de costas están interesados en la predicción en lugar de profunda comprensión del proceso (Hashemi et al., 2010). En los últimos años, las técnicas de inteligencia artificial, como las redes neuronales artificiales han sido aplicadas con éxito a distintos problemas de ingeniería costera como: la geometría de las playas bahía (Iglesias et al., 2009), la predicción del oleaje (Lee, 2008), o el comportamiento de las barras (Yan et al., 2008), etc.

Por otro lado, generalmente los modelos desarrollados hasta la actualidad parten de datos obtenidos en ensayos de laboratorio por lo que no tienen en cuenta los posibles efectos locales tales como la difracción de las ondas o la presencia de biocenosis marina, que pueden afectar a los procesos o elementos costeros de una zona particular. Como resultado del uso de este tipo de fórmulas o modelos, a menudo se comenten grandes errores de volumen cuando se calcula el volumen de arena necesaria para la regeneración de una playa. Estos errores generan cambios significativos en la superficie de la playa (erosión o acreción) en comparación con la planta proyectada, creando problemas relacionados con el uso y el coste de la playa. La Universidad de Alicante ha desarrollado nuevas metodologías para su uso en playas micromareales, empleando para el cálculo de diferentes elementos costeros, como el perfil de equilibrio,

671

Nuevos métodos computacionales aplicados a la ingeniería de costas

Esta obra está bajo una licencia Creative Commons License CC BY-NC-ND 4.0


la posición de las barras de arena, la profundidad de cierre o la calidad de las aguas de baño costeras. En el caso de las barras, los métodos empleados nos proporcionan los parámetros recogidos en la figura 1.

Fig. 1. Parámetros característicos de una barra

Para ello se han empleado métodos numéricos basados en elementos finitos y/o redes neuronales de manera que se consigue reducir de manera considerable los errores cometidos en comparación con las metodologías y formulaciones empleadas hasta la fecha.

2. Área de estudio

La zona de estudio de este trabajo se centra en todas las playas de arena de las provincias de Valencia, Alicante y Murcia (España) (Figura 2). Valencia es una provincia situada al Este de la Península Ibérica (39° 28' 31" N - 00° 22' 33" W), localizada dentro del denominado óvalo valenciano, también conocido como Golfo de Valencia, que constituye la mayor unidad morfodinámica del litoral natural español y cuenta con 46 playas en su costa, de las que se han estudiado 28. Sus playas albergan abanicos deltaicos, conos aluviales, dunas, albuferas, cabos y puertos y perfiles con barras. Todo el sistema litoral ha evolucionado mediante una combinación de aportes sedimentarios continentales, modelados posteriormente por los oleajes marinos.

Por su parte la provincia de Alicante, situada al Sur de Valencia (38° 20′ 43″ N - 0° 28′ 59″ W), posee un relieve bastante montañoso y accidentado, y tiene una longitud de costa de 244 km, pudiéndose dividir en dos zonas morfológicas: Una zona principalmente formada de playas de grava, que comprende los dos tercios norte (desde el límite Norte de la provincia hasta el Cabo de las Huertas), y está formada por sierras y diversos valles fluviales. El tercio sur está formado por una gran llanura aluvial, y está compuesta prácticamente en su totalidad por playas de arena, y va desde el Cabo de las Huertas hasta el límite Sur de la provincia. De la provincia de Alicante se han estudiado 38 playas.

La provincia de Murcia se sitúa al Sureste de España (37° 59′ 10″ N - 1° 07′ 49″ W), y se divide de Norte a Sur en dos partes separadas por una serie de sierras que forman la llamada Cordillera Sur. Estas dos zonas son: i) campo de Murcia al Sur, es la zona Norte de la llanura litoral del Campo de Cartagena, y ii) huerta de Murcia al Norte, formada por un llano de inundación depositado sobre una fosa tectónica. En su costa podemos encontrar sistemas de dunas litorales y playas, y humedales costeros con influencia del medio marino. Cabe destacar el mar Menor, que es una laguna litoral de forma semicircular de agua salada del mar Mediterráneo, y está separada de este por una franja de arena de 22 km de longitud y entre 100 y 1200 m de ancho.

Las provincias de Alicante y Murcia están caracterizadas por la presencia de praderas de Posidonia oceanica a lo largo de la costa.

672

López-López M.;López-Úbeda, I.; Villacampa-Esteve,Y.; Aragonés-Pomares, L.



En cuanto a las mareas astronómicas estas oscilan entre 20 y 30 cm en la zona de Valencia y Alicante (Ecolevante, 2006) y entre los 20 y 40 cm en la zona de Murcia (EcoMAG, 2009), que junto con las mareas meteorológicas pueden llegar a ser de hasta 75 cm en Alicante y Valencia, y 1 m en Murcia.

Fig. 2. Localización del área de estudio

3. Metodología

El estudio de las redes neuronales artificiales (RNA) se inspiró por la observación de los sistemas de aprendizaje biológicos compuestos por neuronas interconectadas (Mitchell, 1997). Una neurona biológica tiene una serie de entradas y una salida, procesa la información que entra y envía una señal que llega a otras neuronas a las cuales está conectada.

De forma análoga, las RNA se construyen a partir de un conjunto interconectado de unidades (neuronas), donde cada unidad recibe una serie de entradas (en algunos casos las salidas procedentes de otras unidades) y dan lugar a una salida. Los valores de entrada se combinan linealmente de acuerdo a unos pesos definidos previamente, y después se aplica una función para obtener el valor de salida. El peso determina la contribución de cada parámetro de entrada en la salida. Durante la fase de entrenamiento, los pesos se cambian para reducir el error en los patrones de entrenamiento.

Las RNA se emplean en numerosas áreas debido a sus características como: una alta capacidad de mapeo no lineal, una alta precisión en el aprendizaje y un buen rendimiento.

Una RNA se crea mediante un número de neuronas que trabajan de manera conjunta. Hay muchos tipos de RNAs y uno de los más utilizados es el Perceptrón Multicapa en el que las neuronas están dispuestas en varias capas (el número de capas es variable). Hay una capa de entrada que sirve para introducir las entradas a la red, esta capa tiene el mismo número de neuronas como variables de entrada presenta la red. También hay una capa de salida que recoge los resultados, presentando el mismo número de neuronas que de resultados. Las capas existentes entre la de entrada y salida son conocidas como conocidas como capas ocultas.

Una vez determinada la arquitectura de la red (número de capas, número de variables de entrada y de salida, así como el número de neuronas presentes en las capas ocultas) la red debe ser entrenada. Durante el entrenamiento, a la red se le proporciona un número de ejemplos con los resultados de salida. El algoritmo de entrenamiento determina el peso que deben tener las conexiones de la red.

673




El número de capas y de neuronas ocultas debe ser determinado por el usuario. No existe ningún método para determinar el número óptimo de neuronas ocultas necesario para resolver un problema. Sheela y Deepa (2013) revisaron algunos de los métodos utilizados por diferentes investigadores para determinar el número de neuronas en la capa oculta. Ke y Liu (2008) sugirieron algunos criterios: el número de neuronas ocultas no debe ser superior a dos veces el número de capas de entrada y el tamaño de la capa oculta debe encontrarse entre el de la capa de entrada y la de salida. Estos criterios no pueden generalizarse ya que no son válidos en todos los casos.

Para general los modelos mediante la red neuronal se empleó el método feed-forward back-propagation implementado en el software MATLAB,2005.

En cuanto a los modelos numéricos, éstos han sido generados a partir de la metodología desarrollada por Villacampa, Y. et al. (2009) y Navarro‐González, F.J. & Villacampa, Y (2012). En esta metodología numérica se generan modelos de representación de las variables introducidas, a partir de la generación de modelos n‐dimensionales de elementos finitos con n ≥ 2, la cual está basada inicialmente en la definición y generación de un modelo geométrico de elementos finitos (Y. Villacampa et al. 2009). El modelo de representación de la relación se determina en los nodos pudiendo obtenerse con posterioridad el valor del modelo en cualquier punto, lo que se hace a partir de unas fórmulas de interpolación. La selección del número de elementos finitos y por consiguiente del número nodos, se mide a partir de un número que se denomina Complejidad del modelo. De esta manera, para cada complejidad seleccionada se determina un modelo numérico. Antes de generar los modelos numéricos, se ha comprobado la correlación entre los parámetros que intervienen en la modelización ,D50, H0/L0, mes, dirección, días, Hmed, diferencia ancho playa) .Para ello se ha empleado el software computacional SPSS. De manera que finalmente se ha creado un modelo en el cual están presentes las variables anteriormente mencionandas. En la presente investigación se han generado modelos de complejidades 20, 40, 50, 60 y 70. Una vez generados los modelos se ha comprobado la estabilidad de estos mediante el software SPSS. Para ello se ha comprobado que los resultados obtenidos de la modelización no varíen significativamente realizando variaciones de hasta el 20% en los valores de los parámetros que intervienen en la obtención de los puntos característicos de las barras.

4. Resultados

Los resultados obtenidos de los modelos numéricos y redes neuronales desarrollados por la universidad de Alicante, se puede ver en la figura 3. Donde vienen comparados los errores obtenidos. En el perfil transversal, el error absoluto cometido por los modelos existentes es de 1,48m/ml de perfil, frente al 0,22m/ml de perfil de la red neuronal. En la profundidad de cierre, los modelos existentes proporcionan errores de más del 20%, proporcionando un 7, 7% de error el modelo numérico. Los errores de la distancia a la costa de la barra, tanto para el inicio, como la cresta como el final de la barra son los modelos numéricos de la Universidad de Alicante, los que proporcionan menor cantidad de error, siendo este de un 4,17% en el inicio de la barra, y un 3,03% al final de la barra. Mientras que los modelos existentes para los mismos parámetros, inicio y fin de la barra, se obtienen errores de 63,70% y 42,80% respectivamente. En cuanto a la profundidad de la barra, al igual que en el caso anterior, los modelos numéricos son los que proporcionan menor cantidad de error. Siendo el error cometido al inicio de la barra de 4,07% y en la cresta del 2,92%. Los modelos existentes para los mismos parámetros proporcionan un error deñ 47% para el inicio de la barra y de un 74,20% para la cresta de la barra.

674

López-López M.;López-Úbeda, I.; Villacampa-Esteve,Y.; Aragonés-Pomares, L.



Fig. 3 Comparación de los errores cometidos entre los diversos modelos

5. Conclusión

Para modelar los perfiles transversales y barras, se han considerado modelos numéricos y redes neuronales, en comparación con modelos ya existentes. Como los resultados han mostrado, los errores cometidos por los modelos numéricos son mucho menores que las metodologías existentes. La principal consecuencia es la reducción económica que supondría calcular los volúmenes de regeneración con modelos cuyos errores sean los menores posibles. Esta reducción en el volumen de arena requerido se estima en unos 3000 m3/playa, lo que supondría un ahorro de unos 24000 - 45000 € (suponiendo un coste de 8 - 15 €/m3) según Lopez. I, et al (2017). Por lo que es necesario generar y mejorar metodologías y modelos que emplean las características locales de cada zona de estudio para poder obtener resultados satisfactorios, y lo más precisos posible, de modo que se alcancen los objetivos deseados con el menor coste posible.

Referencias

ARAGONES, L.; SERRA, J.C.; VILLACAMPA, Y.; SAVAL, J.M., TINOCO, H., (2016). “New methodology for describing the equilibrium beach profile applied to the Valencia's beaches”. Geomorphology, 259, 1-11.

BIRD, E. (2011). Coastal geomorphology: an introduction, John Wiley & Sons.

DEAN, R.G. 1977. Equilibrium Beach Profiles: U.S. Atlantic and Gulf Coasts. Department of Civil Engineering. Ocean Eng. Technical Report. Newark, Delaware.: University of Delaware.

HASHEMI, M.R.; GHADAMPOUR, Z., NEILL, S.P., 2010. Using an artificial neural network tomodel seasonal changes in beach profiles. Ocean Engineering, 37(14–15), 1345-1356.

IGLESIAS, G.; LOPEZ, I.; CASTRO, A., CARBALLO, R., 2009. Neural network modelling of planform geometry of headland-bay beaches. Geomorphology, 103(4), 577-587.˜

JONES, O.P.; PETERSEN, O.S., KOFOED-HANSEN, H., 2007. Modelling of complex coastal environments: Some considerations for best practise. Coastal Eng., 54(10), 717-733.

KE J. Y LIU X. (2008). Empirical analysis of optimal hidden neurons in neural network modeling for stock prediction. Computational Intelligence and Industrial Application, 2008. PACIIA'08. Pacific-Asia Workshop on 2, 828-832.

0,0

0,5

1,0

1,5

2,0

Perfil transversal

Erro

r abs

olut

o (m

/ml p

erfil

) Red neuronales UA

Modelos numéricos UA

Modelos existentes

0%

5%

10%

15%

20%

25%

Profundidad de cierre

Erro

r (%

)

Red neuronales UAModelos numéricos UAModelos existentes

0% 10% 20% 30% 40% 50% 60% 70%

Inicio Cresta Final

Distancia a la costa

Erro

r (%

)

Red neuronales UA Modelos numéricos UA Modelos existentes

0% 10% 20% 30% 40% 50% 60% 70% 80% 90%

Inicio Cresta Final

Profundidad

Erro

r (%

)

Red neuronales UA Modelos numéricos UA Modelos existentes

675




LEE, T.L., 2008. Back-propagation neural network for the prediction of the short-term storm surge in Taichung harbor, Taiwan. Engineering Applications of Artificial Intelligence, 21(1), 63-72.˜

LÓPEZ, I., ARAGONÉS, L., VILLACAMPA, Y., & COMPAÑ, P. (2017). Artificial neural network modelling of cross-shore profile on sand beaches: Valencia's coast (Spain). Marine Georesources & Geotechnology, In press.

MASSELINK, G., LI, L., 2001. The role of swash infiltration in determining the beachface gradient: a numerical study. Marine Geology, 176(1–4), 139-156.˜

MITCHELL T. (1997). Hill, McGraw. Machine Learning. ISBN: 0-07-042807-7

NAVARRO-GONZÁLEZ, F.J., & VILLACAMPA, Y. . (2012). A new methodology for complex systems using n-dimensional finite elements. Advances in Engineering Software., 48(1), 52-57.

NEILL, S.P.; ELLIOTT, A.J., HASHEMI, M.R., 2008. A model of inter-annual variability in beach levels. Continental Shelf Research, 28(14), 1769-1781.˜

SHEELA K.G. Y DEEPA S. (2013). Review on methods to fix number of hidden neurons in neural networks. Mathematical Problems in Engineering. 2013.

VILLACAMPA, Y., NAVARRO-GONZÁLEZ, F.J., & LLORENS, J. (2009). A geometric model for the generation of models defined in Complex Systems. Ecosystems and Sustainable Development VII 71-82.

YAN, B.; ZHANG, Q.-H., AND WAI, O.W.H., 2008. Prediction of sand ripple geometry under waves using an artificial neural network. Computers & Geosciences, 34(12), 1655-1664.

676

/ColorImageDict > /JPEG2000ColorACSImageDict > /JPEG2000ColorImageDict > /AntiAliasGrayImages false /CropGrayImages true /GrayImageMinResolution 300 /GrayImageMinResolutionPolicy /OK /DownsampleGrayImages true /GrayImageDownsampleType /Bicubic /GrayImageResolution 300 /GrayImageDepth -1 /GrayImageMinDownsampleDepth 2 /GrayImageDownsampleThreshold 1.50000 /EncodeGrayImages true /GrayImageFilter /DCTEncode /AutoFilterGrayImages true /GrayImageAutoFilterStrategy /JPEG /GrayACSImageDict > /GrayImageDict > /JPEG2000GrayACSImageDict > /JPEG2000GrayImageDict > /AntiAliasMonoImages false /CropMonoImages true /MonoImageMinResolution 1200 /MonoImageMinResolutionPolicy /OK /DownsampleMonoImages true /MonoImageDownsampleType /Bicubic /MonoImageResolution 1200 /MonoImageDepth -1 /MonoImageDownsampleThreshold 1.50000 /EncodeMonoImages true /MonoImageFilter /CCITTFaxEncode /MonoImageDict > /AllowPSXObjects false /CheckCompliance [ /None ] /PDFX1aCheck false /PDFX3Check false /PDFXCompliantPDFOnly false /PDFXNoTrimBoxError true /PDFXTrimBoxToMediaBoxOffset [ 0.00000 0.00000 0.00000 0.00000 ] /PDFXSetBleedBoxToMediaBox true /PDFXBleedBoxToTrimBoxOffset [ 0.00000 0.00000 0.00000 0.00000 ] /PDFXOutputIntentProfile () /PDFXOutputConditionIdentifier () /PDFXOutputCondition () /PDFXRegistryName () /PDFXTrapped /False

/CreateJDFFile false /Description > /Namespace [ (Adobe) (Common) (1.0) ] /OtherNamespaces [ > /FormElements false /GenerateStructure false /IncludeBookmarks false /IncludeHyperlinks false /IncludeInteractive false /IncludeLayers false /IncludeProfiles false /MultimediaHandling /UseObjectSettings /Namespace [ (Adobe) (CreativeSuite) (2.0) ] /PDFXOutputIntentProfileSelector /DocumentCMYK /PreserveEditing true /UntaggedCMYKHandling /LeaveUntagged /UntaggedRGBHandling /UseDocumentProfile /UseDocumentBleed false >> ]>> setdistillerparams> setpagedevice































































/ColorImageDict > /JPEG2000ColorACSImageDict > /JPEG2000ColorImageDict > /AntiAliasGrayImages false /CropGrayImages true /GrayImageMinResolution 300 /GrayImageMinResolutionPolicy /OK /DownsampleGrayImages true /GrayImageDownsampleType /Bicubic /GrayImageResolution 300 /GrayImageDepth -1 /GrayImageMinDow

EDITORIAL UNIVERSITAT POLITÈCNICA DE VALÈNCIA · Este artículo presenta la necesidad de...

Documents

Transcript of EDITORIAL UNIVERSITAT POLITÈCNICA DE VALÈNCIA · Este artículo presenta la necesidad de...