Modelo con redes neuronales artificiales para predecir el diseño de diques de concreto ciclópeo en los proyectos de siembra y cosecha de agua, Ayacucho 2024
Loading...
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Nacional de San Cristóbal de Huamanga
Abstract
La presente investigación se centra en el desarrollo de un modelo con redes neuronales artificiales (RNA) para predecir el diseño de diques de concreto ciclópeo, específicamente en el marco de los proyectos de siembra y cosecha de agua. Tradicionalmente, los métodos de diseño de estas estructuras dependen de criterios empíricos y de la experiencia profesional de los ingenieros quienes se dedican a esta rama de la ingeniería civil, lo que a menudo lleva y resulta en un proceso ineficiente, y con un riesgo considerable de errores de dimensionamiento de estas estructuras de retención de agua. Esta problemática se vuelve aún más crítica en contextos donde la precisión es esencial para la sostenibilidad y funcionalidad de las infraestructuras hidráulicas. En este sentido, los modelos con redes neuronales artificiales (RNA) surgen como una alternativa moderna y viable, capaces de manejar grandes volúmenes de datos y de capturar relaciones complejas y no lineales que son difíciles de identificar mediante enfoques convencionales del diseño. Para el desarrollo del modelo, se recopiló una base de datos que consta de 242 registros extraídos de modelos de elevación digital (DEM) y de los expedientes técnicos de proyectos de siembra y cosecha de agua aprobados por la Unidad Ejecutora Fondo Sierra Azul. Estos registros incluyen diversas características topográficas e hidrológicas de las zonas de estudio, lo que permite establecer un conjunto robusto de variables estadísticas de entrada, como coordenadas del punto de aforo, área de la microcuenca y volumen de almacenamiento del mismo, que vienen siendo características topográficas e hidrológicas de las microcuencas extraídas de los modelos de elevación digital (DEM). Estas variables estadísticas son fundamentales para la estimación precisa de los parámetros de diseño de los diques de concreto ciclópeo, lo que a su vez impacta en la eficiencia del manejo del recurso hídrico en las áreas afectadas. La arquitectura del modelo con redes neuronales artificiales (RNA) se diseñó con múltiples capas y neuronas, y se optimizó utilizando el algoritmo de optimización Adam, el cual es conocido por su capacidad para mejorar la convergencia y la generalización del modelo. A través de un proceso riguroso de entrenamiento y validación del modelo, se lograron resultados prometedores que indican una alta precisión en las predicciones. Los coeficientes de determinación R² alcanzaron valores superiores a 0.90 en la predicción de varias variables estadísticas de salida, lo que sugiere una fuerte correlación entre las predicciones realizadas con el modelo y los valores reales observados. En cuanto a los resultados, para las coordenadas Este 1 y Norte 1, se obtuvieron valores de MAE de 52.44 y 52.75, con MSE de 3269.13 y 3676.19, y un RMSE ajustado de 57.17 y 60.63, respectivamente, lo que muestra una correlación casi perfecta, con R² de 0.999998 y 0.999999. Para la elevación 1, el MAE fue de 28.78, con un RMSE de 34.10 y un R² de 0.976020, indicando alta exactitud y margen para mejoras. Las coordenadas Este 2 y Norte 2 mostraron errores medios en el rango de 45 a 60 unidades, manteniendo R² de 0.999998 y 0.999999. En el caso de la elevación 2, el MAE fue de 32.96, con un RMSE de 39.05 y un R² de 0.968558, lo que confirma una fuerte correlación. La longitud del dique mostró un MAE de 3.43 y un RMSE de 4.68, con un R² de 0.924280, lo que refleja una buena correlación, aunque ligeramente menor en comparación con otras variables. Por último, la altura del dique presentó el menor error absoluto, con un MAE de 0.085 y un RMSE de 0.097, junto con un R² de 0.966354, lo que sugiere una notable precisión en las predicciones. En conclusión, la implementación de modelos con redes neuronales artificiales (RNA) en el diseño de diques de concreto ciclópeo no solo optimiza el proceso de diseño, sino que también reduce el riesgo de errores de dimensionamiento. Este enfoque innovador proporciona una solución alineada con las necesidades actuales de los proyectos de siembra y cosecha de agua, contribuyendo así a la sostenibilidad y efectividad de las infraestructuras hidráulicas en entornos críticos. El desarrollo de este modelo representa un paso significativo hacia la mejora de las prácticas de diseño en ingeniería civil, abriendo la puerta a futuras investigaciones que podrían explorar nuevas aplicaciones de las redes neuronales artificiales en la optimización de estructuras hidráulicas y otras áreas de la ingeniería.
Description
Keywords
Redes neuronales artificiales, Diques de concreto ciclópeo, Siembra y cosecha de agua, Modelos de elevación digital, Variables topográficas, Hidrología, Coeficientes de determinación