Modelación de caudales de escorrentía en tiempo real en colectores unitarios de cuencas urbanas utilizando de redes neuronales. Caso de aplicación: colector norte de València.

[ES] En este estudio se aborda la predicción de caudales en tiempo real para el colector norte de València, subdividiéndolo en dos subcuencas, CNC y CNT. Para la predicción de los caudales se ha utilizado redes neuronales al entender que dispone de ciertas ventajas sobre los modelos clásicos, físicos y/o conceptuales.

En primer lugar se pretrataron los datos, depurando errores, cambiando la discretización temporal y buscando la correspondencia temporal de los datos de las diferentes variables. Posteriormente, se buscaron correlaciones y correlaciones cruzadas para tener un punto de partida, de forma que se puede analizar los desfases temporales en cada variable que son más sensibles para la predicción de los caudales.

Posteriormente, se redujo el sesgo de las variables, que aunque no es necesario, si resulta conveniente. Este estudio aborda la predicción de caudales en tiempo real, únicamente de los eventos de precipitación en entorno urbano, de forma que la simulación del caudal base de aguas negras no es el objeto de este estudio. Sin embargo, los datos obtenidos de los caudalímetros sí contaban estas aguas negras; sin embargo esto no ha sido impedimento para obtener resultados satisfactorios.

Se analizan en este estudio las diferentes posibilidades para la generación de redes neuronales tales como programación en lenguaje de programación, utilización de hojas de cálculo o el uso de software específico. Tras unas pruebas de cada uno de estas posibilidades, y tras el análisis de las ventajas e inconvenientes, se decide que es más conveniente el uso de software específico de redes neuronales.

En este estudio se ha conseguido unos resultados satisfactorios para la predicción de caudales en horizontes temporales de 10, 20, 30 y hasta 40 minutos, aunque a medida que aumenta el intervalo temporal de predicción, la certidumbre del dato disminuye al aumentar la dispersión. Para ello ha sido necesaria la construcción de cuatro (4) modelos de ANN, uno para cada horizonte de predicción. Para conseguir estos modelos, se han probado diferentes modelos con distinto número de neuronas en la capa oculta, de forma que se seleccionaron los mejores modelos considerando indicadores como Nash-Sutcliffe (NSE) y Peak Flow Criteria (PFC).

Finalmente se estableció un intervalo de confianza del 95% para el caudal predicho de forma que se puede obtener un rango de caudales entre los que puede encontrarse el caudal real futuro. Como conclusiones que se pueden obtener de este estudio destacan las siguientes:

1. Las ANN pueden ser unas herramientas muy útiles en la hidrología operacional. a. Las ANN son fácilmente implementables en los paneles de control. b. Las ANN se adaptan a las fluctuaciones de la precipitación. c. Es fácil incorporar nuevos datos para proseguir con el entrenamiento. d. Es fácil introducir nuevas variables sin modificar en gran medida la arquitectura de la ANN.
2. Se pueden conseguir predicciones de caudales considerablemente fiables hasta con 40 minutos de desfase temporal.

Para finalizar, esta línea de investigación no llega a su fin, sino que existen posibilidades de continuar, como por ejemplo acoplando las ANN con operadores de alta resolución como el modelo Barlett-Lewis o también con el desarrollo de herramientas informáticas para la lectura de datos en tiempo continuo.

[EN] This study addresses real-time flow prediction for the northern Valencian collector, subdividing it into two sub-basins, the CNC and CNT. Neural networks were used for flow prediction, as they offer certain advantages over classical physical and/or conceptual models.

First data were preprocessed, including error correction, changing the temporal discretization, and seeking temporal correspondence between data variables. Correlations and cross-correlations were then searched for as a starting point, allowing for the analysis of the time lags in each variable that are most sensitive to flow prediction. Variable bias was then reduced, which, while not necessary, is desirable. This study addresses real-time flow prediction only for precipitation events in an urban environment. Therefore, the simulation of wastewater baseflow is not the focus of this study. However, the data obtained from the flow meters did include wastewater; However, this has not prevented satisfactory results.

This study analyzes different possibilities for generating neural networks, such as programming in a programming language, the use of spreadsheets, or the use of specific software. After testing each of these possibilities and analyzing their advantages and disadvantages, it was decided that the use of specific neural network software is the most appropriate.

This study achieved satisfactory results for flow prediction over time horizons of 10, 20, 30, and even 40 minutes, although as the prediction time interval increases, data certainty decreases with increasing dispersion. This required the construction of four (4) ANN models, one for each prediction horizon. To achieve these models, different models with different numbers of neurons in the hidden layer were tested, and the best models were selected considering indicators such as Nash-Sutcliffe (NSE) and Peak Flow Criteria (PFC).

Finally, a 95% confidence interval was established for the predicted flow, allowing a range of flows within which the actual future flow may lie. The following conclusions can be drawn from this study:

1. 1. ANNs can be very useful tools in operational hydrology. a. ANNs are easily implemented in control panels. b. ANNs adapt to precipitation fluctuations. c. It is easy to incorporate new data to continue training. d. It is easy to introduce new variables without major modifications to the ANN architecture.
2. Considerably reliable flow predictions can be achieved with a time lag of up to 40 minutes.

Finally, this line of research is not over; there are possibilities for continuing, such as coupling ANNs with high-resolution operators such as the Bartlett-Lewis model or developing software tools for continuoustime data reading.

[CA] En aquest estudi s’aborda la predició de cavals en temps real per al col·lector nord de València, subdividintho en dos subconques, CNC i CNT. Per a la predicció dels cavals s’ha utilitzat xarxes neuronal al entendre que disposa de certs avantatges sobre els models clàssics, físics i/o conceptuals.

En primer lloc es pretrataren les dades, depurant els errors, canviant la discretització temporal o cercant la correspondencia temporal de les dades de les diferentes variables. Posteriorment es cercaren correlacions i correlacions creuades per a tindre un punt de partida, de forma que es poguera analitzar els desfases temporals en cadascuna de les variables que son més sensibles per a la predicció de cavals. Posteriorment, es reduí el biaix de les variables, que encara que no és necessari, si resulta convenient.

En aquest estudi s’aborda la predicció de cavals en temps rea, únicament dels events de precipitació en entorns urbans, de forma que la simulació del caval base d’aigües negres no es l’objectiu d’aquest estudi. No obstant això no ha sigur un impediment per a obtindre resultats satisfactoris.

S’analitzen en aquest estudi les diferents possibilitats per a la generació de xarxes neuronals tals com programació en lleguatge de programación, utilització de fulles de càlcul o l’ús de software específic. Després d’unes probes de cadascuna d’aquestes possibilitats, i tras l’anàlisi dels avantatges i inconvenients, es decideix que és més conveninet l’ús de software específic de xarxes neuronals.

En aquest estudi s’ha aconseguit uns resultats satisfactoris per a la predicció de cavals en horitzons temporals de 10, 20, 30 i fins i tot 40 minuts, encara que a mesura que augmenta l’interval temporal de la predicció, la certeza de la dada disminueix al augmentar la dispersió. Per això ha sigut necessaria la construcción de quatre (4) models d’ANN, un per a cada horitzó de predicció. Per a aconseguir aquestos models, s’ha probat diferents models amb diferentes nombres de neurones a la capa amagada, de forma que es seleccionaren els millors models considerant indicadors com Nash-Sutcliffe (NSE) y Peak Flow Criteria (PFC).

Finalment s’establí un interval de confiança del 95% per al caval predit de forma que es poguera obtindre un rang de cavals entre els que es poguera trovar el caval real futur.

Com a conlusions que es poden obtindre d’aquest estudi destaquen les següents:

1. Les ANN poden ser unes ferramentes molt útils en la hidrología operacional. a. Les ANN son fàcilment implementables als panels de control. b. Les ANN s’adapten a les fluctuacions de la precipitació. c. És fácil introduir noves variables sense modificar en gran mesura l’aqrquitectura de la ANN.
2. Es poden conseguir preiccions de cavals considerablement fiables fins a 40 minuts de desfase temporal.

Per a finalitzar, aquesta línea d’investigació no arriba a la fi, sino que existeixen possibilitats de continuar, com per exemple acoplant les ANN amb operadors d’alta resoluciócom el model Barlett-Lewis o tambè amd el desenvolupamentde ferramentes informàtiques per a la lectura de dates en temps continu.