Evaluación hidrológica con uso de redes neuronales artificiales para el cálculo de hidrogramas en la cuenca alta del Huallaga

Abstract

El proyecto se ha ejecutado en la cuenca de alta del Huallaga, la cual se aproxima mediante un método de redes neuronales, dado que tiene antecedentes de acumular grandes cantidades de precipitación y caudales, los cuales generan hidrogramas de salida con bastante caudal, dejando a las quebradas por donde pasan en estado de colapso parcial, esto ha generado problemas en la población, la cual busca alguna solución rápida, y un método de detección de inundaciones se puede realizar por medio de un análisis hidrológico convencional, sin embargo el cálculo de inundaciones suele demorar bastante tiempo, respecto del tiempo de reacción que se tienen ante una emergencia, ahí es donde se propone un método de redes neuronales , la cual puede realizar este procedimiento de manera rápida, sin considerar errores grandes, para el proyecto se ha modelado la cuenca alta del Huallaga un número total de 250 veces, generando un dataset de entrenamiento, el cual consistía en una relación entre el hietograma de entrada y un hidrograma de salida, el cual por medio de una regresión podría aproximar de manera directa el resultado, dado que ya había realizado entrenamientos de los caudales generados para lluvias de poca, mediana y fuerte intensidad, el error logrado es de 8.17%, habiendo sido entrenado para un total de 2000 iteraciones, considerando una métrica de error de mse, con un optimizador Adam y una arquitectura del tipo MLP, logrando finalmente extrapolar los valores de hidrogramas para la salida de la cuenca.

The project has been executed in the Huallaga basin, which is approximated using a neural network method, given that it has a history of accumulating large amounts of precipitation and flows, which generate outlet hydrographs with considerable flow, leaving the streams where they are in a state of partial collapse, this has generated problems in the population, which is looking for a quick solution, and a flood detection method can be carried out through a conventional hydrological analysis, however the calculation of floods usually takes a long time. time, with respect to the reaction time that one has in the face of an emergency, that is where a neural network method is proposed, which can carry out this procedure quickly, without considering large errors, for the project the Huallaga basin has been modeled a total number of 250 times, generating a training dataset, which consisted of a relationship between the input hyetograph and an output hydrograph, which through a regression could directly approximate the result, given that it had already performed training of the flows generated for low, medium and strong rainfall, the error achieved is 8.17%, having been trained for a total of 2000 iterations, considering an mse error metric, with an Adam optimizer and an MLP type architecture , finally managing to extrapolate the hydrograph values for the outlet of the basin.