Pasos en el desarrollo de un modelo de
flujo subterráneo
1. Necesidad del modelo.
2. Dominio del modelo.
3. Modelo conceptual del funcionamiento
hidrogeológico.
4. Discretización.
5. Resultados.
5.1. Régimen de flujo estacionario.
5.2. Régimen transitorio de transporte.
Tipos de modelos de flujo
subterráneo
Video
Imagen
docente
Tipos de modelos de flujo subterráneo
Modelos de agua subterránea pueden ser:
• Unidimensional,
• 2-dimensional,
• 3-dimensional y
• Semi 3-dimensional.
Unidimensional
Se utilizan para flujo vertical en un sistema de capas de suelo
paralelas horizontales aplicando la ley de Darcy.
Video
Imagen
docente
2-dimensional
Se aplican en planos verticales o horizontales asumiendo que las
condiciones del agua subterránea se repiten en otros planos
verticales respectivamente horizontales paralelos.
Recuperado de: goo.gl/JEeQBr
3-dimensional
Requieren discretización de la región entera de flujo, que
significa la subdivisión de la región en elementos 3-
dimensionales más pequeños en el sentido vertical y
horizontal ambos.
Semi 3-dimensional
Los flujos en sentido vertical,
El flujo horizontal se describe la tercera dirección, se
con ecuaciones de flujo 2- describen con una ecuación
dimensional horizontal. de flujo unidimensional
vertical,
o (3) se derivan de un
balance hídrico de flujos
horizontales convirtiendo
o (2) se derivan de un balance
exceso de flujo horizontal
hídrico de las recargas y
entrando sobre flujo
descargas verticales,
horizontal saliendo en un
flujo vertical bajo la asunción
que el agua es incompresible.
Semi 3-dimensional
Hay dos clases de modelos semi tres-dimensionales:
Modelos
continuos o
modelos radiales
Modelos
discretizados o
modelos
prismáticos
Simulación de sistemas de flujo
subterráneo bidimensional
Video
Imagen
docente
Simulación de sistemas de flujo
subterráneo bidimensional
Los modelos bidimensionales (2D) consideran las variaciones
en las dos dimensiones del plano horizontal. Las variaciones de
la velocidad u otra magnitud de interés en la columna vertical
de agua se promedian y se asumen como un único valor.
Tipos de modelos numéricos
Los modelos se clasifican en:
• Físicos
• Analógicos
• Numéricos
• Híbridos
Clasificación
Los modelos para simular los diferentes elementos de una
cuenca pueden ser clasificados de acuerdo a diferentes
criterios.los clasifica de la siguiente manera:
• En base a la descripción del proceso
• En base a la técnica de resolución
En base a la descripción del proceso
Concentrado
Distribuido
Estocásticos y
determinísticos
Según las técnicas de resolución
Modelos de caja negra
Modelos de caja gris
Modelos de caja blanca
Dimensionalidad
En los modelos unidimensionales (1D) se asume que una de las
dimensiones prevalece sobre las otras dos.
Simulación de sistemas de flujo
subterráneo bidimensional
Recuperado de: goo.gl/YLn2aR
Simulación de sistemas de flujo
subterráneo bidimensional
Simulación de sistemas de flujo
subterráneo bidimensional
Modelo de flujo subterráneo
tridimensional
Video
Imagen
docente
Modelo de flujo subterráneo
tridimensional
Esta representa la geometría
El modelo conceptual del
compleja que alberga un
sistema que se pretende
sistema sedimentario donde
simular, se ha seguido un
se observan distintas
proceso de construcción de
superficies de erosión y
una malla de elementos finitos
discordancias entre
tridimensional,
formaciones.
Modelo de flujo subterráneo
tridimensional
Necesidad del modelo Dominio del modelo
Modelo de flujo subterráneo
tridimensional
Para modelar, reproduciendo la realidad lo mejor posible, se
zonificará el dominio según la estratigrafía y geometría de la zona,
siempre que sea posible La fm.
Modelo de flujo subterráneo
tridimensional
3. Modelo conceptual del funcionamiento hidrogeológico.
Se consideran las formaciones constituidas por una serie de
capas de diferente transmisividad. Cada capa tendrá un
comportamiento hidráulico distinto, debido a las características
hidrogeológicas.
Modelo de flujo subterráneo
tridimensional
3.1. Parámetros hidráulicos.
Se adoptarán los parámetros hidráulicos que se han obtenido
con motivo de este estudio, de la reinterpretación de los
ensayos de bombeo existentes en los pozos de la zona.
Modelo de flujo subterráneo
tridimensional
3.2. Condiciones de contorno de flujo.
La asignación de las condiciones de contorno se basa en del
modelo conceptual de flujo que tiene en cuenta la situación de los
niveles piezométricos abatidos en el entorno inmediato de la zona
reproducida por este modelo
Modelo de flujo subterráneo
tridimensional
3.3 Modelo conceptual de transporte de contaminantes.
El borde norte del modelo es la zona donde los depósitos
cuaternarios de origen aluvial empiezan a tener una génesis de
interacción con los sedimentos de marisma, que son de tipo arcilloso-
limoso como corresponde a un ambiente de este tipo.
Modelo de flujo subterráneo
tridimensional
4. Discretización: Un modelo numérico requiere discretizar el
dominio en una serie de elementos finitos de manera que cubran
todo el espacio sin solaparse.
Video
Imagen
docente
Modelo de flujo subterráneo
tridimensional
5. Resultados
5.1- Régimen de flujo estacionario.
Video
Se han adoptado los parámetros de conductividad
hidráulica y condiciones de contorno, para cada capa.
5.2 Régimen transitorio de transporte.
Imagen
Como resultado de la simulación en el periodo de 20 años
docente
Modelo de flujo subterráneo
tridimensional
Video
Imagen
docente Recuperado de: goo.gl/EVfcxr
Descripción de MODFLOW-
2000
Video
Imagen
docente
Descripción de MODFLOW-2000
Es un modelador de flujo por diferencias finitas
desarrollado por el servicio geológico de los estados
unidos, el cual consiste de un código fuente que resuelve
mediante interacciones la ecuación de flujo del agua
subterránea.
Descripción de MODFLOW-2000
La ecuación diferencia que gobierna el flujo de agua subterránea y
usada en MODFLOW es la ecuación general de flujo en régimen
transitorio en medio heterogéneo y anisotropico:
Video
Imagen Diferencias Finitas:
docente
La forma de la diferencial parcial por diferencias finitas en un
espacio discretizado del dominio del acuífero representado
por filas, columnas y capas es:
Descripción de MODFLOW-2000
En Visual Modflow nos moveremos en tres escenarios
distintos, que denominaremos secciones:
Input, para introducir datos: geometría del modelo,
Video
permeabilidades, caudales, etc.
Imagen
Run, para ejecutar el modelo.
docente Output, para observar los resultados de la ejecución.
Descripción de MODFLOW-2000
Cuando abrimos Visual Modflow disponemos de dos
posibilidades:
Video Crear un modelo
nuevo (New)
Abrir uno ya
existente (Open)
Imagen
docente
Descripción de MODFLOW-2000
Descripción de MODFLOW-2000
Video
Imagen
docente
Recuperado de: hydroterra.com.au
Conclusiones
• Ahora entendemos los principios generales del movimiento del
agua en medios porosos: Ley de Darcy y determinamos los
valores y la determinación de la porosidad y permeabilidad.
• Empleamos las ecuaciones diferenciales del flujo subterráneo.
• La resolución de las ecuaciones diferenciales del flujo y problemas
asociados a los acuíferos libres.
• Conocemos las propiedades y construcción de las redes de flujo.
• Contamos con las técnicas de modelación de flujo subterráneo.
• Identificamos los tipos de modelos de flujo subterráneo.
• Identificamos los pasos en el desarrollo de un modelo de flujo
subterráneo.
• Desarrollamos la simulación de sistemas de flujo subterráneo
bidimensional y el modelo de flujo subterráneo tridimensional a
través de software MODFLOW-2000.
Gracias
Docente: Mg. Ing. Giovene Pérez Campomanes.
Hidrología aplicada
Unidad:
INTELIGENCIA ARTIFICIAL EN HIDROLOGIA
Docente: Mg. Ing. Giovene Pérez Campomanes
Logro
El estudiante, será capaz de interpretar las técnicas de optimización
para realizar procesos de calibración de predicción de avenidas,
sequias, entre otras aplicaciones a la Hidrología, mediante la
aplicación de algoritmos genéticos.
Importancia
El estudiante, tiene los conocimientos para interpretar las
técnicas de optimización para realizar procesos de
calibración de predicción de avenidas, sequias, entre otras
aplicaciones a la Hidrología, mediante la aplicación de
algoritmos genéticos.
Contenido general
• Generalidades
• Redes Neuronales Artificiales.
• Método Backpropagation.
• Aplicaciones de RNA en Hidrología.
Generalidades
Generalidades
Inteligencia
• Facultad de la mente que permite aprender, entender,
razonar, tomar decisiones y formarse una idea
determinada de la realidad.
Generalidades
Inteligencia artificial
• Es la combinación de algoritmos planteados con
el propósito de crear máquinas que presenten
las mismas capacidades que el ser humano.
• Una tecnología que todavía nos resulta lejana y
misteriosa, pero que desde hace unos años
está presente en nuestro día a día a todas
horas.
Tipos de inteligencia artificial
Se diferencian varios tipos de inteligencia artificial:
• Sistemas que piensan como humanos
• Sistemas que actúan como humanos
• Sistemas que piensan racionalmente
• Sistemas que actúan racionalmente
La Inteligencia Artificial
Obtenido de: goo.gl/1Sm3Tu
Redes Neuronales
Artificiales
Redes neuronales
Son un campo muy importante
dentro de la Inteligencia
Artificial.
Inspirándose en el
Las Redes Neuronales comportamiento conocido del
cerebro humano
Trata de crear modelos
artificiales que solucionen
problemas difíciles de resolver.
Redes neuronales
• Las redes
neuronales
artificiales son un
modelo
computacional
Definición: vagamente
inspirado en el
comportamiento
observado en su
homólogo
biológico
Redes neuronales
Define un elemento de
Modelo proceso (EP), o neurona
de artificial, como un
neurona dispositivo que a partir
artificial de un conjunto de
entradas, xi(i=1...n) o
vector x, genera una
única salida y.
Recuperado de: goo.gl/vgQD94
Red neuronal artificial
Una red neuronal artificial (RNA) se puede definir como un
grafo dirigido con las siguientes restricciones:
Los nodos se llaman elementos de proceso (EP).
Los enlaces se llaman conexiones y funcionan como caminos unidireccionales
instantáneos
Cada EP puede tener cualquier número de conexiones.
Todas las conexiones que salgan de un EP deben tener la misma señal.
Los EP pueden tener memoria local.
Cada EP posee una función de transferencia que, en función de las entradas y la
memoria local produce una señal de salida y/o altera la memoria local.
Las entradas a la RNA llegan del mundo exterior, mientras que sus salidas son
conexiones que abandonan la RNA.
Método Backpropagation
Método Backpropagation
La propagación hacia atrás de errores o retropropagación (del
inglés backpropagation) es un método de cálculo del gradiente
utilizado en algoritmos de aprendizaje supervisado utilizados para
entrenar redes neuronales artificiales.
Recuperado de: https://i.ytimg.com/vi/Ilg3gGewQ5U/maxresdefault.jpg
Sistema de entrenamiento Método
Backpropagation
Consiste en:
Dejar que la red Comparar la
Empezar con Introducir datos
genere un vector salida generada
pesos sinápticos de entrada
de datos de por al red con la
cualquiera. elegidos al azar.
salida. salida deseada.
Sistema de entrenamiento Método
Backpropagation
El error se propaga Se continua
La diferencia obtenida
hacia atrás (back- propagando el error
se usa para ajustar los
propagation) y se usa hacia atrás y
pesos sinápticos de
para ajustar los pesos ajustando los pesos
las neuronas de la
sinápticos en esta hasta que se alcance
capa de salidas.
capa. la capa de entradas.
Problemas del sistema
Es difícil encontrar
Esto se debe a que
el mejor conjunto de pesos
la función que mide
sinápticos para la red de
la eficiencia de las redes con
manera que la eficiencia sea
capas ocultas
máxima.
En la mayoría de los casos,
Y el mejor conjunto de
es una
pesos sinápticos es aquel
función compleja que
que hace que la función
presenta muchos mínimos
alcance un mínimo global.
locales.
El algoritmo backpropagation
Aprendizaje y minimización de una función de error
Las redes
Cada combinación
multicapa son
de pesos produce
capaces de
una función lógica
calcular una gama
que difiere de la
más amplia de
función que se
funciones que las
desea aprender en
redes compuestas
un número de
por una única capa
puntos.
de elementos.
Método Backpropagation
Aún así,
aparecen
mínimos
Sin embargo locales en las
existen superficies, lo
procedimientos que complica
numéricos también el
El aprendizaje eficaces para proceso.
se define como buscar mínimos
la búsqueda de en funciones
la combinación derivables.
que minimiza
ese número.
Aplicaciones de RNA en
Hidrología
Aplicaciones de RNA en Hidrología
Los avances en el campo
de la Inteligencia
Artificial han tenido una
fuerte influencia en las
diferentes áreas de la
Ingeniería Civil.
Aunque la metodología
propuesta es aplicable a
cualquier ámbito de la
ingeniería.
Aplicaciones de RNA en Hidrología:
Se aplica el sistema desarrollado en problemas de diferente
naturaleza relacionados con 2 áreas diferentes de la
ingeniería civil:
Hidrología
• El desarrollar un modelo de transformación lluvia-escorrentía
en una cuenca hidrográfica permite pronosticar el riesgo
asociado a las condiciones de lluvia para la cuenca.
Aplicaciones de RNA en Hidrología:
Los resultados obtenidos
se comparan con las
técnicas clásicas de la
En este caso, se aplican hidrología.
las Redes de Neuronas
Artificiales (RNA) y la
Computación Evolutiva
(CE)
Aplicaciones de RNA en Hidrología
Construcción
• Dentro del área de la construcción, uno de los problemas que
se le plantean al ingeniero civil es la determinación de la
longitud de anclaje de las armaduras pasivas en el hormigón.
Aplicaciones de RNA en Hidrología
En concreto mediante la
técnica de
En este caso se Programación Genética
presentan dos (PG), al problema del
soluciones obtenidas, cálculo o determinación
respectivamente, de las longitudes de
mediante RNA y por anclaje de armaduras
métodos evolutivos, pasivas de acero en
vigas de hormigón
armado.
Conclusiones
• La inteligencia artificial en hidrología es útil pues nos ayuda
a interpretar las técnicas de optimización, en la realización
de procesos de calibración de predicción de avenidas,
sequias, entre otras aplicaciones a la Hidrología, mediante
la aplicación de algoritmos genéticos.
Gracias
Docente: Mg. Ing. Giovene Pérez Campomanes.
