|
| Título : |
Pronóstico de Caudales Medios Mensuales del Río Ilave Utilizando Modelos de Redes Neuronales Artificiales |
| Tipo de documento: |
texto impreso |
| Autores: |
Efraín Lujano Laura, Autor |
| Editorial: |
Puno : Universidad Nacional del Altiplano. Facultad de Ingeniería Agrícola. Escuela Profesional de Ingeniería Agrícola |
| Fecha de publicación: |
2012 |
| Número de páginas: |
156 p. |
| Il.: |
gráfs.; ils.; maps.; plans.; tbls. |
| Dimensiones: |
30 cm. |
| Material de acompañamiento: |
01 CD-ROM |
| Nota general: |
Para Optar Título Profesional de Ingeniero Agrícola |
| Idioma : |
Español (spa) |
| Resumen: |
Pronostica caudales medios mensuales del rio Ilave utilizando modelos de Redes Neuronales Artificiales, para ello se plantearon seis (06) diferentes modelos, cada uno con un conjunto propio de variables de entrada (precipitación - caudal) y siempre con la misma variable de salida (caudal). Entrenamiento, validación y prueba (previsión) de los modelos, se realizaron utilizando 43 años de datos hidrometeorológicos, separados en 31 años como datos de entrenamiento (70% del total de datos), 6 años como datos de validación (15% del total de datos) y 06 años como datos de prueba (15% del total de datos). Red Perceptrón Multicapa (MLP), se utilizó el algoritmo “backpropagatión”, que está basado en la generalización de la regla delta con una tasa de aprendizaje igual a 0.25 y un factor momento igual a 0.90. Desempeño de los modelos de redes neuronales artificiales, frente al modelo hidrológico de Lutz Scholz, los resultados del pronóstico de caudalesrealizado con ambos modelos, se evaluaron utilizando los indicadores estadísticos como; el error cuadrático medio (ECM), error cuadrático medio normalizado (ECMN) y el coeficiente de determinación (R2). Finalmente se comprobó que los modelos de RNA’s, presentan un mejor desempeño frente al modelo hidrológico de Lutz Scholz, siendo los modelos establecidos el MRNA5 (Q(t)=f(P(t); P(t-1); Q(t-1); Q(t-2))), MRNA2 (Q(t)=f(P(t); Q(t-1); Q(t-2))), y el MRNA3 (Q(t)=f(P(t); Q(t-1); Q(t-2); Q(t-3)), debido a que presentan un porcentaje de ajuste igual a 88.2%, 88.1% y 87.3% respectivamente en comparación de 77.6% que presenta el modelo de Lutz Scholz. Resultados: utilizando Modelos de Redes Neuronales Artificiales, muestran un buen desempeño y la pertinencia general de esta metodología en la estimación de fenómenos de comportamiento no lineal como los caudales. |
| Link: |
https://biblioteca.unap.edu.pe/opac_css/index.php?lvl=notice_display&id=63998 |
Pronóstico de Caudales Medios Mensuales del Río Ilave Utilizando Modelos de Redes Neuronales Artificiales [texto impreso] / Efraín Lujano Laura, Autor . - Puno : Universidad Nacional del Altiplano. Facultad de Ingeniería Agrícola. Escuela Profesional de Ingeniería Agrícola, 2012 . - 156 p. : gráfs.; ils.; maps.; plans.; tbls. ; 30 cm. + 01 CD-ROM. Para Optar Título Profesional de Ingeniero Agrícola Idioma : Español ( spa)
| Resumen: |
Pronostica caudales medios mensuales del rio Ilave utilizando modelos de Redes Neuronales Artificiales, para ello se plantearon seis (06) diferentes modelos, cada uno con un conjunto propio de variables de entrada (precipitación - caudal) y siempre con la misma variable de salida (caudal). Entrenamiento, validación y prueba (previsión) de los modelos, se realizaron utilizando 43 años de datos hidrometeorológicos, separados en 31 años como datos de entrenamiento (70% del total de datos), 6 años como datos de validación (15% del total de datos) y 06 años como datos de prueba (15% del total de datos). Red Perceptrón Multicapa (MLP), se utilizó el algoritmo “backpropagatión”, que está basado en la generalización de la regla delta con una tasa de aprendizaje igual a 0.25 y un factor momento igual a 0.90. Desempeño de los modelos de redes neuronales artificiales, frente al modelo hidrológico de Lutz Scholz, los resultados del pronóstico de caudalesrealizado con ambos modelos, se evaluaron utilizando los indicadores estadísticos como; el error cuadrático medio (ECM), error cuadrático medio normalizado (ECMN) y el coeficiente de determinación (R2). Finalmente se comprobó que los modelos de RNA’s, presentan un mejor desempeño frente al modelo hidrológico de Lutz Scholz, siendo los modelos establecidos el MRNA5 (Q(t)=f(P(t); P(t-1); Q(t-1); Q(t-2))), MRNA2 (Q(t)=f(P(t); Q(t-1); Q(t-2))), y el MRNA3 (Q(t)=f(P(t); Q(t-1); Q(t-2); Q(t-3)), debido a que presentan un porcentaje de ajuste igual a 88.2%, 88.1% y 87.3% respectivamente en comparación de 77.6% que presenta el modelo de Lutz Scholz. Resultados: utilizando Modelos de Redes Neuronales Artificiales, muestran un buen desempeño y la pertinencia general de esta metodología en la estimación de fenómenos de comportamiento no lineal como los caudales. |
| Link: |
https://biblioteca.unap.edu.pe/opac_css/index.php?lvl=notice_display&id=63998 |
Pronóstico de Caudales Medios Mensuales del Río Ilave Utilizando Modelos de Redes Neuronales Artificiales
Pronostica caudales medios mensuales del rio Ilave utilizando modelos de Redes Neuronales Artificiales, para ello se plantearon seis (06) diferentes modelos, cada uno con un conjunto propio de variables de entrada (precipitación - caudal) y siempre con la misma variable de salida (caudal). Entrenamiento, validación y prueba (previsión) de los modelos, se realizaron utilizando 43 años de datos hidrometeorológicos, separados en 31 años como datos de entrenamiento (70% del total de datos), 6 años como datos de validación (15% del total de datos) y 06 años como datos de prueba (15% del total de datos). Red Perceptrón Multicapa (MLP), se utilizó el algoritmo “backpropagatión”, que está basado en la generalización de la regla delta con una tasa de aprendizaje igual a 0.25 y un factor momento igual a 0.90. Desempeño de los modelos de redes neuronales artificiales, frente al modelo hidrológico de Lutz Scholz, los resultados del pronóstico de caudalesrealizado con ambos modelos, se evaluaron utilizando los indicadores estadísticos como; el error cuadrático medio (ECM), error cuadrático medio normalizado (ECMN) y el coeficiente de determinación (R2). Finalmente se comprobó que los modelos de RNA’s, presentan un mejor desempeño frente al modelo hidrológico de Lutz Scholz, siendo los modelos establecidos el MRNA5 (Q(t)=f(P(t); P(t-1); Q(t-1); Q(t-2))), MRNA2 (Q(t)=f(P(t); Q(t-1); Q(t-2))), y el MRNA3 (Q(t)=f(P(t); Q(t-1); Q(t-2); Q(t-3)), debido a que presentan un porcentaje de ajuste igual a 88.2%, 88.1% y 87.3% respectivamente en comparación de 77.6% que presenta el modelo de Lutz Scholz. Resultados: utilizando Modelos de Redes Neuronales Artificiales, muestran un buen desempeño y la pertinencia general de esta metodología en la estimación de fenómenos de comportamiento no lineal como los caudales.
Lujano Laura, Efraín -
Puno : Universidad Nacional del Altiplano. Facultad de Ingeniería Agrícola. Escuela Profesional de Ingeniería Agrícola - 2012
Para Optar Título Profesional de Ingeniero Agrícola
|
|  |
Hacer una sugerencia Refinar búsquedaAnálisis de Frecuencia Regional de las Precipitaciones Máximas en la Región Hidrográfica del Titicaca / Efraín Lujano Laura / Puno : Universidad Nacional del Altiplano. Escuela de Post Grado. Maestría en Ciencias de la Ingeniería Agrícola (2016)
