Aplicación de redes neuronales artificiales para predicción de variables en ingeniería del riego

334 Pages·2009·3.08 MB·Spanish

DEPARTAMENTO DE INGENIERÍA RURAL Y AGROALIMENTARIA

Aplicación de redes neuronales artificiales para
predicción de variables en ingeniería del riego:
evapotranspiración de referencia y pérdidas
de carga localizadas en emisores integrados

TESIS DOCTORAL

presentada por:
D. Pau MARTÍ PEREZ
dirigida por:
Dr. D. Álvaro ROYUELA TOMÁS

Valencia, febrero de 2009

a Carola, Ximo i Guille

Nada me retuvo. Me liberé y fui.
Hacia placeres que estaban
tanto en la realidad como en mi ser,
a través de la noche iluminada.
Y bebí un vino fuerte, como
sólo los audaces beben el placer.

K. KAVAFIS, Poesías Completas

índice de contenidos
índice de contenidos

ÍNDICE DE CONTENIDOS .................................................................................................................. I
AGRADECIMIENTO ......................................................................................................................... V
RESUM .........................................................................................................................................VII
RESUMEN ..................................................................................................................................... IX
ABSTRACT ..................................................................................................................................... XI
ÍNDICE DE FIGURAS ..................................................................................................................... XIII
ÍNDICE DE TABLAS ..................................................................................................................... XVII
LISTA DE VARIABLES ............................................................................................................... XXVII
LISTA DE ACRÓNIMOS ...............................................................................................................XXXI
PUBLICACIONES Y PONENCIAS EXTRAÍDAS DE LA TESIS .........................................................XXXIII
CAPÍTULO 1 .................................................................................................................................... 1
1.1. MOTIVACIÓN ................................................................................................................................ 5
1.2. REDES NEURONALES ....................................................................................................................... 8
1.2.1. Introducción ...................................................................................................................... 8
1.2.2. Fundamentos biológicos de las redes neuronales ............................................................. 9
1.2.3. Definición y propiedades ................................................................................................. 11
1.2.4. Evolución histórica de las redes neuronales artificiales .................................................. 13
1.2.5. Aplicaciones .................................................................................................................... 15
1.3. INTRODUCCIÓN A LOS PROBLEMAS ABORDADOS ................................................................................. 17
1.3.1. Estudio de pérdidas de carga localizadas en emisores integrados ................................. 17
1.3.2. Estudio de la evapotranspiración de referencia .............................................................. 23
1.4. OBJETIVOS .................................................................................................................................. 28
1.4.1. Objetivos generales ......................................................................................................... 28
1.4.2. Objetivos particulares ..................................................................................................... 29
1.4.2.1. Estudio de pérdidas de carga singulares .............................................................................. 29
1.4.2.2. Estudio de la evapotranspiración de referencia ..................................................................... 29
1.5. ESTRUCTURA DEL CONTENIDO ......................................................................................................... 30
CAPÍTULO 2 .................................................................................................................................. 31
2.1. INTRODUCCIÓN............................................................................................................................ 35
2.2. MATERIALES Y MÉTODOS ............................................................................................................... 35
2.2.1. Desarrollo experimental .................................................................................................. 35
2.2.2. Variables del modelo. ...................................................................................................... 38
2.2.3. Gestión de datos experimentales .................................................................................... 41
2.2.4. Propiedades de las redes neuronales utilizadas e implementación en Matlab .............. 44
2.2.4.1. Propiedades de la ANN ........................................................................................................... 44
2.2.4.1.1. Modelo neuronal ........................................................................................................... 44
2.2.4.1.2. Algoritmo de entrenamiento ......................................................................................... 45
2.2.4.1.3. Criterio de parada .......................................................................................................... 46
2.2.4.2. Implementación de las redes. ................................................................................................ 47
2.2.4.2.1. Arquitecturas analizadas. Número de repeticiones ....................................................... 47
2.2.4.2.2. Parámetros de entrenamiento ....................................................................................... 49
2.2.5. Indicadores de calidad del comportamiento de las redes ............................................... 50
2.3. RESULTADOS Y DISCUSIÓN ............................................................................................................. 53
2.3.1. Selección de las variables del modelo ............................................................................. 53
2.3.1.1. h como variable de salida ...................................................................................................... 54
l
2.3.1.2. α como variable de salida ....................................................................................................... 55
2.3.1.3. Comparativa general. ............................................................................................................. 55
I
índice de contenidos
2.3.2. Composición del subgrupo de verificación ...................................................................... 58
2.3.3. Propuesta de modelo ANN .............................................................................................. 61
2.4. CONCLUSIONES............................................................................................................................ 66
2.5. LÍNEAS DE FUTURO ....................................................................................................................... 67
CAPÍTULO 3 .................................................................................................................................. 69
3.1. INTRODUCCIÓN............................................................................................................................ 73
3.2. MATERIALES Y MÉTODOS ............................................................................................................... 73
3.2.1. Obtención de datos climáticos ........................................................................................ 73
3.2.2. Gestión de datos climáticos ............................................................................................ 74
3.2.3. Obtención de targets y caracterización de estaciones .................................................... 75
3.2.4. Propiedades de las redes neuronales utilizadas e implementación en Matlab .............. 79
3.2.4.1. Propiedades de la ANN ........................................................................................................... 79
3.2.4.2. Implementación de las redes ................................................................................................. 80
3.2.4.2.1. Neural Networks Toolbox ............................................................................................... 80
3.2.4.2.2. Matlab Editor ................................................................................................................. 81
3.2.5. Indicadores de calidad del comportamiento de las redes ............................................... 83
3.3. RESULTADOS Y DISCUSIÓN ............................................................................................................. 84
3.3.1. Cálculos realizados con el Neural Networks Toolbox ...................................................... 84
3.3.2. Cálculos realizados con el Matlab Editor ........................................................................ 90
3.4. CONCLUSIONES............................................................................................................................ 93
CAPÍTULO 4 .................................................................................................................................. 95
4.1. INTRODUCCIÓN............................................................................................................................ 99
4.2. MATERIALES Y MÉTODOS ............................................................................................................... 99
4.2.1 Obtención de datos climáticos ...................................................................................... 100
4.2.2. Gestión de datos climáticos .......................................................................................... 100
4.2.3. Obtención de targets y caracterización de estaciones .................................................. 101
4.2.4. Gestión de inputs y modelos considerados ................................................................... 103
4.2.5. Propiedades de las redes neuronales utilizadas ............................................................ 111
4.2.6. Implementación en Matlab ........................................................................................... 112
4.3. RESULTADOS Y DISCUSIÓN ........................................................................................................... 116
4.3.1. Selección del rango máximo de IC. Selección del modelo y de la alternativa de test
óptimos ................................................................................................................................... 116
4.3.2. Análisis del modelo óptimo ........................................................................................... 123
4.4. CONCLUSIONES.......................................................................................................................... 133
4.5. TRABAJO FUTURO ...................................................................................................................... 134
BIBLIOGRAFÍA ............................................................................................................................ 137
ANEJO A ..................................................................................................................................... 149
A.1. CARACTERIZACIÓN DE UNA RED NEURONAL ..................................................................................... 153
A.1.1. Nodos o neuronas ......................................................................................................... 153
A.1.2. Combinación de señales de entrada a un nodo. Post synaptic potenTial ..................... 154
A.1.3. Función de activación ................................................................................................... 155
A.1.4. Patrón de conectividad ................................................................................................. 156
A.1.5. Regla de propagación de las señales a través de la red ............................................... 156
A.1.6. Regla de entrenamiento ............................................................................................... 157
A.2. TOPOLOGÍA DE LAS REDES NEURONALES ......................................................................................... 157
A.3. EL PERCEPTRON FRENTE AL PERCEPTRON MULTICAPA O MULTINIVEL ..................................................... 158
A.4. EL PROCESO DE APRENDIZAJE ....................................................................................................... 159
A.4.1. Tipología ....................................................................................................................... 159
A.4.2. Error backpropagation learning algorithm ................................................................... 161
A.4.2.1. Fundamentos del método ................................................................................................... 161
A.4.2.2. Implementación del EBLA .................................................................................................... 163
A.4.3. Criterios de parada. ...................................................................................................... 164
A.4.4. Inicialización de pesos ................................................................................................... 164
A.5. ALGORITMOS DE ENTRENAMIENTO AVANZADOS ............................................................................... 165
II
índice de contenidos
A.5.1. Técnica del gradiente conjugado (CGD) ........................................................................ 165
A.5.2. Método Quasi-Newton (QN) ......................................................................................... 165
A.5.3. Algoritmo de Levenberg-Marquardt (LM) .................................................................... 166
A.6. MANEJO DEL SISTEMA DE DATOS. CAPACIDAD DE GENERALIZACIÓN DE LA RED ....................................... 167
ANEJO B ..................................................................................................................................... 169
B.1. SELECCIÓN DE LA ARQUITECTURA ÓPTIMA PARA DIFERENTES COMBINACIONES INPUT-OUTPUT.
REPETICIÓN ÓPTIMA .......................................................................................................................... 173
B.1.1. h como output .............................................................................................................. 173
l
B.1.2. α como output.............................................................................................................. 175
B.2. SELECCIÓN DE LA ARQUITECTURA ÓPTIMA PARA DIFERENTES COMBINACIONES DE VALIDACIÓN-TEST.
REPETICIÓN ÓPTIMA .......................................................................................................................... 178
B.3. ERRORES ASOCIADOS A LOS PROCESOS ‘LEAVE ONE OUT’ ................................................................... 185
B.3.1. Rendimientos desglosados por emisor de test para las combinaciones de
verificación NBE, NBH, ABE, BCDE y GBHI. Repetición óptima ................................................ 185
B.3.2. predicciones finales asociadas a las combinaciones de verificación NBH, ABE,
BCDE y GBHI. Repetición y arquitectura óptimas .................................................................... 188
B.3.3. Errores asociados a las fases de entrenamiento, validación-cruzada y test de cada
etapa de los procesos ‘leave one out’. Repetición óptima ...................................................... 192
ANEJO C ..................................................................................................................................... 253
C.1. CÁLCULOS REALIZADOS CON EL NEURAL NETWORKS TOOLBOX DE MATLAB ........................................... 257
C.1.1. Modelo ANN de 4 inputs ............................................................................................... 257
C.1.1.1. Indicadores de rendimiento del modelo. ............................................................................. 257
C.1.1.2. Predicción del modelo sobre el set de test. ......................................................................... 259
C.1.2. Modelo ANN de 7 inputs ............................................................................................... 261
C.1.2.1. Indicadores de rendimiento del modelo .............................................................................. 261
C.1.2.2. Predicción del modelo sobre el set de test .......................................................................... 263
C.2. CÁLCULOS REALIZADOS CON MATLAB EDITOR .................................................................................. 265
C.2.1. Modelo ANN de 4 inputs ............................................................................................... 265
C.2.1.1. Selección de arquitectura óptima ........................................................................................ 265
C.2.1.2. Predicción del modelo ANN de 4 inputs para los sets de test .............................................. 266
C.2.2. Modelo ANN de 7 inputs ............................................................................................... 268
C.2.2.1. Selección de arquitectura óptima ........................................................................................ 268
C.2.2.2. Predicción del modelo sobre el set de test .......................................................................... 270
ANEJO D ..................................................................................................................................... 273
D.1. ANÁLISIS DE LA COMBINACIÓN DE RANGOS MÁXIMOS DE IC ............................................................... 277
D.2. ERRORES RELATIVOS ABSOLUTOS PROMEDIOS DE TODOS LOS MODELOS, ALTERNATIVAS DE TEST Y
COMBINACIONES DE RANGOS DE IC CONSIDERADOS ................................................................................. 281
D.2.1. Caso 0 ........................................................................................................................... 281
D.2.2. Caso 1 ........................................................................................................................... 282
D.2.3. Caso 2 ........................................................................................................................... 283
D.2.4. Caso 3 ........................................................................................................................... 284
D.2.5. Caso 4 ........................................................................................................................... 285
D.2.6. Caso 5 ........................................................................................................................... 286
D.3. SELECCIÓN DE ARQUITECTURA ÓPTIMA DE LOS MODELOS DE PREDICCIÓN DE R Y HR Y DEL MODELO
S
ANN DE 4 INPUTS ............................................................................................................................ 287
D.3.1. Modelo para predicción de R en Castalla .................................................................... 287
s
D.3.2. Modelo para predicción de HR en Castalla ................................................................... 287
D.3.3. Modelo para predicción de R en Pinoso ....................................................................... 288
s
D.3.4. Modelo para predicción de HR en Pinoso ..................................................................... 288
D.3.5. Modelo de 4 inputs para predicción de ET en Altea .................................................... 289
o
D.3.6. Modelo de 4 inputs para predicción de ET en Onda .................................................... 289
o
D.3.7. Modelo de 4 inputs para predicción de ET en Benavites ............................................. 290
o
D.4. ÍNDICES DE CALIDAD DEL MODELO ÓPTIMO ..................................................................................... 290
D.5. ÍNDICES DE CALIDAD DE LOS MODELOS PRELIMINARES DE R Y HR CORRESPONDIENTES AL MODELO
S
ÓPTIMO .......................................................................................................................................... 292
III