Modelacion Del Proceso Lluvia Marquez 2011
ESCORRENTÍA. CASO: CUENCAS DEL EMBALSE
PAO‐CACHINCHE Y RIO UNARE VENEZUELA
PAO‐CACHINCHE Y RIO UNARE, VENEZUELA
Adriana Márquez y Edilberto Guevara
Centro de Investigaciones Hidrológicas y Ambientales
Universidad de Carabobo, Facultad de Ingeniería, Venezuela
Universidad de Carabobo Facultad de Ingeniería Venezuela
Marzo, 2010
a o, 0 0
Situación Local(Cuenca del río Unare)
Situación Nacional
Fuente. Elaboración propia. Datos procesados en HEC‐ResSim
Situación Local
(Cuenca del río Unare)
Situación Nacional
Fuente. Elaboración propia. Datos procesados en HEC‐ResSim
IDENTIFICACIÓN:
SITUACIÓN:
Límites con los Estados
C b b y Cojedes,
Carabobo
C j d
cerca de Valencia.
PROPÓSITO:
Irrigación,
abastecimiento
de
agua y control de
inundaciones.CRONOLOGÍA:
1973‐ 37 años
PROPIETARIO:
Ministerio
del
Ambiente (Minamb)
CARACTERÍSTICAS DE
LA CUENCA:
CUENCA PRINCIPAL:
Rí P
Río Pao
AFLUENTES PRINCIPALES:
Ríos Chirgua, Paito,
Pirapira, Paya y San Pedro.
ÁREA DE LA CUENCA:
931,95 Km2
EMBALSE:
CAPACIDAD TOTAL:
179.000.000 m3
CAPACIDAD ÚTIL:
150.000.000 m3
SUPERFICIE DEL EMBALSE:
16.100.00 m2
VIDA ÚTIL:
100 años
TIEMPO DE RESIDENCIA
DE LASS AGUAS:GU S
281 días
MODELAR EL PROCESO LLUVIA‐ESCORRENTÍA.
CASO: CUENCAS DEL EMBALSE PAO‐CACHINCHE Y
CASO CUENCAS DEL EMBALSE PAO CACHINCHE Y
RIO UNARE, VENEZUELA
Modelos de
P ó ti
Pronóstico
Estocásticos
Modelación del
Aporte Hídrico
Aporte Hídrico
Modelos de
Si t
Sistemas
HEC‐GeoHMS
(Geospatial Hydrologic
Modeling Extension)
Caracterización
física de cuencas y
corrientesHEC‐HMS (Hydrologic
Modeling System)
Modelación
M
d l ió
lluvia‐
escorrentía
Modelo del tránsito de
crecientes por el
embalse
Técnicas de
inteligencia artificial
Tránsito de
crecientes
Modelos ARIMA (AutoRegressive, Integrated, Moving
d l
(
i
d
i Average):
)
El modelo toma la forma:
Frecuentemente se representa de la forma:
ARIMA (p,d,q)x(P,D,Q)s
la cual involucra los siguientes
g
términos:
1. Untérmino auto‐regresivo no estacional de orden p,
2 Diferenciación no estacional de orden d,
2.
d
3. Un término de media móvil no estacional de orden q,
4. Un término auto‐regresivo estacional de orden P,
5. Diferenciación estacional de orden D y
6. Un término de media móvil estacional de Q.
Modelo de Red Neuronal Artificial (Demuth y otros,
otros (2009)):
Objetivo
Red
Entrada
ComparaciónSalida
Neuronal
Ajuste de Pesos
Entradas
Modelo de Neurona:
w1,1
11
p1
Capa de Neuronas
1
p2
n1
Σ
w1,R
1
Σ
1
a1
f
a2
f
as
b1
n2
Σ
pR
f
b2
ns
bs
a=f (Wp+b)
Modelo Determinístico
d l
í
Modelo HEC‐HMS:
Método de
Método
de
Pérdidas del CN del
SCS
Modelación lluvia‐
d l ó ll
escorrentía
Estimación del
exceso de
precipitación
p
p
Estimación del CN
Método de
Muskingum‐
CungeModelo de Tránsito por el Embalse:
El tránsito de crecientes por el embalse puede ser expresada, de
acuerdo
d all principio
i i i de
d continuidad,
ti id d como:
Donde;
I= caudal de entrada
O= caudal de salida
S= cambio en el almacenamiento en el incremento de tiempo t
Fase 3: Procesamiento de los datos:
1. Modelación del aporte hídrico al embalse Pao‐Cachinche:
1.1 Empleando modelos depronóstico.
1.2 Empleando modelos de red neuronal artificial
2. Modelación lluvia‐escorrentía en las subcuencas afluentes al
embalse.
3. Modelación del tránsito por el embalse.
Fase 3: Procesamiento de los datos
ase 3 ocesa e to de os datos
1.1 Modelación del aporte neto al embalse Pao‐Cachinche empleando
modelos de pronóstico:
Serie diaria
Calibración:
2005‐2006
Aporte neto
Aporte netoSerie mensual
Validación:
2007‐2008
Prueba:
ueba
Enero 2009
Pronóstico
para enero de
d
2009 del
Aporte Neto:
p
(a) Diario
(b)Mensual
Serie d
de tiempo
Fase 3: Procesamiento de los datos
1.2 Modelación del aporte neto al embalse Pao‐Cachinche empleando
modelos de red neuronal artificial:
E
Evaporación
ió
Aporte neto
observado
Gasto Ecológico
Red
Red
Alivio
Bombeo
Neuronal...
Regístrate para leer el documento completo.