Modelacion Del Proceso Lluvia Marquez 2011

MODELACIÓN DEL PROCESO LLUVIA‐
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‐
CungeModelo 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...