El sentido físico de los parámetros en la modelización numérica del drenaje urbano

Jerónimo Puertas Agudo

Spain

Universidade da Coruña

Joaquín Suárez López

Spain

Universidade da Coruña

Juan Cagiao Villar

Spain

Universidade da Coruña

|

Aceptado:

|

Publicado: 2002-09-30

DOI: https://doi.org/10.4995/ia.2002.2618
Datos de financiación

Descargas

Palabras clave:

Drenaje urbano, Modelos numéricos, Ajuste de parámetros, Calibración, Redes de neuronas artificiales (RNA)

Agencias de apoyo:

Esta investigación no contó con financiación

Resumen:

En el presente artículo se analizan dos filosofías de modelización de los procesos vinculados al drenaje urbano, y se distingue entre dos tipos: aquéllos que se pueden calificar como “conceptuales”, y los que carecen de una base teórica tradicional o “no conceptuales”, ejemplo de los cuales pueden ser los basados en redes de neuronas artificiales. Dentro de los modelos conceptuales se analizan los procesos de discretización y calibración y se presentan resultados de un estudio concreto. Uno de los objetivos es demostrar que al decidir cuáles son los parámetros a calibrar y dar valores a los considerados como fijos, estamos asignando responsabilidades a una serie de parámetros variables a la hora de reproducir la respuesta (caudal) ante una excitación (precipitación), y esto se ve reflejado en que el mejor ajuste puede llevar a posibles valores “irregulares” de los parámetros calibrados. Se plantea si importa realmente este hecho, al considerar como fin último del modelo su poder de predicción ante excitaciones diferentes a las del proceso de calibración. El sentido físico “teórico” de los parámetros se relega a un segundo plano frente a su sentido “real” dentro de un modelo y simulación determinados. ¿Nos encontramos en un punto de inflexión en la evolución de la modelización, en el que la base conceptual cede su protagonismo a la evidencia de los datos reales?.
Ver más Ver menos

Citas:

ASAAD Y. SHAMSELDIN (1997). Application of a neural network technique to rainfall-runoff modelling. Journal of Hydrology vol.199, 272-294. ISBN:0022-1694. https://doi.org/10.1016/S0022-1694(96)03330-6

ASHLEY R.M., HVITVED-JACOBSEN T. and BERTRAND-KRAJEWSKI J-L. (1998). Quo Vadis Sewer Process Modelling?. UDM’98 Fourth International Conference on Developments in Urban Drainage Modelling, 21-24 September 1998 London, UK, vol 1 35-50. Sponsors: IAWQ, IAHR, Joint IAHR/IAWQ and Unesco.

HUBER W.C. and DICKINSON R.E. (1992). Storm Water Management Model, user ́s manual, version 4. U.S. Envir.Protection Agency, Athens, Ga.

MCKAY M.D. (1988). Sensitivity and Uncertainty Analysis Using a Statistical Sample of Input Values. Uncertainty Analysis, Y. Ronen, ed., CRC Press, Inc., Boca Raton, Florida, 145-186.

NINGG., DENOUX T. and BERTRAND-KRAJEWSKI J-L. (1996). Neural Networks for Solid Transport Modelling in Sewer Systems during Storm Events.Wat.Sci.Tech. vol.33 nº9, pags.85-92. ISBN:0273-1223. https://doi.org/10.2166/wst.1996.0183

NIX S.J. (1994). Urban Stormwater Modeling and Simulation. Lewis Publishers, CRC Press, Inc., Boca Raton, Florida.

ROESNER L.A., ALDRICH J.A. and DICKINSON R.E. (1992). Storm Water Management Model, user ́s manual, version 4, EXTRAN addendum. U.S. Envir. Protection Agency, Athens, Ga.

SHAMSELDIN, A.Y., (1997), Application of a neural network technique to rainfall-runoff modelling, Journal of Hydrology, 199, 272-294. https://doi.org/10.1016/S0022-1694(96)03330-6

SOROOSHIAN S. and GUPTA V.K. (1995). Model Calibration. Computer Models of Watershed Hydrology, Vijay P. Singh ed., Water Resources Publications, Baton Rouge, LA, 23-68.

VIESSMAN, W; LEWIS, G; KNAPP, J (1989). Introduction to Hydrology, Harper Collins

Ver más Ver menos