Modelo predictivo machine learning aplicado a análisis de datos hidrometeorológicos para un SAT en represas

• Autores: Marín Vilca, Darwin Giusseppe, Pineda Torres, Ian Augusto
• Formato: tesis de grado
• Fecha de Publicación: 2019
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/3300
• Enlace del recurso: https://hdl.handle.net/20.500.12867/3300
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático; Análisis predictivo; Fenómenos hidroatmosféricos; Redes neuronales artificiales; https://purl.org/pe-repo/ocde/ford#2.02.04

El presente trabajo de investigación, se centra en los esfuerzos que se vienen realizando para la predicción del caudal efluente (descarga) en la Represa de Aguada Blanca, perteneciente a la Autoridad Autónoma de Majes (AUTODEMA), donde se introduce el uso de redes de memoria a corto y largo plazo (LSTM, por el inglés Long Short Term Memory). Esta predicción, constituye una etapa importante para el buen acuerdo y toma de decisiones del área competente del Sistema de Alerta Temprana (SAT). Por tal motivo, se propone el desarrollo de una metodología para la implementación de la red LSTM que permita evaluar el caudal efluente y sirva para la prevención y una buena toma de decisiones preventivas en los diferentes niveles de alertas tempranas. La red neuronal LSTM, esta entrenada con los diferentes registros de sensores, cuyas características son volumen de agua efluente (caudal de descarga), evaporación, temperatura mínima, temperatura máxima y precipitación. La métrica obtenida es 1.30 de Error Cuadrático Medio (RMSE) obtenida en el entrenamiento de la red neuronal, haciéndolo aceptable para la predicción del siguiente caudal de descarga.