Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Redes Neuronales Tesis
Redes Neuronales Tesis
DEPARTAMENTO DE
TESIS DOCTORAL
Directores
Dr. Fernando Martínez Abella
Dr. Jerónimo Puertas Agudo
Doctorando
Juan Ramón Rabuñal Dopico
A Coruña, Septiembre 2007
D. FERNANDO MARTÍNEZ ABELLA, Catedrático de Universidad en el área
Fdo: Dr. Fernando Martínez Abella Fdo: Dr. Jerónimo Puertas Agudo
“Algunas personas hacen del mundo un
lugar especial con sólo estar en él”
Arashi
AGRADECIMIENTOS
También quiero agradecer al director y a todos los miembros del laboratorio de Redes de
Neuronas Artificiales y Sistemas Adaptativos (RNASA) de la Facultad de Informática de la
Universidade da Coruña su inestimable compañía y ayuda.
A María por todo el ánimo y dedicación que me ha brindado durante estos años y, sobre todo,
por nuestro hijo, Diego. A toda mi familia por haberme formado y enseñado tantas cosas
importantes que no se aprenden en la escuela.
ÍNDICE
ÍNDICE ............................................................................................................................ 1
ÍNDICE DE FIGURAS ....................................................................................................... 5
ÍNDICE DE TABLAS ........................................................................................................ 7
ÍNDICE DE ECUACIONES ................................................................................................ 8
1 INTRODUCCIÓN ................................................................................................. 11
1.1 MOTIVACIÓN ..................................................................................................... 11
1.2 OBJETIVOS ........................................................................................................ 13
1.3 ESTRUCTURACIÓN DE LA TESIS ........................................................................ 15
2 FUNDAMENTOS .................................................................................................. 17
2.1 REDES DE NEURONAS ARTIFICIALES ............................................................... 20
2.1.1 Fundamentos y Conceptos Básicos de las RR.NN.AA. ............................. 23
2.1.1.1 Función de activación de la neurona ....................................................... 24
2.1.1.2 Tipos de neuronas.................................................................................... 25
2.1.1.2.1 Neuronas lineales ............................................................................... 25
2.1.1.2.2 Neuronas no lineales .......................................................................... 25
2.1.2 Arquitecturas de RNA ................................................................................ 26
2.1.2.1 Redes alimentadas hacia delante. ............................................................ 26
2.1.2.2 RNA con Retroalimentación total o parcial. ........................................... 27
2.1.3 Manejo de la información en las RR.NN.AA............................................. 28
2.1.4 Entrenamiento de las RR.NN.AA............................................................... 30
2.1.4.1 Proceso de aprendizaje supervisado ........................................................ 30
2.1.4.2 Ejecución ................................................................................................. 31
2.1.4.3 Selección de los elementos del juego de ensayo ..................................... 32
2.1.5 Redes Recurrentes....................................................................................... 33
2.1.6 Aprendizaje por épocas............................................................................... 35
2.1.7 Aprendizaje en modo continuo ................................................................... 36
2.1.8 Problemas que se pueden dar durante el entrenamiento ............................. 37
Índice 2
Índice de Figuras
Figura 1. Modo de trabajo con Redes de Neuronas Artificiales. ______________________________ 21
Figura 2. Neurona Artificial. __________________________________________________________ 24
Figura 3. RNA alimentada hacia delante. ________________________________________________ 27
Figura 4. RNA con retroalimentación. __________________________________________________ 28
Figura 5. Diagrama de funcionamiento general del Algoritmo Genético. _______________________ 45
Figura 6. Diagrama de flujo de la Programación Genética.__________________________________ 49
Figura 7. Árbol para la expresión 2*(3+x). ______________________________________________ 51
Figura 8. Codificación de un Individuo. _________________________________________________ 61
Figura 9. Red de neuronas alimentada hacia delante. ______________________________________ 61
Figura 10. Individuo correspondiente a la codificación de la Figura 9._________________________ 62
Figura 11. Red de neuronas con retroalimentación. ________________________________________ 62
Figura 12. Individuo correspondiente a la codificación de la Figura 11.________________________ 62
Figura 13. Diagrama general del entrenamiento. __________________________________________ 68
Figura 14. Representación de la Conexión Atenuada en el Tiempo.____________________________ 69
Figura 15. Funcionamiento de la Activación Atenuada. _____________________________________ 70
Figura 16. Plano-Z. _________________________________________________________________ 79
Figura 17. Tipos de anclaje. __________________________________________________________ 85
Figura 18. Representación esquemática del equilibrio de la componente radial de las tensiones de
adherencia y tangenciales [VERA 92]. __________________________________________________ 86
Figura 19. Ensayo Pull-Out. __________________________________________________________ 87
Figura 20. Configuración de entradas-salidas para predecir la tensión de trabajo de las barras. ____ 93
Figura 21. Configuración de entradas-salidas para predecir la longitud de anclaje. ______________ 93
Figura 22. Sistema de predicción mediante RNA. __________________________________________ 96
Figura 23. ECM de la RNA en el entrenamiento. __________________________________________ 98
Figura 24. ECM y Error Medio para los patrones de entrenamiento y test. ______________________ 98
Figura 25. ECM y Error Medio variando el número de neuronas. _____________________________ 99
Figura 26. Evolución del ECM según iteraciones. ________________________________________ 100
Figura 27. Tensión de trabajo de las barras real (MPa) vs predicha en entrenamiento y test. ______ 101
Figura 28. Correlación datos predichos por RNA y reales (MPa).____________________________ 102
Figura 29. Comparativa de longitudes de anclaje predichas por la RNA y reales. _______________ 103
Figura 30. Correlación valores de predicción de la RNA y reales. ___________________________ 103
Figura 31. Valores reales con RNA y fórmulas ACI, ZUO, EHE y EC2. _______________________ 105
Figura 32. Descripción del proceso. ___________________________________________________ 110
Índice 6
Figura 68. Señal del caudal (Fichero de entrada para el test – 250 puntos). ____________________ 161
Figura 69. Arquitectura de la RNA recurrente 1. _________________________________________ 163
Figura 70. Caudal y predicción de la RNAR 1 (fichero de test). ______________________________ 164
Figura 71. Arquitectura de la RNA recurrente 2. _________________________________________ 165
Figura 72. Caudal y predicción de la RNAR 2 (fichero de test). ______________________________ 165
Figura 73. Arquitectura de la RNA recurrente 3. _________________________________________ 166
Figura 74. Caudal y predicción de la RNAR 3 (fichero de test). ______________________________ 167
Figura 75. Arquitectura de la RNA que mejores resultados produce.__________________________ 168
Figura 76. Caudal y predicción de la RNA con ventana temporal (fichero de test)._______________ 168
Figura 77. Caudal y predicción de la función 3 de PG (fichero de test). _______________________ 171
Figura 78. a) Señales de pluviómetro y de caudal de escorrentía generado b) filtro electrónico pasa
banda (filtro pasa alto más filtro pasa bajo) c) simulación de un filtro electrónico ante un pulso.___ 172
Figura 79. Relación entre las 2 señales (lluvia y caudal) a modelizar._________________________ 173
Figura 80. Diagrama de polos y ceros del sistema resultado. _______________________________ 175
Figura 81. Resultado del algoritmo de PG.______________________________________________ 175
Figura 82. Respuesta al impulso unitario del sistema hallado._______________________________ 176
Figura 83. Caudal y predicción de la expresión obtenida mediante PG (fichero de test). __________ 177
Figura 84. Simulación con el software HEC-HMS el método SCS Unit Hydrograph (fichero de test). 178
Figura 85. Caudal y predicción empleando el método SCS Unit Hydrograph (fichero de test). _____ 179
Figura 86. Métodos empleados: a) RNA con ventana temporal, b) RNAR 2(Pt), c) RNAR 3(Pt,Qt-1), d)
Ecuación 3 de PG, e) Filtros PG, f) SCS Hidrograma Unitario. _____________________________ 180
Figura 87. Funcionalidades generales del sistema. _______________________________________ 182
Figura 88. Ejemplo de funcionamiento del sistema completo. _______________________________ 182
Índice de Tablas
Tabla 1. Ejemplo de codificación de las conexiones de la RNAR de la Figura 11._________________ 63
Tabla 2. Autores y ensayos referenciados. _______________________________________________ 92
Tabla 3. Variables del proceso. ________________________________________________________ 94
Tabla 4. Porcentajes de seguridad de las distintas formulaciones.____________________________ 105
Tabla 5. Resultados de la RNA frente a las normativas para el cálculo de la longitud de anclaje. ___ 107
Tabla 6. Medidas de ajuste desnormalizadas. ____________________________________________ 116
Tabla 7. Comparativa entre las tres expresiones (tensión de adherencia) ______________________ 117
Tabla 8. Comparativa entre las tres expresiones (longitud de anclaje) ________________________ 120
Tabla 9. Comparativas entre las predicciones de longitud de anclaje (mm). ____________________ 123
Tabla 10. Comparativas entre diferentes técnicas de aprendizaje (longitud de anclaje). ___________ 126
Índice 8
Tabla 11. Comparación entre las dos propuestas con las normativas existentes. _________________ 127
Tabla 12. Comparación entre las dos propuestas. _________________________________________ 158
Tabla 13. Resumen de pruebas de diferentes parámetros de RNA. ____________________________ 167
Tabla 14. Comparación entre los diferentes métodos utilizados. ______________________________ 181
Índice de Ecuaciones
Ecuación 1. Combinación de señales de una Neurona. ______________________________________ 23
Ecuación 2. Función de Activación. _____________________________________________________ 24
Ecuación 3. Función umbral. __________________________________________________________ 25
Ecuación 4. Función sigmoide._________________________________________________________ 26
Ecuación 5. Función tangente hiperbólica. _______________________________________________ 26
Ecuación 6. Operador %. _____________________________________________________________ 52
Ecuación 7. Fórmula de ajuste. ________________________________________________________ 58
Ecuación 8. Fórmula de ajuste normalizado. ______________________________________________ 58
Ecuación 9. Error cuadrático medio. ____________________________________________________ 64
Ecuación 10. Error acumulado. ________________________________________________________ 64
Ecuación 11. Fórmula de la recta que usa la Función de Activación Atenuada en el Tiempo. ________ 70
Ecuación 12. Función de ajuste usando parsimonia. ________________________________________ 75
Ecuación 13. Función de ajuste incorporando coeficiente de seguridad. ________________________ 77
Ecuación 14. Relación entre las 2 señales a modelizar. ______________________________________ 78
Ecuación 15. Relación entre las 2 señales a modelizar en un sistema discreto.____________________ 78
Ecuación 16. Representación en el dominio Z. _____________________________________________ 78
Ecuación 17. Ecuación de equilibrio entre rotura por adherencia y por tracción. _________________ 86
Ecuación 18. Norma americana ACI. ____________________________________________________ 88
Ecuación 19. Norma europea EC2. _____________________________________________________ 89
Ecuación 20. Norma española EHE. ____________________________________________________ 90
Ecuación 21. Fórmula de Zuo. _________________________________________________________ 90
Ecuación 22. Funciones de activación sigmoide e hiperbólica tangente._________________________ 97
Ecuación 23. Mejor individuo obtenido GP1._____________________________________________ 112
Ecuación 24. Mejor individuo obtenido GP2._____________________________________________ 114
Ecuación 25. Mejor individuo obtenido GP3._____________________________________________ 115
Ecuación 26. Ecuación del hidrograma unitario.__________________________________________ 136
Ecuación 27. Mejor Individuo_________________________________________________________ 153
Ecuación 28. Función 1 obtenida de la PG. ______________________________________________ 170
Ecuación 29. Función 2 obtenida de la PG. ______________________________________________ 170
Índice 9
Albert Einstein
CAPÍTULO
1 INTRODUCCIÓN
1.1 Motivación
Los avances en el campo de la Inteligencia Artificial han tenido una fuerte
influencia en las diferentes áreas de la Ingeniería Civil. Los nuevos métodos y
algoritmos que han aparecido y están apareciendo permiten a los ingenieros usar estas
nuevas técnicas de maneras diferentes y sobre problemas de diversa naturaleza. Algunas
de estas áreas de aplicación, como la hidrología y la construcción se han desarrollado en
esta tesis, aunque la metodología propuesta es aplicable a cualquier ámbito de la
ingeniería.
Una de las más rápidas y sólidas conclusiones que surgieron en las tres primeras
décadas de las investigaciones de la IA fue que la inteligencia necesita conocimiento, y
pronto se descubrió que el conocimiento posee algunas propiedades poco deseables,
como que es voluminoso, es difícil de caracterizar con exactitud, cambia
constantemente y se organiza de tal forma que se corresponde con la forma más
eficiente en que pueda ser usado.
Hay muchas tareas que resultan especialmente adecuadas para ser resueltas
mediante computadores convencionales, como la resolución de problemas matemáticos
o científicos, gestión de bases de datos, comunicaciones, procesamiento de textos,
gráficos etc. En cambio, hay muchas aplicaciones que se desean automatizar pero son
tan complejas de programar que impiden llevar a cabo esas tareas. En un alto grado de
Capítulo 1. Introducción 13
porcentaje, los problemas no son irresolubles, lo que sucede es que son difíciles de
resolver empleando procedimientos secuenciales. Esta distinción es importante porque
si la única herramienta de la que se dispone es un computador secuencial, entonces, de
forma natural, se intentarán resolver todos los problemas en términos de algoritmos
secuenciales. Hay muchos problemas que no son adecuados para ser resueltos de esta
manera, pero sin embargo se invierten grandes esfuerzos para desarrollar sofisticados
algoritmos que incluso no llegan a alcanzar una solución admisible.
1.2 Objetivos
Con el desarrollo de esta tesis doctoral se pretende dar una nueva visión en la
resolución de problemas en la Ingeniería Civil explorando el desarrollo de sistemas
informáticos que combinan técnicas tan diferentes como son las Redes de Neuronas
Artificiales, los Algoritmos Genéticos y la Programación Genética. Estas técnicas
tienen, todas ellas, un punto en común, la búsqueda de soluciones en espacios grandes y
complejos, donde se requiere gran capacidad de adaptación y trabajar con datos del
mundo real; que tiene como principales inconvenientes, el ser, en la mayoría de los
casos incompletos, imprecisos, inconsistentes e inciertos.
Evolutiva a la Ingeniería Civil. Para ello se desarrolla una herramienta informática que
permita al ingeniero la aplicación de estas técnicas en diversos campos de una forma
cómoda y práctica sin necesidad de un conocimiento profundo de estas técnicas
informáticas.
En este caso se pretende buscar una solución obtenida por métodos evolutivos,
en concreto mediante la técnica de Programación Genética (PG), al problema
del cálculo o determinación de las longitudes de anclaje de armaduras pasivas
de acero en vigas de hormigón armado. Así mismo se utilizarán RR.NN.AA.
para dar un resultado más predictivo pero menos interpretable.
Los dos capítulos siguientes están dedicados a los resultados obtenidos dentro de
los dos ámbitos de estudio de la tesis (Capítulo 4 – Resultados en el área de
Construcción, y Capítulo 5 – Resultados en el área de Hidrología) en cada capítulo se
Capítulo 1. Introducción 16
Claude Bernard
CAPÍTULO
2 FUNDAMENTOS
Hoy en día, a pesar de que todavía se ve lejos aquella afirmación realizada por
Turing, los investigadores sí son más optimistas respecto a la Programación
Automática, dado el gran éxito que han tenido las técnicas de computación evolutiva, en
concreto los Algoritmos Genéticos (AA.GG.) [HOLL 75] y la Programación Genética
(PG) [KOZA 90][KOZA 92], y los buenos resultados que han conseguido en la
resolución de problemas para los cuales las técnicas tradicionales no eran válidas.
Sin embargo, tal vez la técnica adaptativa que más éxito ha tenido en el mundo de
la Inteligencia Artificial (IA) sean las Redes de Neuronas Artificiales (RR.NN.AA.), y
han sido aplicadas con éxito a una gran cantidad de entornos distintos, desde
empresariales al mundo de la medicina y a la Ingeniería Civil (tal como se presenta en
la esta tesis), dada su gran versatilidad y las ventajas que ofrecen, como pueden ser
abstracción, tolerancia a fallos, etc. En el libro “Artificial Neural Networks in Water
Supply Engineering” de ASCE [SRIN 05] se ofrece una detallada explicación de su
utilización en el ámbito de la hidrología e ingeniería sanitaria y ambiental.
Este es el caso, por ejemplo, de las RR.NN.AA., en las cuales tienen un proceso
de desarrollo que está fuertemente marcado por la intervención humana, y que está
basado en la experiencia previa del experto que las utilice. Esto convierte este desarrollo
en un proceso lento y repetitivo.
Para poder diseñar y realizar un sistema que manipule las RR.NN.AA., y en cierta
medida, mejore su funcionamiento para ciertos problemas específicos, es necesario
conocer la técnica con un cierto grado de profundidad. Para ello, se van a exponer los
conceptos fundamentales de las neuronas artificiales y su interconexión formando la
RNA. El estudio se centrará en explicar aquellas partes relativas al tema que se tratará
en esta tesis. Para ello, es necesario conocer las diferentes arquitecturas de RNA, los
diferentes tipos de neuronas o elementos de proceso existentes, el proceso de
entrenamiento y la puesta en funcionamiento de las mismas. Se explicará en detalle la
construcción de los ficheros de entrada-salida para el proceso de entrenamiento y
ejecución, incluyendo la normalización de los mismos.
tarea es preciso conocer cómo funcionan los métodos evolutivos, los operadores
genéticos y cómo se pueden codificar los problemas en forma de individuos y material
genético, y cómo actúa el proceso de evolución natural en la búsqueda de soluciones.
Una de las definiciones que se estima más certera de RNA es la siguiente: “Las
redes neuronales son conjuntos de elementos de cálculo simples, usualmente
adaptativos, interconectados masivamente en paralelo y con una organización jerárquica
que le permite interactuar con algún sistema del mismo modo que lo hace el sistema
nervioso biológico” [KOHO 88]. Su aprendizaje adaptativo, auto-organización,
tolerancia a fallos, operación en tiempo real y fácil inserción dentro de la tecnología
existente, ha hecho que su utilización se haya extendido en áreas como la biología,
finanzas, industrial, medio ambiente, militar, salud, etc. [HILE 95]. Están funcionando
en aplicaciones que incluyen identificación de procesos [GONZ 98], detección de fallos
en sistemas de control [ANDR 95] modelación de dinámicas no lineales [MEER 98]
[WANG 98], control de sistemas no lineales [BLOC 97] [LEVI 93] y optimización de
procesos [OLLE 98] [ALTI 98] [AGUI 98].
Capítulo 2. Fundamentos 21
En general, se puede encontrar que una RNA se suele caracterizar por tres partes
fundamentales: la topología de la red, la regla de aprendizaje y el tipo de
entrenamiento.
Desarrollo:
Desarrollo de NO
la Arquitectura
Neuronal
Fase de Fase de
¿Válido?
Aprendizaje Test
Tarea a Selección de
Resolver los patrones de
Aprendizaje SI
Selección de
los patrones de
Test
Sistema
Entrada
Neuronal
Operación:
Salida
En una RNA existe un peso o fuerza sináptica que va a ser un valor numérico que
pondera las señales que se reciben por sus entradas. Este peso será un valor que
determina la fuerza de conexión entre 2 neuronas. Cuando se evalúa una neurona se
deben calcular todas las fuerzas o valores (denominado NET) que se reciben por sus
entradas. Una vez calculado el valor conjunto de todas las entradas se aplica una
función de activación (FA) que determinará el valor del estado interno de la neurona y
que será lo que se transmita a su salida.
La combinación de las señales que recibe una neurona se puede computar como sigue:
∑ [W ]
N −1
NET i ( t ) = ij * O j * (t − 1 )
j=0
Wij = Peso de la conexión entre la neurona j (que emite) y la neurona i (que recibe).
W1
Σ
W2 NET
Salida
W3 F
Cuando se diseña una RNA debe establecerse como van a ser los valores de
activación de cada neurona y se debe decidir la función de activación (FA) con la que
cada neurona procesará las entradas. Por lo tanto, la FA va a actuar sobre las señales de
entrada, sobre los pesos asociados con cada entrada y sobre el valor de activación que
tenía la neurona en el momento de recibir las señales.
OUT
⎧ 1 si NET > 0
OUT = ⎨
⎩− 1 si NET < 0 NET
-1
OUT
1
OUT = 0.5
1 + e − NET
NET
1
OUT
1 − e − NET
OUT = 0
1 + e − NET NET
-1
En este tipo de redes existe al menos una capa de entrada, formada por las
neuronas que reciben las señales de entrada a la red y una capa de salida, formada por
una o más neuronas que emiten la respuesta de la red al exterior. Entre la capa de
entrada y la de salida existen una o más capas intermedias.
0.14 -0.58
1 3 4
Entrada Salida
0.86 0.98
El hecho de que no haya conexión entre las neuronas de una misma capa hace que
no haya tiempos de espera en los que las neuronas estén interactuando unas sobre otras
hasta que toda la capa adquiera un estado estable. Se trata por tanto de redes rápidas en
sus cálculos.
En este tipo de redes los elementos pueden enviar estímulos a neuronas de capas
anteriores, de su propia capa o a ellos mismos, por lo que desaparece el concepto de
agrupamiento de las neuronas en capas. Cada neurona puede estar conectada a todas las
demás; de este modo, cuando se recibe información de entrada a la red, cada neurona
tendrá que calcular y recalcular su estado varias veces, hasta que todas las neuronas de
la red alcancen un estado estable. Un estado estable es aquel en el que no ocurren
cambios en la salida de ninguna neurona. No habiendo cambios en las salidas, las
entradas de todas las neuronas serán también constantes, por lo que no tendrán que
modificar su estado de activación ni su respuesta, manteniéndose así un estado global
estable [PEAR 90].
0.16 0.35
0.14
1 3
Entrada -0.58 Salida
0.16
0.98
0.86
-0.91
0.22
En una RNA con retroalimentación no hay una relación biunívoca entre una
entrada y una salida. Permite considerar la historia previa de información que ha
recibido la RNA para evaluar la salida.
La información de entrada en números tiene que ser adecuada para las funciones
de activación y transferencia de la RNA y se deben distribuir esas informaciones Oj
entre las neuronas de la capa de entrada de forma adecuada.
Se observa, por tanto, que a la hora de diseñar una RNA es necesario realizar un
análisis tanto de la información de entrada que hay que suministrarle para presentarle el
problema, como de la información de salida que la RNA proporcionará como solución a
dicho problema.
Si los datos de entrada, es decir, la información del problema que se desea que la
RNA resuelva, no se pueden representar mediante valores dicotómicos, se tendrán que
Capítulo 2. Fundamentos 29
modificar las funciones de la red para hacerla así capaz de trabajar con valores Oj con
los que se puedan representar los datos.
Si, por ejemplo, se trabaja con información incierta, en donde sólo se puede dar
un valor de la probabilidad de que un determinado elemento pertenezca a un conjunto,
se necesitará que la función sea continua para poder expresar valores de probabilidad y
el rango de los Oj irá de 0 a 1.
Si los valores de Oj son continuos y los datos también, se tendrá que volver a
normalizar los datos de entrada para hacerlos corresponder con el rango de valores que
los Oj pueden tomar. Es decir, es necesario reajustar la escala de los datos para que se
adapte a la escala de los Oj. Así, si por ejemplo un dato de entrada es una longitud en
metros (desde 0 a 1.000 m.) y los Oj se mueven desde -1 a 1 se tendrá que establecer
una correspondencia en la que a 0 m. le corresponda -1, a 1.000 m. le corresponda +1, a
500 m. le corresponda 0, etc.
Se ha demostrado [BOWD 03] [SHI 00] que transformar las entradas de la RNA
para que sigan una distribución uniforme puede ayudar a un mejor proceso de
conversión y transformación en los valores de salida por la RNA y, en consecuencia, un
mejor proceso de entrenamiento de la red. Una forma de conversión a una distribución
uniforme cuando los datos no siguen ninguna distribución probabilística conocida es la
ecualización del histograma [LOON 97].
Cuando se termina con el último patrón del juego de ensayo, se tiene que volver a
empezar con el primero, ya que los pesos se han seguido modificando.
2.1.4.2 Ejecución
En otras palabras, una vez terminado el aprendizaje, una red puede generalizar; es
decir, ante entradas similares a las de su juego de ensayo, producirá salidas correctas.
Hay que tener en cuenta que es muy difícil conseguir la capacidad de generalización de
una RNA sin utilizar grandes cantidades de datos y que estos sean muy variados.
Capítulo 2. Fundamentos 32
Para operar con una RNA entrenada, el proceso es el mismo que cuando se
realizaba el entrenamiento: se le sigue suministrando información de entrada a la red,
sólo que ahora no se realizará ningún ajuste en los pesos de las conexiones. La RNA
reconocerá, evaluará y dará una respuesta.
Por otra parte, a una RNA evaluadora, es importante mostrarle tanto los patrones
de entrada que llevan a evaluaciones positivas, como los patrones de entrada que llevan
a evaluaciones negativas. Es decir, el entrenamiento de la RNA debe incluir situaciones
Capítulo 2. Fundamentos 33
sistemas dinámicos; sin embargo, su entrenamiento es más lento que el de una red
alimentada sólo hacia delante, y a la vez mucho más complejo.
Además, en redes multicapa se conoce más o menos bien qué arquitectura hay que
utilizar en la mayoría de los problemas, gracias a conocimientos basados
fundamentalmente en la experiencia. Sin embargo, por una parte, la variedad
arquitectónica en redes recurrentes es infinitamente superior, por lo que su diseño es
más complicado y, por otra, la gran variedad de este tipo de patrones hace difícil su
categorización.
Las respuestas dependen siempre del problema a tratar; así, podría emplearse una
salida neutra 0 durante la entrada del patrón si se emplea un intervalo [-1,1]. En el caso
de las otras preguntas, se relacionan de forma que, si se ha escogido no forzar un
comportamiento de la salida mientras se está realizando la entrada, no es conveniente
utilizar una salida puntual ya que será difícil determinar si la salida en un determinado
momento corresponde a un estado transitorio o al reconocimiento de una secuencia.
Capítulo 2. Fundamentos 37
Otro problema que puede surgir está relacionado con la forma de la salida. Si la
salida es de tipo escalón donde debe pasar de un punto extremo a otro (-1 a 1) en un
paso de tiempo, es bastante normal que la RNA no sea capaz de realizar una transición
tan brusca. En este caso es necesario proponer una salida suavizada o bien dejar un
intervalo de transición entre los dos estados sin salida deseada.
Cuando esto sucede, se deberá analizar el diseño de la red y del juego de ensayo.
E1 hecho de cambiar el número de capas ocultas aumentará o disminuirá el tiempo de
aprendizaje, pero probablemente no afectará en gran medida a la precisión (proporción
de respuestas acertadas de la RNA).
Existen, por supuesto, problemas tan complejos que una RNA no puede resolver
en un tiempo y un espacio razonables. Si este es el caso, se podrá montar una cadena de
RR.NN.AA de modo que las salidas de una red alimenten las entradas de otras. Las
primeras RR.NN.AA deberán identificar los objetos y sus salidas se utilizarán para
alimentar a otra red que realice la evaluación, es decir, descomponer el problema en
varias fases. El añadir más capas a una única RNA no produce el mismo efecto.
Si las variables más significativas del problema se conocen sin conocer la relación
existente entre ellas, las RR.NN.AA. son aconsejables para buscar dichas relaciones.
Este tipo de problemas incluye la predicción de escorrentía, demanda de consumo de
agua, caudal y transporte de sedimentos, predicción de calidad de agua, etc.
Capítulo 2. Fundamentos 39
• Sinak et al [SINA 98] han usado una RNA de tipo RBF (Radial Basis
Function) y una RNA de tipo Correlación en Cascada (CC) para predecir el
caudal de la red de saneamiento utilizando datos históricos de lluvia. Los
datos de caudal los obtienen a partir de tres sensores de nivel basados en
Capítulo 2. Fundamentos 40
Este sistema fue desarrollado hacia mediados de los años 60 y se dio a conocer en
el libro que Holland publicó en 1975 [HOLL 75] donde denominó al sistema como
“plan reproductivo genético” y que después se popularizó bajo el nombre de “Algoritmo
Genético” (AG). De esta forma nace una de las líneas más prometedoras de la IA.
modelo de las cadenas de cromosomas, y se les asocia con una cierta función
matemática que refleja su aptitud” [KOZA 92].
2.2.1.1 Funcionamiento
Sí Criterio terminación
FIN
satisfecho?
No
Construir siguiente generación
a partir de la anterior
Crear nueva
población vacía
Este proceso se repite hasta que se satisface algún criterio de parada establecido,
como podrían ser:
• En la población hay algún individuo que ha alcanzado un ajuste lo
suficientemente bueno.
• Ha transcurrido el número de generaciones máximo prefijado.
• La población ha convergido y todos los individuos (o un porcentaje alto) son
iguales.
estructura así denominada árbol representa en los nodos los operadores (operaciones
aritméticas, funciones trigonométricas, etc.) y en la “hojas” o terminales las constantes y
variables (en la Figura 7 se puede ver un ejemplo de árbol).
Aunque los primeros intentos por evolucionar programas se remontan a los años
50 y 60 [FRIE 59] [FOGE 64] no fue hasta los 80 cuando se obtuvieron resultados
satisfactorios. Hicklin [HICK 86] y Fujiki [FUJI 86] usaron expresiones en LISP para
representar programas cuyo objetivo era resolver problemas de teoría de juegos. Cramer
[CRAM 85] y posteriormente Koza [KOZA 89] propusieron de forma independiente el
uso de una representación en árbol donde se implementó el operador de cruce
intercambiando sub-árboles entre diferentes programas de una población generada al
azar.
2.2.2.1 Ventajas de la PG
2.2.2.2 Funcionamiento de la PG
SI
Criterio terminación FIN
satisfecho?
NO
Reproducir
Mutar individuo Cruzar individuos
individuo
Para la creación de un árbol existe una gran variedad de algoritmos, pero son tres
los más utilizados [KOZA 92]: parcial, completo e intermedio.
2 +
3 x
⎧⎪1 si b = 0
%(a , b ) ⎨ a
si b ≠ 0
⎪⎩ b
Ecuación 6. Operador %.
2.2.2.2.2 Restricciones
• Tipado.
Los tipos más usados son aquellos que tienen que ver con la realización de
operaciones aritméticas: reales y enteros. Sin embargo, son también muy usados otros
como el tipo booleano, o el tipo sentencia, este último se utiliza cuando se quiere
desarrollar un programa que sea una secuencia de mandatos, y que designa nodos que
no devuelven nada, es decir, que su evaluación se basa en los efectos que provoca su
ejecución.
• Cruce.
• Reproducción (copia).
• Selección.
• Mutación.
2.2.2.2.3.1 Cruce
deben ser de igual tipo y los árboles nuevos deben seguir manteniendo la altura máxima.
El cruce entre los dos padres se efectúa mediante el intercambio de los subárboles
seleccionados en ambos padres [LUKE 98].
Existen variantes adaptativas de este operador [ANGE 96] en las que el propio
algoritmo se modifica, así como numerosas variantes que tienen como base este
algoritmo [AGUI 99] [PERE 99].
Esta operación, junto con la de cruce, forman los operadores que se utilizan más
frecuentemente, y entre ellos tiene una especial predominancia la de cruce. De hecho, el
porcentaje de individuos nuevos generados a partir de cruces suele ser superior al 90%,
mientras que el resto son generados mediante copias. El aumento del número de
individuos generados por copias aumenta el peligro de predominancia de un individuo
sobre el resto de la población, y que finalmente tras varias generaciones toda la
población converja hacia ese individuo. Esta es una situación indeseable, puesto que se
ha perdido por completo la diversidad genética que se tenía al principio y ello conlleva
que la búsqueda en el espacio de estados sólo se lleve a cabo en una determinada zona,
lo cual es lo contrario que se pretende con AG.
En general todos los algoritmos de selección se basan en la misma idea: que los
individuos más aptos tengan más posibilidades de ser escogidos para reproducirse pero
sin eliminar por completo las posibilidades de los menos aptos, puesto que de ser así la
población convergería en pocas generaciones. Para medir la bondad de un individuo,
éste está valorado con un nivel de ajuste o aptitud, y en base a ese nivel se puede decidir
la elección de individuos. Algunos de los algoritmos más utilizados son la selección por
torneo y la ruleta.
En la selección por ruleta [DEJO 75], todos los individuos de la población son
dispuestos en una ruleta ocupando cada uno una parte proporcional al nivel de ajuste del
individuo comparado con el nivel de ajuste de toda la población (suma de ajustes); es
decir, que ocupan más espacio en la ruleta los mejores individuos. Para realizar la
selección, simplemente se hace girar la ruleta y se devuelve el individuo seleccionado
por ella. Este método es muy utilizado por su simplicidad y sus buenos resultados. Sin
embargo, presenta el problema de que al poder seleccionar el mismo individuo varias
veces, el mejor individuo sea escogido muchas veces y acabe predominando en la
población.
Existen otros muchos algoritmos, en los que el número de veces que un individuo
es seleccionado se realiza de forma determinística. Esto evita problemas de
Capítulo 2. Fundamentos 56
2.2.2.2.3.4 Mutación
Dado que cada rama del árbol representa una solución a un subproblema y el no
terminal que las une representa la forma de combinar esas soluciones, si se realiza este
tipo de mutación sobre un elemento no terminal se estará provocando que las soluciones
se combinen de distinta forma. Este tipo de mutación apenas se usa.
destructivas, es decir, el individuo empeora, y por eso se utilizan con una probabilidad
muy baja, para conseguir variedad genética. Existen estudios sobre la evolución sin el
uso de cruces, en los que la mutación juega un papel fundamental [CHEL 97], en los
que se utilizan distintos tipos de mutaciones, pero los resultados siguen siendo peores
que utilizando cruces.
2.2.2.2.4 Evaluación
Para valorar esta medida de ajuste, existen tres tipos fundamentales [KOZA 92]
∑ a(k , t )
k =1
Este valor está comprendido entre 0 y 1. Este tipo de ajuste indica el nivel de
bondad dentro de la población. En este caso desaparece el componente de
objetividad de evaluación de los tipos anteriores, y un valor cercano a 1 ya no
indica que ese individuo represente una solución buena al problema, sino que
ese individuo representa una solución destacada y notablemente mejor que la
del resto de la población. Este valor es utilizado para las selecciones
proporcionales al ajuste, como la ruleta. En este caso, la proporción de ruleta
ocupada por un individuo será este valor, ya que la suma de todos será la
unidad.
“La mejor estructura no garantizará los
resultados ni el rendimiento. Pero la estructura
equivocada es una garantía de fracaso”
Peter Drucker
CAPÍTULO
3 DESCRIPCIÓN DEL SISTEMA
DESARROLLADO
3.1 Introducción
En este capítulo se exponen los aspectos más relevantes del sistema desarrollado,
analizando los diferentes módulos de los que consta y los aspectos innovadores que se
han implementado en cada caso.
• Cuando se necesita modelar una relación entre dos señales, a partir de una o
varias señales de entrada generar una señal de salida con unas características
específicas se puede modificar el algoritmo de PG con los operadores y las
funciones adecuadas para afrontar el diseño de estas relaciones. Esta
modelización utilizando funciones que definen “filtros” se realiza para
modelar la relación entre lluvia y caudal de una cuenca urbana (como se puede
observar en el capítulo 5).
El método que se ha usado en esta tesis para entrenar una RNA está basado en la
técnica de Algoritmos Genéticos. Se ha seleccionado esta técnica debido a que la
computación evolutiva, es, actualmente, la única que permite realizar el proceso de
entrenamiento de cualquier arquitectura de RNA, así como proporcionar muchas
facilidades al usuario final para poder entrenar de forma rápida y sencilla una RNA para
resolver un problema.
Capítulo 3. Descripción del sistema 61
Por ejemplo, se puede codificar una RNA como se observa en la siguiente figura:
Número
Número Número Neuronas por Valor Tipo Activación Tipo
Capas
Entradas Salidas Capa Conexiones Neurona Neurona interconexión
Internas
5
X1 1
6 10
X2 2
7 11
X3 3
8 12
X4 4 9
0.16 0.35
0.14
1 3
IEntrada -0.58 Salida
0.16
0.98
0.86 -0.91
0.22
Número Estado
Número Número Número Tipo Tipo de
Capas Valor Conexiones Activación
Entradas Salidas Neuronas Neurona interconexión
Internas Neurona
⎡0.16 0.86 − 0.58⎤ ⎡hip. tg ⎤ ⎡ 0.21⎤
⎢0.16 0.22 0.98 ⎥⎥ ⎢hip. tg ⎥ ⎢0.78⎥
1 1 3 - ⎢ ⎢ ⎥ ⎢ ⎥ Recurrente
⎢⎣0.14 − 0.91 0.35 ⎥⎦ ⎢⎣hip. tg ⎥⎦ ⎢⎣0.93⎥⎦
Neuronas de Salida
1 2 3
Una vez identificadas aquellas características comunes, con las que se quiere dotar
a los individuos de la población, se dejará evolucionar, realizando cruces y mutaciones.
Pero, ¿cómo se sabrá que un individuo de la población es mejor que otro? para
ello se necesita una función de ajuste que cuantifique el error que comete la RNA entre
la salida ideal y la salida o respuesta que se obtiene de la red, procedimiento típico de
un proceso de aprendizaje “supervisado”.
Se puede utilizar como función del error, la función de Error Cuadrático Medio
(ECM), que tiene como fórmula la siguiente:
N
∑ (O − I )
2
i i
E.C.M . = i =1
n
Ecuación 9. Error cuadrático medio.
Donde “Oi” corresponde con la salida de la RNA, e “Ii” corresponde con la salida
ideal.
Otra fórmula puede ser el sumatorio en valor absoluto de todas las desviaciones:
N
Error = ∑ Oi − I i
i =1
Este módulo utiliza un Algoritmo Genético para ajustar los pesos de las
conexiones y de las pendientes de activación de la RNA para conseguir que ésta sea
capaz de converger sus salidas a las que debería producir. Esta técnica se basa en la
utilización de una población de individuos y de tres operaciones genéticas para la
obtención de mejores individuos (RNA) que son capaces de producir resultados mejores
que los individuos precedentes. Partiendo de una cierta población, por ejemplo 100
individuos, con unos pesos de conexiones y unos valores de las pendientes de activación
aleatorios (proceso de inicialización de la población) se evalúan dichos individuos
calculando el Error Cuadrático Medio (ECM) que producen sus salidas comparadas con
las que deberían producir. Una vez evaluados, se procede a ordenarlos de menor a
mayor ECM (de mejor a peor). Una vez finalizado el proceso de inicialización de la
población, se procede a realizar iterativamente la selección, cruce y mutación
(operaciones genéticas) sobre dicha población.
Los pasos para realizar el entrenamiento de una RNA consisten básicamente en:
¾ Iniciar el algoritmo:
Inicializar la población. Se utiliza una función aleatoria para crear los pesos
iniciales de las conexiones y los valores iniciales de las pendientes de
activación.
Capítulo 3. Descripción del sistema 67
Ordenar toda la población, siendo el mejor individuo (el primero) aquel que
tiene un valor menor del ECM.
Se intercambian las dos mitades. Una mitad queda igual y la otra se coge del
otro individuo
Así, se generan dos individuos nuevos que se evalúan. Se elige uno de los
dos (el que menor error comete) y se sustituye el último individuo de la
población (el peor) por el nuevo.
¾ El final del entrenamiento puede ser debido a que el error baje de un cierto
nivel o que el usuario decide pararlo. Una vez parado (no se siguen realizando
iteraciones) el usuario puede decidir guardar la estructura de la RNA actual
para hacer más pruebas o detener definitivamente.
Inicializar Población
Selección
Cruce
Mutación
ECM=0 Ordenar
Población
FIN
w1
x1
w2
x2
Net = x*w Salida Salida Neurona
Σ F(Net)
t
xn wn
0 m n Tiempo en Ciclos
0 m n 0 m n 0 m n
Tiempo 0 m n
y = mx + b
Ecuación 11. Fórmula de la recta que usa la Función de Activación Atenuada en el Tiempo.
Capítulo 3. Descripción del sistema 71
Una vez definida la nueva arquitectura, para poder aplicar este tipo de RNA a la
resolución de problemas, se necesita un método de entrenamiento que ajuste los pesos y,
en este caso, las pendientes de las salidas de la nueva red. En este nuevo tipo de
elementos de proceso no son válidos los algoritmos de aprendizaje utilizados hasta el
momento, ya que lo que se necesita calcular es la pendiente de la recta. Por lo que se
han utilizado los AG para su entrenamiento, de forma similar a lo expuesto en el punto
anterior.
En primer lugar los relativos al proceso evolutivo que se deben estimar por
experimentación, dependiendo de la complejidad del problema a resolver. Los
parámetros en cuestión son:
¾ Algoritmo de creación de población
o Completo
o Parcial
o Intermedio
¾ Algoritmo de selección
o Torneo
o Ruleta
o Sobrante estocástico
o Universal estocástica
o Muestreo determinístico
¾ Algoritmo de mutación
o Subárbol
o Puntual
¾ Estrategia elitista
¾ Utilizar cruces no destructivos
¾ Tasa de cruces
¾ Probabilidad de mutación
¾ Probabilidad de selección de no terminal
¾ Tamaño de la población
¾ Nivel de parsimonia (Parámetro de optimización, en la sección 3.4.2 se explicará en detalle)
Para ajustar los parámetros ideales se debe realizar un análisis empírico probando
ciertas combinaciones e ir ajustando progresivamente los diferentes valores hasta
alcanzar los mejores resultados.
Capítulo 3. Descripción del sistema 73
¾ Funciones Umbral
o Signo
o Escalón
¾ Ventanas Temporales (problemas dinámicos-temporales)
o Número de entradas anteriores
o Número de salidas anteriores
¾ Constantes
o Selección aleatoria en rango o establecidas manualmente
¾ Variables de Entrada
o Determinar una por una si es real o booleana
¾ Naturaleza de las Salidas
o Real
o Booleana
o Convertir Real a Booleana (especificando el umbral)
Como se puede observar existe una gran variedad de posibles configuraciones, así
cuanta más información se disponga del problema más se pueden establecer de
antemano los valores de los anteriores parámetros. En otro caso es necesaria la
experimentación para determinar cuáles son los mejores.
3.4.2 Optimización
Para evitar redundancia en las expresiones que produce la PG y un crecimiento
excesivo de éstas, se incluye un factor de parquedad (parsimony) en el cálculo del ajuste
[SOUL 97] [SOUL 98]. Esta técnica se puede usar para reducir la complejidad del árbol
que está siendo evaluado, y funciona mediante la penalización en el ajuste del individuo
i de la siguiente forma:
f (i ) = P(i ) + α ⋅ s i
Donde P(i) es una medida de la bondad del individuo (en este caso, peor cuanto
más positivo), α es el nivel de parsimonia y Si es el tamaño (número de nodos) del
individuo. Con este coeficiente se está penalizando el número de nodos de un árbol, y su
valor máximo suele ser de 0.1. Con este valor, se necesitará que el árbol tenga 10 nodos
para incrementar en una unidad el valor de ajuste. Sin embargo, un valor tan alto ya es
muy dañino en la evolución, y se suelen tomar valores menores (0.05, 0.01, etc.),
dependiendo del rango de valores en los que se espera que estén los ajustes de los
individuos.
La idea de este proceso es que de forma dinámica, a la vez que se evalúan las
expresiones obtenidas, se calcule el coeficiente de seguridad y se penalice si el resultado
Capítulo 3. Descripción del sistema 77
produce valores inseguros, para ello se establecen unos criterios que indican para cada
caso del fichero de entrenamiento si es seguro o no, finalmente se suman todos los
valores inseguros y se penaliza proporcionalmente a la cantidad de “inseguridad” de la
fórmula.
1− ∑
xi − d i + si
⋅100 − α ⋅ ci
n ⋅ ∑ di
si = p ⋅ ∑ xi − d i if xi > d i
xi = valor predicho por la fórmula genética
di = valor real
p= penalización de seguridad.
α= coeficiente de parsimonia.
ci = complejidad del individuo, medida en
número de nodos
Ecuación 13. Función de ajuste incorporando coeficiente de seguridad.
− ki ⋅n
∑c ⋅ e
i
i
Este será un sistema discreto, y como tal la relación de las señales se plasma en
una ecuación en diferencias del estilo:
M N
∑ bi ⋅ y(n − i) = ∑ ai ⋅ x(n − i)
i =0 i =0
donde x(n) es la señal de entrada, y(n) es la señal de salida y los bi y ai son las
constantes que relacionan las muestras desplazadas de la entrada y la salida. M
representa el número de muestras del pasado de la salida generada que se utilizan, y N
representa el número de muestras del pasado de la entrada que se utilizan para generar
la salida.
∏(z − c K )
H (z ) = K * K =0
N
∏ (z − d
K =0
K )
Im (z)
rejθ
Re (z)
antes de realizar la simulación se sabe si un sistema va a ser inestable, hecho que ocurre
cuando el valor absoluto de un polo es igual o superior a la unidad.
CAPÍTULO
4 RESULTADOS EN EL ÁREA DE
CONSTRUCCIÓN
4.1 Introducción
La adherencia entre el hormigón y el acero es uno de los pilares básicos que
garantiza el correcto funcionamiento del hormigón estructural, entendido como
“simbiosis” entre los materiales hormigón y acero. El planteamiento de la formulación
de adherencia para hormigón armado suele basarse en la determinación de la longitud
de anclaje necesaria para conseguir la correcta fijación de la barra. Se puede definir,
entonces, la longitud de anclaje como la necesaria para garantizar la resistencia del
anclaje por adherencia hasta la rotura del acero. Actualmente no existen formas de
medir empíricamente la longitud de anclaje, por lo que se emplean distintas
aproximaciones en forma de normativas. En esta tesis se presentan dos soluciones
innovadoras, por un lado utilizando una RNA y por otro utilizando PG.
Capítulo 4. Resultados en el Área de Construcción 84
Figura 18. Representación esquemática del equilibrio de la componente radial de las tensiones de
adherencia y tangenciales [VERA 92].
LD τ
ф
Figura 19. Ensayo Pull-Out.
Una de las primeras formulaciones fue la de Abrams [ABRA 13] quien determinó
en la primera década del siglo XX las condiciones de anclaje en barras lisas. Los
planteamientos más recientes surgen de los trabajos de Orangun [ORAG 77],
inspiradores de la formulación americana del American Concrete Institute (ACI).
¾ Norma americana ACI [ACI 99]: la actual norma ACI de 1999 plantea la
siguiente expresión para el cálculo de la longitud de anclaje. En ella se considera
que la tensión del acero traccionado (al igual que hizo Orangun) es la
correspondiente al límite elástico de cálculo, lo que equivale a considerar que la
barra desliza a la máxima carga de la barra y no a su teórica tensión de trabajo,
que puede ser menor.
f ⋅α ⋅ β ⋅ λ ⋅ γ ⋅ d
3 y b
l = ⋅
d 40 ⎡c + K ⎤
f ⋅⎢ tr ⎥
c ⎢ d
⎣ b ⎥⎦
[(c + ktr ) / d b ] < 2.5 α·β < 1.7
fy = límite elástico de las barras.
α= coeficiente de 1.3 para barras top de adherencia deficiente, 1.0 para el resto.
β= dependiente del material de las barras y si tienen recubrimiento y/o espaciamiento.
γ= coeficiente dependiente del diámetro de las barras.
λ= 1.0 para hormigones de densidad normal.
db = diámetro nominal de la barra.
f yk
l = m ⋅φ 2 ≥ ⋅φ
d posición I 20
f yk
l = 1.4 ⋅ m ⋅ φ 2 ≥ ⋅φ
d posición II 14
2
f yk = límite elástico garantizado del acero N/mm .
φ= diámetro de la barra.
m= coeficiente numérico en función del tipo de acero, obtenido de resultados experimentales
Ecuación 20. Norma española EHE.
fs ⎛ c ⎞
− 2350 ⋅ ⎜⎜ 0.1⋅ max + 0.9 ⎟⎟
l 1/ 4
cmin
d = fc ⎝ ⎠
db ⎛ c + K tr ⎞
76.1⋅ ⎜⎜ ⎟⎟
⎝ d b ⎠
Ecuación 21. Fórmula de Zuo.
Para un buen proceso de extracción de conocimiento (ya sea con una RNA o
mediante CE) es necesario seleccionar las variables más representativas del problema,
sus rangos de valores y las características de ellas. En la base de datos hay ensayos que
trabajan con variables utilizando valores alejados del promedio, mientras que otros
Capítulo 4. Resultados en el Área de Construcción 93
La primera tarea, por tanto, es seleccionar las variables que tengan una influencia
mayor en el proceso. El conjunto de entradas seleccionadas son db, cb, cp, cs, fc y A. En
función de lo que interese conseguir (ya sea la tensión de trabajo de las barras (fs) o bien
la longitud de anclaje (ld)) se incluirá una entrada adicional con dichos valores. Mientras
que la salida será la variable que nos interesa obtener (fs o ld). Por tanto habrá dos
configuraciones posibles de conjuntos de entrenamiento:
db
cb
cp
cs fs
fc
A
ls
Figura 20. Configuración de entradas-salidas para predecir la tensión de trabajo de las barras.
db
cb
cp
cs ls
fc
A
fs
Variables Descripción
Una vez seleccionadas las variables del dominio del problema, es necesario
establecer una configuración de rangos adecuada para el proceso de normalización de
los ficheros de entrenamiento, eliminando del proceso de aprendizaje aquellos ensayos
que se encuentren fuera del rango. Por ejemplo, si el 98% de los ensayos están
realizados con hormigón entre 60 y 110 MPa, no se debería considerar el 2% restante de
los ensayos, eliminándolos de los ficheros de entrenamiento.
db entre 0 y 45 mm.
cb entre 0 y 120 mm.
cp entre 0 y 600 mm.
cs entre 0 y 300 mm.
fc entre 0 y 110 MPa.
A entre 0 y 30 MPa.
fs entre 0 y 600 MPa.
ld entre 0 y 1800 mm.
Capítulo 4. Resultados en el Área de Construcción 95
Una vez establecidos los rangos, en la base de datos existen ensayos con variables
utilizando diferentes escalas y métricas, siendo necesario un proceso de eliminación y
normalización de valores utilizando los rangos anteriores. A continuación se eliminan
aquellos ensayos que tienen armaduras cubiertas de epoxi y ensayos con barras
superiores porque presentan problemas de adherencia. Los ensayos donde las barras han
sido recubiertas de epoxi, para evitar la oxidación de las mismas, se han eliminado
puesto que no serían comparables con los ensayos donde las barras están en contacto
directo con el hormigón, debido a que la superficie final de contacto acero-hormigón es
muy diferente. Algo similar ocurre en los ensayos que utilizan barras superiores de
adherencia defectuosa por la presencia de pequeñas burbujas de aire bajo las barras,
cuyo efecto es más difícilmente cuantificable.
Una vez aplicados estos procesos, la base de datos queda con un total de 315
ensayos, de los cuales 284 son para entrenamiento y 31 para validación. Estos 31
ensayos se han seleccionado para que sean representativos de todo el espacio de
búsqueda y se pueda obtener una buena medida de la capacidad de generalización del
sistema.
La RNA, inicialmente, constará de tres capas, una de entrada con tantos elementos
de procesado como variables que intervienen en el proceso (7), una oculta con un
número de neuronas a determinar experimentalmente y una de salida con una neurona
que produzca la predicción de la tensión de trabajo de las barras, en el primer caso, y la
longitud de anclaje en el segundo.
Capítulo 4. Resultados en el Área de Construcción 97
Debido a que tanto para obtener la tensión de trabajo de las barras como la
longitud de anclaje se ha utilizado el mismo número de patrones y de variables, se
asume que una configuración neuronal adecuada para resolver el problema de la tensión
de trabajo de las barras será adecuada también para determinar la longitud de anclaje.
Para este estudio se ha utilizado una RNA con 20 neuronas en la capa oculta. Las
funciones de transferencia utilizadas son las clásicas en el contexto de las RR.NN.AA.:
sigmoide, hiperbólica tangente y lineal.
1
1
0
0.5
-1
0
Se han probado todas las combinaciones de estas tres funciones en la capa oculta
y la de salida, para un número de 2500 iteraciones, y cada experimento se ha repetido
10 veces para reducir el carácter estocástico del proceso derivado de la inicialización de
los pesos de forma aleatoria. En la gráfica de la Figura 23 se muestra la evolución del
Error Cuadrático Medio (ECM) durante el entrenamiento de la RNA para cada una de
las combinaciones.
Capítulo 4. Resultados en el Área de Construcción 98
0,0100
tan - tan
tan - lin
tan - log
0,0075
log - tan
log - log
log - lin
lin - tan
ECM
0,0050
lin - lin
lin - log
0,0025
0,0000
0 500 1000 1500 2000 2500
iteraciones
0,1
0,014
0,09 Entrenamiento
Entrenamiento
0,012 0,08 Test
Test
0,01 0,07
error medio
0,06
0,008
ECM
0,05
0,006 0,04
0,004 0,03
0,02
0,002
0,01
0 0
tan - tan tan - lin tan - log log - tan log - log log - lin lin - tan lin - lin lin - log tan - tan tan - lin tan - log log - tan log - log log - lin lin - tan lin - lin lin - log
f. de transferencia f. de transferencia
Figura 24. ECM y Error Medio para los patrones de entrenamiento y test.
Capítulo 4. Resultados en el Área de Construcción 99
Las gráficas confirman lo observado en la Figura 23: las funciones lineales en las
neuronas de la capa oculta no son útiles en este caso, mientras que el error en el
entrenamiento es prácticamente el mismo para las redes que utilizan funciones sigmoide
o hiperbólica tangente en la capa oculta. Aplicándolas a los patrones de test, las que
consiguen los niveles de error más bajo son hiperbólica tangente-sigmoide y sigmoide-
sigmoide, siendo esta última la que tiene mayor capacidad de generalización y la
recomendada para la problemática analizada.
0,009 0,08
0,008 0,07
0,007 0,06
0,006
Error medio
0,05 Entrenamiento
0,005 Entrenamiento
ECM
0,04 Test
0,004 Test
0,03
0,003
0,02
0,002
0,01
0,001
0 0
5 10 15 20 25 30 40 50 60 70 80 5 10 15 20 25 30 40 50 60 70 80
Nº de neuronas Nº de neuronas
1) entrada con 7 neuronas, una por variable del problema (incluida ld)
0,008
Entrenamiento
0,007
Test
0,006
0,005
ECM
0,004
0,003
0,002
0,001
0
1000 2000 3000 4000 5000 6000
iteraciones
500
400
300
Reales
200 Predichas
Error
100
0
0 50 100 150 200 250 300
ensayo
Test
600
500
400
300
Reales
200 Predichas
Error
100
0
0 5 10 15 ensayo 20 25 30 35
Figura 27. Tensión de trabajo de las barras real (MPa) vs predicha en entrenamiento y test.
En las figuras anteriores se puede observar que la RNA aproxima de forma muy
fiel tanto los datos del conjunto de entrenamiento como los de salida, siendo el error
siempre menor a 100 MPa. Ordenando de forma creciente todos los valores predichos
(entrenamiento + test) según la tensión real de trabajo de las barras y calculando el
coeficiente de correlación se obtiene otra perspectiva reveladora del grado de ajuste de
la red (ver Figura 28).
Capítulo 4. Resultados en el Área de Construcción 102
Correlación
600
y = 0,8952x + 38,045
500 2
R = 0,9188
400
300
200
Predicha
100
Lineal (Predicha)
0
0 100 200 300 400 500 600
Se ha entrenado una RNA con las mismas características que la utilizada para
predecir la tensión de trabajo de las barras, pero en este caso para determinar la longitud
de anclaje de las barras de acero para una adherencia óptima entre éstas y el hormigón.
Se han realizado 10 pruebas, tomando los valores medios de estas, para disminuir la
componente aleatoria del proceso y se muestran las comparativas entre los resultados
devueltos por la red (predichos) y los reales en las siguientes gráficas, tanto para los
patrones de entrenamiento como para los de test. Los resultados se muestran
desnormalizados y en la magnitud de la longitud de anclaje (mm).
Capítulo 4. Resultados en el Área de Construcción 103
Entrenamiento
2000
1800 Reales
1600 Predichas
longitud de anclaje (mm)
1400 Error
1200
1000
800
600
400
200
0
0 50 100 150 200 250 300
ensayo
Test
1400
Reales
1200
Predichas
longitud de anclaje (mm)
1000 Error
800
600
400
200
0
0 5 10 15 20 25 30 35
ensayo
Correlación
1800
1600 y = 0,9557x + 20,928
R2 = 0,9655
longitud de anclaje (mm)
1400
1200
1000
800
600
400 Predichas
200 Lineal (Predichas)
0
0 500 1000 1500 2000
longitud de anclaje (m m )
Las salidas generadas por la red entrenada presentan un alto nivel de ajuste con
respecto a las reales, incluso para las entradas de validación (error medio de 32.74 mm).
En la Figura 30 se puede observar el excelente coeficiente de correlación (0.97) entre
las longitudes predichas y la real.
A la vista de las gráficas de la Figura 31 se puede observar que los resultados más
ajustados a los reales los consigue la RNA, siendo la norma ACI conservadora en
exceso, aunque a medida que aumenta la longitud de anclaje (uso de hormigones de
mayor resistencia) tiene dificultades para predecir valores seguros, por otra parte, la
propuesta de Zuo, a pesar de ser conservadora, cubre a la ACI a la hora de tratar
hormigones de alta resistencia, y la formulación española es más aproximada,
consiguiendo niveles de error menor que los anteriormente mencionados. Sin embargo,
el Eurocódigo 2 consigue niveles de error más bajos que las restantes fórmulas pero
incurre en numerosos fallos de seguridad.
Capítulo 4. Resultados en el Área de Construcción 105
2000
1800 Reales
1600 RNA
1400 Error
longitud (mm)
1200
1000
800
600
400
200
0
0 50 100 150 200 250 300
ensayos
2500 2500
Real Real
ACI ZUO
2000 2000
longitud de anclaje (mm)
longitud de anclaje (mm)
1500 1500
1000 1000
500 500
0 0
0 50 100 150 200 250 300 0 50 100 150 200 250 300
ensayo ensayo
2500 2500
Real Real
EHE EC2
2000 2000
longitud de anclaje (mm)
1500 1500
1000 1000
500 500
0 0
0 50 100 150 200 250 300 0 50 100 150 200 250 300
ensayo ensayo
Figura 31. Valores reales con RNA y fórmulas ACI, ZUO, EHE y EC2.
4.5.4 Consideraciones.
En esta tesis se ha utilizado una RNA para modelizar fenómenos específicos del
hormigón estructural. En concreto se ha modelizado el comportamiento de la tensión de
trabajo de las barras y la longitud de anclaje en el trabajo conjunto por adherencia de
ambos materiales. Estos dos parámetros son vitales a la hora de garantizar la estabilidad
y la seguridad de la estructura, puesto que fallos en los cálculos de la adherencia
podrían provocar que las barras de acero deslizaran dentro del hormigón, generando el
colapso estructural.
Tabla 5. Resultados de la RNA frente a las normativas para el cálculo de la longitud de anclaje.
En la Figura 32 se muestra el diagrama del proceso que se aplica para obtener las
expresiones matemáticas. Como se puede observar en dicho diagrama, el proceso es
similar al empleado con la RNA, se utiliza la base de datos de ensayos para aplicar un
algoritmo, que en este caso no es el entrenamiento de una RNA, es utilizar el algoritmo
de Programación Genética para obtener una función matemática que relacione las
entradas con la salida deseada (tensión de trabajo de las barras). Posteriormente, se
modificará dicha fórmula para obtener el valor de predicción de la longitud de anclaje.
Capítulo 4. Resultados en el Área de Construcción 110
Fórmula de
Tensión de la longitud
trabajo de de anclaje
las barras
• Porcentaje de Mutaciones: 5 %
• Porcentaje de Cruces: 90 %
• Población: 1500 individuos
• Parsimonia: 0.01. Valor recomendado por Soule [SOUL 97]
para evitar árboles complejos.
• Penalización de seguridad: 0.5 (para obtener expresiones “seguras” intentando
que los valores a predecir sean con margen de
seguridad)
4.6.3 Resultados
Se va a aplicar el sistema de extracción de expresiones a la base de datos
utilizando dos criterios diferentes:
La PG es una técnica muy versátil donde cambiar un solo parámetro puede derivar
en diferentes formas de explorar el espacio de búsqueda y obtener diferentes tipos de
resultados. La aplicación del sistema de extracción, como se ha comentado
anteriormente, se hace en dos direcciones, y se han realizado tres pruebas: la primera y
segunda corresponden con la búsqueda de expresiones simples, que puedan ser
establecidas como normativas, mientras que la tercera intenta realizar una búsqueda en
profundidad, con el objetivo de obtener expresiones algo más complejas pero con un
mejor comportamiento predictivo.
Capítulo 4. Resultados en el Área de Construcción 112
Subtree 1:
Subtree 2:
A partir de este árbol se puede obtener la tensión de trabajo de las barras en forma
de expresión matemática:
f s = 3 Expresión(1) * Expresión(2)
⎛ 0.113 ⎞ ⎛ cs ⎞ ⎛ ld ⎞
Expresión(1) = ⎜ + 0.588 * A ⎟ * ⎜ 0.21 + ⎟ + ⎜ 0.193 + A * ⎟
⎝ db ⎠ ⎝ db ⎠ ⎝ db ⎠
( fc * ld ) * (l d + cp + ( fc * cs ))
Expresión(2) = 2
(d b * 0.588)
Ecuación 25. Mejor individuo obtenido GP3.
Capítulo 4. Resultados en el Área de Construcción 116
500
400
300
200
y = 0,7617x + 84,25
100 R2 = 0,7363
0
0 100 200 300 400 500 600
Los valores de ajuste son altos, obteniendo bajos niveles de error con respecto a
los valores obtenidos en ensayos de laboratorio. Cabe destacar el hecho de que los
niveles de ajuste son similares tanto para los patrones ya conocidos por el algoritmo
(entrenamiento) y los de test, lo que indica que la fórmula obtenida tiene un alto
comportamiento de generalización.
Capítulo 4. Resultados en el Área de Construcción 117
Como se puede observar en los puntos precedentes, las tres soluciones son
capaces de predecir la tensión de trabajo de las barras de forma satisfactoria. La
siguiente tabla muestra la comparativa entre ellas.
Expresión GP1 GP2 GP3
fs (MPa) Entrenamiento Test Entrenamiento Test Entrenamiento Test
Error Medio 42.581 40.288 49.717 44.982 37.202 38.109
Error Cuadrático Medio 3.186 9.089 3.657 11.130 2.820 8.391
Puntos de demérito 120 106 84
Coeficiente de seguridad 61.91% 66.35% 73.72%
Las siguientes gráficas muestran de forma visual la comparativa entre las tres
expresiones, mostrando para cada una de ellas el ajuste sobre los valores reales de
tensión de trabajo de las barras.
Figura 37. Predicción de la expresión obtenida GP1 y valores reales (MPa) de entrenamiento.
Capítulo 4. Resultados en el Área de Construcción 118
Figura 38. Predicción de la expresión obtenida GP2 y valores reales (MPa) de entrenamiento.
Figura 39. Predicción de la expresión obtenida GP3 y valores reales (MPa) de entrenamiento.
Adherencia (MPa)
600
500
400
Real
300
GP1
200 Error
100
0
0 5 10 15 20 25 30 35
Número de Ensayo
Figura 40. Predicción de la expresión obtenida GP1 y valores reales (MPa) de test.
Adherencia (MPa)
600
500
400
300 Real
GP2
200
Error
100
0
0 5 10 15 20 25 30 35
Número de Ensayo
Figura 41. Predicción de la expresión obtenida GP2 y valores reales (MPa) de test.
Adherencia (MPa)
600
500
400
300 Real
GP3
200 Error
100
0
0 5 10 15 20 25 30 35
Número de Ensayo
Figura 42. Predicción de la expresión obtenida GP3 y valores reales (MPa) de test.
Capítulo 4. Resultados en el Área de Construcción 120
Real
2000 GP1
Error
1500
1000
500
0
0 50 100 150 200 250 300
Número de Ensayo
Figura 43. Predicción de la expresión obtenida GP1 y valores reales (entrenamiento + test).
Capítulo 4. Resultados en el Área de Construcción 121
Real
2000 GP2
Error
1500
1000
500
0
0 50 100 150 200 250 300
Número de Ensayo
Figura 44. Predicción de la expresión obtenida GP2 y valores reales (entrenamiento + test).
Real
2000 GP3
Error
1500
1000
500
0
0 50 100 150 200 250 300
Número de Ensayo
Figura 45. Predicción de la expresión obtenida GP3 y valores reales (entrenamiento + test).
2500
Real
GP3
2000
longitud de anclaje (mm)
1500
1000
500
0
0 50 100 150 200 250 300
ensayo
2500 2500
Real Real
ACI ZUO
2000 2000
longitud de anclaje (mm)
longitud de anclaje (mm)
1500 1500
1000 1000
500 500
0 0
0 50 100 150 200 250 300 0 50 100 150 200 250 300
ensayo ensayo
2500 2500
Real Real
EHE EC2
2000 2000
longitud de anclaje (mm)
1500 1500
1000 1000
500 500
0 0
0 50 100 150 200 250 300 0 50 100 150 200 250 300
ensayo ensayo
Figura 47. Longitud de anclaje que predicen las formulaciones de ACI, Zuo, EHE y EC2.
Capítulo 4. Resultados en el Área de Construcción 123
Aparte de este hecho, los niveles de seguridad son altos, al estar la mayoría de las
predicciones realizadas por encima de los valores reales, siendo este un punto positivo
con respecto a la norma europea, ya que, tal como se puede apreciar en la gráfica de la
fórmula EC2, la mayoría de las predicciones son inseguras, con valores inferiores a los
reales.
4.6.4 Consideraciones
Partiendo de un conjunto de ensayos extenso, se ha obtenido una expresión que
predice a un nivel alto el comportamiento de la adherencia hormigón-acero en el
hormigón estructural. Al utilizar PG, debido a la codificación en árbol de los individuos,
la expresión se puede manipular para obtener una fórmula relacionando la tensión de
trabajo de las barras y la longitud de anclaje, susceptible de compararse con las
normativas nacionales e internacionales existentes.
Tal como se ha indicado, a partir de esta expresión, se puede obtener una fórmula
para determinar la longitud de anclaje, problema que en la actualidad es difícilmente
abordable debido a que influyen muchas variables distintas. La fórmula obtenida
Capítulo 4. Resultados en el Área de Construcción 124
La fórmula inducida se ha comparado con estas otras normativas sobre una base
de datos experimental, en la que se cuenta con ensayos sobre hormigones de alta
resistencia. De estas comparativas se deduce que la expresión genética es la que un
mejor comportamiento.
Modelo EM ECM
RNA 28.405 2.141
GP3 37.202 2.820
K* 40.193 3.212
M5Rules 40.532 2.948
GP1 42.581 3.186
Bagging 44.882 3.439
Decision Tables 46.636 3.723
IB1 47.619 3.972
Pace Regression 48.630 3.546
GP2 49.717 3.657
LMSQ 49.900 3.693
Linear Regression M5 50.648 3.602
SMO Reg 50.707 3.625
RepTree 52.705 4.097
M5P 56.697 4.294
LWL Decission Stump 58.087 4.452
Simple Linear Regression 71.097 5.119
Conjunctive 71.430 5.342
RBF 74.094 5.314
ZeroR 76.325 5.485
En cuanto a las técnicas empleadas para obtener esta tabla comparativa (Tabla
10), cabe resaltar que ninguna de ellas (excepto las desarrolladas en esta tesis – RNA,
GP1, GP2 y GP3) controlan el coeficiente de seguridad de los resultados producidos,
siendo en todos ellos cercano al 50%.
Cabe resaltar, además, que muchas de estas técnicas se comportarían, al igual que
la RNA, como un sistema de caja negra, no aportando al usuario final ninguna
información adicional ni posibilidad de manipulación alguna sobre la técnica empleada.
Capítulo 4. Resultados en el Área de Construcción 127
Tabla 11. Comparación entre las dos propuestas con las normativas existentes.
2500
2000
Real
1800 Real
Longitude de anclaje (mm)
PG
1400 Error
longitud de anclaje (mm)
1200 1500
1000
800
1000
600
400
200 500
0
0 50 100 150 200 250 300
0
ensayo
0 50 100 150 200 250 300
1400 1400
1200
1200
1000
1000
800
800
600
400 Predichas 600
2000 2000
y = 0.2912x + 548.1 y = 0.6927x + 364.49
1800 R2 = 0.0876 1800 R2 = 0.231
1600 1600
1400 1400
1200 1200
1000 1000
800 800
600 600
400 400
ACI ZUO
200 200
Correlación Correlación
0 0
0 200 400 600 800 1000 1200 1400 1600 1800 2000 0 200 400 600 800 1000 1200 1400 1600 1800 2000
2000 2000
y = 0.6548x + 246.22 y = 0.3576x + 241.06
1800 R 2 = 0.2162 1800 R2 = 0.2372
1600 1600
1400 1400
1200 1200
1000 1000
800 800
600 600
400 400
EHE EC2
200 Correlación 200
Correlación
0 0
0 200 400 600 800 1000 1200 1400 1600 1800 2000 0 200 400 600 800 1000 1200 1400 1600 1800 2000
Los ingenieros, cuando deciden aplicar la norma (EC2 por ejemplo) suelen
multiplicar el valor obtenido por un factor mayor que uno que representa el coeficiente
Capítulo 4. Resultados en el Área de Construcción 129
Dicho popular
CAPÍTULO
5 RESULTADOS EN EL ÁREA DE HIDROLOGÍA
5.1 Introducción
La hidrología es la ciencia que estudia el ciclo hidrológico en su conjunto y la
disponibilidad y distribución del agua sobre la Tierra, siendo, en la actualidad una parte
fundamental de los proyectos de ingeniería en suministro de agua, drenaje, protección
contra la acción de ríos, etc. El conocimiento del comportamiento hidrológico de un río,
arroyo o lago es fundamental para poder establecer áreas vulnerables a posibles eventos.
Se puede definir una cuenca fluvial como un área drenada por ríos y afluentes, y la
escorrentía es la cantidad de lluvia que discurre por la superficie del terreno hasta
alcanzar dichos ríos o afluentes. Sin, embargo, la hidrología no sólo abarca las cuencas
fluviales, también las denominadas cuencas urbanas, donde los arroyos y los ríos son
reemplazados por un sistema de alcantarillado y saneamiento. Una cuenca urbana, a
diferencia de la rural, puede estar influenciada por los patrones de consumo de agua de
los habitantes de la ciudad.
Capítulo 5. Resultados en el Área de Hidrología 132
Los elementos básicos que se pueden identificar en una cuenca urbana son:
cuenca de aportación, redes de alcantarillado (pluvial o residual), estación de
depuración de aguas residuales (EDAR) y masas de agua receptoras.
Los dos tipos de redes de alcantarillado más habituales que se encuentran en los
sistemas de saneamiento son las unitarias y las separativas. Una red de alcantarillado
unitaria transporta aguas residuales en tiempo seco, y aguas residuales y pluviales
mezcladas en tiempo de lluvia; mientras que una red de alcantarillado separativa tiene
conducciones independientes para las aguas residuales y para las aguas pluviales.
En redes unitarias las interacciones entre los principales componentes del sistema
son más importantes que en los sistemas separativos. En tiempo de lluvia las redes
unitarias deben transportar, además de las aguas residuales de tiempo seco las aguas de
escorrentía superficial.
debe tener una proporción con el nivel de daños que genera el fallo. No se puede valorar
de igual manera el riesgo de que un puente se vea anegado por una avenida, con un
riesgo alto de colapso de la estructura, que el riesgo de que un colector no tenga
capacidad, en cuyo caso el agua drenará parcialmente por superficie. Esta disfunción,
sin ser deseable, tiene en general unos efectos menores que otras, como las citadas,
cuyos efectos son catastróficos.
CAUDAL
TIEMPO
Figura 51. Hidrograma Unitario.
La estimación de los parámetros (Kn por ejemplo) es compleja y sujeta a una gran
incertidumbre. Quizás la intención de dar un sentido físico a los parámetros no está en
la naturaleza de los hidrogramas unitarios, aunque para evaluarlos sea de verdad
necesario tener en cuenta las variables geométricas e hidráulicas. No es extraño que un
parámetro de un hidrograma unitario necesite una lista de variables físicas complicadas,
obtenidas por medio de una serie de experimentos o mediciones en campo (como
ejemplo se pueden citar los modelos implementados en Hydroworks (2005) [INFO 07],
el modelo para la constante de tiempo Kn del HU de Nash, o los métodos incluidos en
Viessman et al. [VIES 89]). El parámetro obtenido no tiene un sentido físico concreto, y
la relación obtenida, que no viene de un análisis dimensional, no es nada más que el
mejor ajuste a un problema que no parece tener una única solución aplicable a cualquier
cuenca, debido al número de variables en juego.
Aunque estos son los modelos más comúnmente usados y que están basados en
las ecuaciones de Saint-Vennant o en algunas versiones simplificadas de ellas, entre las
que destacan la aplicación de las ecuaciones de la onda cinemática o formulaciones de
carácter similar (como las usadas en el módulo RUNOFF del modelo SWMM [HUBE
92], que se usa frecuentemente, tanto a nivel nacional como internacional).
para la posible conexión con otras estructuras aguas abajo como tanques de retención,
tanques de inundación, tanques de primer lavado, etc. que se encuentren aguas abajo.
Tanto en los modelos basados en el hidrograma unitario como en los modelos que
reproducen ecuaciones hidráulicas, existe una base conceptual, o al menos una
estructura a priori, de modo que el método de cómputo sea predeterminado para
producir una solución específica (caudal), ante la presencia de un pulso específico
(lluvia caída). La esencia misma del método del hidrograma unitario está basada en la
asignación de una forma a partir de una excitación específica. Esta forma básica es la
estructura a priori, e implica una atenuación, un tránsito, una respuesta retardada a una
acción específica y una relación entre los pulsos (pico a pico). Las ecuaciones de Saint-
Vennant obviamente también incluyen una estructura, aunque mucho más estricta que la
anterior, ya que las ecuaciones tienen una mayor base física.
Capítulo 5. Resultados en el Área de Hidrología 143
Existe otro tipo de métodos de predicción que no tienen base conceptual y que no
intentan parametrizar la cuenca. Sólo intentan producir una formulación que puede ser
utilizada como herramienta de predicción. Podrían ser considerados como parte de los
métodos basados en el hidrograma unitario, sin embargo, en este caso, los datos
empíricos no sólo proporcionan los parámetros sino la propia estructura de las fórmulas
obtenidas.
medioambiental. El río Zadorra, afluente del río del Ebro, es el río que pasa próximo a
la ciudad.
Lluvia (mm)
Tiempo (días)
Como se puede observar, existe un cierto caudal base de carácter cíclico que no se
puede considerar insignificante y que se puede asociar al consumo diario de los
habitantes de la ciudad. El primer paso debería ser el discriminar este caudal diario del
caudal debido a los eventos de lluvia, y este proceso es el que se aplicará en la
modelización de este sistema.
En una cuenca urbana, la señal de caudal tiene dos causas diferentes, es decir, se
puede descomponer en dos señales diferentes, una representando el comportamiento del
agua residual generada por los habitantes de la ciudad, y el otro es el producido por la
lluvia caída (ver Figura 56). Entonces el sistema se puede dividir en dos partes:
2.5
1.5
Caudal diario
1
0.5
Figura 56. Caudal producido por el flujo diario y el causado por la lluvia.
0.32
comida cena desayuno
0.3
0.28
0.26
0.24
0.22
0.2
noche
0.18
15:00 50 19:10100 23:20150 3:30 200 7:40250 11:50
Figura 58. Hidrograma que se utiliza para el proceso de entrenamiento – 5426 datos.
del martes, etc). Otro tipo de error es debido a la lluvia porque el caudal debido a
consumo humano también depende de la lluvia, es decir, cuando llueve habrá más
consumo porque la gente tenderá a estar más en casa. Este tipo de errores son difíciles
de controlar y que habrá que asumir pues el porcentaje que afectará al resultado final
tenderá a ser bajo.
5.4.1.1 Mediante PG
constante π ayudan debido a que la señal modelizada en este estudio tiene una
naturaleza periódica.
Con las aparentes ventajas del uso de las funciones y de la constante π , se han
estudiado empíricamente diferentes configuraciones empleando distintos ratios de cruce
y mutación con diversos tamaños de población. Obteniendo que la siguiente
configuración produce los mejores resultados:
⎛ ⎛ ⎞⎞
⎜ ⎜ ⎟⎟
1 ⎜ sin(− 0.0225 ⋅ (x + 2π )) + 0.9992
cos cos⎜ + 0.97747 ⎟ ⎟
π ⎜ ⎜ 3.02673244 ⎟⎟
⎜ ⎜ cos(0.02996 ⋅ (cos(0.0247 ⋅ (x + π )) + cos(0.0247 ⋅ x ) + x − 0.89227)) ⎟⎟
⎝ ⎝ ⎠⎠
Ecuación 27. Mejor Individuo
---- Predicción de PG
Media de caudal diario
Cabe resaltar que, actualmente, no existe ninguna expresión analítica para poder
predecir la curva diaria de consumo de los habitantes. Esta depende de un conjunto
variado de factores en el empleo del agua, por ejemplo la actividad comercial o
Capítulo 5. Resultados en el Área de Hidrología 155
industrial del lugar, comportamiento de los habitantes, etc. En general, habrá una curva
formada por valores altos que representan el día y unos valores bajos que representan la
noche. Es mejor suavizar el ajuste del caudal diario para evitar las posibles
fluctuaciones de caudales dependientes de circunstancias externas.
Xn
Xn-1
X n+1
Xn-2
.
.
.
Xn-L
Para elegir la longitud de la ventana se han hecho varias pruebas, así como se han
probado diferentes arquitecturas de RNA probando diferentes funciones de activación
(lineal, hiperbólica tangente, sigmoide). Para cada combinación de tamaño de ventana y
función de activación se han realizado 20 ejecuciones independientes. Los resultados se
pueden observar en la Figura 64, los cuales muestran que el tamaño de la ventana no
tiene excesiva influencia y la mejor función de activación es la hiperbólica tangente con
una ventana temporal (L) de 14.
Como se puede observar, los valores que se obtienen del test se acercan más al
comportamiento del promedio diario manteniendo el comportamiento de evitar los
cambios bruscos y, por consiguiente, con buena capacidad de generalización. Por lo
tanto, se puede considerar que esta técnica produce mejores resultados, para esta
modelización, que la PG, aunque no se obtiene una expresión matemática del proceso
como es capaz de producir la técnica anterior.
Capítulo 5. Resultados en el Área de Hidrología 157
0.00 Mutaciones
0 5 10 15 20 25 30 %
Figura 62. Comparaciones entre los parámetros del AG para el entrenamiento de RNA.
0.06
0.0512
0.05
Ajuste en 1000 generaciones
0.04
0.03
0.02
0.0151
0.0095
0.01 0.0073
0.0052
0
100 250 500 750 1000
Individuos de la población
Figura 63. Comparaciones entre ratios de cruce, mutaciones y tamaños de población del AG.
7 Sigmoide
ECM*10-4
Lineal
6 Mejor Resultado
Hiperbólica Tangente
0 Ventana
5 6 7 8 9 10 11 12 13 14 15 16 17
EM
Fórmula Genética 0.0220
RNA 0.0048
Usualmente, en hidrología, estas dos señales (lluvia caída y caudal producido por
la lluvia) se pueden modelizar con una relación mediante una función de transferencia
que se denomina hidrograma unitario. Este hidrograma unitario actúa como una
respuesta al estímulo que produce la señal de lluvia caída. Esto puede ser expresado en
términos de expresiones matemáticas.
Para esta tarea, se van a aplicar tres métodos diferentes y se va a analizar cual de
ellos produce los mejores resultados. Los métodos a aplicar son los siguientes:
¾ Programación Genética
2.5 2
2
1.5
1.5
1
1
0.5
0.5
0 0
1.5
0.5
Figura 66. Señal de caudal que se utiliza para el proceso de entrenamiento – 5426 datos.
3.5
3
2.5
2
1.5
1
0.5
Figura 67. Señal del pluviómetro (fichero de entrada para el test – 250 puntos).
1.2
0.8
0.6
0.4
0.2
0
0 50 100 150 200 250
Figura 68. Señal del caudal (Fichero de entrada para el test – 250 puntos).
pasados indispensables para que la RNA pueda funcionar correctamente. Esto se puede
hacer observando el retardo temporal (y por consiguiente el número de valores pasados)
que existe entre un evento de lluvia y el inicio del aumento de caudal que produce.
Otra alternativa es el uso de una RNA con arquitectura recurrente. En este caso, el
propio proceso de entrenamiento conlleva la identificación de este retardo que se
incluye internamente en la RNAR final. Esta alternativa posee como ventaja el hecho de
que si existen diferentes valores de retardo en diferentes eventos de lluvia, la RNAR
puede adecuarse a todos o a gran parte de ellos para producir un mejor ajuste final.
Además, desde el punto de vista del propio usuario, es más cómoda esta última técnica
puesto que no necesita identificar dicho retardo.
A continuación se probarán estas dos estrategias entrenando una RNAR para cada
una de ellas y se observará dicho comportamiento.
Matriz K:
0.404
0.638
0.896
1.2
Flow
Caudalrate
1 RANN prediction
Predicción de la RNAR
Error
Error
0.8
0.6
0.4
0.2
2 3
1.2 Caudal
Predicción de la RNAR
1
Error
0.8
0.6
0.4
0.2
Datos de
2 3
Caudal (Qt-1)
1.2 Caudal
Predicción de la RNAR
1
Error
0.8
0.6
0.4
0.2
Neuronas Función de
EM ECM
por Capa Activación
7-2-1 Hip. Tg. 0.0175 0.00025
7-3-1 Hip. Tg. 0.0125 0.00018
7-4-1 Hip. Tg. 0.0101 0.00013
7-5-1 Hip. Tg. 0.0125 0.00013
7-6-1 Hip. Tg. 0.0126 0.00013
7-4-1 Sigmoide 0.0351 0.00147
7-4-1 Lineal 0.0175 0.00018
7-4-2-1 Sigmoide 0.0175 0.00018
7-4-2-1 Lineal 0.0408 0.00231
7-4-2-1 Hip. Tg. 0.0416 0.00214
Q n-1
Pn
Qn
Pn-1
.
.
.
Pn-5
1.2 Caudal
Predicción de la RNAR
1
Error
0.8
0.6
0.4
0.2
Figura 76. Caudal y predicción de la RNA con ventana temporal (fichero de test).
A diferencia del caso anterior (mediante una RNA), ahora se va aplicar una
técnica del área de la Computación Evolutiva, denominada Programación Genética. En
el capítulo 2 de la presente tesis se muestra en detalle los fundamentos de esta técnica.
Mediante la PG, además de poder aportar una solución al problema, al igual que una
Capítulo 5. Resultados en el Área de Hidrología 169
RNA, se consigue una fórmula matemática, lo cual supone disponer de una valiosa
información adicional de la solución.
Funciones: +, *, -, /
Aunque el ajuste obtenido es incluso mejor que los valores obtenidos por la mejor
RNAR, pero no que la RNA con ventana temporal, la expresión obtenida es compleja.
Aumentando la penalización (valor de parsimonia de 0.0005) se obtiene una expresión
más reducida, con un EM de 0.0124 y un ECM de 0.00064, y más interpretable desde el
punto de vista del ingeniero civil. Esta expresión puede observarse en la Ecuación 29.
1.2 Caudal
Predicción de la PG
1
Error
0.8
0.6
0.4
0.2
Sin embargo, el sistema, al igual que en la RNA, precisa para obtener un ajuste
bueno la información de caudal real en el instante de tiempo anterior, por lo que las
predicciones a largo plazo, al realimentar su salida, perderán capacidad de ajuste.
Además, se precisa determinar el tamaño de la ventana temporal para componer el
fichero de entradas.
a)
b)
c)
Figura 78. a) Señales de pluviómetro y de caudal de escorrentía generado b) filtro electrónico pasa
banda (filtro pasa alto más filtro pasa bajo) c) simulación de un filtro electrónico ante un pulso.
Capítulo 5. Resultados en el Área de Hidrología 173
− k i ⋅n
∑c ⋅e
i
i
lluvia (n)
h(n)
caudal (n)
Esta expresión modeliza un filtro entre señales, es decir, una transformación que a
partir de una señal de entrada (que en este caso será el nivel de lluvia) genera una señal
de salida (en este caso el caudal), y dicha transformación viene caracterizada por una
señal h(n), que tiene dicha forma [RABU 06].
Este será un sistema discreto, y como tal la relación de las señales se plasma en
una ecuación en diferencias del estilo:
M N
∑ bi ⋅ y(n − i) = ∑ ai ⋅ x(n − i)
i =0 i =0
Ecuación 31. Relación entre las 2 señales (lluvia y caudal) a modelizar en un sistema discreto.
donde x(n) es la señal de entrada (lluvia), y(n) es la señal de salida (caudal que predice)
y los bi y ai son las constantes que relacionan las muestras desplazadas de la entrada y la
salida. M representa el número de muestras del pasado de la salida generada que se
utilizan, y N representa el número de muestras del pasado de la entrada que se utilizan
para generar la salida. Por lo tanto, al desarrollarlo de esta manera, el sistema es capaz
de determinar por sí mismo la cantidad de información pasada que precisa para
modelizar correctamente la relación entre ambas señales. Sin embargo, a diferencia de
las otras estrategias utilizadas donde la información pasada que se introducía era el
valor del caudal en el instante anterior (como entrada adicional al sistema), en este caso,
Capítulo 5. Resultados en el Área de Hidrología 174
esa entrada no existe, la única información pasada de la que puede disponer el algoritmo
es la relacionada con la pluviometría. Sin embargo, el sistema puede utilizar como
realimentación el valor de caudal que predice en el instante anterior.
y por tanto
El árbol que genera la PG y que produce los mejores resultados se puede observar
en la Figura 81.
0.12
0.1
0.08
0.06
0.04
0.02
0
5 10 15 20
y(n) = 0.0347⋅ x + 0.0386⋅ x(n − 1) + 0.0337⋅ x(n − 2) + 0.0018⋅ x(n − 3) + 0.0005⋅ x(n − 4)
+1.3507⋅ y(n − 1) − 0.8578⋅ y(n − 2) + 0.4293⋅ y(n − 3) − 0.1109⋅ y(n − 4)
1.2 Flow
Caudalrate
GP prediction
Predicción PG
1
Error
Error
0.8
0.6
0.4
0.2
Un modelo tradicional para resolver este problema sería, por ejemplo, el método
Soil Conservation Service (SCS) Unit Hydrograph. Es decir, el análisis de la respuesta a
través de los datos del impulso unitario, la respuesta que el sistema daría a 1 mm de
agua caída. Se podrían utilizar modelos basados en ecuaciones hidráulicas, mucho más
complejos y con un coste en tiempo de trabajo de un orden de magnitud muy distinto al
que aquí se plantea. Para la estimación de los parámetros se utiliza datos reales de la
cuenca usando el modelo HEC-HMS. Este no es el mejor hidrograma unitario para este
tipo de aplicación, y de hecho su uso en cuencas urbanas no es estrictamente correcto,
pero es ampliamente utilizado por los ingenieros debido a su simplicidad. Aunque los
resultados que produce no son óptimos, debido a que no está pensado para las cuencas
urbanas, se incluye como comparativa e indicativo de que no se deben utilizar los
modelos sin la consideración de sus limitaciones intrínsecas.
software no dispone de las utilidades necesarias para llevarlo a cabo, por lo que se
utiliza la RNA diseñada anteriormente. En cuanto a los parámetros se utiliza el método
de transformación “SCS Unit Hydrograph” sin método de cálculo del caudal base y sin
método de cálculo de pérdidas. Se introduce el área de la cuenca y el “lag time” (tiempo
que transcurre desde el centro de gravedad de la P neta hasta la punta del hidrograma,
valor que depende del tiempo de concentración y que es tlag=0.6 * tconcentración). Como el
tiempo de concentración es de 30 minutos, el valor de “lag time” es 18.
Figura 84. Simulación con el software HEC-HMS el método SCS Unit Hydrograph (fichero de test).
Capítulo 5. Resultados en el Área de Hidrología 179
1.2 Caudal
Predicción SCS Unit Hydrograph
1
Error
0.8
0.6
0.4
0.2
Figura 85. Caudal y predicción empleando el método SCS Unit Hydrograph (fichero de test).
0.14
0.14 0.14
0.12
d) 0.12 e) 0.12 f)
0.10
0.10 0.10
0.08 0.08
0.08
0.06 0.06 0.06
Figura 86. Métodos empleados: a) RNA con ventana temporal, b) RNAR 2(Pt), c) RNAR 3(Pt,Qt-1),
d) Ecuación 3 de PG, e) Filtros PG, f) SCS Hidrograma Unitario.
RNA con ventana temporal), y en todos los casos mejor que el método tradicional del
Hidrograma Unitario SCS.
Predicción de
caudal diario
Hora RNA
H(z)
+ Predicción
de caudal
Pluviómetro PG
o Predicción de
caudal por lluvia
Caudal + RNA
2.5 M3/s
Caudal
Predicción
2 Error
1.5
0.5
5.5 Consideraciones
Como se puede observar en los resultados obtenidos, la predicción de caudal del
sistema utilizando técnicas de Inteligencia Artificial aproxima de forma satisfactoria los
caudales reales, mejorando los modelos clásicos de hidrología y permite automatizar
todo el proceso.
Uno de los aspectos que hacen mejorar los resultados con respecto a los modelos
clásicos es el hecho de modelizar el caudal diario debido a los habitantes de la ciudad.
Hecho este, que los modelos clásicos no tienen en cuenta, y que en el sistema aquí
presentado se realiza utilizando una RNA donde como entrada es la hora de la medida
tomada, y la salida que produce es la predicción de caudal de agua que la red de
saneamiento recibirá debido a los ciudadanos. Para la aplicación del modelo de
hidrología SCS HU se ha necesitado la RNA para el tratamiento del caudal residual
urbano que se incorpora dentro del modelo como caudal base.
En cuanto a las diferentes técnicas empleadas se tiene que utilizando una RNA
recurrente se pueden obtener buenos resultados de una forma automática y sin
necesidad de conocer información adicional acerca de la cuenca (como el tiempo de
concentración), simplemente a partir de información experimental de patrones lluvia-
caudal de escorrentía se puede generar un modelo de predicción entrenando una RNAR
como las presentadas en esta tesis. En cuanto a una RNA alimentada sólo hacia delante,
se pueden mejorar los resultados con respecto a la anterior si se incorpora el valor real
de caudal anterior y una ventana temporal de información pluviométrica (de tamaño
igual al tiempo de concentración de la cuenca). Con esta aproximación, el proceso de
Capítulo 5. Resultados en el Área de Hidrología 184
Como conclusión final, según los resultados mostrados, se obtiene que el sistema
que mejores resultados produce es un sistema híbrido que combina una RNA
alimentada sólo hacia delante para la predicción del caudal diario y la PG con técnica de
filtros para la predicción de caudal de escorrentía derivado de eventos de lluvia.
“Que algo no funcione como tú
esperabas no quiere decir que sea
inútil.”
Thomas A. Edison
CAPÍTULO
6 CONCLUSIONES
Uno de los aspectos que hacen mejorar los resultados con respecto a los modelos
clásicos es el hecho de modelizar el caudal diario debido a los habitantes de la ciudad,
que en el sistema aquí presentado se realiza utilizando una RNA donde como entrada de
la misma es la hora, y la salida que produce es la predicción de caudal de agua que la
red de saneamiento recibirá debido a los ciudadanos en ese instante temporal del día.
Capítulo 6. Conclusiones 189
Como conclusión final se puede exponer que el uso de métodos de predicción que
no están basados en ecuaciones físicas, como las RR.NN.AA. y la Computación
Evolutiva, están tomando un importante auge en el campo de la ingeniería civil, y los
procesos tratados en concreto en esta tesis son aptos para este tipo de técnicas. Los
métodos basados en Inteligencia Artificial permiten sistematizar la información de
campo para tener capacidad predictiva. Dado un fenómeno sobre el que se ha trabajado
(se ha instrumentado y se ha medido), se puede llegar a una formulación sólida que
permita explicar la dinámica del mismo.
Carl Sagan
CAPÍTULO
7 FUTUROS DESARROLLOS
el caso particular a aplicar, por lo que se debe continuar en esta línea y desarrollar o
mejorar esta técnica de modelización adaptándola a cada caso particular. De esta forma,
se podrá descubrir el auténtico potencial que esta técnica de la Inteligencia Artificial
permite en los diferentes ámbitos de la Ingeniería Civil.
Otro punto importante, dentro del área de la hidrología, y relativo al caso expuesto
en la presente tesis, sería, al igual que en la situación anterior, poder incorporar dentro
del propio algoritmo las formulaciones existentes en el área para este tipo de problemas,
pudiendo, por ejemplo, incluir las ecuaciones de Saint-Vennant, o parte de ellas. De esta
forma el algoritmo se acercaría mucho más al ámbito conceptual que al de caja negra,
favoreciendo la interpretación final de los resultados por parte del ingeniero.
Ana Frank
CAPÍTULO
8 BIBLIOGRAFÍA
[AAFJ 97] Aafjes, J., Hendriks, L.J., Verberne, A.J., Vingerhoeds, R.A. Voorspellen
van het drinkwaterverbruik met een neuraal netwerk.. H2O vol. 30. Nº
15, pág. 484-487, 1997.
[ABRA 13] Abrams D. A.: Tests of Bond Between Concrete and Steel. University of
Illinois Bulletin n. 71, University of Illinois, 1913.
[ACI 99] ACI (American Concrete Institute). ACI Building Code Requirements
for Reinforced Concrete. ACI 318-99, 1999.
[AGUI 98] Aguiar H.C., Maciel R., “Modeling and optimization of pulp and paper
process using neural networks”, Comp.Chem.Eng., vol. 22, pág. 981-984
1998.
Capítulo 8. Bibliografía 196
[AGUI 99] Aguirre H.E., Tanaka K., Sugimura T.: “Cooperative crossover and
mutation operators in genetic algorithms”, Proceedings of the Genetic
and Evolutionary Computation Conference, GECCO-99, Morgan
Kaufmann, pág. 772, Orlando, Florida, 1999.
[ALTI 98] Altissimi R.: “Optimal operation of a separation plant using artificial
neural networks”, Comp.Chem.Eng., vol. 22, pág. 939-942, 1998.
[ANGE 96] Angeline P.J.: “Two self-adaptive Crossover Operators for Genetic
Programming”, Advances in Genetic Programming 2, MIT Press, pág.
89-110. Cambridge, MA, USA, 1996.
[ATIY 99] Atiya A., El-Shoura S., Shaheen S., and El-Sherif M. A comparison
between neural-network forecasting techniques. Case study: River flow
forecasting. IEEE Transactions on Neural Networks, vol. 10, pág. 402-
409, 1999.
[BÄCK 00] Bäck T., Fogel D.B., Michalewicz Z.: “Evolutionary Computation”,
Institute of Physics Publishers, 2000.
[BAKE 87] Baker J.E.: “Reducing Bias and Inefficiency in the Selection Algorithm.
Genetic Algorithms and their Applications”, Proceedings of the Second
International Conference on Genetic Algorithms, Lawrence Erlbaum
Associates, pág. 14-22, Hillsdale, New Jersey, 1987.
[BLOC 97] Bloch G.: “Neural intelligent control for a steel plant”, IEEE Trans.
Neural Networks, vol. 8(4), pág. 910-917, 1997.
Capítulo 8. Bibliografía 197
[BOWD 03] Bowden G.J., Dandy G.C., Maier H.R. Data transformation for neural
network models in water resources applications. Journal of
Hydroinformatics. 5(4), pág. 245-258. 2003.
[BRIN 81] Brindle A.: “Genetic Algorithms for Function Optimization”, Tesis,
Universidad de Alberta, 1981.
[BURK 60] Burks A. W.: “Computation, behavior and structure in fixed and growing
automata”, Yovits M.C., Cameron S. editors, Self-Organizing Systems,
Pergamon Press, pag. 282-309, New York, 1960.
[CANC 02] Cancelliere A., Giuliano G., Ancarani A., Rossi G. “A neural networks
approach for deriving irrigation reservoir operating rules”. Water
Resources Management. Vol. 16, pág. 71 – 88. 2002.
[CHIN 55] Chinn J., Ferguson P.M., Thompson J.N. Lapped Splices in Reinforced
Concrete Beams, ACI Journal 52(15), pág. 201-213, Detroit, 1955.
[CRAM 85] Cramer N.L.: “A Representation for the Adaptive Generation of Simple
Sequencial Programs”, Grefenstette J.J. editor, Proceedings of the First
International Conference on Genetic Algorithms and Their Applications,
Lawrence Erlbaum Associates, pág. 183-187, Hillsdale, New Jersey,
1985.
[CVET 99] Cvetkovic, D., Parmee, I.C.: Genetic algorithms based systems for
conceptual engineering design. Proceedings of the 12th International
Conference on Engineering Design ICED'99, volume 2, 1035-1038,
München, Germany, 1999.
[DARW 59] Darwin C. “On the origin of species by means of natural selection or the
preservation of favoured races in the struggle for life”. Cambridge
University Press, Cambridge, UK, sixth edition, 1864, originally
published in 1859.
[DARW 96] D. Darwin, Zuo Z., Tholen M.L., Idun E.K. “Development length criteria
for conventional and high relative rib-area reinforcing bars”. ACI
Structural Journal, 93(3), pág. 347-359. 1996.
[DEJO 75] De Jong A.K.: “An Analysis of the Behavior of a Class of Genetic
Adaptive Systems”, Tesis, Universidad de Michigan, 1975.
[DEMU 94] Demuth, H., Beale M.: “Neural network toolbox. User’s guide”, The
MathWorks Inc., 1994.
[DEVR 91] DeVries R.A., Moehle J.P., Hester W. Lap Splice Strength of Plain and
Epoxy-Coated Reinforcement. Report No. UCB/SEMM-91/02,
University of California, Berkeley, California, 1991.
Capítulo 8. Bibliografía 199
[DIBI 99] Dibike Y. B., Solomatine D., Abbott M. “On the encapsulation of
numerical hydraulic models in artificial neural network”. Journal of
Hydraulic Research. Vol. 37, pág. 147 – 161. 1999.
[DORA 02] Dorado, J., Rabuñal, J. R., Puertas, J., Santos, A., Rivero, D.: Prediction
and Modelling of the Flow of a Typical Urban Basin Through Genetic
Programming. Applications of Evolutionary Computing, Proceedings of
EvoWorshops 2002: EvoCOP, AvoIASP, EvoSTIM/EvoPLAN. 2002.
[FARA 98] Faraway J., Chatfield, C. Time series forecasting with neural networks: a
comparative study using the airline data. Journal of Applied Statistics.
Vol. 47, pág. 231-250. 1998.
[FERG 65a] Ferguson P.M., Breen J.E. Lapped Splices for High Strength Reinforcing
Bars. ACI-Journal, pág. 1063-1078, Detroit, 1965.
[FERG 65b] Ferguson P.M., Breen J.E., Thompson J.N. Pull-Out Tests on High
Strength Reinforcing Bars. ACI-Journal, pág. 933-950, Detroit, 1965.
Capítulo 8. Bibliografía 200
[FERG 69] Ferguson P. M., Briceno E. A. Tensile lap splices - Part 1: Retaining wall
type, varying moment zone. Research Report 113-2, Center for Highway
Research, University of Texas, Austin, 1969.
[FLOO 01] Flood I.: Neural Networks in Civil Engineering. Civil and structural
engineering computing, pág. 185 – 209. 2001.
[FOGE 64] Fogel L.J.: “On the organization of Intellect”, Tesis, Universidad de
California, Los Angeles, California, 1964.
[FREE 93] Freeman James A. and Skapura David M.: “Neural Networks”. Ed.
Addison-Wesley, 1993.
[FREN 92] French M., Krajewski W., Cuykendall R. “Rainfall forecasting in space
and time using a neural network”. Journal of Hydrology. Vol. 137, pág. 1
– 31. 1992.
[FRIE 59] Friedberg R.M., Dunham B., North J.H.: “A Learning Machine: Part II”,
IBM Journal of Research and Development, vol. 3, pág. 282-287, 1959.
[FUJI 86] Fujiki C.: “An Evaluation of Holland’s Genetic Operators Applied to a
Program Generator”, Tesis, Universidad de Idaho, Moscow, Idaho, 1986.
[GARR 03] Garrote L., Molina M., Blasco G. “Application of bayesian networks to
Real-Time flood risk estimation”, Geophysical Research Abstracts, Vol
5, pág. 13171, 2003.
[HERN 93] Hernández P.J.: “Redes neuronales en la industria química”, Ing. Quim.,
vol. 8, pág. 37-41, 1993.
[HEST 93] Hester C. J., Salamizavaregh S., Darwin D., McCabe S.L. Bond of
Epoxy-Coated Reinforcement: Splices. ACI Structural Journal,V. 90(1),
pág. 89-102, 1993.
[HICK 86] Hicklin J.F.: “Aplication of the Genetic Algorithm to Automatic Program
Generation”, Tesis, Universidad de Idaho, Moscow, Idaho, 1986.
[HILE 95] Hilera J.R., Martínez V.J.: "Redes neuronales artificiales. Fundamentos,
modelos y aplicaciones", Addison-Wesley Iberoamericana S.A., España,
1995.
[HJEL 96] Hjelmfelt, A. T., M. Wang. “Predicting Runoff Using Artificial Neural
Networks. Surface Water Hydrology”. pág. 233-244. 1996.
Capítulo 8. Bibliografía 202
[HOLL 75] Holland J. H.: “Adaptation in Natural and Artificial Systems”. Ann
Arbor: The University of Michigan Press, 1975.
[HSIE 99] Hsieh, B., Bartos, C., Zhang, B. Use of Artificial Neural Networks in a
streamflow prediction system. Proceedings of Artificial Neural Networks
in Engineering ANNIE’99. St. Louis, Missouri. 1999.
[HSU 95] Hsu K, Gupta H. V., Sorooshian S. “Artificial neural network modeling
of the rainfall – runoff process”. ASCE Water Resources. Vol. 31, pág.
2517 – 2530. 1995.
[HSU 99] Hsu K, Gupta H. V., Gao X., Sorooshian S. “Estimation of physical
variables from multichannel remotely sensed imagery using a neural
network: application to rainfall estimation”. Water Resources. Vol. 35,
pág. 1605 – 1618. 1999.
[HUBE 92] Huber W.C. and Dickinson R.E.. Storm Water Management Model,
user´s manual, version 4. U.S Envir.Protection Agency, Athens, Ga,
1992.
[HYDR 95] Hydroworks. User Manual. Hydraulic Research Ltd. Wallingford. 1995.
[IHE 06] IHE-STOWA joint research project [en línea] [Último acceso
16/11/2006] URL disponible en: http://www.stowa-nn.ihe.nl
[KAO 96] Kao J. J. “Neural net for determining DEM based model drainage
pattern”. Journal Irrigation and Drainage Engineering. Vol. 122, pág. 112
– 121. 1996.
[KARU 94] Karunanithi, N., Grenney W. J., Whiteley D., Bovee K. “Neural
Networks for River Flow Prediction”. ASCE Journal of Computing Civil
Engineering, 8(2), pág. 201-220. 1994.
[KEMP 86] Kemp, E., Mory, L. “Bond in reinforced concrete:behaviour and design
criteria”. Journal of American Concrete Institute. Vol. 1, pág. 50-57.
1986.
[KOZA 90] Koza J.R.: “Genetic Programming: A Paradigm for Genetically Breeding
Populations of Computer Programs to Solve Problems”, Technical
Report No. STAN-CS-90-314, Computer Sciences Department, Stanford
University, 1990.
Capítulo 8. Bibliografía 204
[KOZA 96] Koza John R.: “Genetic Programming”, proceedings of the first annual
conference, University of Stanford, California, USA, 28-31 July, 1996.
[KOZA 97] Koza John R.: “Genetic Programming”, proceedings of the second
annual conference, University of Stanford, California, USA, 13-16 July,
1997.
[KOZA 99] Koza J., Forrest H. Bennett III, David Andre, Martin A. Keane. “Genetic
Programming III: Darwinian Invention and Problem Solving”. Morgan
Kaufmann Publishers, San Francisco, California, 1999.
[LEVI 93] Levin A.U., Narendra K.S.: “Control of nonlinear dynamical systems
using neural networks: Controllability and Stabilization”, IEEE Trans.
Neural Networks, vol. 4(2), pág. 192-206, 1993.
[LIBE 01] Liberali, V. and Rossi, R. Artificially Evolved Design of Digital Filters.
Workshop on Advanced Mixed-Signal Tools. Munich, 2001.
[LOKE 97] Loke, E, Warnaar, E.A, Jacobsen, P, Nelen, F., do Ceu Almeida, M.
Artificial Neural Networks as a Tool in Urban Storm Drainage. Water
Science and Technology, vol. 36, no. 8-9, pág. 101-109. 1997.
[LOON 97] Looney C.G. Pattern Recognition using Neural Networks: Theory and
Algorithms for Engineers and Scientists, Oxford University Press,
Oxford.
[LUKE 98] Luke, S., Spector, L. A Revised Comparison of Crossover and Mutation
in Genetic Programming, 3rd Annual Conference on Genetic
Programming. Morgan-Kauffman. 1998.
Capítulo 8. Bibliografía 205
[LUKE 00] Luke S.: “Two Fast Tree-Creation Algorithms for Genetic
Programming”, IEEE Transactions on Evolutionary Computation, 2000.
[MAIE 99] Maier H. R., Dandy G. “Empirical comparison of various methods for
training feedforward neural networks for salinity forecasting”. Water
Resources. Vol. 35, pág. 2591 – 2596. 1999.
[MASO 96] Mason J. C., Price R., Tem A. “A neural network model of rainfall
runoff using radial basis functions”. Journal of Hydrology. Vol. 34, pág.
537 – 548. 1996.
[MATH 61] Mathey R.G., Watstein D. Investigation of Bond in Beam and Pullout
Specimens with High-Yield-Strength Deformed Bars. ACI Journal
Proceedings V. 57(9), pág. 1071-1090, 1961.
[MEER 98] Meert K., Rijckaert M.: “Intelligent modelling in the chemical process
industry with neural networks: A case study”, Comp.Chem.Eng., vol. 22,
pág. 587-593, 1998.
[MORS 98] Morshed J., Kaluarachchi J. “Parameter estimation using artificial neural
network and genetic algorithm for free product migration and recovery”.
Water Resour. Resources. Vol. 34, pág. 1101 – 1113. 1998.
[MURC 01] Murcia J., Aguado A, Martí A. R: Hormigón armado y pretensado, vol I
& II. Gustavo Gili, 2001.
Capítulo 8. Bibliografía 206
[OLLE 98] Oller C.A., Guidici R.: “Neural Network based approach for optimisation
applied to an industrial nylon-6, 6 polymerisation process”,
Comp.Chem.Eng., vol. 22, pág. 595-600, 1998.
[ORAG 77] Orangun C. O., Jirsa J. O., Breen J. A Re-evaluation of Test Data and
Development Length and Splices. Journal of American Concrete Institute
Nº 3, Vol. 74, pág. 114-122, 1977.
[PALA 04] Palazón J., García A. “Modelado de series climatológicas mediante una
red neuronal artificial”. Ingeniería del Agua. Vol. 11, nº 1, pág. 41-52.
2004.
[PERE 99] Pereira F.B., Machado P., Costa E., Cardoso A.: “Graph based
crossover-A case study with the busy beaver problem”, Proceedings of
the Genetic and Evolutionary Computation Conference, GECCO-99,
Morgan Kaufmann, pág. 1149-1155, Orlando, Florida, USA, 1999.
[POLI 98] Poli R., Langdon W.B.: “On the ability to search the space of programs
of standard, one-point and uniform crossover in genetic programming”,
Technical Report CSRP-98-7, Universidad de Birmingham, 1998.
[QUIN 93] Quinlan, J.R. “C4.5: Programs for Machine Learning”. Morgan
Kaufmann Publishers, 1993.
Capítulo 8. Bibliografía 207
[RABU 02a] Rabuñal J.R., Dorado J., Puertas J., Santos A., Rivero D.: “Prediction
and Modelling of the Flow of a Typical Urban Basin through Genetic
Programming”, Proceedings of 4th European Workshop on Evolutionary
Computation in Image Analysis and Signal Processing, EVOIASP 2002,
Irlanda, 2002.
[RABU 03] Rabuñal J.R., Dorado J., Puertas J., Pazos A., Santos A., Rivero D.:
Prediction and Modelling of the Rainfall-Runoff Transformation of a
Typical Urban Basin using ANN and GP. Applied Artificial Intelligence,
2003.
[RABU 04] Rabuñal J.R., Dorado J., Pazos A., Pereira J., Rivero D. “A New
Approach to the Extraction of ANN Rules and to Their Generalization
Capacity Through GP”. Neural Computation, (16) 7, pág. 1483-1523,
2004.
[RABU 06] Rabuñal J.R., Puertas J., Suárez J., Rivero D. “Determination of the unit
hydrograph of a typical urban basin using genetic programming and
artificial neural networks”. Hydrological Processes, vol. 21. pág. 476-
486. 2006.
[REZA 91] Rezansoff T., Konkankar U.S., Fu Y.C. Confinement Limits for Tension
Lap Splices under Static Loading. Report, University of Saskatchewan,
Saskatoon, Sask., 1991.
Capítulo 8. Bibliografía 208
[REZA 93] Rezansoff T., Akanni A., Sparling B. Tensile Lap Splices under Static
Loading: A Review of the Proposed ACI 318 Code Provisions. ACI
Structural Journal, V. 90(4), pág. 374-384, 1993.
[SCHA 96] Schaap M.G., Bouten W. “Modeling water retention curves of sandy
soils using neural networks”. Water Resources. Vol. 32, pág. 3033–3040.
1996.
[SCHU 00] Schulze F., Bouma N. Use of Artificial Neural Networks in Integrated
Water Management. Proceedings MTM-III - Artificial Neural Networks
in Water Management, pág. 333-342, 2000.
[SHI 00] Shi, J. Reducing prediction error by transforming input data for neural
networks. ASCE Journal of Computing in Civil Engineering, 14(2). Pág.
109-116. 2000.
[SINA 98] Sinak, P, Bundzel, M, Soka ,M, Sztruhar, D., Marsalek, J. Urban runoff
prediction by neural networks. Proceedings of Hydroinformatics’98
conference, Babovic, V & Larsen, L.C ed., Balkema, Rotterdam, pág.
791-796, 1998.
Capítulo 8. Bibliografía 209
[SOUL 97] Soule, T. and Foster, J. A: Code Size and Depth Flows in Genetic
Programming. Genetic Programming 1997: Proceedings of the Second
Annual Conference. Morgan Kauffmann. San Francisco, CA. pp 313-
320. 1997.
[SOUL 98] Soule T.: “Code Growth in Genetic Programming”, Tesis, Universidad
de Idaho, 1998.
[SRIN 05] Srinivasa Lingireddy, Gail Brion (Editores). “Artificial Neural Networks
in Water Supply Engineering”. Libro. Editorial American Society of
Civil Engineers. 2005.
[TURI 50] Turing, A. “Computing Machinery and Intelligence”. Mind Journal. Vol.
49. Pág. 433-460. 1950.
[VAN 88] Van der Meer, J. “Rock Slopes and Gravel Beaches under Wave Attack”.
MS thesis. Delft Hydraulics. Holanda. 1998.
[VIES 89] Viessmann, W., Lewis, G.L. and Knapp, J.W. 1989. Introduction to
Hydrology. Harper Collins.
[WANG 98] Wang H., Oh Y., Yoon E.S.: “Strategies for modeling and control of
nonlinear chemical process using neural networks”, Comp.Chem.Eng.,
vol. 22, pág. 823-826, 1998.
[WASS 89] Wasserman Philip D.: “Neural Computing”. Ed. Van Nostrand Reinhold,
New York, 1989.
[WHIT 99] Whitley R., Hromadka T. ·Approximate confidence intervals for design
floods for a single site using a neural network”. Water Resources. Vol.
35, pág. 203 – 209. 1999.
[WILL 89] Williams R.J., Zipser D.: “A Learning Algorithm for Continually
Running Fully Recurrent Neural Networks”, Neural Computation, vol. 1,
pág. 270-280, 1989.
[WITT 00] Witten I.H., Frank E. “Data Mining: Practical Machine Learning Tools
and Techniques with Java Implementations”. Morgan Kaufmann
Publishers, 2000.
[WISL 59] Wisler, C.O., Brater, E.F.. Hydrology. John Wiley & Sons, Inc., New
York. 1959.
[ZUO 00a] Zuo J., Darwin D. Bond Slip of High Relative Rib Area Bars under
Cyclic Loading. ACI Structural Journal, Vol. 97(2), pág. 331-334, 2000.
Capítulo 8. Bibliografía 211
[ZUO 00b] Zuo, J., Darwin, D., "Splice Strength of Conventional and High Relative
Rib Area Bars in Normal and High-Strength Concrete" ACI Structural
Journal, Vol. 97, No. 65, July - Aug. 2000, pág. 630-641.
[ZHAN 97] Zhang Q., Stanley S. Forecasting Raw-water Quality Parameters for the
NorthSaskatchewan River by Neural Network Modeling. Water
Research 31(9), pág. 2340-2350, 1997.
[ZHAN 98] Zhang B., Govindaraju R. S. Using Modular Neural Networks to Predict
Watershed Runoff, ASCE Water Resources Engineering Conference’98,
pág. 897-902. 1998.
Capítulo 8. Bibliografía 212
“En el fondo, los científicos somos gente con
suerte: podemos jugar a lo que queramos
durante toda la vida.”
Lee Smolin
ANEXO I
MANUAL DE USUARIO
Índice
1 Anexo 1: Manual de Usuario .................................................................................... 1
1.1 Introducción .......................................................................................... 1
1.2 Requisitos Mínimos .............................................................................. 2
1.2.1 Software ............................................................................................ 2
1.2.2 Hardware........................................................................................... 2
1.3 Instalación del software ........................................................................ 2
1.4 Ejecución .............................................................................................. 5
1.5 Módulos Funcionales............................................................................ 5
1.5.1 Procesado de datos............................................................................ 6
1.5.1.1 Formato de los ficheros.............................................................. 9
1.5.2 Entrenamiento de una Red de Neuronas Artificial ......................... 10
1.5.2.1 Ficheros de Entrenamiento ...................................................... 12
1.5.2.2 Configuración de la RNA ........................................................ 12
1.5.2.3 Configuración del Algoritmo Genético.................................... 14
1.5.2.4 Conexiones............................................................................... 16
1.5.2.5 Población.................................................................................. 18
1.5.2.6 Test........................................................................................... 18
1.5.3 Ejecución de una Red de Neurona Artificial .................................. 19
1.5.3.1 Ficheros de Test ....................................................................... 20
1.5.3.2 RNA ......................................................................................... 21
1.5.3.3 Resultados ................................................................................ 21
1.5.3.4 Gráfico ..................................................................................... 22
1.5.4 Expresiones..................................................................................... 23
1.5.4.1 Configuración del AG.............................................................. 24
1.5.4.2 Ejecución.................................................................................. 29
1.5.4.3 Estadísticas............................................................................... 30
1.5.4.4 Pruebas ..................................................................................... 33
1.5.5 Filtros Programación Genética ....................................................... 34
Anexo 1: Manual de Usuario ii
Índice de Figuras
Figura 1: Esquema funcional del software........................................................................1
Figura 2. Proceso de instalación Paso 1 ............................................................................2
Figura 3. Proceso de instalación Paso 2 ............................................................................3
Figura 4. Proceso de instalación Paso 3 ............................................................................3
Figura 5. Proceso de instalación Paso 4 ............................................................................4
Figura 6. Proceso de instalación Paso 5 ............................................................................4
Figura 7. Icono "Tesis Doctoral".......................................................................................5
Figura 8. Interfaz principal de la aplicación.....................................................................5
Figura 9. Panel principal de la aplicación .........................................................................6
Figura 10. Interfaz principal del procesado de datos ........................................................6
Figura 11. Ficheros de entrada y salida.............................................................................7
Figura 12. Área de datos ...................................................................................................7
Figura 13. Gráfico Entrada / Gráfico Salida .....................................................................8
Figura 14. Preparación de Datos: Media Móvil y Alisamiento Exponencial....................8
Figura 15. Controles de normalización .............................................................................9
Figura 16. Ejemplo de formato de fichero ......................................................................10
Figura 17. Módulo de Entrenamiento de RNA mediante AG.........................................10
Figura 18. Controles principales de entrenamiento.........................................................11
Figura 19. Nombre de la RNA. .......................................................................................11
Figura 20. Configuración RNA.......................................................................................12
Figura 21. Configuración red recurrente .........................................................................13
Figura 22. Configuración del AG....................................................................................14
Figura 23. Conexiones de la red......................................................................................16
Figura 24. Ajuste de la población....................................................................................18
Figura 25. Evaluación del mejor individuo.....................................................................19
Figura 26. Salidas obtenidas (verde) frente deseadas (rojo) ...........................................19
Figura 27. Interfaz principal del módulo de ejecución de RNA. ....................................20
Figura 28. Configuración de la RNA ..............................................................................21
Índice Anexo I iii
1.1 Introducción
Este software permite al Ingeniero Civil la aplicación de técnicas típicas de los
Sistemas Conexionistas y la Computación Evolutiva a un campo tan específico como la
Ingeniería Civil de forma cómoda y práctica sin necesidad de un conocimiento profundo
de estas técnicas informáticas.
Procesado de Entrenamiento
Datos RNA
Ejecución
RNA
Expresiones
Filtros P.G.
1.2.1 Software
Sistema Operativo: Windows 9X, Windows NT, Windows 2000, Windows XP o
Windows Vista. Es necesario para el correcto funcionamiento que en la Configuración
Regional de Windows se establezca el “.” como la separación decimal de los números.
1.2.2 Hardware
PC o compatible con procesador Pentium II a 333MHz con 128 MB de RAM y
10 MB libres en el disco duro; la resolución de pantalla recomendada es 1024 x 768,
tarjeta gráfica SVGA con 256 colores, (se recomienda una tarjeta gráfica de color de 16-
bit), o su equivalente en otras plataformas.
4. Confirmar la instalación
5. Finalizar la instalación
1.4 Ejecución
Para ejecutar el programa seleccionar el icono “Tesis Doctoral”
Módulos
Funcionales Mostrar /Ocultar Cerrar Aplicación
Imagen de fondo
Figura 10). Por último se encuentra la herramienta de normalización (ver Figura 15). El
botón “buscar” encuentra los máximos y mínimos de las columnas seleccionadas
(entrada y salida), si se desean utilizar otros valores para la normalización, se puede
establecerlos y pulsar el botón “Cambiar Valores”. Una vez elegidos estos valores se
está a disposición de realizar la normalización, para ello pulsar en “Normalizar
Entradas” y/o “Normalizar Salidas”. Este proceso se deberá realizar por cada una de las
columnas de entrada y de salidas existentes.
o Hiperbólica Tangente
o Sigmoide
o Peor individuo
o Iguales en error
o Sustituir padres
1.5.2.4 Conexiones
En el apartado conexiones se pueden ver las conexiones de cada individuo. Para
ello se seleccionará el individuo a Visualizar y se pulsará en el botón “Visualizar”.
1.5.2.5 Población
Este apartado permite ver la evolución de la población. Para ello es necesario
parar el entrenamiento y pulsar en el botón “Ajuste”. En la Figura 24 se muestra el
ajuste alcanzado por la población en 950 generaciones.
1.5.2.6 Test
El último apartado permite evaluar la RNA determinada por el mejor individuo.
(ver Figura 25). Si se pulsa en el checkbox se muestra en forma gráfica los valores
deseados frente a los obtenidos por la RNA (ver Figura 26).
Anexo 1: Manual de Usuario 19
1.5.3.2 RNA
Es en esta apartado donde se recupera la configuración de la RNA entrenada
anteriormente. Pulsando en el botón “RNA” se abrirá un cuadro de diálogo donde se
debe seleccionar la red que se desee ejecutar. En la Figura 28 se muestra la
configuración de la red una vez seleccionado el fichero.
1.5.3.3 Resultados
Este apartado permite observar los resultados del test o ejecución. En la Figura
29 pueden verse las capturas después de una ejecución (imagen izquierda) o después de
un entrenamiento (imagen derecha), en este caso se muestra el Error Cuadrático Medio
obtenido por la red.
Anexo 1: Manual de Usuario 22
Dispone de botones para guardar las salidas obtenidas por la RNA (“Guardar
Salidas RNA”), y en el caso de entrenamiento se dispone de otro botón para guardar la
comparativa entre salidas deseadas frente a salidas obtenidas de la red. Los ficheros
generados son en formato de texto.
1.5.3.4 Gráfico
El último apartado de este módulo presenta en modo gráfico los resultados de la
red. En el Figura 30 se muestran las salidas obtenidas por la red (en verde) y las salidas
que debería obtener (en rojo).
Anexo 1: Manual de Usuario 23
1.5.4 Expresiones
Este módulo permite obtener, a partir de los patrones de entrada y salida,
expresiones matemáticas que liguen algebraicamente las variables de entrada para
obtener la variable de salida. En la Figura 31 se muestra el módulo de extracción donde
se localizarán los ficheros de entrenamiento.
Una mención aparte merece el uso de ventanas temporales. Esta opción se podrá
seleccionar cuando el conjunto de patrones de entrada esté compuesto por una variable.
En ese caso, se podrán tratar los patrones como una serie temporal: se podrá elegir
tomar muestras de la variable de entrada y de la salida generada en el pasado (usar
ventanas temporales). Si se decide utilizar ventanas temporales, se cambiará la forma de
nombrar las variables: ahora la variable de entrada será X(n), las muestras del pasado
X(n-i) y las muestras de la salida generada en el pasado Y(n-i).
Existen dos razones por las que no se puedan cambiar los parámetros y por tanto
estos estén inhabilitados:
Una vez se hayan cambiado los parámetros, se habilitarán los botones de la parte
inferior. Para deshacer los cambios realizados, hay que pulsar sobre el botón “Resetear
Valores”. Si se realiza esta acción, los parámetros tomarán su valor antiguo antes de
realizar ninguna modificación, y los cambios realizados se perderán.
Si se desea guardar los cambios en los parámetros, habrá que pulsar sobre el
botón “Establecer Valores”. Con esta opción se guardarán los cambios con dos
excepciones:
1.5.4.2 Ejecución
Una vez configurados todos los parámetros del AG se está en disposición de la
ejecución del mismo, para ello se pulsará en el apartado “Ejecución”. En este apartado
están los controles de la ejecución del algoritmo (ver Figura 35) que son los siguientes:
1.5.4.3 Estadísticas
Una vez se haya comenzado el proceso de ejecución se podrán consultar las
estadísticas del algoritmo. Éstas se refieren a la evolución de la población y su relación
con el mejor individuo. En la Figura 36 se muestra una captura de pantalla de este
apartado.
Anexo 1: Manual de Usuario 31
Para que las estadísticas estén habilitadas se necesita que antes de la ejecución
del AG se haya marcado la casilla “Extraer estadísticas con cada generación”. Sin
embargo, esta opción ralentizará en gran manera el proceso búsqueda de expresiónes.
1.5.4.4 Pruebas