Bienvenido al Repositorio Institucional de la UTPL (RiUTPL) que tiene como propósito centralizar los recursos educativos y objetos de aprendizaje generados por la comunidad académica;
este repositorio permitirá preservar, organizar y visibilizar la producción institucional
bajo la licencia Creative Commons 4.0.
Por favor, use este identificador para citar o enlazar este ítem:
http://dspace.utpl.edu.ec/handle/123456789/10722| Título : | Aplicación de redes neuronales para la modelización y generación de series hidrológicas |
| Autor : | Oñate Valdivieso, Fernando Rodrigo Carpio Peláez, Karina Patricia |
| Palabras clave : | Cuencas hidrográficas Redes neuronales artificiales Caudales de las cuencas Ingeniería Civil – Disertaciones académicas |
| Fecha de publicación : | 2014 |
| Citación : | Carpio Peláez, Karina Patricia. (2014). Aplicación de redes neuronales para la modelización y generación de series hidrológicas. (Trabajo de Fin de Titulación de Ingeniero Civil). UTPL. Loja. 73pp. |
| Descripción : | This research aims to simulate average monthly flow information in watersheds: Rio Guayllabamba River Quijo, Rio Chico, Rio Pindo also daily data Catamayo basin, and Lemon, by using neural networks artificial, to obtain new funds, taking as input rainfall and watershed historical flows.
The proposed model presents a multi-layered network architecture (feedforward) comprising three layers (input, hidden and output), the number of input neurons and hidden vary by model. The training function for modeling the watershed regulation Bayesian backpropagation. The training phase and validation of artificial neural network models is performed using different amount of input data,
Depending on the basin. El presente trabajo de investigación tiene como finalidad simular información de caudales medios mensuales en las cuencas hidrográficas: Río Guayllabamba, Río Quijos, Río Chico, Río Pindo, además datos diarios de la cuenca Catamayo, y la El Limón, mediante el uso de redes neuronales artificiales, para la obtención de nuevos caudales, tomando como datos de entrada las precipitaciones y caudales históricos de las cuencas. El modelo propuesto presenta una arquitectura de red multicapa (feedforward) que comprende tres capas (entrada, oculta y salida), el número de neuronas de entrada y ocultas varían de acuerdo al modelo. La función de entrenamiento para el modelamiento de las cuencas el Bayesian regulation backpropagation. La fase de entrenamiento y validación de los modelos con redes neuronales artificiales se realizaron utilizando diferentes cantidad datos de entrada, Dependiendo de la cuenca |
| URI : | http://dspace.utpl.edu.ec/handle/123456789/10722 |
| Aparece en las colecciones: | Ingeniero Civil |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| Carpio Pelaez, Karina Patricia.pdf | Trabajo de fin de titulación PDF | 2.49 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.