Calibracion de Redes de Alcantarillado Utilizando Logica Difusa Saldarriaga, Juan Ingeniero Civil, MSc. Profesor Titular, Universidad de los Andes. Director del Centro de Investigacién en Acueductos y Alcantarillacos de la Universidad de los Andes (CIACUA). E-mail: jsaldarr@uniandes.edu.co ‘Amador, Fabio Ingeniero Gil, MSc. Investigador Centro de Investigacion en Acueductos y Alcantarillados de la Universidad de los Andes (CIACUA). E-mail: fe. amador38@uniandes edu.co XVIII Seminario Nacional de Hidrdulica e Hidrologia Sociedad Colombiana de Ingenieros Bogota D.C. 22, 23, y 24 de mayo de 2008 Resumen. Los modelos hidréulicos de alcantarillados contienen parémetros que describen las propiedades y condiciones de operacién del sistema. Muchos de los parémetros del modelo pueden ser medidos u ‘obtenidos de diversas fuentes; sin embargo, algunos otros no es posible obtenerlos directamente. La calibracién es el proceso mecisnte el cual se haven los ajustes necessrios de estos parémetros de tal forma que los resultados del modelo concuerden con las medidas reales. Existen diversas técnicas mediante las cuales se pueden calibrar los modelos hidréulicos de alcantarillados, en esta investigacién se evallia la idoneidad de la aplicacién de la Logica Difusa como un sistema basado en regias en el cual se trasiada el conocimiento, experiencia y estrategias de un experto al proceso de calibracion, Palabras Clave, Sistemas de Alcantarillado, Calibracién, Légica Difusa.4. Introduecién La adecuada administracién y operacion de un sistema de alcantarilado depende en gran medida del nivel y calidad de la informaci6n que se posea sobre la conformacién y funcionamiento de éste. En la actualidad, con el desarrollo de la tecnologia, es posible simular con un alto grado de exactitud el funcionamiento de redes de alcantaillado mediante modelos realizadas en programas de computador. Para ‘que el modelo haga una buena representacién de la realidad, es necesario contar con varios tipos de datos e Ia red modelada y posteriormente realizar la calibracién de ésta mediarte el ajuste de sus parémetros, Existen varias metodologias para calibracion de redes de alcantarillado; recienterente han cobrado un notable auge las téoricas de inteligencia de artifical, dentro de las cuales se destacan los sistemas de inferencia difusa que son sistemas basados en regles mediante los cuales se aprovecha la informacion ‘almacenada en una base de conocimiento para la solucion de problemas de diversa indole. Para utlizar la ldgica difusa en la calibracién de elcantarilados, se debe tratar la optimizacion de la funci6n objetivo como un problema de control En el presente articulo se exponen los resultados de la calibracién hidréulica de redes de alcantarilado aplicando sisternas de inferencia difusa, construidos mediante ensayo y error y a través de sisterias neurodifusos adaptativos, 2. Calibracién de Alcantarillados Un modelo de un sistema de alcantarilado es una representacién matemdtica del sistema real: ependiendo del tipo de modelo estos contienen una cantidad variable de parémetros que describen las, propiedades fisicas e hidréulicas del sistema, asf como las condiciones de operacién. En la construccién del modelo muchos de los parémetros se asignan a este de acuerdo con la informacién reoolectada del sistema: ‘sin embargo, existen parémetros que no pueden ser obtenidos de forma directa por lo que se asignen al modelo segun los valores reportads en la literatura 0 por criterio profesional. La calibracién es el ajuste de los valores de los parémetros que fueron estimados, de tal forma que las salides del modelo caincidan con las condiciones presentadas en el sistema real En general, la calibracién de modelos hicréulices de alcantarilados se enfoca en la minimizacién de las Giferencias entre los caudales medidos y los modelados, sin embargo, para contar con un modelo completamente operative es necesario ademas de las diferencias entre las mediciones de caudal, también tmirimizar las diferencias entre los niveles del agua en el sistema medidas en campo y los modelados, 21, Metodologia de Calibracion Se ha difundido entre modeladores de sistemas de alcantarillado la creencia que la calibracién se reduce ‘a una optimizacién de parémetros; segtin Clemens (2001) esta es una concepeién errada debido a que ‘aunque a optimizacion de parémetros es una tarea importante en el proceso de calibracién, es sélo una parle de este, Para la calibracién de un modelo deterministico como lo es SWMM (Storm Water Management Model), una metodologia adecuada es la propuesta por Orozco (2005), la cual consta de los siguientes pasos.24.1. Seleccién del tipo de modelo y software a utilizar El proceso de seleccion del modelo depende de varios factores que deben ser considerados. Inicialmente ‘se debe realizar un establecimiento claro de cudles son los objetivos que se pretenden alcanzar con el proceso de modelacién. Una vez que se han definido los abjetivos de la modelacién se procede @ evaluar entre todos los modelos disponibles cudles retinen las requerimientos necesarios ademés de su asequiblidad. 2.1.2. Ingreso al modelo de los datos de entrada (Caudales, parametros, geometria y estructura del sistema). La informacion necesaria se encuentra determinada por los requerimientos de! modelo seleccionado en el paso anterior. 21.3, Anélisis de Sensibilidad. Esto implica seleceionar los parémetros mas sensibles para ser calibrados, E! analisis de sensibilidad se realiza con el objetivo de determinar como varian los resultados del modelo en respuesta a cambios en los parémetros, Para la realizaci6n del anélisis de sensibilided se deben hacer carridas de! modelo variando los parametros de entrada dentro de un rango en que es esperado se enouentren, 24.4, Seleccién de una funcién objetivo. La funcién objetivo representa la diferencia entre los datos modelados y medidos. Es una funcién que le indica al algoritmo de optimizacién que tan cerca se encuentra de llegar @ los parametros éptimos. 2.1.5. Uso de algiin algoritmo de optimizacién eficiente que minimice la funcién objetivo. Debido a que para la localizacién del minimo de la funcién objetiva se requieren procesos iterativos, es ecesario emplear algoritmos eficientes que permitan encontrar los parametros dptimos, 3. Légica Difusa La teorla de conjuntos difusos parte de la teoria clasica de conjuntos, afadiendo una funcién de Pertenencia al conjunto, definida ésta come un numero real entre Oy 1, De esta forma surge el concepto de conjunto difuso asociado @ un determinado valor lingUistico, definido por una palabra o etiqueta, Para cada conjunto difuso se define una funcién de pertenencia que indica el grado en que la variable esta incluida en el conjunto, Martin del Brio & Sanz (2001) La inferencia difusa es el proceso mediante el cual en un sistema se utiliza légica difusa para asignar una entrada dada a un conjunto de salida. Los sistemas de inferencia difusa interpretan las reglas de una base de reglas, con el fin de obtener los valores de salida a partir de los valores de las variables de entrada al ‘sistema. El proceso de inferencia difusa irvolucra: Funciones de pertenencia, operaciones logicas y reglas. Hay dos tipos de sistemas de inferencia difusa: El tipo Mamdani y el tipo Sugeno. Estos dos tipos de sistema e inferencia varlan en la forma en que son determinadas las salidas,4. Gaso de Estudio El estudio de caso se desarrollo en dos subcuencas del alcantarilado de la ciudad de Girardot, las cuales han sido modeladas y calibradas en Investigaciones anteriores y dentro del proyecto Modetacion de 12 calidad del agua del Rio Magdalena y caracterizacién de las aguas vias y residuales, adelantado por la Universidad de Los Andes en el afio 2004 44. Descripeién de las redes estudiadas 41.4, Kennedy EI modelo hidrdulico se compone de 18 tuberias y tiene diémetros desce 450 mm, hasta 900 mm, Este 8 un sistema de tuberias en serie separado y sin ramificaciones. El material predominante de las tuberias es hormig6n, Sin embargo, hay un 5% de tuberias en GRES y un 0.5% de tuberias de PVC. La red tiene dos descargas principales que drenan al cafio San Cayetano y posteriormente al Rio Bogota con diémetros de 1100 mm. y 675 mm, 41.2, Acacias El sistema de las Acacias tiene una forma sub-cuenca ovalada, plana. No tiene caneles abiertos ni aliviaderos de agua lluvia. El modelo hidraulico del colector de las Acacias se compone de 60 tuberias, el material predominante es el hormig6n, es un sistema con ramificaciones, Figura 1. Subcuencas estudiadas. (a) Kennedy. (b) Acacias. 42. Anélisis de sensibilidad Orozco (2005) realizé un completo andlsis de sensibildad de varios parémetros en las sub-cuencas de la ciudad de Girardot, obteniendo para los dos casos resultados similares, Los rangos de variacién de cada pardmetro se muestran en la Tabla 1 Tabla 1. Rango de variacién de los parametros para el andlisis de sensibilidad Paramatro Range | Dafa de Variacion Damar 0880-1050 oo Rugosidad 0.008 - 0.020 ‘007 Coefclente de perc porles enraces | 0-7 OA ‘Costelente de percias por las saldas of oo ‘Goetclente de paras eagtuanal 1 07 Adicionaimente al ardlisis de sensibilidad realizado en la red de Kennedy para los parémetros mostrados en la Tabla 1, se analizé la sensibilidad del caudal y el nivel a la irfiltracién en la red Acacias.Teniende en cuenta que el caudal Unicamente es sensible a la infiltracién y que el nivel del agua en el alcantarilado es sensible tanto al caudal como a la rugosidad, un proceso légico de calibracién es ajustar inicialmente el caudal para posteriormente calibrar nivel variando la rugosidad, Para el ajuste entre los caudales medidos y los modelados, en la calibracion se consideran e! caudal medio diario sanitario y el de infitracién, los cuales son representativos de las condiciones promecio de tiempo seco. Si el modelo fue cargado con Ia informacién de la demanda de agua potable, esta se debe ccorregir por el cansumo aplicéndole un factor de retorna; luego, la diferencia entre el caudal medio diario medido y el modelado corresponde al caudal de infitracién, En aleantarillados, un modelo se dice calibrado cuando coinciden, dentro de un limite de error razonable, las salidas de caudal y nivel con las mediciones realizadas en campo, Como se expuso con anterioridad, el ajuste entre el caudal medida y el modelado se realiza mediante una sencilla diferencia, raz6n suficiente para descartar el uso de la légica dfusa en este problema por tratarse en este caso particular de un método de solucién de mayor complejidad. No sucede lo mismo con el nivel debido a que no se puede determinar de forma directa a que variacién de la rugosidad corresponde Ia ciferencia entre los niveles medidos y modelados durante un periodo de tiempo en un determinado punto de la red de alcantarillado. En esta Investigacion se evalda la utlidad de la aplicacién de la logica dfusa en la calibracién de redes de alcantarillado mediante la variacién de la rugosidad de las tuberias para ajustar las series de nivel. 43. Seleccién de la funcién objetivo En esta Investigacion como primera aproximacién se supuso una misma rugosidad para todas las tuberias de la red, posteriormente se evalu la posibilidad de utilizar dos grupos de tuberias con rugosidades Gferentes. Para el problema iniial de suponer una misma rugosidad en todas las tuberias de la red, se evalud el comportamiento de las funciones objetivo Error Medio, Error Cuadrético Medio y Coeficiente de Determinacion (R*) dentro del rango de variacién esperado de la rugosidad (0.008 — 0.020) para en n de Manning. En la Figura 2 se observa el comportamiento de las tres funciones objetivo evaluadas en el rango esperado suponiendo en cada escenario que cada una de las distintas rugosidades posibles dentro del rango es el parémetro éptimo Figura 2, Funcién Objetivo. (a) Error Medio, (b) Error Cuadr: determinacién R’. Para efecto de su empleo en el control del nivel variandlo la rugosidad de los conductos, el andlisis de la forma de as tres funciones objetivo evaluadas permite determinar que la mas adecuada para este caso es el Error Medio, debido @ que presenta valores tanto positives como negatives. Cuando el nivel medido se -0 Medio (c). Coeficiente deencuentra por debejo del nivel modelado, la funcién objetivo es negativa indicando que debe disminuirse la rugosidad en el modelo, mientras que cuando el nivel mecido se encuentra por encima del nivel modelado, la funcion objetivo presenta signo posttvo, indicando que es necesario aumentar la rugosidad de! modelo, Entre mas cercano a cero el valor de la funcién objetivo, mas cerca se esta de alcanzar la rugosidad optima 4.4, Calibracion usando I6gica difusa En el sistema difuso implementado se definieran 2 variables de entrada, la rugosidad de las tuberlas y la funcién objetivo (error medio); como salida se defirié un conjunto denominado delta de rugosidad. El valor de salida del sistema difuso se aplica directamente sobre la rugosidad inicial de entrada y para esta nueva Tugosidad se calcula el error medio correspondiente; estos valores calcuades constituyen las nuevas entradas del sistema difuso. El procedimiento se repite hasta que la salida del sistema sea cera y por consiguiente no se deban realizar mas cambios. En la Figura 3 se muestran los conjuntos del sistema difuso. Figura 3, Funcién Objetivo. (a) Error Medio (b) Error Cuadratico Medio (b) Coeficiente de determinacién R’. 4.5, Pruebas y Resultados 4 Prueba 1 Kennedy. Nivel Modelado mayor al medido. Rugosidad Optima 0.0140 Rugosidad incial 0.0200 Rugosidad Final 0.0141 Tabla 2. Iteraciones Prueba 1. Teracien | Rages | Ear Medio | SRugowded 7 | onze | —-oazer | —oonsre : 2] ones | arse | oer 3 [one | arses | i } =| ome |orrar [ons 3] enna | ees | oe = 3 [anit] 0 7 Figura 4, Resultados Prueba 1. 4.5.2. Prueba 2 Kennedy. Nivel modelado inferior al medido. Rugosidad Optima 0.0140 Rugosidad Iniclal 0.0080 Rugosidad Final 0.0137Tabla3. Iteraciones Prueba 2 in| ened | Err [renal ; 7 [tom] oar | cf { Zz od Ts ToT | Teme | oes J Figura 5, Resultados Prueba 2. En las redes evaluatlas los resultados fueron exitosos bajo diversas condiciones iniciales, en la red ‘Acacias se presenté a mayor diferencia entre las rugosicades épimas y les finales rcomendadas por el sistema de inferencia difuso, esto se debio @ que el error medio cumplia con el criteno de detoncion, El funcionamiente del sistem difuso fue el esperada; sin embargo el sistema presenta pocs sensibilidad, aunque Is funcién objetivo pera todos los casos siempre tendié = cero e medide que evanceron las iteraciones. 46. Sistema difuso para redes con dos grupos de tuberfas de rugosidad diferente En [a practics, es comin encontrar alcantarillados relativamente antiguas los que luego de un tempo, con el crecimiento urbana de zonas antes inhabitadas, se les adicionan ruavos tramos, en tales cases lo nonnal es que las tuberlas nuevas y las antiguas sean de matericles diferartes Teniendo en cuenta Io antonor, e| callbrador de una red de alcantarilado desearia obtener resultados mas finos y agrupar las tubertas de acuerdo con el material o la edad. Al establecer dos grupos de tuberlas con rugasidad diferente, el problema de calibracién eumenta su complejidad debide que se tienen dos parémetros de ealibracién, cada uno correspondiente a la rugosidad de cada grupo de tubsrias de distinto matenal o edad. Para el analisis ce este problema 92 utllzé la red de la sub-cuenca Acacias. Se realizaron 2 grupos por ercania gaagrélica y a cada une se le asignd mugesidad diferente: un grupo cormespende a tuberias nuevas de PVC y ol otro @ Luberias antiguas de conersto, Se fjaron dos rangos de warianon de Ia rugosidad para cada tipo de metenial. Lina vez definidos los rangos de variacién de la rugosided de cada grupo de tubertes, 50 determing cual funcidn abjetive as lamds adecuads pare su amplea an la ealibracién, 8 continuacion se muestran las graticas tndimensionales de| Error Cuadratico medio, suponiende como optimas distintes combinaciones de rugasidad pera los dos crupos de tuberias. Figura 6. Error Cusdrética Medio: (a) Rugosidades Optmas PVC ~0007 y Concrete ~0.010.(b) Rugosidades Sptimas PVC 0.011 y Concrete ~ 0.016. (6) Rugasidaes épsimas PVC 0.007 y Concreta ~ 0.016A observar las graficas anteriores es evidente la gran interaocién que se produce entre los dos parémetros, lo cual se manifesta en el comportamiento variado que presenta la funcién objetivo dependiendo de cudles sean las rugosidades optimas. Por tal motivo, el desarrollo de un sistema de inferencia difusa mediante ensayo y error que considere todas estos comportamientos variados y se adapte a cada uno de ellos segtin sea la situacién es una tarea imposible de realizar. 5. Afinamiento Una altemativa para superar las limitaciones de carencia de adaptabilidad de los sistemas de inferencia difusa la constituyen los sistemas de inferencia neurodifusa; dentro de esta categoria se encuentran los denominados ANFIS (Sistemas de Inferencia Difusa Neuro-Adaptativos, por su sigla en inglés), los cuales incorporan la capacidad de aprendizaje de las redes neuronales a los sistemas difusos. En un ANFIS, los parametros de las funciones de pertenencia y la base de reglas del sistema difuso son ajustados o afinados usando los algoritmos de aprendizaje empleados en el campo de las redes neuronales con lo son el Backpropagation y el de minimos cuadrados, lo cual permite al sistema difuso aprender de los datos que se estan modelando. 5.1, Sistema Neurodifuso de un solo material Figura 7. Estructura del sistema de inferencia Neurodifuso. Sistema de un solo material El sistema difuso obtenido tiene dos entradas y una salida. A diferencia del sistema de inferencia difusa tipo Mamdani, en la inferencia tipo Sugeno las funciones de pertenencia de la variable de salida deben ser lineales 0 constantes, en este caso se opté por utilizar funciones lineales. 5.2, Pruebas y resultados. Sistema neurodifuso de un solo material. 5.2.1. Prueba 1 Kennedy. Nivel Modelado mayor al medido. Rugosidad Optima 0.0140 Rugosidad Inicia 0.0200 -—-Rugosidad Final0.0140‘Tabla 4, neraciones Prueba 1 Sistema neuroaruso, teracién | Rugosicad | errormedio | 4 Rugosiaea 7 ‘oe00 | —-aa21 | -0.006000 DoTaa | 00000 |. 000000 Figura 8. Reaultodoo prucbe 4 Siclorra nour odie. 5.22. Prueha? Kennedy. Nivel madelade inferior al medido. Rugosidad Optima 0.0140 Rugosidad Inicial 0.0080 Rugosidad Final 0.0140 ‘Tabla 5. Heraciones Prucha 2 Sistema netrodfuso. Iteracién | Rugosidad | Error Medio | 4 Rugosided I 7 a ‘o.0140 | 00000 | 0.000000 Figura §.Resuitados prucba 2 sister neurodifuso. Las pruebas en el sistema newadifusa para el caso en que se supone igual rugosidad en tedas la tuberfas fueron existosas; el numero de itaraciones necesarias para caliorar la red es menor al requerido por el sistema difuso construido por ensayo y error. Ce iqual forma écte presenta presenta mayor sensibilidad y el valor de Ie funcién objetivo en todas los casos siempre tiende a ce1o a medida que avenzan las iteracianes. Desde el punto de vista practico resulta mas conv eniante la utilizacién del sistema neurodifuso dado que cu implerartacién requiete menos tiempa y ce garantizan resultados satisfactorios. 5.3. Sistema de inferencia neurodifuso para redes con dos grupos de tuberias de distinto mate La calibracién de redes de alcantarillado considerando dos grupos de tuberias de distinto material es un problema con un nivel del complejidad elevado debido 2 que existe una alta interaccién entre los parametros, por tal motizo no puede ser resuslto mediante el smpleo de sistemas de inferencia difusa por carecer estos de capacidad de aprendizaje u adaptacion a las caracteristicas variables del sistema Precisamente una de las caracteristicas de los ANFIS es incorporar alos sistemas difuses la capacidad de aprendizaje, raz6n por la cual se disefié un sistema neuradituso para evaluar su idoneidad como heramients de calibracién de sistemas de alcantarillade 634. sistema Neurodifuso delta Concreto. El sistema de inferencia difusa obtenido para controlar la variacién de la tugosidad del concreto presenta quince conjunios para cada variable de entrads y de selida; en las de entrada las funciones de pertenenecia son de tivo gaussiano y las de salide son de tipa lineal, De igual forma el sistema cuenta con 15 reglas. En el sistoma definiivo, el error cuadratic medio obtenido os de 0.0018029; cin embargo, puede notarse que las salidas del madelo (rojo) no se lagran gjustar adecuadamente a los datos de entrenamienta (azuhFigura 10, Datos de entrenamiento y salidas del modelo neurodifuso delta concreto. 5.3.2, Sistema Neurodifuso delta PVC El sistema de inferencia difusa obtenido para controlar la variacién de la rugosidad del PVC presenta catorce conjuntos para cada variable de entrada y de salida; en las de entrada las funciones de pertenenecia ‘son de tipo gaussiano y las de salida son de tipo lineal, De igual forms el sistema cuenta con 14 regles. Enel sisterna definitive, el error cuadrético medio obtenido es de 0.0012836, nuevamente puede notarse que las salidass del modelo (rojo) no se logran ajustar adecuedamente a los datos de entrenamiento (ezul). Figura 11. Datos de entrenamiento y salidas del modelo neurodifuso delta PVC. En general e! sistema neurodifuso no logra adaptarse adecuadamente a las variaciones de la funcién objetivo debido a las tuertes interacciones que se presentan entre los parémetros. 6. Conclusiones La calibracién de los modelos hidréulicos de los sistemas de alcantarillado es una actividad fundamental ara que estos sean completamente funcionales, Es posible hacer coinoicir las salidas del modelo con las ediciones realizacas en campo mediante el ajuste de parémetros del modelo. ‘Suponiendo igual rugosidad para todas las tuberias, empleando légica difusa como algoritmo de optimizacién es posible obtener resultados satisfactorios en la calibracién de redes de alcantarilado. Cuando se consideran dos grupos de tuberias de distinta rugosidad, el uso de la légica difusa se ve limitado por la alta interaccién que presentan los parémetos y al no presentar esta capacided de aprendizaje u adaptacion, el problema se hace intratable por medio de ensayo y error debido a que courren reglas conflictivas que no permiten contar con un sistema dfuso consistent, Implementar un sistema cifuso por medio de ensayo y error con base en simulaciones realizadas en modelos o programas de computador es un proceso que consume mucho tiempo y no garantiza resultados 6ptimos. E| empleo de sistemas de inferencias difusa Neuroadaptativos es un proceso més eficiente dado ‘que estos mezclan la capacidad de aprendizaje de las redes neuronales con la facilidad de trabajo de los sistemas de inferencia difusa. En el caso en el que se supone Une misme rugosidad para todas las tuberias de a red, el uso de un sistema neurodifuso es mas conveniente que el sistema difuso desarroliado a pruebay error por la facilidad de implementacién, por la reduccién en el nimero de iteraciones neceserias para ‘obtener la calibracion de la red y por presentar mayor sensibilidad. En el caso en el que se consideran dos grupos de materiales distintos no es posible obtener resultados satisfactorios mediante el uso del ANFIS; la incapacidad de reproducir los datos de entrenemiento se debe a ia complejidad de las interacciones Presentadas entre los parémetros y por la limitacién de las redes neuronales de tender a estancarse en iminimos locales y no continusr el entrenamiento més alls de estos minimos 7. Bibliografia Butler, David, (2004). Urban Drainage. Second Edition. Spon Press Editors. London and New York. Chapra, Steven & Canale Raymond (2003). Métodos Numéricos para ingenieros. Editorial Mo Graw Hil México, DF, 2008. Clemens, FH.LR. (2001). Hydrodynamic Models in Urban Drainage: Application and calibration. PhD thesis. Technische Universiteit Detft, Delft Lara, Catlos (2007). Determinacién del estado de redes de alcantarillado y su necesidad 0 no de ser sometidas @ renovacién/rehabiltacién teniendo en cuenta su comportamiento hidréulico. Caso Ciudad de Tunja. Tesis de Magister en ingerietia Civil, Universidad de Los Andes Martin del Brio, Bonifacio & Sanz, Affedo. Redes Neuronales y Sistemas Difusos. Editorial Aifaomega Bogoté 2001 (Or0z00, Angélica (2005). Metodologia para la calibracién de modelos hidraulicos de alcantarilados. Tesis de Magister en Ingenieria Civil. Universidad de Los Andes. Salas, Daniel (2003). Evaluacién de métodos de inteligencia artificial para la calibraci6n de redes de acueducto. Tesis. Universidad de los Andes Walski, Thomas. Et al. (2006), Wastewater collection system modeling and design. Bentley Institute Press