Uso de algoritmos de machine learning para la predicción de formas de fondo
| dc.contributor.advisor | Toro Labbé, Juan Pablo | |
| dc.contributor.advisor | Peralta Márquez, Billy | |
| dc.contributor.author | Plaza Alvarado, Eduardo Ariel | |
| dc.contributor.editor | Facultad de Ingeniería | |
| dc.contributor.editor | Escuela de Obras Civiles | |
| dc.date.accessioned | 2023-01-19T15:12:52Z | |
| dc.date.available | 2023-01-19T15:12:52Z | |
| dc.date.issued | 2021 | |
| dc.description | Tesis (Ingeniero Civil) | es |
| dc.description.abstract | En ingeniería hidráulica, las formas de fondo que se generan en el fondo de un canal o río interactúan con obras hidráulicas, tales como pilares o cepas de puentes, de igual forma tienen un impacto importante en el transporte de sedimentos, por este motivo es de vital importancia poder conocerlas y predecirlas. En la actualidad existen diversos estudios relacionados con las formas de fondo, a menudo, estas se presentan como diagramas de fase o estabilidad, sin embargo, los parámetros hidrodinámicos y relacionados con los sedimentos son difíciles de capturar, por lo que estas metodologías presentan limitaciones importantes. Este trabajo presenta una metodología para predecir las formas de fondo dependiendo de las condiciones presentes en el flujo tales como el ancho, la pendiente, profundidad, caudal, diámetro medio de la partícula y la gravedad específica del sedimento. Para obtener los resultados de esta investigación, es decir, obtener la predicción de las formas de fondo generadas, se utilizó un algoritmo de machine learning ,una red neuronal. Este proceso dio resultados bastante altos al compararlos con las formas de fondo reales(acierto), con un porcentaje de formas de fondo correctamente predichas de un 74,11%, con una variación de +-1,943% y un F1 score de 71,40% con una variación de +-2,07%.Todas las clases de formas de fondo presentan un porcentaje de predicción superior al 65% a excepción de la transición que, al ser una mezcla entre las clases ripples y dunes, la baja en su porcentaje de predicción es esperable. | es |
| dc.description.abstract | In hydraulic engineering, the bottom shapes generated at the bottom of a channel or river interact with hydraulic works, such as piers or bridge stumps, also have an important impact on sediment transport, for this reason it is of vital importance to be able to know and predict them. Currently there are several studies related to bottom shapes, often these are presented as phase or stability diagrams, however, hydrodynamic and sediment-related parameters are difficult to capture, so these methodologies have important limitations.This paper presents a methodology to predict bottom shapes depending on the conditions present in the flow such as width, slope, depth, flow rate, mean particle diameter and specific gravity of the sediment. To obtain the results of this research, i.e., to obtain the prediction of the generated bottom shapes, a machine learning algorithm, a neural network, was used. This process gave quite high results when compared to the actual background shapes (hit), with a percentage of correctly predicted background shapes of 74.11%, with a variation of +-1.943% and an F1 score of 71.40% with a variation of +-2.07%. All the bottom shape classes have a prediction percentage higher than 65%, except for the transition, which, being a mixture of ripples and dunes, the drop in its prediction percentage is to be expected. | |
| dc.identifier.uri | https://repositorio.unab.cl/xmlui/handle/ria/36209 | |
| dc.language.iso | es | es |
| dc.publisher | Universidad Andrés Bello | es |
| dc.subject | Algoritmos Computacionales | es |
| dc.subject | Aprendizaje de Máquina | es |
| dc.title | Uso de algoritmos de machine learning para la predicción de formas de fondo | es |
| dc.type | Tesis | es |
Archivos
Bloque original
1 - 1 de 1
Cargando...
- Nombre:
- a140092_Plaza_E_Uso_de_algoritmos_de_machine_2021_Tesis.pdf
- Tamaño:
- 2.31 MB
- Formato:
- Adobe Portable Document Format
- Descripción:
- TEXTO COMPLETO EN ESPAÑOL
Bloque de licencias
1 - 1 de 1
No hay miniatura disponible
- Nombre:
- license.txt
- Tamaño:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción: