SD57 Instituto de Ingeniería de La Unam

Serie
DOCENCIA
Publicación arbitrada
Las Series del Instituto de Ingeniería describen los resultados de algunas de las
investigaciones más relevantes de esta institución. Con frecuencia son trabajos
in extenso de artículos que se publican en revistas especializadas, memorias de
congresos, etc.
Cada número de estas Series se edita con la aprobación técnica del Comité Editorial
del Instituto, basada en la evaluación de árbitros competentes en el tema, adscritos Metodologías recientes en el análisis de problemas
Metodologías recientes en el análisis de problemas fundamentales de hidrología e hidráulica en el siglo XXI

a instituciones del país y/o el extranjero.
Actualmente hay tres diferentes Series del Instituto de Ingeniería: fundamentales de hidrología e hidráulica en el siglo XXI
SERIE INVESTIGACIÓN Y DESARROLLO
Incluye trabajos originales sobre investigación y/o desarrollo tecnológico. Es ISBN: 978-607-02-4923-0
continuación de la Serie Azul u Ordinaria, publicada por el Instituto de Ingeniería
desde 1956, la cual actualmente tiene nueva presentación y admite textos en
español e inglés.
MARITZA LILIANA ARGANIS JUÁREZ
SERIE DOCENCIA
MARGARITA PRECIADO JIMÉNEZ
Está dedicada a temas especializados de cursos universitarios para facilitar a
estudiantes y profesores una mejor comprensión de ciertos temas importantes de JOSÉ LUIS HERRERA ALANÍS
los programas de estudio.
MARTÍN RUBÉN JIMÉNEZ MAGAÑA
SERIE MANUALES MARIO SOSA RODRÍGUEZ
Abarca manuales útiles para resolver problemas asociados con la práctica
profesional o textos que describen y explican el estado del arte o el estado de la ERNEST BLADÉ I CASTELLET
práctica en ciertos temas. Incluye normas, manuales de diseño y de laboratorio, RAMÓN DOMÍNGUEZ MORA
reglamentos, comentarios a normas y bases de datos.
ANAYELLY MIRELES GONZÁLEZ
Las Series del Instituto de Ingeniería pueden consultarse gratuitamente
desde la dirección electrónica del Instituto (II UNAM), http://www.ii.unam.mx
ELISEO CARRIZOSA ELIZONDO
(http://aplicaciones.iingen.unam.mx/ConsultasSPII/Buscarpublicacion. ALFREDO OCÓN GUTIERREZ
aspx) y pueden grabarse o imprimirse en formato PDF desde cualquier
computadora. ROBERTO MEJÍA ZERMEÑO
GEORGINA CORESTEIN
LUIS CEA
MARTÍ SÁNCHEZ JUNY
JOSEP DOLZ
SD-57
ABRIL 2015
D.R.© UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO, 2015
Instituto de Ingeniería, Ciudad Universitaria, CP 04360, México, DF
Primera edición, abril 2015
ISBN 978-607-02-4923-0
Metodologías recientes en el
análisis de problemas fundamentales
de hidrología e hidráulica en el
siglo XXI
Maritza Liliana Arganis Juárez1
Margarita Preciado Jiménez2
José Luis Herrera Alanís3
Martín Rubén Jiménez Magaña4
Mario Sosa Rodríguez4
Ernest Bladé I Castellet5
Ramón Domínguez Mora1
Anayelly Mireles González1
Eliseo Carrizosa Elizondo1
Alfredo Ocón Gutierrez2
Roberto Mejía Zermeño2
Georgina Corestein5
Luis Cea5
Martí Sánchez Juny5
Josep Dolz5
1
Instituto de Ingeniería , UNAM,2 Instituto Mexicano de Tecnología del Agua,3 Facultad de Estudios
Superiores Acatlán, 4Facultad de Estudios Superiores Aragón, 5 Instituto Flumen, Universidad Politécnica
de Catalunya, Barcelona, España
CONTENIDO
ABSTRACT iv
RESUMEN iv
PREFACIO v
Organización del trabajo v
1. INTRODUCCIÓN 1
2. GENERACIÓN SINTÉTICA DE SERIES SINTÉTICAS MENSUALES, DIARIAS Y
HORARIAS USANDO MODIFICACIONES DEL MÉTODO DE SVANIDZE 3
2.1 Introducción 3
2.2 Método de Svanidze 3
2.2.1 Método Svanidze modificado para generación de registros sintéticos 4
2.2.2 Método de Svanidze modificado con la variante para tomar en cuenta
eventos de invierno 7
2.3 Ejemplo de aplicación a una serie de volúmenes mensuales 8
2.4 Ejemplo de aplicación a dos series de volúmenes mensuales 17
2.5 Conclusiones 31
3. APLICACIÓN DE ALGORITMOS GENÉTICOS Y DE UN MÉTODO SIMPLEX
PARA DETERMINAR PARÁMETROS ÓPTIMOS DE FUNCIONES DE
DISTRIBUCIÓN DE PROBABILIDAD 32
3.1 Optimización por métodos tradicionales 33
3.2 Optimización por algoritmos genéticos 34
3.3 Optimización por el método Nelder-Mead 36
3.2.1 Reflexión 36
3.2.2 Expansión 36
3.2.3 Contracción 37
3.2.4 Encogimiento 37
3.4 Aplicación: optimización de la FDP Doble Gumbel 40
3.5 Conclusiones 46
4. DETECCIÓN DE FUGAS EN REDES DE DISTRIBUCIÓN DE AGUA POTABLE 48
4.1 Introducción 48
4.2 Estado del arte 50
i
4.3 Método propuesto 55
4.3.1 Consideraciones del AG para la detección de fugas 55
4.4 Consideraciones hidráulicas 58
4.5 Ejemplos de aplicación 59
4.5.1 Red que tiene un nodo con fuga 60
4.5.2 Red que tiene dos nodos con fuga 62
4.5.3 Red que tiene tres nodos con fuga 63
4.6 Conclusiones 63
5. MODELIZACIÓN BIDIMENSIONAL PARA EL TRÁNSITO DE AVENIDAS EN
CAUCES Y LLANURAS DE INUNDACIÓN. EL MODELO IBER 65
5.2 Modelización hidrodinámica 66
5.2.1 Ecuaciones hidrodinámicas 66
5.2.2 Fricción de fondo 67
5.2.3 Tensiones efectivas 68
5.2.4 Modelización de la turbulencia 70
5.2.5 Condiciones de contorno 72
5.2.6 Condiciones internas 76
5.2.7 Precipitación e infiltración 78
5.3 Modelización del transporte sólido no-estacionario 79
5.3.1 Ecuación de conservación del sedimento 79
5.3.2 Transporte de fondo 80
5.3.3 Módulo de transporte turbulento en suspensión 2D 83
5.4 Esquemas numéricos 85
5.4.1 Malla de cálculo 86
5.4.2 Discretización en volúmenes finitos de las ecuaciones 2D-SWE 87
5.4.3 Discretización de las ecuaciones de transporte en el modelo de
turbulencia k-ε, y en el modelo de transporte de sedimentos en suspensión 90
5.5 Capacidades de pre y post-proceso del modelo Iber 95
5.5.1 Preproceso 96
5.5.2 Postproceso 98
6. CAMBIO DE USO DE SUELO Y ACARREO DE SEDIMENTOS EN LA CUENCA
DEL RIO APATLACO 102
6.2 Metodología 103
ii
6.3 Aplicación y resultados 110
6.4 Conclusiones 122
7. REFERENCIAS 124
iii
ABSTRACT
This work presents some methodologies used since late last century and the first decades
of the twenty-first century to solve fundamental problems of hydraulics and hydrology
of surface, it can guide students and professionals in the Civil, Hydraulic Engineering and
hydrologists involved in design and planning water resources management.
RESUMEN
Este trabajo presenta algunas metodologías utilizadas desde finales del siglo pasado y
hasta las primeras décadas del siglo XXI para resolver problemas fundamentales de
hidráulica e hidrología de superficial que pueden servir de guía a estudiantes y
profesionales de la Ingeniería Civil, hidráulicos e hidrólogos involucrados en la
planeación, diseño y manejo de recursos hídricos.
iv
PREFACIO
Dentro de la hidrología y la hidráulica existen problemas fundamentales que poco a poco

se han comenzado a resolver con nuevas metodologías que toman algunos conceptos
de las herramientas tradicionales, pero a los que se les han añadido nuevos avances de
las matemáticas aplicadas y herramientas computacionales. Ejemplos de estos
problemas son la determinación de los parámetros de funciones de distribución
comúnmente empleadas en análisis hidrológicos, la generación de series de tiempo
sintéticas para hacer análisis de registros más grandes que los históricos, el diseño de
redes de agua potable y alcantarillado, el análisis del flujo bidimensional para analizar
corrientes superficiales y planicies de inundación, así como la modelación de formación
y modificación de meandros y el problema del transporte de sedimentos. Las
metodologías presentadas en esta serie implican el manejo de herramientas de la
probabilidad y estadística, así como de las ecuaciones fundamentales de la hidráulica,
de la mecánica de fluidos además de temas de cómputo evolutivo y algoritmos bio-
inspirados. La información que se proporciona da al lector una guía para el uso de estas
herramientas, al presentarse, para cada método, un ejemplo de aplicación práctica.
Organización del trabajo
Este trabajo está formado por seis capítulos, el primero de ellos hace una introducción
a las metodologías recientes que se describen en este documento; en el capítulo dos se
aborda la generación de registros sintéticos de series de tiempo mensuales usando una
variante del método de Svanidze modificado y una aplicación en el caso de dos series
mensuales de volúmenes de ingreso a dos embalses; el capítulo tres utiliza el método
de optimización Simplex de Nelder-Mead para obtener los parámetros de una función de
distribución de probabilidades, haciendo comparaciones con lo que se obtiene usando
otros procedimientos de optimización tradicionales; posteriormente se cuenta con el
capítulo cuatro de detección de fugas en redes de agua potable con el uso de algoritmos
genéticos; posteriormente se detalla el uso de un modelo bidimensional para el tránsito
de avenidas en cauces y planicies de inundación, utilizando el modelo Iber; finalmente,
el capítulo seis trata sobre el cambio de uso de suelo y del acarreo de sedimentos.
v
1. INTRODUCCIÓN
El objetivo de este trabajo es dar a conocer algunas herramientas metodológicas de uso

relativamente reciente en los campos de la Hidrología y la Hidráulica, mediante su
aplicación a algunos problemas prácticos. Algunas de estas herramientas fueron
planteadas hace bastante tiempo, pero su aplicación se ha desarrollado ahora con el
advenimiento de los grandes avances en la capacidad de cómputo así como con el
desarrollo de los Sistemas de Información Geográfica (SIG).
Dentro de las herramientas que se describen están los algoritmos genéticos (AG) y el
método de optimización Simplex de Nelder-Mead, los cuales permiten obtener los
parámetros de una función predeterminada, de manera que se haga óptima una
determinada función objetivo. El uso de los algoritmos genéticos se ejemplifica
utilizándolos para resolver un problema de detección de fugas en redes de agua potable
y para obtener los parámetros de un modelo para estimar el volumen de acarreo de
sedimentos a la salida de una cuenca a partir del volumen de escurrimiento y de algunos
parámetros característicos de la cuenca. En el caso del método de optimización Simplex
de Nelder-Mead se utiliza como ejemplo el cálculo de los parámetros de una función de
distribución de probabilidades Gumbel Mixta, de manera de hacer mínimo el error
cuadrático entre los valores determinados empíricamente a partir de mediciones de
gastos máximos anuales y los valores estimados con la función de distribución.
Se presenta también la técnica de la programación genética (PG) cuya principal ventaja

radica en la posibilidad de crear modelos matemáticos para la descripción de las
relaciones entre diversas variables utilizando operadores prefijados por quien realiza el
estudio, principalmente operadores de tipo aritmético (+,-,*,/,…) y funciones
trascendentes( sin, cos, tan, ln, exp…). Esta técnica se utiliza también para estimar el
volumen de acarreo de sedimentos a la salida de una cuenca, pero a diferencia del caso
de los AG, el algoritmo encuentra la mejor función utilizando, en este caso, operadores
de tipo aritmético.
Un problema tradicional de la hidrología es el de la generación de registros sintéticos,

de tal manera que se han desarrollado una gran cantidad de métodos con ese objetivo.
En este trabajo se presentan desarrollos inspirados en el método de descomposición de
Svanidze y una aplicación en la generación de series mensuales de volúmenes de ingreso
simultáneo a dos embalses del noroeste de la República Mexicana, en donde la presencia
ocasional de escurrimientos extraordinarios en el invierno invalida la hipótesis
fundamental de los métodos de descomposición, que implica la independencia entre los
1
valores que se utilizan como base para después ser descompuesto (en este caso la suma
de los volúmenes de ingreso anual) y la forma en que éstos se descomponen en sus
elementos (en este caso los volúmenes mensuales de ingreso a cada una de las presas).
Al desarrollar la aplicación se presentan las modificaciones a la concepción original del
método que permiten ajustarlo para que la hipótesis de independencia sea válida al
menos desde un punto de vista práctico.
El desarrollo de los Sistemas de Información Geográfica, de la topografía detallada en

grandes extensiones con metodología tipo LIDAR (Light Detection and Ranging) y de la
velocidad de cómputo, hacen pensar que los procesos que ocurren desde que llueve
hasta que el flujo llega a las partes bajas de una cuenca, van a modelarse cada vez más
utilizando ecuaciones de la Hidráulica, evitando las simplificaciones inherentes a los
modelos hidrológicos. Por ello, en este trabajo se presenta un modelo que permite el
análisis del flujo bidimensional en corrientes superficiales y planicies de inundación, así
como el transporte de sedimentos y la formación y modificación de meandros.
2
2. GENERACIÓN SINTÉTICA DE SERIES SINTÉTICAS MENSUALES,
DIARIAS Y HORARIAS USANDO MODIFICACIONES DEL MÉTODO DE
SVANIDZE
Arganis-Juárez M.L., Domínguez-Mora R., Mireles-González A. Carrizosa-Elizondo E.
Instituto de Ingeniería. Universidad Nacional Autónoma de México
2.1 Introducción
En el análisis de series de tiempo existen numerosas metodologías para obtener registros

sintéticos a partir del registro histórico, tanto de series anuales como de series periódicas
(semestrales, mensuales, diarias); entre estos métodos cabe destacar los modelos
autorregresivos de promedios móviles ARMA (Salas et al., 1988), modelos ARIMA y de
Thomas Fiering (Yurekly et al., 2004), el método de Fragmentos de Svanidze (Svanidze,
1980).
Los métodos ARMA tienen el inconveniente de que su aplicación se limita a series de

datos cuya distribución debe ser normal y aunque existen técnicas para efectuar una
transformación normalizante a la serie original, tales como el cálculo del logaritmo
natural o el método de Box y Cox (Escalante, 2002), por tratarse de transformaciones
no lineales, al aplicar la transformación inversa se incurre en una deformación de los
resultados finales no obteniéndose una similitud entre el registro histórico y el sintético
(Arganis, J. M. L., 2004).
El uso de series de tiempo con longitud más grande que el registro histórico es de gran
utilidad en hidrología ya que cuando dichas series son simuladas permiten definir el
comportamiento estadístico del fenómeno analizado en el largo plazo. En este capítulo
se describen variantes del método de Svanidze para la generación de series de tiempo
mensual, diaria y horaria.
2.2 Método de Svanidze
El método de Svanidze permite generar series sintéticas de igual o mayor longitud que
la serie histórica considerada. La serie pueden ser registros mensuales, diarias o
inclusive horarias, o tomar en cuenta etapas en la que se considere dividido el año. El
método es relativamente sencillo ya que solo considera la fracción de cada etapa del año
respecto al total anual (si es el caso de volúmenes, por ejemplo; si se tratara de valores
3
que no se acumulan en el año, la fracción puede obtenerse respecto a la media anual).
Por otro lado considera la función de distribución de la serie anual de valores totales o
de valores promedio y se realiza una doble selección aleatoria en la que se determina
por una parte un volumen total o un promedio anual sintético y, por otra parte, la forma
aleatoria de las fracciones que corresponderían al año sintéticamente generado.
Posteriormente se obtienen los valores de cada etapa del año sintético al multiplicar el
volumen total o promedio anual sintético por la fracción aleatoria seleccionada. Este
proceso se repite n veces para obtener una serie de n años de registro.
La ventaja de este método es que solo se necesita un algoritmo de selección del tipo
ruleta Montecarlo para la realización del doble procedimiento aleatorio; su principal
desventaja radica en que no siempre se logran reproducir las correlaciones entre la
última etapa del año aleatorio i con la primera etapa del año aleatorio i+1, por la forma
en que dicho método selecciona a las fracciones.
2.2.1 Método Svanidze modificado para generación de registros sintéticos
El método de Svanidze modificado tiene la ventaja de que no se requiere que los datos
sean normales y que logra reproducir las autocorrelaciones y las correlaciones cruzadas.
El problema que tiene es la preservación de la correlación entre el último periodo del
año i y el primer periodo del año i+1; pero lo anterior se resuelve identificando los
periodos de más baja correlación y redefiniendo los años (en lugar de usar años
cronológicos, se utilizan años hidrológicos).
Los datos de entrada al proceso son las n series periódicas históricas analizadas
(Fig 2.1);
4
Fig 2.1 Datos históricos de n series de tiempo
Se calculan los totales anuales para cada serie es decir
12
VTik  VM ik (2.1)
m 1
Adicionalmente se determina la suma de los n totales para cada año:
n
SVTi   VTik (2.2)
k 1
donde
SVTi es la suma de los volúmenes totales anuales de las n series en el año i
[L3],
5
VTik es el volumen total del año i de la serie k [L3].
Para cada una de las series se obtiene la fracción del ingreso mensual con respecto al
total anual es decir:
VM ik
FVM ik 
VTik (2.3)
donde VTik es el volumen total del año i de la serie k [L3], VMik es el volumen mensual
del año i de la serie k [L3] y FVMik es la fracción del volumen mensual con respecto al
volumen total VTik.
En forma adicional se determina, para cada total anual de cada serie, el porcentaje con
respecto al total suma.
VTik
FVik 
SVTi (2.4)
Donde FVik es la fracción del volumen total del año i de la serie k respecto a SVTi.
A la serie anual formada por la suma de los n totales se le hace un análisis estadístico
para determinar la función de distribución de probabilidades de mejor ajuste (Fig 2.2);
un criterio para la selección es el menor error estándar de ajuste. Para esto se usa el
programa de Ajuste de Funciones de Probabilidad AX (Jiménez, 1996). 10000
1000
2000
5000
Tr,
1.01
1.11
1.25
100
200
500
10
20
50
2
años
30000
V, millones de m³
25000
20000
15000
10000
5000
-2 -1 0 1 2 3 4 5 6 7 8 9 10
Variable Reducida, Z=-ln[ ln( Tr / (Tr-1) ) ]
calculados medidos
Fig 2.2 Ejemplo de ajuste a la función de distribución del registro total anual suma
Se realiza un doble procedimiento aleatorio; el primero de ellos consiste en utilizar la

función de distribución de mejor ajuste, con la que se obtienen m valores aleatorios de
la suma de los n volúmenes totales anuales. El segundo procedimiento es la selección
6
aleatoria de entre m años históricos, con un procedimiento tipo ruleta o de Montecarlo,
para obtener el porcentaje sintético tanto de los totales anuales de cada serie, como las
fracciones mensuales correspondientes (Fig 2.3).
Fig 2.3 Doble selección aleatoria
Se obtienen los totales anuales sintéticos para cada serie multiplicando el volumen total
suma aleatorio por el porcentaje correspondiente al año seleccionado aleatoriamente.
Se multiplica el total anual sintético de cada serie por las fracciones mensuales
correspondientes al año seleccionado, con lo que se determinan las m series periódicas
sintéticas.
El Método de Svanidze modificado ha sido utilizado con éxito en la generación sintética

de los volúmenes de escurrimiento de sistemas de presas que operan en cascada
(Domínguez, 2001, 2005, 2008).
2.2.2 Método de Svanidze modificado con la variante para tomar en cuenta

eventos de invierno
En ocasiones el método de Svanidze modificado no logra reproducir adecuadamente los

primeros momentos de la serie original, ante la presencia de totales anuales históricos
que llegan a considerablemente mayores que la media. Esta deficiencia se logra superar
al dividir a la serie en grupos de años, identificando los años de valores mayores o
iguales que un umbral previamente establecido y los que sean menores que dicho
umbral. Posteriormente a cada total anual sintético se le compara contra este umbral,
si el valor sintético supera o es igual al umbral se realiza la selección aleatoria de los
7
fragmentos del grupo de años históricos que supera al umbral y si el dato anual sintético
es menor que el umbral, la selección aleatoria del fragmento se realiza del grupo de años
históricos inferiores al umbral (Fig 2.4). Con esta modificación se logra una mejora
considerable en el comportamiento estadístico de las series sintéticas obtenidas.
Fig 2.4 Selección aleatoria de fracciones para tomar en cuenta eventos de invierno.
Donde n es el número de años del registro, m años con influencia del invierno
(población 1) y n-m son los años sin influencia de invierno (población 2)
2.3 Ejemplo de aplicación a una serie de volúmenes mensuales
Se aplicó el método Svanidze modificado a los datos de los ingresos mensuales por
cuenca propia de la presa La Angostura, Son. Los datos que se emplearon como base se
muestran en la Tabla 2.1. Se identificaron los meses con el valor más bajo del coeficiente
de correlación.
8
Tabla 2.1 Serie mensual (ingresos en hm³). estadísticos media, desviación estándar,
coeficiente de asimetría y coeficiente de correlación
AÑO OCT NOV DIC ENE FEB MAR ABR MAY JUN JUL AGO SEP ANUAL
1964 46.25 7.97 7.33 13.78 52.43 21.55 13.10 7.60 9.98 64.49 40.87 60.24 345.57
1965 9.97 1.87 249.76 69.15 87.25 50.16 29.30 0.00 0.00 91.43 276.00 61.39 926.27
1966 51.69 21.29 10.18 5.27 0.00 3.35 1.94 1.27 0.00 74.64 103.90 28.79 302.31
1967 7.34 40.71 542.24 136.01 215.95 288.16 42.05 9.96 6.60 15.37 77.55 25.85 1407.78
1968 0.82 4.22 15.51 15.55 12.73 7.60 4.69 4.74 1.87 67.41 69.94 54.25 259.34
1969 36.28 29.62 35.67 11.38 6.98 17.79 3.48 0.00 0.00 15.95 147.58 45.37 350.09
1970 11.67 6.23 6.28 7.27 5.67 7.41 3.08 2.73 0.00 59.34 98.37 16.27 224.31
1971 47.33 38.66 48.97 26.50 1.32 0.00 0.86 0.00 6.81 30.81 118.82 94.94 415.02
1972 66.53 67.34 20.59 180.77 262.35 180.74 31.66 19.62 5.82 62.09 7.57 5.53 910.60
1973 7.70 0.03 0.00 0.04 4.48 11.91 6.12 0.00 0.16 48.28 81.80 24.88 185.38
1974 18.52 47.98 8.53 10.22 66.95 7.23 8.00 0.00 2.05 89.05 34.75 59.14 352.41
1975 4.28 0.00 0.00 30.00 99.82 0.00 2.85 4.12 0.00 132.14 56.40 61.87 391.49
1976 44.20 17.87 8.26 60.64 20.96 7.25 0.00 0.00 0.00 100.32 142.53 52.11 454.14
1977 115.26 12.47 4.20 27.78 65.46 390.24 42.30 19.57 5.83 13.49 44.40 6.76 747.77
1978 54.00 45.66 182.95 527.59 117.57 30.02 36.39 21.19 5.99 13.50 70.01 0.00 1104.87
1979 6.22 7.61 14.18 2.63 32.87 5.17 0.00 0.96 1.55 26.31 58.11 33.43 189.03
1980 5.05 1.65 4.61 34.59 20.21 127.03 14.83 9.17 4.43 109.45 142.29 35.71 509.01
1981 24.34 11.92 31.34 32.27 1.51 5.28 0.27 0.00 0.00 14.96 39.27 57.65 218.80
1982 2.92 1.99 157.04 65.46 217.58 279.58 115.15 26.66 7.18 12.15 56.92 60.44 1003.06
1983 95.62 54.33 100.43 17.26 5.19 0.00 0.00 4.17 2.93 39.35 297.48 50.63 667.38
1984 40.03 24.10 518.30 166.39 106.22 44.76 33.26 23.67 0.06 18.27 92.84 36.19 1104.07
1985 90.39 14.97 17.12 6.37 41.85 15.11 17.34 11.23 17.86 192.80 136.56 81.07 642.66
1986 20.21 18.49 161.32 28.88 18.12 21.92 13.54 16.89 13.63 5.64 108.04 31.12 457.80
1987 0.00 0.00 20.93 29.04 28.34 0.00 0.00 0.79 1.90 62.69 297.80 73.97 515.45
1988 30.54 6.27 7.91 13.78 13.24 9.35 4.91 7.66 4.95 5.66 110.72 69.82 284.80
1989 0.71 0.00 3.86 22.58 43.18 19.87 9.44 3.92 0.00 153.08 266.14 50.33 573.11
1990 56.22 18.69 92.83 87.24 46.91 203.97 16.91 3.12 6.21 35.33 124.72 120.14 812.28
1991 13.45 7.65 199.78 307.95 78.37 85.44 36.36 9.13 8.12 21.60 43.89 16.19 827.93
1992 5.62 0.00 42.94 477.61 170.22 67.36 20.84 9.23 3.32 60.24 120.62 83.62 1061.62
1993 18.13 22.45 41.26 20.14 20.61 11.65 0.00 0.00 2.60 8.54 23.01 43.42 211.80
1994 2.35 85.56 269.65 39.86 333.04 33.33 12.90 5.87 5.77 7.71 27.76 40.97 864.76
1995 7.34 7.24 7.64 5.37 5.43 4.09 0.42 0.00 0.92 53.36 44.15 62.47 198.42
1996 4.23 8.85 8.54 9.29 5.11 21.07 3.79 0.00 3.53 3.25 67.44 19.27 154.38
1997 4.83 16.41 95.39 66.88 104.94 86.85 47.02 16.97 0.00 42.92 54.76 6.00 542.97
1998 5.34 3.81 3.21 3.08 2.90 0.32 0.00 0.00 0.00 126.14 202.76 41.09 388.65
1999 0.98 0.80 0.38 4.29 3.34 0.60 0.00 0.00 0.00 61.61 81.20 12.73 165.92
2000 66.35 109.65 17.78 21.20 79.32 18.97 6.64 0.00 0.00 66.80 114.60 19.00 520.31
2001 8.23 0.92 1.10 2.08 67.13 15.91 5.69 2.01 2.27 9.79 89.47 18.30 222.90
2002 2.73 5.99 11.29 10.93 19.74 29.77 5.05 0.00 0.00 1.62 6.34 3.24 96.70
2003 0.00 0.00 2.55 3.78 5.30 13.70 6.03 0.00 0.83 17.43 53.30 6.95 109.88
2004 6.36 30.85 85.67 270.98 237.07 21.19 1.61 3.26 8.36 2.17 95.12 54.84 817.49
2005 22.17 13.84 41.05 -1.09 4.49 0.42 0.26 1.89 3.29 27.44 165.15 114.40 393.32
2006 6.15 0.29 -0.17 18.41 24.43 4.71 0.62 8.07 2.61 29.22 189.00 69.32 352.65
2007 7.05 3.37 79.69 17.05 36.71 1.56 0.26 0.69 0.69 75.38 161.68 70.33 454.46
2008 11.59 2.37 0.38 1.05 0.09 1.12 0.13 0.62 1.16 40.51 44.35 18.98 122.34
2009 118.28 9.33 6.22 165.48 157.04 33.38 5.71 2.13 3.25 94.56 122.91 44.57 762.86
Media 26.20 18.07 69.23 66.80 64.14 47.98 13.15 5.63 3.32 50.09 104.54 44.42 513.57
Desv. 31.29 23.70 120.68 116.62 80.10 85.66 20.50 7.32 3.90 43.80 72.75 28.73 321.90
C.A. 1.56 2.14 2.76 2.76 1.71 2.63 3.11 1.44 1.69 1.23 1.24 0.57 0.80
C.V. 1.19 1.31 1.74 1.75 1.25 1.79 1.56 1.30 1.18 0.87 0.70 0.65 0.63
ji+1,ji 0.37 0.27 0.35 0.51 0.44 0.73 0.79 0.46 -0.01 0.39 0.41 0.04
De acuerdo con la tabla de arriba, se obtuvo un coeficiente de correlación menor entre

el mes de junio y julio. Por lo tanto se decidió trabajar con un año hidrológico, cuyo mes
inicial es julio y el mes final es junio (Tabla 2.2). El total de años considerados fue 45.
9
Tabla 2.2 Año hidrológico (ingresos en hm³). estadísticos media, desviación estándar,
coeficiente de asimetría y coeficiente de correlación
AÑO JUL AGO SEP OCT NOV DIC ENE FEB MAR ABR MAY JUN ANUAL
1965 64.49 40.87 60.24 9.97 1.87 249.76 69.15 87.25 50.16 29.30 0.00 0.00 663.05
1966 91.43 276.00 61.39 51.69 21.29 10.18 5.27 0.00 3.35 1.94 1.27 0.00 523.80
1967 74.64 103.90 28.79 7.34 40.71 542.24 136.01 215.95 288.16 42.05 9.96 6.60 1496.35
1968 15.37 77.55 25.85 0.82 4.22 15.51 15.55 12.73 7.60 4.69 4.74 1.87 186.50
1969 67.41 69.94 54.25 36.28 29.62 35.67 11.38 6.98 17.79 3.48 0.00 0.00 332.79
1970 15.95 147.58 45.37 11.67 6.23 6.28 7.27 5.67 7.41 3.08 2.73 0.00 259.23
1971 59.34 98.37 16.27 47.33 38.66 48.97 26.50 1.32 0.00 0.86 0.00 6.81 344.43
1972 30.81 118.82 94.94 66.53 67.34 20.59 180.77 262.35 180.74 31.66 19.62 5.82 1079.98
1973 62.09 7.57 5.53 7.70 0.03 0.00 0.04 4.48 11.91 6.12 0.00 0.16 105.61
1974 48.28 81.80 24.88 18.52 47.98 8.53 10.22 66.95 7.23 8.00 0.00 2.05 324.43
1975 89.05 34.75 59.14 4.28 0.00 0.00 30.00 99.82 0.00 2.85 4.12 0.00 324.00
1976 132.14 56.40 61.87 44.20 17.87 8.26 60.64 20.96 7.25 0.00 0.00 0.00 409.60
1977 100.32 142.53 52.11 115.26 12.47 4.20 27.78 65.46 390.24 42.30 19.57 5.83 978.07
1978 13.49 44.40 6.76 54.00 45.66 182.95 527.59 117.57 30.02 36.39 21.19 5.99 1086.02
1979 13.50 70.01 0.00 6.22 7.61 14.18 2.63 32.87 5.17 0.00 0.96 1.55 154.69
1980 26.31 58.11 33.43 5.05 1.65 4.61 34.59 20.21 127.03 14.83 9.17 4.43 339.40
1981 109.45 142.29 35.71 24.34 11.92 31.34 32.27 1.51 5.28 0.27 0.00 0.00 394.38
1982 14.96 39.27 57.65 2.92 1.99 157.04 65.46 217.58 279.58 115.15 26.66 7.18 985.42
1983 12.15 56.92 60.44 95.62 54.33 100.43 17.26 5.19 0.00 0.00 4.17 2.93 409.43
1984 39.35 297.48 50.63 40.03 24.10 518.30 166.39 106.22 44.76 33.26 23.67 0.06 1344.24
1985 18.27 92.84 36.19 90.39 14.97 17.12 6.37 41.85 15.11 17.34 11.23 17.86 379.54
1986 192.80 136.56 81.07 20.21 18.49 161.32 28.88 18.12 21.92 13.54 16.89 13.63 723.43
1987 5.64 108.04 31.12 0.00 0.00 20.93 29.04 28.34 0.00 0.00 0.79 1.90 225.79
1988 62.69 297.80 73.97 30.54 6.27 7.91 13.78 13.24 9.35 4.91 7.66 4.95 533.06
1989 5.66 110.72 69.82 0.71 0.00 3.86 22.58 43.18 19.87 9.44 3.92 0.00 289.76
1990 153.08 266.14 50.33 56.22 18.69 92.83 87.24 46.91 203.97 16.91 3.12 6.21 1001.64
1991 35.33 124.72 120.14 13.45 7.65 199.78 307.95 78.37 85.44 36.36 9.13 8.12 1026.44
1992 21.60 43.89 16.19 5.62 0.00 42.94 477.61 170.22 67.36 20.84 9.23 3.32 878.82
1993 60.24 120.62 83.62 18.13 22.45 41.26 20.14 20.61 11.65 0.00 0.00 2.60 401.31
1994 8.54 23.01 43.42 2.35 85.56 269.65 39.86 333.04 33.33 12.90 5.87 5.77 863.29
1995 7.71 27.76 40.97 7.34 7.24 7.64 5.37 5.43 4.09 0.42 0.00 0.92 114.88
1996 53.36 44.15 62.47 4.23 8.85 8.54 9.29 5.11 21.07 3.79 0.00 3.53 224.41
1997 3.25 67.44 19.27 4.83 16.41 95.39 66.88 104.94 86.85 47.02 16.97 0.00 529.24
1998 42.92 54.76 6.00 5.34 3.81 3.21 3.08 2.90 0.32 0.00 0.00 0.00 122.34
1999 126.14 202.76 41.09 0.98 0.80 0.38 4.29 3.34 0.60 0.00 0.00 0.00 380.37
2000 61.61 81.20 12.73 66.35 109.65 17.78 21.20 79.32 18.97 6.64 0.00 0.00 475.45
2001 66.80 114.60 19.00 8.23 0.92 1.10 2.08 67.13 15.91 5.69 2.01 2.27 305.74
2002 9.79 89.47 18.30 2.73 5.99 11.29 10.93 19.74 29.77 5.05 0.00 0.00 203.05
2003 1.62 6.34 3.24 0.00 0.00 2.55 3.78 5.30 13.70 6.03 0.00 0.83 43.40
2004 17.43 53.30 6.95 6.36 30.85 85.67 270.98 237.07 21.19 1.61 3.26 8.36 743.06
2005 2.17 95.12 54.84 22.17 13.84 41.05 -1.09 4.49 0.42 0.26 1.89 3.29 238.46
2006 27.44 165.15 114.40 6.15 0.29 -0.17 18.41 24.43 4.71 0.62 8.07 2.61 372.09
2007 29.22 189.00 69.32 7.05 3.37 79.69 17.05 36.71 1.56 0.26 0.69 0.69 434.61
2008 75.38 161.68 70.33 11.59 2.37 0.38 1.05 0.09 1.12 0.13 0.62 1.16 325.89
2009 40.51 44.35 18.98 118.28 9.33 6.22 165.48 157.04 33.38 5.71 2.13 3.25 604.66
Media 49.10 104.13 44.42 25.76 18.30 70.61 67.98 64.40 48.56 13.15 5.58 3.17 515.16
Desv. 43.77 73.52 29.05 31.50 23.92 121.68 117.66 80.98 86.54 20.73 7.40 3.81 349.35
C.A 1.31 1.24 0.56 1.60 2.10 2.73 2.72 1.69 2.59 3.08 1.44 1.85 1.05
C.V 0.89 0.71 0.65 1.22 1.31 1.72 1.73 1.26 1.78 1.58 1.33 1.20 0.68
ji+1,ji 0.39 0.41 0.04 0.38 0.27 0.35 0.51 0.44 0.74 0.79 0.46 -0.03
Se realizó un análisis estadístico con ayuda del programa AX, por medio de un ajuste
manual se determinó que la función de mejor ajuste a los datos es la función de
distribución Doble Gumbel; (Aparicio, 1989) con parámetros 1=0.006728 1=276.2171
2=0.003 2=918.5 p=0.78.
10
10000
Tr,
1000
2000
5000
1.01
1.11
1.25
100
200
500
10
20
50
años
5
4000
3500
3000
V, millones de m³
2500
2000
1500
1000
500
0
-2 -1 0 1 2 3 4 5 6 7 8 9 10
Fig 2.5 Función Doble Gumbel, datos históricos y calculados
Con los parámetros obtenidos se generaron 10 series de 101 años cada una. La serie
número 1 se puede ver a continuación en la Tabla 2.3.
Posteriormente, se hizo un primer ensayo en la obtención de los años aleatorios. A partir

de ellos y de las fracciones aleatorias se obtuvo un nuevo registro de 101 años como el
de la Tabla 2.4.
Tabla 2.3 Serie 01 con 101 datos sintéticos generados
I xP F(XP) ALE ffin

1 1338.158 0.00000010 0.94500370 0.94500380
2 266.3958 -0.00000047 0.26818050 0.26818000
3 74.19586 -0.00000002 0.01587421 0.01587419
4 134.9091 0.00000041 0.05862069 0.05862110
5 683.6033 -0.00000061 0.76039830 0.76039770
6 171.0498 -0.00000043 0.10251410 0.10251370
7 1198.616 -0.00000080 0.92132050 0.92131970
8 317.8787 0.00000007 0.36694000 0.36694010
9 62.27493 -0.00000010 0.01146573 0.01146563
10 146.5404 -0.00000005 0.07123578 0.07123573
. . . . .
. . . . .
. . . . .
90 394.4099 0.00000034 0.49844090 0.49844120
91 537.8604 0.00000095 0.66640170 0.66640260
92 456.1925 0.00000066 0.58311250 0.58311310
93 261.479 -0.00000014 0.25870030 0.25870020
94 1067.524 0.00000018 0.89227620 0.89227630
95 229.3009 -0.00000002 0.19803050 0.19803050
96 168.3891 0.00000043 0.09882164 0.09882206
97 498.364 -0.00000082 0.62978570 0.62978490
98 269.6049 -0.00000062 0.27438130 0.27438070
99 814.6953 -0.00000025 0.81563120 0.81563100
100 232.6989 -0.00000095 0.20427160 0.20427060
101 565.6528 -0.00000013 0.68868010 0.68868000
Media 212.627
Desv. 477.518
C.A. 2.004
C.V. 2.246
11
Tabla 2.4 Registro sintético a partir de la serie 01. estadísticos media, desviación
estándar, coeficiente de asimetría y coeficiente de correlación
AÑO JUL AGO SEP OCT NOV DIC ENE FEB MAR ABR MAY JUN TOTAL
1 31.45 95.95 12.58 11.51 55.53 154.29 488.03 426.87 38.14 2.94 5.89 15.05 1338.22
2 25.92 16.41 24.19 4.00 0.75 100.35 27.79 35.06 20.17 11.77 0.00 0.00 266.40
3 43.62 5.32 3.89 5.41 0.02 0.00 0.02 3.15 8.36 4.30 0.00 0.11 74.20
4 3.37 64.55 18.59 0.00 0.00 12.51 17.35 16.93 0.00 0.00 0.47 1.14 134.91
5 162.56 134.46 190.32 12.92 26.93 26.05 28.30 15.59 64.19 11.55 0.00 10.76 683.63
6 5.88 20.78 20.01 2.24 1.28 33.29 51.31 13.07 14.23 6.06 1.52 1.35 171.03
7 41.23 145.63 140.24 15.70 8.99 233.25 359.58 91.57 99.72 42.43 10.67 9.48 1198.50
8 15.86 22.06 6.10 1.56 8.65 115.20 28.90 45.87 61.22 8.93 2.13 1.40 317.88
9 4.59 27.64 19.14 1.03 0.05 0.03 3.08 4.09 0.79 0.11 1.35 0.44 62.34
10 40.66 52.87 13.26 9.04 4.43 11.65 11.99 0.56 1.96 0.10 0.00 0.00 146.53
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
90 68.82 207.81 46.22 38.93 16.01 7.65 3.98 0.00 2.52 1.46 0.95 0.00 394.37
91 39.64 238.76 165.34 8.87 0.43 0.27 26.62 35.34 6.83 0.91 11.67 3.77 538.46
92 125.36 48.90 83.26 6.02 0.00 0.00 42.24 140.55 0.00 4.01 5.79 0.00 456.15
93 13.05 18.15 5.02 1.28 7.11 94.76 23.77 37.73 50.36 7.35 1.75 1.15 261.48
94 109.53 155.54 56.90 125.75 13.66 4.59 30.32 71.42 425.94 46.22 21.35 6.36 1067.58
95 2.27 6.12 11.53 0.62 22.72 71.63 10.59 88.46 8.85 3.42 1.56 1.53 229.32
96 12.41 74.75 51.76 2.78 0.13 0.08 8.34 11.06 2.14 0.29 3.65 1.18 168.58
97 33.44 120.45 177.72 31.85 31.40 33.14 23.27 23.57 17.74 1.84 0.00 4.01 498.44
98 64.11 53.03 75.06 5.10 10.62 10.27 11.16 6.15 25.32 4.56 0.00 4.24 269.62
99 7.41 324.98 187.38 75.77 47.25 140.29 3.75 15.32 1.47 0.90 6.44 11.26 822.21
100 11.22 102.53 20.97 3.12 6.86 12.94 12.52 22.62 34.11 5.79 0.00 0.00 232.68
101 55.04 34.84 51.36 8.48 1.58 213.08 59.00 74.44 42.82 25.00 0.00 0.00 565.65
Media 51.59 119.85 54.38 24.05 17.79 45.84 46.54 52.77 35.37 10.07 4.09 3.45 465.78
Desv. 78.87 133.82 62.93 42.70 36.53 60.46 89.30 78.40 64.24 13.71 6.73 7.15 378.24
C.A. 4.16 2.26 2.32 4.02 5.56 1.89 3.46 4.22 4.29 2.21 3.55 5.70 2.19
C.V. 1.53 1.12 1.16 1.78 2.05 1.32 1.92 1.49 1.82 1.36 1.65 2.07 0.81
ji+1,ji 0.26 0.69 0.24 0.58 0.12 0.39 0.63 0.44 0.72 0.62 0.64 0.03
Con el registro se hizo una comparación entre los estadísticos e históricos. Lo cual resaltó
que los estadísticos no se reproducían adecuadamente por lo que se hizo un segundo
ensayo considerando dos grupos en los datos, el primero formado por los años que se
ven afectados por el invierno y el segundo por los años en los que eso no pasa. Por eso,
a continuación se observa un registro con los años acomodados en dos grupos separados
por un umbral establecido de 604.66. En Tabla 2.5 se observa que los datos marcados
en los meses de diciembre a marzo tienen un valor mayor al de la media de todo el mes.
12
Tabla 2.5 Registro considerando el invierno
AÑO JUL AGO SEP OCT NOV DIC ENE FEB MAR ABR MAY JUN ANUAL
1967 74.641 103.897 28.791 7.344 40.706 542.241 136.009 215.953 288.164 42.048 9.958 6.598 1496.35
1984 39.351 297.484 50.625 40.027 24.096 518.297 166.394 106.216 44.760 33.260 23.672 0.055 1344.24
1978 13.493 44.401 6.764 54.000 45.659 182.946 527.591 117.571 30.022 36.394 21.185 5.994 1086.02
1972 30.812 118.819 94.935 66.525 67.337 20.586 180.765 262.348 180.744 31.664 19.623 5.817 1079.98
1991 35.331 124.721 120.139 13.450 7.654 199.782 307.946 78.371 85.436 36.362 9.128 8.116 1026.44
1990 153.078 266.141 50.331 56.216 18.690 92.833 87.241 46.907 203.973 16.906 3.117 6.206 1001.64
1982 14.955 39.265 57.646 2.915 1.989 157.036 65.463 217.583 279.581 115.153 26.655 7.182 985.42
1977 100.319 142.526 52.112 115.262 12.474 4.195 27.783 65.461 390.237 42.303 19.569 5.826 978.07
1992 21.602 43.891 16.192 5.621 0.000 42.938 477.606 170.217 67.361 20.836 9.234 3.324 878.82
1994 8.535 23.014 43.420 2.353 85.558 269.654 39.857 333.038 33.328 12.899 5.865 5.768 863.29
2004 17.434 53.302 6.952 6.364 30.855 85.673 270.979 237.071 21.192 1.611 3.264 8.359 743.06
1986 192.797 136.558 81.070 20.212 18.490 161.317 28.882 18.123 21.922 13.541 16.893 13.626 723.43
1965 64.488 40.870 60.236 9.967 1.872 249.760 69.148 87.250 50.163 29.296 0.000 0.000 663.05
2009 40.510 44.348 18.980 118.285 9.332 6.223 165.483 157.035 33.377 5.707 2.130 3.251 604.66
1988 62.688 297.800 73.972 30.540 6.268 7.905 13.783 13.235 9.351 4.913 7.655 4.951 533.06
1997 3.246 67.441 19.267 4.832 16.406 95.388 66.877 104.939 86.849 47.023 16.972 0.000 529.24
1966 91.426 276.001 61.389 51.694 21.287 10.177 5.273 0.000 3.347 1.937 1.265 0.000 523.80
2000 61.609 81.204 12.726 66.354 109.648 17.784 21.203 79.315 18.966 6.641 0.000 0.000 475.45
2007 29.222 189.004 69.320 7.055 3.370 79.688 17.046 36.712 1.555 0.259 0.691 0.691 434.61
1976 132.140 56.402 61.873 44.198 17.865 8.264 60.637 20.963 7.254 0.000 0.000 0.000 409.60
1983 12.148 56.917 60.438 95.623 54.327 100.431 17.255 5.191 0.000 0.000 4.167 2.930 409.43
1993 60.239 120.620 83.622 18.126 22.453 41.258 20.139 20.605 11.649 0.000 0.000 2.602 401.31
1981 109.451 142.287 35.711 24.339 11.922 31.340 32.270 1.513 5.277 0.274 0.000 0.000 394.38
1999 126.145 202.762 41.085 0.978 0.798 0.379 4.290 3.339 0.596 0.000 0.000 0.000 380.37
1985 18.267 92.842 36.188 90.394 14.972 17.119 6.373 41.846 15.109 17.340 11.230 17.856 379.54
2006 27.439 165.153 114.395 6.151 0.285 -0.173 18.408 24.432 4.708 0.620 8.068 2.607 372.09
1971 59.339 98.369 16.273 47.331 38.659 48.973 26.500 1.323 0.000 0.861 0.000 6.805 344.43
1980 26.308 58.110 33.426 5.049 1.653 4.608 34.588 20.209 127.030 14.828 9.169 4.426 339.40
1969 67.406 69.944 54.247 36.282 29.623 35.665 11.376 6.979 17.793 3.479 0.000 0.000 332.79
2008 75.379 161.684 70.327 11.589 2.374 0.378 1.045 0.091 1.122 0.131 0.616 1.159 325.89
1974 48.275 81.799 24.882 18.521 47.980 8.528 10.221 66.945 7.231 7.996 0.000 2.054 324.43
1975 89.046 34.745 59.141 4.281 0.000 0.000 29.996 99.822 0.000 2.849 4.123 0.000 324.00
2001 66.800 114.600 19.000 8.231 0.924 1.104 2.084 67.130 15.909 5.687 2.007 2.268 305.74
1989 5.661 110.723 69.816 0.710 0.000 3.857 22.580 43.179 19.871 9.442 3.924 0.000 289.76
1970 15.952 147.576 45.369 11.668 6.229 6.278 7.272 5.667 7.410 3.080 2.727 0.000 259.23
2005 2.170 95.116 54.839 22.170 13.841 41.053 -1.089 4.494 0.420 0.261 1.887 3.295 238.46
1987 5.637 108.036 31.120 0.000 0.000 20.925 29.039 28.335 0.000 0.000 0.790 1.903 225.79
1996 53.361 44.150 62.472 4.232 8.849 8.543 9.291 5.113 21.071 3.790 0.000 3.533 224.41
2002 9.790 89.469 18.300 2.726 5.994 11.288 10.926 19.739 29.769 5.047 0.000 0.000 203.05
1968 15.365 77.549 25.848 0.820 4.224 15.510 15.554 12.733 7.602 4.687 4.737 1.872 186.50
1979 13.499 70.009 0.000 6.215 7.606 14.177 2.632 32.872 5.174 0.000 0.957 1.552 154.69
1998 42.922 54.762 5.996 5.342 3.805 3.214 3.081 2.899 0.320 0.000 0.000 0.000 122.34
1995 7.706 27.762 40.968 7.336 7.235 7.637 5.365 5.431 4.087 0.424 0.000 0.924 114.88
1973 62.086 7.572 5.531 7.696 0.030 0.000 0.035 4.479 11.905 6.115 0.000 0.159 105.61
2003 1.623 6.344 3.244 0.000 0.000 2.545 3.780 5.299 13.704 6.031 0.000 0.828 43.40
Media 49.104 104.133 44.422 25.756 18.296 70.607 67.977 64.399 48.563 13.149 5.584 3.167 515.159
Desv. 43.770 73.516 29.055 31.495 23.919 121.681 117.657 80.982 86.535 20.732 7.401 3.811 349.348
C.A. 1.312 1.244 0.560 1.604 2.104 2.725 2.719 1.686 2.587 3.076 1.442 1.852 1.048
C.V. 0.891 0.706 0.654 1.223 1.307 1.723 1.731 1.257 1.782 1.577 1.325 1.203 0.678
ji+1,ji 0.389 0.415 0.041 0.380 0.270 0.345 0.511 0.440 0.735 0.793 0.464 0.141
Se hizo un cambio en el algoritmo de selección aleatoria de años para que seleccionara

el año dependiendo del valor del volumen aleatorio; si el valor era mayor o igual al
umbral establecido seleccionaba un año de entre los de la población 1, formada por:
1967, 1984, 1978, 1972, 1991, 1990, 1982, 1977, 1992, 1994, 2004, 1986, 1965 y
2009. Mientras que si el valor era menor al del umbral seleccionaba años del resto de
los que componen el registro correspondiente a la población 2, lo anterior se observa en
la Tabla 2.6.
Con la nueva selección de años aleatorios y las nuevas fracciones aleatorias se

obtuvieron nuevos registros sintéticos de 101 años. También se hizo una comparación
entre los estadísticos de las series con los estadísticos del registro histórico considerando
el año hidrológico que inicia en julio y termina en el mes de junio. Se obtuvieron mejores
resultados, lo cual se ve en las Figs 2.6 a 2.10.
13
Tabla 2.6 Selección aleatoria de años considerando la influencia del invierno
I xp ALEATORIO AÑO
1 1338.158 13 1965
2 266.3958 15 1988
3 74.19586 20 1976
4 134.9091 30 2008
5 683.6033 10 1994
6 171.0498 33 2001
7 1198.616 9 1992
8 317.8787 16 1997
9 62.27493 43 1995
10 146.5404 26 2006
. . . .
. . . .
. . . .
90 394.4099 15 1988
91 537.8604 43 1995
92 456.1925 22 1993
93 261.479 16 1997
94 1067.524 4 1972
95 229.3009 35 1970
96 168.3891 43 1995
97 498.364 35 1970
98 269.6049 36 2005
99 814.6953 13 1965
100 232.6989 41 1979
101 565.6528 15 1988
Media 511.317
Desv. 477.518
C.A. 2.004
C.V. 0.934
Fig 2.6 Graficas comparativas de la media considerando un año hidrológico. La gráfica

superior muestra los resultados sin considerar el invierno, mientras que la de abajo
hace esa consideración
14
Fig 2.7 Graficas comparativas de la desviación estándar considerando un año
hidrológico. La gráfica superior muestra los resultados sin considerar el invierno,
mientras que la de abajo hace esa consideración
Fig 2.8 Gráficas comparativas del coeficiente de asimetría considerando un año

15
Fig 2.9 Graficas comparativas del coeficiente de variación considerando un año
Fig 2.10 Gráficas comparativas del coeficiente de variación considerando un año

mientras que la de abajo hace esa consideración.
16
2.4 Ejemplo de aplicación a dos series de volúmenes mensuales
Se cuenta con datos de volúmenes de ingreso por cuenca propia a las presas la Yesca y
Aguamilpa (Tablas 2.7 y 2.8).
Tabla 2.7 Volumen mensual año enero-diciembre histórico la yesca, hm3

AÑO ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC TOTAL
1981 60.27 50.99 55.64 56.69 82.23 198.46 931.66 500.21 434.70 120.57 103.03 135.60 2730.04
1982 67.71 50.33 46.44 58.87 64.03 65.57 508.73 366.77 130.33 75.64 57.91 54.83 1547.16
1983 36.84 22.43 17.42 14.26 20.31 297.98 1006.84 926.71 391.31 82.42 41.49 14.31 2872.32
1984 69.87 43.67 47.40 45.82 34.09 309.19 1195.98 1107.52 596.75 138.27 76.36 76.40 3741.31
1985 80.85 69.36 99.91 85.86 70.43 208.80 554.91 760.25 336.98 188.28 113.96 96.38 2665.98
1986 76.56 60.94 64.36 88.81 119.92 243.34 906.56 380.48 501.21 343.65 156.68 119.53 3062.02
1987 166.85 171.10 187.21 146.10 126.30 145.73 399.89 620.44 634.35 399.17 184.61 188.96 3370.72
1988 163.46 137.75 173.62 150.39 156.61 157.85 737.43 1625.02 578.61 164.24 98.59 89.24 4232.81
1989 163.09 81.27 64.74 51.11 40.91 49.74 173.07 436.12 296.26 76.82 65.91 68.19 1567.21
1990 126.44 112.23 81.14 77.20 81.36 155.99 572.75 2631.54 1025.06 443.06 154.70 69.40 5530.85
1991 73.91 43.17 62.76 68.07 52.89 108.28 4497.60 790.97 803.19 220.75 78.62 81.92 6882.13
1992 2298.80 598.21 135.50 136.87 126.01 120.71 204.73 430.94 319.59 586.88 129.39 473.85 5561.48
1993 99.30 79.61 92.16 74.26 75.14 182.16 785.14 266.42 479.03 161.71 105.98 64.16 2465.05
1994 64.77 54.01 78.74 139.83 108.34 186.48 180.32 238.63 466.72 163.01 96.34 89.52 1866.71
1995 61.13 58.79 89.95 82.17 67.68 209.58 643.24 1306.44 792.58 195.70 120.66 96.02 3723.93
1996 58.73 49.08 52.07 40.23 119.41 144.25 257.27 268.14 618.41 537.59 82.99 72.13 2300.32
1997 73.35 65.89 96.25 121.38 98.50 155.64 314.57 211.45 226.72 93.42 82.17 82.09 1621.43
1998 83.39 83.05 68.59 33.21 48.37 127.59 241.47 467.04 822.25 620.71 122.42 109.87 2827.95
1999 74.39 59.42 62.53 97.23 99.24 158.13 444.06 375.94 439.57 143.72 80.96 78.28 2113.46
2000 81.42 78.18 67.50 32.60 49.13 244.84 171.76 230.53 196.63 128.18 65.09 58.42 1404.27
2001 64.49 20.65 55.23 52.38 50.02 118.07 561.01 436.32 550.67 72.49 54.23 46.50 2082.06
2002 62.12 53.43 43.14 34.81 52.34 93.73 527.91 452.51 406.36 243.05 138.57 68.85 2176.82
2003 70.15 57.61 51.83 39.60 48.11 204.98 668.12 1262.24 1773.77 396.76 98.38 60.52 4732.06
2004 90.34 47.89 26.35 14.83 18.40 451.62 385.29 481.77 1726.51 589.85 102.91 85.25 4021.01
2005 75.59 70.97 56.43 38.25 29.05 54.12 279.37 438.27 379.99 140.29 173.23 71.17 1806.73
2006 58.95 55.93 57.12 50.38 54.71 121.79 229.17 659.10 337.82 337.99 91.01 77.93 2131.90
2007 50.82 28.79 38.36 29.37 45.47 225.07 931.26 1129.77 444.23 118.92 65.01 50.93 4073.24
2008 85.72 24.16 144.33 44.82 32.79 188.66 1327.83 1723.10 2292.09 219.87 78.23 59.62 9544.56
Media 162.12 83.18 75.60 68.05 70.42 176.01 701.35 733.02 642.92 250.11 100.69 94.28 3309.13
Desv. 420.05 106.11 40.89 39.85 36.40 84.67 810.16 562.94 503.75 172.89 36.36 80.86 1840.96
C.A. 5.24 4.55 1.39 0.84 0.66 1.26 4.05 1.81 2.11 1.00 0.69 4.12 1.77
C.V. 2.59 1.28 0.54 0.59 0.52 0.48 1.16 0.77 0.78 0.69 0.36 0.86 0.56
ri+1,ri 0.97 0.48 0.76 0.85 -0.23 0.01 0.21 0.51 0.40 0.47 0.40 -0.01
rxy 0.95 0.91 0.50 0.27 -0.17 0.71 0.56 0.87 0.47 0.58 -0.23 -0.20
17
Tabla 2.8 Volumen mensual año enero-diciembre histórico aguamilpa
1981 42.31 16.87 11.69 9.89 5.72 105.03 985.23 560.41 658.23 135.57 25.40 24.93 2581.28
1982 15.72 10.30 8.19 5.60 4.95 32.17 468.51 318.43 97.92 124.27 103.07 181.16 1370.29
1983 249.65 40.54 46.09 10.23 32.69 57.35 511.83 1059.15 888.76 155.90 61.58 24.80 3138.57
1984 44.98 65.37 12.13 8.14 11.52 218.42 1380.50 1032.11 322.20 101.60 35.96 25.95 3258.87
1985 362.42 34.93 16.70 9.75 6.78 246.36 333.05 843.31 302.23 124.02 30.61 50.17 2360.34
1986 6.91 10.66 1.09 0.45 1.42 134.47 428.90 437.39 504.96 239.66 0.10 0.16 1766.17
1987 720.69 172.86 85.26 19.41 14.67 47.05 512.97 841.12 485.91 202.86 6.62 39.38 3148.81
1988 21.86 12.87 10.48 8.61 5.65 155.71 575.09 1356.73 342.80 79.12 16.25 17.77 2602.95
1989 14.14 9.93 7.39 5.89 4.60 9.27 237.92 612.67 371.14 62.84 54.72 51.23 1441.74
1990 17.13 60.75 11.46 5.59 8.39 104.36 799.58 2798.45 1039.36 365.03 51.49 17.23 5278.83
1991 14.01 10.60 7.46 5.29 3.80 44.32 2016.66 739.05 1201.08 270.12 79.26 98.49 4490.14
1992 2339.83 385.21 86.64 21.24 0.65 30.08 251.98 413.70 300.61 0.67 57.01 0.11 3887.73
1993 0.50 1.60 0.90 0.98 1.56 0.19 407.56 213.52 804.65 84.88 54.27 6.57 1577.18
1994 28.43 11.89 30.46 0.65 6.26 60.42 107.38 389.37 340.68 352.68 27.60 11.08 1366.91
1995 36.15 18.42 40.51 7.54 19.68 78.19 2819.99 1694.36 1057.45 147.20 53.76 9.49 6839.14
1996 36.43 39.09 12.69 27.56 43.89 178.80 418.18 735.35 1014.03 1135.40 71.65 25.57 4536.20
1997 109.89 65.12 53.79 61.91 68.54 221.92 550.52 503.70 497.97 139.51 117.72 26.24 3140.13
1998 28.16 23.42 21.27 18.66 58.36 72.29 416.17 824.96 994.02 502.88 48.91 21.16 4027.53
1999 11.03 13.11 4.55 8.92 32.16 175.19 902.44 624.41 1090.22 130.35 10.84 12.19 4028.91
2000 16.81 5.73 5.46 5.12 5.63 220.30 233.41 279.24 153.35 79.29 19.68 16.42 1040.45
2001 15.90 4.88 4.82 5.18 5.40 54.80 376.00 463.71 420.20 8.36 15.83 16.83 1391.91
2002 8.81 32.78 27.82 0.13 7.37 102.21 718.76 1085.43 670.89 405.38 79.56 18.75 4066.60
2003 78.23 7.03 6.61 7.75 3.39 115.49 636.28 1636.68 397.72 435.09 57.41 14.17 5694.40
2004 79.69 9.82 0.38 8.95 57.50 400.87 570.37 1180.83 2698.27 338.06 57.35 37.99 6512.54
2005 43.48 113.03 0.30 0.65 17.39 20.26 503.08 918.47 516.40 139.32 36.78 26.24 3015.81
2006 8.24 43.00 7.01 16.83 8.43 75.18 148.91 359.18 252.03 212.35 36.78 26.24 2036.35
2007 22.51 12.90 12.69 4.38 179.97 114.55 534.67 572.14 468.49 85.87 36.78 26.24 4692.73
2008 78.23 16.31 12.69 8.95 15.37 132.26 860.25 1395.83 613.26 126.61 22.06 55.94 7886.29
Media 159.01 44.61 19.52 10.51 22.56 114.55 668.08 853.20 660.89 220.89 45.32 31.52 3470.67
Desv. 452.29 76.39 23.22 12.10 36.17 89.09 574.62 555.11 505.79 221.66 28.19 35.41 1807.51
C.A. 4.53 3.70 1.94 3.09 3.37 1.34 2.55 1.78 2.54 2.81 0.70 3.19 0.72
C.V. 2.84 1.71 1.19 1.15 1.60 0.78 0.86 0.65 0.77 1.00 0.62 1.12 0.52
ri+1,ri 0.94 0.74 0.49 0.26 0.25 0.00 0.41 0.33 0.34 0.25 0.44 0.39
A dichos datos históricos se les calcularon sus estadísticos identificando los meses de
más baja correlación, en este caso de junio a julio, con lo que se definió un año
hidrológico de julio del año i a junio del año i+1 (Tablas 2.9 y 2.10).
18
Tabla 2.9 Volumen mensual año hidrológico la yesca
1981 931.66 500.21 434.70 120.57 103.03 135.60 67.71 50.33 46.44 58.87 64.03 65.57 2578.71
1982 508.73 366.77 130.33 75.64 57.91 54.83 36.84 22.43 17.42 14.26 20.31 297.98 1603.46
1983 1006.84 926.71 391.31 82.42 41.49 14.31 69.87 43.67 47.40 45.82 34.09 309.19 3013.12
1984 1195.98 1107.52 596.75 138.27 76.36 76.40 80.85 69.36 99.91 85.86 70.43 208.80 3806.48
1985 554.91 760.25 336.98 188.28 113.96 96.38 76.56 60.94 64.36 88.81 119.92 243.34 2704.68
1986 906.56 380.48 501.21 343.65 156.68 119.53 166.85 171.10 187.21 146.10 126.30 145.73 3351.39
1987 399.89 620.44 634.35 399.17 184.61 188.96 163.46 137.75 173.62 150.39 156.61 157.85 3367.12
1988 737.43 1625.02 578.61 164.24 98.59 89.24 163.09 81.27 64.74 51.11 40.91 49.74 3743.98
1989 173.07 436.12 296.26 76.82 65.91 68.19 126.44 112.23 81.14 77.20 81.36 155.99 1750.70
1990 572.75 2631.54 1025.06 443.06 154.70 69.40 73.91 43.17 62.76 68.07 52.89 108.28 5305.57
1991 4497.60 790.97 803.19 220.75 78.62 81.92 2298.80 598.21 135.50 136.87 126.01 120.71 9889.15
1992 204.73 430.94 319.59 586.88 129.39 473.85 99.30 79.61 92.16 74.26 75.14 182.16 2748.00
1993 785.14 266.42 479.03 161.71 105.98 64.16 64.77 54.01 78.74 139.83 108.34 186.48 2494.60
1994 180.32 238.63 466.72 163.01 96.34 89.52 61.13 58.79 89.95 82.17 67.68 209.58 1803.83
1995 643.24 1306.44 792.58 195.70 120.66 96.02 58.73 49.08 52.07 40.23 119.41 144.25 3618.41
1996 257.27 268.14 618.41 537.59 82.99 72.13 73.35 65.89 96.25 121.38 98.50 155.64 2447.55
1997 314.57 211.45 226.72 93.42 82.17 82.09 83.39 83.05 68.59 33.21 48.37 127.59 1454.62
1998 241.47 467.04 822.25 620.71 122.42 109.87 74.39 59.42 62.53 97.23 99.24 158.13 2934.69
1999 444.06 375.94 439.57 143.72 80.96 78.28 81.42 78.18 67.50 32.60 49.13 244.84 2116.19
2000 171.76 230.53 196.63 128.18 65.09 58.42 64.49 20.65 55.23 52.38 50.02 118.07 1211.44
2001 561.01 436.32 550.67 72.49 54.23 46.50 62.12 53.43 43.14 34.81 52.34 93.73 2060.80
2002 527.91 452.51 406.36 243.05 138.57 68.85 70.15 57.61 51.83 39.60 48.11 204.98 2309.51
2003 668.12 1262.24 1773.77 396.76 98.38 60.52 90.34 47.89 26.35 14.83 18.40 451.62 4909.23
2004 385.29 481.77 1726.51 589.85 102.91 85.25 75.59 70.97 56.43 38.25 29.05 54.12 3695.98
2005 279.37 438.27 379.99 140.29 173.23 71.17 58.95 55.93 57.12 50.38 54.71 121.79 1881.20
2006 229.17 659.10 337.82 337.99 91.01 77.93 50.82 28.79 38.36 29.37 45.47 225.07 2150.91
2007 931.26 1129.77 444.23 118.92 65.01 50.93 85.72 24.16 144.33 44.82 32.79 188.66 3260.60
Media 678.15 696.35 581.84 251.23 101.53 95.57 165.89 84.37 76.34 68.47 69.98 175.18 3044.89
Desv. 816.06 538.51 393.75 176.08 36.78 82.11 427.57 107.94 41.48 40.55 37.02 86.16 1690.46
C.A. 4.21 2.11 2.05 0.97 0.63 4.05 5.15 4.47 1.34 0.79 0.69 1.28 2.73
C.V. 1.20 0.77 0.68 0.70 0.36 0.86 2.58 1.28 0.54 0.59 0.53 0.49 0.56
ri+1,ri 0.17 0.40 0.55 0.47 0.39 -0.01 0.97 0.48 0.76 0.85 -0.23 0.00
rxy 0.56 0.87 0.63 0.58 -0.26 -0.19 0.95 0.91 0.50 0.27 -0.17 0.71
19
Tabla 2.10 Volumen mensual año hidrológico aguamilpa
1981 985.23 560.41 658.23 135.57 25.40 24.93 15.72 10.30 8.19 5.60 4.95 32.17 2466.70
1982 468.51 318.43 97.92 124.27 103.07 181.16 249.65 40.54 46.09 10.23 32.69 57.35 1729.92
1983 511.83 1059.15 888.76 155.90 61.58 24.80 44.98 65.37 12.13 8.14 11.52 218.42 3062.57
1984 1380.50 1032.11 322.20 101.60 35.96 25.95 362.42 34.93 16.70 9.75 6.78 246.36 3575.26
1985 333.05 843.31 302.23 124.02 30.61 50.17 6.91 10.66 1.09 0.45 1.42 134.47 1838.40
1986 428.90 437.39 504.96 239.66 0.10 0.16 720.69 172.86 85.26 19.41 14.67 47.05 2671.11
1987 512.97 841.12 485.91 202.86 6.62 39.38 21.86 12.87 10.48 8.61 5.65 155.71 2304.06
1988 575.09 1356.73 342.80 79.12 16.25 17.77 14.14 9.93 7.39 5.89 4.60 9.27 2438.99
1989 237.92 612.67 371.14 62.84 54.72 51.23 17.13 60.75 11.46 5.59 8.39 104.36 1598.20
1990 799.58 2798.45 1039.36 365.03 51.49 17.23 14.01 10.60 7.46 5.29 3.80 44.32 5156.62
1991 2016.66 739.05 1201.08 270.12 79.26 98.49 2339.83 385.21 86.64 21.24 0.65 30.08 7268.31
1992 251.98 413.70 300.61 0.67 57.01 0.11 0.50 1.60 0.90 0.98 1.56 0.19 1029.81
1993 407.56 213.52 804.65 84.88 54.27 6.57 28.43 11.89 30.46 0.65 6.26 60.42 1709.55
1994 107.38 389.37 340.68 352.68 27.60 11.08 36.15 18.42 40.51 7.54 19.68 78.19 1429.28
1995 2819.99 1694.36 1057.45 147.20 53.76 9.49 36.43 39.09 12.69 27.56 43.89 178.80 6120.73
1996 418.18 735.35 1014.03 1135.40 71.65 25.57 109.89 65.12 53.79 61.91 68.54 221.92 3981.36
1997 550.52 503.70 497.97 139.51 117.72 26.24 28.16 23.42 21.27 18.66 58.36 72.29 2057.80
1998 416.17 824.96 994.02 502.88 48.91 21.16 11.03 13.11 4.55 8.92 32.16 175.19 3053.06
1999 902.44 624.41 1090.22 130.35 10.84 12.19 16.81 5.73 5.46 5.12 5.63 220.30 3029.50
2000 233.41 279.24 153.35 79.29 19.68 16.42 15.90 4.88 4.82 5.18 5.40 54.80 872.38
2001 376.00 463.71 420.20 8.36 15.83 16.83 8.81 32.78 27.82 0.13 7.37 102.21 1480.04
2002 718.76 1085.43 670.89 405.38 79.56 18.75 78.23 7.03 6.61 7.75 3.39 115.49 3197.26
2003 636.28 1636.68 397.72 435.09 57.41 14.17 79.69 9.82 0.38 8.95 57.50 400.87 3734.57
2004 570.37 1180.83 2698.27 338.06 57.35 37.99 43.48 113.03 0.30 0.65 17.39 20.26 5077.97
2005 503.08 918.47 516.40 139.32 36.78 26.24 8.24 43.00 7.01 16.83 8.43 75.18 2298.97
2006 148.91 359.18 252.03 212.35 36.78 26.24 22.51 12.90 12.69 4.38 179.97 114.55 1382.49
2007 534.67 572.14 468.49 85.87 36.78 26.24 78.23 16.31 12.69 8.95 15.37 132.26 1988.00
Media 660.96 833.11 662.65 224.38 46.19 30.61 163.33 45.63 19.81 10.53 23.19 114.91 2835.29
Desv. 584.31 555.21 515.34 225.10 28.35 35.76 460.32 77.65 23.61 12.33 36.71 90.77 1569.71
C.A. 2.56 1.93 2.49 2.75 0.64 3.30 4.44 3.62 1.88 3.04 3.31 1.31 1.29
C.V. 0.88 0.67 0.78 1.00 0.61 1.17 2.82 1.70 1.19 1.17 1.58 0.79 0.55
ri+1,ri 0.40 0.34 0.34 0.24 0.47 0.39 0.94 0.74 0.49 0.26 0.25 0.00
Se determinó el volumen total suma de los meses de cada año (Tablas 2.9 y 2.10) y el
volumen total de la suma de los volúmenes totales anuales de cada presa (Tabla 2.11).
Adicionalmente se obtuvo la fracción histórica del total suma cada presa respeto al
volumen total suma de las dos presas.
20
Tabla 2.11 Volumen total suma
AÑO VOLUMEN TOTAL

1981 5045.41
1982 3333.38
1983 6075.69
1984 7381.74
1985 4543.09
1986 6022.50
1987 5671.18
1988 6182.96
1989 3348.91
1990 10462.19
1991 17157.47
1992 3777.82
1993 4204.15
1994 3233.11
1995 9739.14
1996 6428.91
1997 3512.41
1998 5987.75
1999 5145.69
2000 2083.81
2001 3540.84
2002 5506.77
2003 8643.80
2004 8773.96
2005 4180.17
2006 3533.40
2007 5248.604177
Media 5880.18
Desv. 3078.567056
C.A. 2.091649877
C.V. 0.523549887
A la serie del volumen total suma de las dos presas se le realizó un análisis estadístico
obteniendo la función de mejor ajuste, en este caso doble Gumbel con la que se
generaron 101 volúmenes totales sumas sintéticas (Tabla 2.12). Adicionalmente se
seleccionó aleatoriamente el porcentaje del total de la suma de cada presa respecto al
volumen total de la suma de las dos (Tabla 2.13) y se identificó también la fracción
aleatoria correspondiente a cada mes, para cada presa, para dicho año aleatorio
seleccionado.
21
Tabla 2.12 Serie de mejor ajuste doble gumbel. generando 101 datos sintéticos
I tr xp -lnln(Tr/(Tr-1)) (n+1)/m
1 1.118758 6170.12 -0.8077637 0.01980198
2 1.053032 10014.19 -1.09478276 0.02970297
3 7.840484 1280.155 1.99185509 0.03960396
4 8.298601 1178.017 2.05257171 0.04950495
5 1.144024 5921.593 -0.72867223 0.05940594
6 2.090554 3799.238 0.42964006 0.06930693
7 1.132521 6022.682 -0.76335411 0.07920792
8 1.725575 4261.437 0.14346495 0.08910891
9 14.07687 212.326 2.60791526 0.0990099
10 1.092149 6658.401 -0.90522807 0.10891089
. . . . .
. . . . .
. . . . .
90 10.52133 748.6725 2.30388514 0.9009901
91 1.134653 6002.75 -0.75677015 0.91089109
92 1.174199 5710.259 -0.64613061 0.92079208
93 9.00988 1030.197 2.14007539 0.93069307
94 1.599381 4466.572 0.01869924 0.94059406
95 1.005375 16467.89 -1.65467077 0.95049505
96 4.707959 2198.639 1.43224243 0.96039604
97 2.540109 3379.669 0.69243983 0.97029703
98 1.100413 6453.934 -0.87302791 0.98019802
99 2.002585 3897.371 0.36837573 0.99009901
100 2.613483 3321.924 0.72921255 1
101 1.724047 4263.726 0.14205515 1.00990099
Tabla 2.13 Porcentaje aleatorio vs el total
I ALEATORIO AÑO
1 23 2003 0.5679477 0.4320523
2 12 1992 0.7274054 0.2725945
3 20 2000 0.5813564 0.4186436
4 5 1985 0.5953407 0.4046592
5 13 1993 0.5933663 0.4066337
6 19 1999 0.4112549 0.5887451
7 25 2005 0.45003 0.5499701
8 27 2007 0.6212318 0.3787682
9 11 1991 0.5763762 0.4236239
10 4 1984 0.5156618 0.4843383
. . . . .
. . . . .
. . . . .
90 25 2005 0.45003 0.5499701
91 21 2001 0.5820085 0.4179915
92 25 2005 0.45003 0.5499701
93 2 1982 0.4810316 0.5189684
94 26 2006 0.6087359 0.3912641
95 16 1996 0.3807097 0.6192903
96 27 2007 0.6212318 0.3787682
97 15 1995 0.3715332 0.6284669
98 16 1996 0.3807097 0.6192903
99 17 1997 0.4141362 0.5858638
100 12 1992 0.7274054 0.2725945
101 24 2004 0.4212448 0.5787553
22
Tabla 2.14 Volumen total aleatorio
I VP1 VP2 VTS

1 3504.30546 2665.81454 6170.12
2 7284.37588 2729.81312 10014.189
3 744.226302 535.928698 1280.155
4 701.321465 476.695417 1178.01688
5 3513.67373 2407.91927 5921.593
6 1562.45524 2236.78276 3799.238
7 2710.38758 3312.29502 6022.6826
8 2647.34018 1614.09682 4261.437
9 122.379653 89.9463682 212.326021
10 3433.48304 3224.91862 6658.40167
. . . .
. . . .
. . . .
90 336.925085 411.74749 748.672575
91 3493.65152 2509.09848 6002.75
92 2569.78786 3140.47171 5710.25957
93 495.557311 534.639689 1030.197
94 2718.96273 1747.60927 4466.572
95 6269.48546 10198.4045 16467.89
96 1365.86446 832.774536 2198.639
97 1255.65924 2124.0101 3379.66934
98 2457.07528 3996.85872 6453.934
99 1614.04242 2283.32858 3897.371
100 2416.38546 905.538212 3321.92367
101 1796.07241 2467.65402 4263.72643
Tabla 2.15 Fracción aleatoria la yesca
1 0.14 0.26 0.36 0.08 0.02 0.01 0.02 0.01 0.01 0.00 0.00 0.09 1.00
2 0.07 0.16 0.12 0.21 0.05 0.17 0.04 0.03 0.03 0.03 0.03 0.07 1.00
3 0.14 0.19 0.16 0.11 0.05 0.05 0.05 0.02 0.05 0.04 0.04 0.10 1.00
4 0.21 0.28 0.12 0.07 0.04 0.04 0.03 0.02 0.02 0.03 0.04 0.09 1.00
5 0.31 0.11 0.19 0.06 0.04 0.03 0.03 0.02 0.03 0.06 0.04 0.07 1.00
6 0.21 0.18 0.21 0.07 0.04 0.04 0.04 0.04 0.03 0.02 0.02 0.12 1.00
7 0.15 0.23 0.20 0.07 0.09 0.04 0.03 0.03 0.03 0.03 0.03 0.06 1.00
8 0.29 0.35 0.14 0.04 0.02 0.02 0.03 0.01 0.04 0.01 0.01 0.06 1.00
9 0.45 0.08 0.08 0.02 0.01 0.01 0.23 0.06 0.01 0.01 0.01 0.01 1.00
10 0.31 0.29 0.16 0.04 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.05 1.00
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
90 0.15 0.23 0.20 0.07 0.09 0.04 0.03 0.03 0.03 0.03 0.03 0.06 1.00
91 0.27 0.21 0.27 0.04 0.03 0.02 0.03 0.03 0.02 0.02 0.03 0.05 1.00
92 0.15 0.23 0.20 0.07 0.09 0.04 0.03 0.03 0.03 0.03 0.03 0.06 1.00
93 0.32 0.23 0.08 0.05 0.04 0.03 0.02 0.01 0.01 0.01 0.01 0.19 1.00
94 0.11 0.31 0.16 0.16 0.04 0.04 0.02 0.01 0.02 0.01 0.02 0.10 1.00
95 0.11 0.11 0.25 0.22 0.03 0.03 0.03 0.03 0.04 0.05 0.04 0.06 1.00
96 0.29 0.35 0.14 0.04 0.02 0.02 0.03 0.01 0.04 0.01 0.01 0.06 1.00
97 0.18 0.36 0.22 0.05 0.03 0.03 0.02 0.01 0.01 0.01 0.03 0.04 1.00
98 0.11 0.11 0.25 0.22 0.03 0.03 0.03 0.03 0.04 0.05 0.04 0.06 1.00
99 0.22 0.15 0.16 0.06 0.06 0.06 0.06 0.06 0.05 0.02 0.03 0.09 1.00
100 0.07 0.16 0.12 0.21 0.05 0.17 0.04 0.03 0.03 0.03 0.03 0.07 1.00
101 0.10 0.13 0.47 0.16 0.03 0.02 0.02 0.02 0.02 0.01 0.01 0.01 1.00
23
Tabla 2.16 Fracción aleatoria aguamilpa
1 0.17 0.44 0.11 0.12 0.02 0.00 0.02 0.00 0.00 0.00 0.02 0.11 1.00
2 0.24 0.40 0.29 0.00 0.06 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00
3 0.27 0.32 0.18 0.09 0.02 0.02 0.02 0.01 0.01 0.01 0.01 0.06 1.00
4 0.18 0.46 0.16 0.07 0.02 0.03 0.00 0.01 0.00 0.00 0.00 0.07 1.00
5 0.24 0.12 0.47 0.05 0.03 0.00 0.02 0.01 0.02 0.00 0.00 0.04 1.00
6 0.30 0.21 0.36 0.04 0.00 0.00 0.01 0.00 0.00 0.00 0.00 0.07 1.00
7 0.22 0.40 0.22 0.06 0.02 0.01 0.00 0.02 0.00 0.01 0.00 0.03 1.00
8 0.27 0.29 0.24 0.04 0.02 0.01 0.04 0.01 0.01 0.00 0.01 0.07 1.00
9 0.28 0.10 0.17 0.04 0.01 0.01 0.32 0.05 0.01 0.00 0.00 0.00 1.00
10 0.39 0.29 0.09 0.03 0.01 0.01 0.10 0.01 0.00 0.00 0.00 0.07 1.00
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
90 0.22 0.40 0.22 0.06 0.02 0.01 0.00 0.02 0.00 0.01 0.00 0.03 1.00
91 0.25 0.31 0.28 0.01 0.01 0.01 0.01 0.02 0.02 0.00 0.00 0.07 1.00
92 0.22 0.40 0.22 0.06 0.02 0.01 0.00 0.02 0.00 0.01 0.00 0.03 1.00
93 0.27 0.18 0.06 0.07 0.06 0.10 0.14 0.02 0.03 0.01 0.02 0.03 1.00
94 0.11 0.26 0.18 0.15 0.03 0.02 0.02 0.01 0.01 0.00 0.13 0.08 1.00
95 0.11 0.18 0.25 0.29 0.02 0.01 0.03 0.02 0.01 0.02 0.02 0.06 1.00
96 0.27 0.29 0.24 0.04 0.02 0.01 0.04 0.01 0.01 0.00 0.01 0.07 1.00
97 0.46 0.28 0.17 0.02 0.01 0.00 0.01 0.01 0.00 0.00 0.01 0.03 1.00
98 0.11 0.18 0.25 0.29 0.02 0.01 0.03 0.02 0.01 0.02 0.02 0.06 1.00
99 0.27 0.24 0.24 0.07 0.06 0.01 0.01 0.01 0.01 0.01 0.03 0.04 1.00
100 0.24 0.40 0.29 0.00 0.06 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00
101 0.11 0.23 0.53 0.07 0.01 0.01 0.01 0.02 0.00 0.00 0.00 0.00 1.00
El volumen total aleatorio suma se repartió tomando en cuenta la fracción aleatoria para
el volumen total anual de cada presa y dicho total anual también se desagregó con la
fracción aleatoria obtenida para cada mes de cada año y cada presa, con lo que se logró
generar el registro sintético de 101 años hidrológicos (Tablas 2.17 y 2.18).
Posteriormente se determinó el registro sintético de 100 años calendario de enero a
diciembre (Tabla 2.19 y 2.20).
24
Tabla 2.17 101 Años de registro la yesca
1 476.90 901.03 1266.14 283.22 70.23 43.21 64.48 34.20 18.82 10.58 13.14 322.36 3504.31
2 542.69 1142.34 847.17 1555.72 342.95 1256.04 263.18 211.03 244.32 196.82 199.15 482.88 7284.30
3 105.52 141.62 120.80 78.74 39.99 35.89 39.62 12.69 33.93 32.18 30.73 72.53 744.23
4 143.89 197.13 87.38 48.82 29.55 25.00 19.85 15.80 16.69 23.02 31.10 63.10 701.33
5 1105.86 375.26 674.73 227.76 149.26 90.37 91.21 76.07 110.89 196.94 152.60 262.68 3513.64
6 327.87 277.57 324.55 106.11 59.78 57.80 60.12 57.73 49.84 24.06 36.26 180.78 1562.47
7 402.52 631.44 547.50 202.11 249.60 102.53 84.94 80.58 82.31 72.58 78.82 175.47 2710.41
8 756.11 917.28 360.67 96.55 52.79 41.35 69.60 19.62 117.17 36.40 26.63 153.18 2647.34
9 55.66 9.79 9.94 2.73 0.97 1.01 28.45 7.40 1.68 1.69 1.56 1.49 122.38
10 1078.80 999.01 538.27 124.70 68.88 68.91 72.93 62.56 90.13 77.46 63.52 188.33 3433.48
.
.
.
90 50.04 78.49 68.06 25.12 31.03 12.75 10.56 10.02 10.23 9.02 9.80 21.81 336.93
91 951.08 739.71 933.54 122.91 91.92 78.85 105.30 90.59 73.12 59.01 88.74 158.89 3493.65
92 381.64 598.68 519.10 191.63 236.65 97.22 80.54 76.40 78.04 68.82 74.73 166.37 2569.81
93 157.23 113.35 40.28 23.38 17.90 16.95 11.39 6.93 5.38 4.41 6.28 92.09 495.56
94 289.68 833.17 427.04 427.26 115.04 98.51 64.25 36.38 48.51 37.11 57.48 284.51 2718.94
95 658.99 686.88 1584.11 1377.03 212.60 184.76 187.90 168.77 246.52 310.90 252.28 398.68 6269.42
96 390.10 473.26 186.09 49.81 27.24 21.33 35.91 10.12 60.45 18.78 13.74 79.03 1365.86
97 223.22 453.36 275.04 67.91 41.88 33.33 20.38 17.03 18.07 13.96 41.44 50.06 1255.66
98 258.26 269.20 620.83 539.67 83.32 72.41 73.64 66.14 96.61 121.85 98.87 156.25 2457.05
99 349.05 234.62 251.58 103.67 91.18 91.08 92.53 92.15 76.10 36.85 53.67 141.57 1614.04
100 180.02 378.94 281.03 516.07 113.76 416.66 87.30 70.00 81.05 65.29 66.06 160.18 2416.36
101 187.24 234.12 839.00 286.64 50.00 41.42 36.73 34.48 27.43 18.59 14.12 26.29 1796.05
Media 466.09 520.39 442.85 216.24 101.63 97.79 81.75 64.23 69.83 65.29 65.67 169.22 2360.98
Desv. 446.05 524.99 343.75 238.68 92.47 139.97 65.32 49.45 56.44 74.82 59.86 160.59 1690.52
C.A. 2.62 4.59 2.00 3.26 2.76 6.17 2.41 1.21 1.54 3.12 2.53 3.42 2.00
C.V. 0.96 1.01 0.78 1.10 0.91 1.43 0.80 0.77 0.81 1.15 0.91 0.95 0.72
ri+1,ri 0.44 0.64 0.64 0.59 0.52 0.44 0.84 0.83 0.84 0.97 0.57 -0.12
25
Tabla 2.18 Ciento un años de registro aguamilpa
1 454.17 1168.29 283.91 310.57 40.97 10.10 56.89 7.01 0.27 6.40 41.05 286.15 2665.79
2 667.93 1096.65 796.83 1.77 151.12 0.30 1.34 4.23 2.37 2.59 4.15 0.49 2729.79
3 143.39 171.55 94.21 48.72 12.09 10.09 9.76 3.00 2.96 3.18 3.32 33.67 535.93
4 86.36 218.67 78.37 32.16 7.94 13.01 1.79 2.76 0.28 0.11 0.37 34.87 476.69
5 574.05 300.75 1133.36 119.55 76.43 9.27 40.04 16.74 42.91 0.92 8.81 85.10 2407.92
6 666.29 461.02 804.95 96.25 8.01 8.99 12.41 4.23 4.03 3.78 4.16 162.66 2236.78
7 724.83 1323.29 744.01 200.73 53.00 37.79 11.89 61.94 10.10 24.25 12.16 108.31 3312.30
8 434.11 464.54 380.38 69.71 29.86 21.31 63.51 13.24 10.30 7.26 12.48 107.39 1614.08
9 24.96 9.15 14.86 3.34 0.98 1.22 28.96 4.77 1.07 0.26 0.01 0.37 89.95
10 1245.24 930.97 290.63 91.65 32.44 23.41 326.91 31.51 15.06 8.80 6.13 222.23 3224.98
90 90.10 164.50 92.49 24.95 6.59 4.70 1.48 7.70 1.26 3.01 1.51 13.46 411.75
91 637.44 786.13 712.36 14.18 26.85 28.53 14.93 55.58 47.17 0.23 12.50 173.28 2509.15
92 687.23 1254.65 705.41 190.31 50.25 35.83 11.27 58.73 9.58 22.99 11.53 102.69 3140.47
93 144.80 98.41 30.27 38.40 31.85 55.99 77.15 12.53 14.25 3.16 10.10 17.72 534.64
94 188.23 454.03 318.59 268.43 46.49 33.17 28.45 16.31 16.04 5.54 227.50 144.81 1747.59
95 1071.24 1883.65 2597.43 2908.38 183.57 65.47 281.48 166.85 137.78 158.59 175.51 568.46 10198.40
96 223.97 239.67 196.25 35.97 15.41 10.99 32.77 6.83 5.31 3.75 6.44 55.40 832.77
97 978.60 587.97 366.97 51.08 18.65 3.29 12.64 13.57 4.40 9.56 15.23 62.04 2123.99
98 419.83 738.22 1017.96 1139.82 71.94 25.66 110.31 65.39 54.00 62.15 68.79 222.78 3996.86
99 610.86 558.91 552.54 154.79 130.63 29.11 31.24 25.98 23.59 20.71 64.76 80.21 2283.33
100 221.57 363.78 264.33 0.59 50.13 0.10 0.44 1.40 0.79 0.86 1.38 0.16 905.53
101 277.17 573.83 1311.24 164.27 27.86 18.46 21.12 54.93 0.15 0.32 8.44 9.85 2467.63
Media 521.68 661.19 569.33 198.95 52.08 29.62 60.42 27.59 18.46 11.46 28.36 101.36 2280.49
Desv. 399.53 643.28 510.45 353.60 65.61 76.62 138.38 36.03 28.49 20.19 50.51 88.97 1787.63
C.A. 1.44 3.76 2.17 5.29 2.67 8.38 4.70 2.31 3.47 4.60 2.70 1.83 2.33
C.V. 0.77 0.97 0.90 1.78 1.26 2.59 2.29 1.31 1.54 1.76 1.78 0.88 0.78
ri+1,ri 0.65 0.55 0.58 0.40 0.67 0.71 0.64 0.70 0.59 0.43 0.40 -0.07
Tabla 2.19 Año enero-diciembre la yesca
1 263.18 211.03 244.32 196.82 199.15 482.88 476.90 901.03 1266.14 283.22 70.23 43.21 3040.72
2 39.62 12.69 33.93 32.18 30.73 72.53 542.69 1142.34 847.17 1555.72 342.95 1256.04 5686.91
3 19.85 15.80 16.69 23.02 31.10 63.10 105.52 141.62 120.80 78.74 39.99 35.89 522.55
4 91.21 76.07 110.89 196.94 152.60 262.68 143.89 197.13 87.38 48.82 29.55 25.00 531.77
5 60.12 57.73 49.84 24.06 36.26 180.78 1105.86 375.26 674.73 227.76 149.26 90.37 2623.24
6 84.94 80.58 82.31 72.58 78.82 175.47 327.87 277.57 324.55 106.11 59.78 57.80 1153.67
7 69.60 19.62 117.17 36.40 26.63 153.18 402.52 631.44 547.50 202.11 249.60 102.53 2135.70
8 28.45 7.40 1.68 1.69 1.56 1.49 756.11 917.28 360.67 96.55 52.79 41.35 2224.75
9 72.93 62.56 90.13 77.46 63.52 188.33 55.66 9.79 9.94 2.73 0.97 1.01 80.10
10 40.43 32.19 34.00 46.90 63.34 128.53 1078.80 999.01 538.27 124.70 68.88 68.91 2878.56
90 105.30 90.59 73.12 59.01 88.74 158.89 50.04 78.49 68.06 25.12 31.03 12.75 265.49
91 80.54 76.40 78.04 68.82 74.73 166.37 951.08 739.71 933.54 122.91 91.92 78.85 2918.00
92 11.39 6.93 5.38 4.41 6.28 92.09 381.64 598.68 519.10 191.63 236.65 97.22 2024.92
93 64.25 36.38 48.51 37.11 57.48 284.51 157.23 113.35 40.28 23.38 17.90 16.95 369.08
94 187.90 168.77 246.52 310.90 252.28 398.68 289.68 833.17 427.04 427.26 115.04 98.51 2190.70
95 35.91 10.12 60.45 18.78 13.74 79.03 658.99 686.88 1584.11 1377.03 212.60 184.76 4704.37
96 20.38 17.03 18.07 13.96 41.44 50.06 390.10 473.26 186.09 49.81 27.24 21.33 1147.83
97 73.64 66.14 96.61 121.85 98.87 156.25 223.22 453.36 275.04 67.91 41.88 33.33 1094.72
98 92.53 92.15 76.10 36.85 53.67 141.57 258.26 269.20 620.83 539.67 83.32 72.41 1843.69
99 87.30 70.00 81.05 65.29 66.06 160.18 349.05 234.62 251.58 103.67 91.18 91.08 1121.18
100 36.73 34.48 27.43 18.59 14.12 26.29 180.02 378.94 281.03 516.07 113.76 416.66 1886.47
26
Tabla 2.20 Año enero-diciembre aguamilpa
1 1.34 4.23 2.37 2.59 4.15 0.49 454.17 1168.29 283.91 310.57 40.97 10.10 2283.20
2 9.76 3.00 2.96 3.18 3.32 33.67 667.93 1096.65 796.83 1.77 151.12 0.30 2770.50
3 1.79 2.76 0.28 0.11 0.37 34.87 143.39 171.55 94.21 48.72 12.09 10.09 520.23
4 40.04 16.74 42.91 0.92 8.81 85.10 86.36 218.67 78.37 32.16 7.94 13.01 631.01
5 12.41 4.23 4.03 3.78 4.16 162.66 574.05 300.75 1133.36 119.55 76.43 9.27 2404.67
6 11.89 61.94 10.10 24.25 12.16 108.31 666.29 461.02 804.95 96.25 8.01 8.99 2274.16
7 63.51 13.24 10.30 7.26 12.48 107.39 724.83 1323.29 744.01 200.73 53.00 37.79 3297.82
8 28.96 4.77 1.07 0.26 0.01 0.37 434.11 464.54 380.38 69.71 29.86 21.31 1435.34
9 326.91 31.51 15.06 8.80 6.13 222.23 24.96 9.15 14.86 3.34 0.98 1.22 665.15
10 3.65 5.63 0.57 0.23 0.75 71.03 1245.24 930.97 290.63 91.65 32.44 23.41 2696.21
90 14.93 55.58 47.17 0.23 12.50 173.28 90.10 164.50 92.49 24.95 6.59 4.70 687.00
91 11.27 58.73 9.58 22.99 11.53 102.69 637.44 786.13 712.36 14.18 26.85 28.53 2422.26
92 77.15 12.53 14.25 3.16 10.10 17.72 687.23 1254.65 705.41 190.31 50.25 35.83 3058.61
93 28.45 16.31 16.04 5.54 227.50 144.81 144.80 98.41 30.27 38.40 31.85 55.99 838.37
94 281.48 166.85 137.78 158.59 175.51 568.46 188.23 454.03 318.59 268.43 46.49 33.17 2797.60
95 32.77 6.83 5.31 3.75 6.44 55.40 1071.24 1883.65 2597.43 2908.38 183.57 65.47 8820.24
96 12.64 13.57 4.40 9.56 15.23 62.04 223.97 239.67 196.25 35.97 15.41 10.99 839.70
97 110.31 65.39 54.00 62.15 68.79 222.78 978.60 587.97 366.97 51.08 18.65 3.29 2589.97
98 31.24 25.98 23.59 20.71 64.76 80.21 419.83 738.22 1017.96 1139.82 71.94 25.66 3659.92
99 0.44 1.40 0.79 0.86 1.38 0.16 610.86 558.91 552.54 154.79 130.63 29.11 2041.88
100 21.12 54.93 0.15 0.32 8.44 9.85 221.57 363.78 264.33 0.59 50.13 0.10 995.30
Se realizó una comparación entre los datos del volumen total anual suma históricos y
sintéticos (Fig 2.11), así como la comparación entre los estadísticos mensuales históricos
y sintéticos considerando un año hidrológico que inicia en el mes de julio y termina en
junio (Figs 2.12-2.22). Se observó que la media se logró reproducir en los meses 5 y 6
y 8 a 11, mientras que la desviación estándar tiene un comportamiento similar en la
mayoría de los meses excepto el mes 1 y el mes 7. La asimetría ya presenta mayor
problemas debido a que es el tercer momento de la serie. Se considera que un análisis
considerando posibles eventos de invierno podría mejorar el resultado de la generación
sintética. Por otra parte se observa una buena concordancia de las correlaciones y de
las correlaciones cruzadas.
10000
1000
2000
5000
1.01
1.11
1.25
100
200
500
Tr, años
10
20
50
2
30000
calculados
V, millones de m³
25000
20000
medidos
15000
10000
Sintéticas
5000
0
-2 -1 0 1 2 3 4 5 6 7 8 9 10
Fig 2.11 Función Doble Gumbel
27
P.H.La Yesca
800
600
Media
400
Sintética
200 Histórica
0
0 1 2 3 4 5 6 7 8 9 10 11 12
Meses
Fig 2.12 Comparación de la media sintética contra la histórica
P.H. La Yesca
1000
Desviación Estándar
800
600 Sintética
400 Histórica
200
0
0 1 2 3 4 5 6 7 8 9 10 11 12
Meses
Fig 2.13 Comparación de la desviación estándar sintética contra la histórica
P.H. La Yesca
Coeficiente de Asimetría
7
6
5
4
3 Sintética
2 Histórica
1
0
0 1 2 3 4 5 6 7 8 9 10 11 12
Meses
Fig 2.14 Comparación del coeficiente de asimetría sintética contra el de la histórica
28
P.H. La Yesca
3
Coeficiente de
2.5
Variación
2
1.5 Sintética
1
Histórica
0.5
0
0 1 2 3 4 5 6 7 8 9 10 11 12
Meses
Fig 2.15 Comparación del coeficiente de variación sintética contra el de la histórica
P.H. La Yesca
1.2
Coef. de Correlación
1
0.8
0.6
ri+1,ri
Sintética
0.4
Histórica
0.2
0
-0.2 0 1 2 3 4 5 6 7 8 9 10 11 12
-0.4
Meses
Fig 2.16 Comparación del coeficiente de correlación sintética contra el de la histórica
P.H. La Yesca
1.5
cruzada rxy
1
Sintética
0.5
Histórica
0
0 1 2 3 4 5 6 7 8 9 10 11 12
-0.5
Meses
Fig 2.17 Comparación del coeficiente de correlación cruzada sintética contra el de la

histórica
29
P.H. Aguamilpa
1000
800
Media 600 Sintética
400
Histórica
200
0
0 1 2 3 4 5 6 7 8 9 10 11 12
Meses

histórica
800
P.H. Aguamilpa
Desviación Estándar
600
400 Sintética
200 Histórica
0
0 1 2 3 4 5 6 7 8 9 10 11 12
-200
Meses

histórica
P.H. Aguamilpa
10
Coeficiente de
8
Asimetría
6
Sintética
4
Histórica
2
0
0 1 2 3 4 5 6 7 8 9 10 11 12
Meses

histórica
30
P.H. Aguamilpa
3
Coeficiente de
Variación
2
Sintética
1 Histórica
0
0 1 2 3 4 5 6 7 8 9 10 11 12
Meses

histórica
P.H. Aguamilpa
1
0.5 Sintética
ri+1,ri
Histórica
0
0 1 2 3 4 5 6 7 8 9 10 11 12
-0.5
Meses

histórica
2.5 Conclusiones
El método de Svanidze modificado que adicionalmente considera eventos de invierno

permite encontrar series de tiempo mensuales que tiene un comportamiento estadístico
similar al del registro histórico. Tiene la ventaja respecto a otros modelos de generación
sintética su relativa simplicidad y que el comportamiento de los totales anuales
considerados puede corresponder a cualquier tipo de función de distribución, es decir,
que no se limita al caso de la función de distribución Normal.
31
3. APLICACIÓN DE ALGORITMOS GENÉTICOS Y DE UN MÉTODO SIMPLEX
PARA DETERMINAR PARÁMETROS ÓPTIMOS DE FUNCIONES DE
DISTRIBUCIÓN DE PROBABILIDAD
Herrera-Alanís J. L., Arganis-Juárez M.
Facultad de Estudios Superiores Acatlán, Instituto de Ingeniería. Universidad Nacional Autónoma
de México
Dentro de las obras hidráulicas diseñadas para la protección contra ciertos fenómenos,
como pueden ser las lluvias y/o crecientes, es de suma importancia determinar el evento
de diseño. Este evento de diseño permitirá dimensionar adecuadamente las obras que
se proyecten, como puede ser: bordos de protección, drenaje, vertedores, etc.
Para determinar los eventos de diseño es importante conocer los procesos que lo
originan, sin embargo, a veces estos procesos son tan complejos que los modelos
matemáticos no presentan estimaciones suficientemente confiables, así como la
cantidad y calidad de datos que requieren los hace difícil de manejar. Debido a lo
anterior, diversas áreas de las ciencias entre ellas la hidrología, recurren al análisis de
probabilidad y estadística. Las funciones de distribución de probabilidad (FDP) es una
herramienta que permite determinar eventos de diseño a través de una probabilidad.
En hidrología, se han usado diferentes FDP para determinar eventos de diseño (Gumbel,
Normal, LogNormal, Gamma, Exponencial, LogPerson, GVE, etc.), así como diferentes
métodos para determinar sus parámetros (Mínimos cuadrados, Momentos, Momentos L,
Máxima Verosimilitud, Momentos de probabilidad pesada, Máxima Entropía, etc.).
En diversas zonas del País, los registros de lluvia presentan datos que indican la
presencia de dos fenómenos meteorológicos. Para la estimación de datos bajo estas
condiciones se han presentado dos enfoques para resolver el problema. El primer
enfoque consiste en separar la muestra y analizarlas por separado (Browzn, 1972); el
segundo enfoque es usar funciones de distribución combinadas (González 1970) (Morris,
1982) (Campos, 1987). El primer enfoque tiene el problema de determinar cuáles son
los datos que pertenecen a un fenómeno y cuáles al otro, si no se hace bien la separación
se pueden tener errores muy grandes en la estimación de los eventos de diseño. El
segundo enfoque no tiene ese problema, sin embargo la determinación de sus
parámetros se complica.
32
Distribuciones con dos poblaciones.
Dentro de la literatura, al estudio de funciones de distribución de probabilidad de dos

poblaciones se le conoce como funciones mixtas. Sin embargo, también en la literatura
se encuentra el nombre de funciones mixtas para designar diferentes tipos de estudio.
En general se tienen 3 casos.
F(x) = pF (x) + (1 − p)F (x) (3.1)
F(x) = F (x)[p + (1 − p)F (x)] = pF (x) + (1 − p)F (x)F (x) (3.2)
F(x) = pF (x) + q (3.3)
En este capítulo, se utilizará el nombre de funciones dobles a las ecuaciones del tipo 3.1,
mezcladas a las del tipo 3.2 y mixtas a las del tipo 3.3.
Para el caso de las ecuaciones del tipo 3.1 y 3.2, el determinar sus parámetros ya no es
fácil ni directo como en el caso de las funciones de una sola población, por lo que es
necesario recurrir a otro tipo de técnicas como la optimización. Las técnicas de
optimización no son exclusivas de las funciones dobles, también pueden ser usadas para
las de una población y en especial en las funciones que tienen muchos parámetros como
la Wakeby que utiliza 5 parámetros.
En este trabajo se describen brevemente los métodos tradicionales que son el de máximo
ascenso y el algoritmo de Rosenbrock y más a detalle el método de los algoritmos
genéticos y el método de Nelder-mead. Se aplican estos métodos a la obtención de los
parámetros de una función tipo 3.1 y se comparan los resultados.
3.1 Optimización por métodos tradicionales
Entre los métodos tradicionales que se han usado para determinar los parámetros de la
Doble Gumbel, destacan el de Máximo Ascenso (González, 1970) y el algoritmo de
Rosenbrock (Campos, 1989).
Máximo ascenso
Este método de optimización determina la dirección de máximo crecimiento en un punto,

por lo que siguiendo esa dirección se puede encontrar el máximo en esa línea recta y se
repite el procedimiento. Este método tiene dos inconvenientes, el primero es que es
necesario evaluar las derivadas de la función lo cual a veces no es sencillo y el segundo
es su lenta convergencia.
Algoritmo de Rosenbrock
Este es un método de búsqueda directa por lo que es necesario definir previamente una
dirección sobre la cual encontrará el óptimo. Una vez definida la dirección y con el punto
inicial se procede a evaluar la función en tres puntos para determinar el sentido de la
33
búsqueda (a + δ, a, a − δ). Una vez definido el sentido se evalúan los puntos separados
por el incremento hasta alcanzar el valor óptimo en esa dirección. Es un proceso
iterativo que se repite para cada parámetro y termina hasta que se obtiene el óptimo.
Este método tiene los siguientes inconvenientes: Asume que la función es unimodal por
lo que si la función es multimodal cae fácilmente en óptimos locales. Otro inconveniente
es determinar el valor del incremento (δ) si es grande es posible que la solución no sea
de la precisión adecuada y si es muy pequeño el número de cálculos aumenta. La
siguiente gráfica muestra en forma gráfica el procedimiento de este método y se observa
que el valor del incremento quizá no sea el adecuado.
X
Fig 3.1 Búsqueda del valor óptimo con el algoritmo de Rosenbrock
3.2 Optimización por algoritmos genéticos
Los algoritmos genéticos son herramientas del cómputo evolutivo y se han usado en
diversas ramas de la ingeniería desde la década de los 90’s del siglo pasado, para
34
resolver el problema de búsqueda del valor óptimo de una función objetivo utilizando
una analogía de la supervivencia del más apto y teorías de evolución de Darwin
(Goldberg, 1989). Utiliza los operadores selección (el método de la ruleta, el método
estocástico universal son opciones aleatorias se llegan a utilizar para este operador),
intercambio o cruza (también considera aleatoriamente los puntos para realizar el
intercambio de información) y mutación (dando una probabilidad de que se pueda
presentar).
Los pasos de un algoritmo genético simple se indican a continuación
1.- Definir un número de generaciones (iteraciones)
2.- Definir el intervalo de búsqueda de la solución (intervalos dentro de los cuales se

seleccionarán aleatoriamente a los individuos)
3.- Plantear la función objetivo (función de fitness o de desempeño de los individuos)
4. Definir los métodos de selección (estocástico universal, ruleta, torneo), así como las
probabilidades de cruza y de mutación.
5. Dar el número n de individuos que se considerarán en cada generación
6.- Definir aleatoriamente una población inicial de n individuos (los individuos

corresponden a las incógnitas o conjunto solución del problema de optimización)
7.- Valuar cada individuo de la población inicial en la función objetivo
8.- Seleccionar los individuos de mejor desempeño o fitness
9.- Seleccionar a los individuos de mejor desempeño, algunos pueden ser seleccionados
más de una vez y otros desaparecer, de manera de tener de nuevo un número de
individuos igual al de la población inicial.
10. Aplicar los operadores cruza y mutación a los individuos, la selección de los
individuos que se cruzan o que mutan es aleatoria. Los individuos resultantes formarán
la población de la siguiente generación.
11. Repetir los pasos 7 a 10 hasta cumplir con el número de generaciones o iteraciones,
la última población obtenida representará la solución óptima.
Desde hace algunos años las herramientas del Toolbox del software Matlab© (The
Mathworks,1992) cuentan con el código y programa del algoritmo genético simple de
manera que el usuario prácticamente solo requiere definir la función objetivo, además
de los individuos y generaciones que considere para resolver un problema de
optimización.
35
En el caso de funciones de distribución de probabilidades la función objetivo puede
consistir en maximizar directamente a la función de verosimilitud L o minimizar el error
medio cuadrático entre los datos medidos y los calculados con la función de distribución
teórica. Las incógnitas del problema o individuos son el conjunto de m parámetros de la
función de distribución. Para la selección del intervalo de búsqueda del algoritmo
genético se pude utilizar una solución previamente obtenida por otro método, por
ejemplo el de momentos, a dichos valores tomarlos como el punto medio del intervalo
de búsqueda de cada parámetro incógnita y con ellos proponer los límites inferiores y
superiores de cada uno.
3.3 Optimización por el método Nelder-Mead
El método Nelder-Mead (Nelder, 1965), es un método de tipo geométrico que puede ser
capaz de encontrar una solución óptima en un espacio de múltiples soluciones locales.
Se forma un objeto geométrico de N+1 puntos o vértices en un espacio de N

dimensiones. Cada vértice representa una solución, se evalúan y se sustituye el vértice
de peor calidad por un vértice más preciso (Pérez, 2005). La optimización se efectúa
mediante 4 operaciones, que son: Reflexión, Expansión, Contracción y Encogimiento
(Mathews, 2000). Para la explicación de este método se recurrirá a un ejemplo de dos
dimensiones, por lo que se necesitan 3 vértices.
3.2.1 Reflexión
Una vez evaluados los vértices, se selecciona el mejor (M), el peor (P) y el vértice
intermedio que en este caso lo designaremos con la letra B. Dado que la función decrece
en el sentido de P a M, o de P a B, es de esperar que se obtengan mejores resultados al
situarse al otro lado del segmento MB, por lo tanto, se busca reflejar el vértice P. La
operación de reflexión para encontrar el nuevo vértice (R) es la siguiente:
R = (1 + ω)C − P (3.4)
donde:
ω coeficiente de reflexión
C centro del segmento MB
3.2.2 Expansión
Si el vértice R es una mejor solución que el vértice , se puede pensar que un punto
más alejado de R sea aún una mejor solución. Por lo tanto se busca expandir el vértice
R a un punto más alejado, a este vértice le asignaremos la letra E. La operación para
expandir es la siguiente:
E = βC + (1 − β)R (3.5)
36
donde:
β coeficiente de expansión
3.2.3 Contracción
Cuando la Reflexión no mejora la solución, se procede a realizar una contracción, lo cual

significa acercar el vértice P al segmento MB. La expresión para realizar la contracción
es la siguiente:
T = γP + (1 − γ)M (3.6)
donde
γ coeficiente de contracción
Mathews (2000) propone evaluar el reflejo del punto T con el fin de acelerar la solución.
Para encontrar el reflejo del punto T solo es necesario sustituir el vértice R por el vértice
T en la ecuación 3.4.
3.2.4 Encogimiento
Cuando ninguna de las tres anteriores alternativas mejora el resultado, se realiza un

encogimiento o escalamiento, lo cual consiste en acercar los vértices al vértice M. La
expresión es la siguiente:
V = γ(M + V ) (3.7)
donde:
V Vértice cualquiera, a excepción del vértice M
El valor de las constantes ω, β y γ que típicamente se han usado y que han demostrado
dar buenos resultados son de 1, 2 y 0.5 respectivamente (Pérez, 2005). En la Fig 3.2,
se muestra en forma gráfica las cuatro operaciones del método Nelder-Mead. En el inciso
a) la Reflexión, en el b) la Expansión, en el c) la Contracción y por último, en el d) el
Encogimiento.
37
E
R
R
M
M
C
B C
B
P
P
a) b)
E
R
R
T
M
M
C B'
B C
T B
P'
P
P
c) d)
Fig 3.2 Operaciones del Método Nelder-Mead. a) Reflexión, b) Expansión, c)

Contracción y d) Encogimiento
En la Fig 3.3 se muestra, de una manera muy sencilla, el método de Nelder-Mead para
la búsqueda del valor óptima. Se empieza con el triángulo P1B1M1 y por expansión se
llega al triángulo P2B2M2. Por expansión se llega al triángulo P3B3M3. Por reflexión se
llega al triángulo P4B4M4. Por contracción se llega al triángulo P5B5M5 y así
sucesivamente hasta que encuentra el óptimo.
38
Y
B4P5
M3 B5M4
M5
P4
P3
B3
B2 M2
M1
P1
B1 P2
X
Fig 3.3 Ejemplo de las 4 operaciones del método Nelder-Mead para encontrar el valor
óptimo
En la Fig 3.4 se presenta el algoritmo Nelder-Mead para la optimización.
39
INICIO
Variables
iniciales
Evaluá u ordena
M, B, P, R
F(M), F(B), F(P), F(R)
NO SI T+, F(T+)
F(R) < F(B) F(R) < F(P)
T-, F(T-)
SI NO
SI NO SI
F(M) < F(R) F(T-) < F(T+) F(T+) < F(P)
NO SI NO
NO
E, F(E) F(T-) < F(P)
SI
NO
F(E) < F(M)
SI
P', B'
P=E P=R P=T- P = P' P=T+
B = B'
NO
|F(M)-F(P)|<Error
SI
FIN
Fig 3.4 Algoritmo del método Nelder-Mead
3.4 Aplicación: optimización de la FDP Doble Gumbel
La función Doble Gumbel es la siguiente (Escalante, 2008):
(3.8)
F(x) = pe + (1 − p)e
Aunque también se puede encontrar de la siguiente forma:
( ) ( )
F(x) = pe + (1 − p)e (3.9)
40
donde (en ambos casos):
x: Evento máximo para el cual se estima su probabilidad de no
excedencia.
p : Probabilidad de tener eventos de la primera población.
υ : Parámetro de ubicación de la primera población.
α : Parámetro de escala de la primera población.
υ : Parámetro de ubicación de la segunda población.
α : Parámetro de escala de la segunda población.
Se utiliza la fórmula de Weibull para asignar el periodo de retorno empírico, la cual es la

siguiente:
n+1 (3.10)
Tr =
i
donde:
n: Número total de datos.
i: Número de orden del dato.
La optimización de los parámetros de ajuste se obtiene al minimizar la suma de los

errores cuadráticos (EC) entre los valores estimados F(x), de la ecuación 3.4, y los
empíricos evaluados en este caso a través de la ecuación de Weibull. (González Villareal,
1970).
1 i (3.11)
F (x) = 1 − = 1−
Tr n+1
Por lo que la ecuación objetivo que se evalúa es la siguiente (González Villareal, 1970):
(3.12)
EC = (F (x) − F(x))
Se utiliza la función objetivo de la ecuación 3.12 para comparar los resultados obtenidos
con este método y los obtenidos por los programas AX y AFA. Otra función objetivo que
se puede utilizar es la de la Máxima Verosimilitud, que es la siguiente:
(3.13)
lnL = ln f(x ; p, υ , α , υ , α )
Dado que la función Doble Gumbel tiene 5 parámetros de ajuste, es necesario tener 6
puntos como valores iniciales. Para obtener los puntos iniciales, se realizan 6
combinaciones de las muestras donde se varía el número de datos que pertenecen a la
primera población. Si n es el número de elementos que pertenecen a la primera
población y n es el número de datos que pertenecen a la segunda población, tenemos
lo siguiente (Aparicio, 2005):
41
n = n +n (3.14)
Por lo que la probabilidad de que evento pertenezca a la primera población es:
n (3.15)
p=
n
Así que se varía n de modo que p tome aproximadamente los siguientes valores: 0.65,
0.70, 0.75, 0.80, 0.85, 0.90. Estos valores son sugeridos y se ha visto que dan buenos
resultados, sin embargo se pueden modificar pero al menos debe de haber dos datos
para que se pueda calcular la media y la desviación estándar.
Una vez separada la muestra, se calculan los parámetros α , υ , α y υ de forma

independiente.
Para ejemplificar el método, se usará la estación hidrométrica Acaponeta que se tomó

del artículo de Campos (1989). Se pueden encontrar el estudio de más estaciones en la
referencia de Herrera (2012) En la Tabla 3.1, se presentan los datos ordenados de forma
descendente.
42
Tabla 3.1 Estación acaponeta
i X Tr F(x)
1 16000 27.000 0.9630
2 11885 13.500 0.9259
3 6150 9.000 0.8889
4 4230 6.750 0.8519
5 3550 5.400 0.8148
6 2706 4.500 0.7778
7 2099 3.857 0.7407
8 2080 3.375 0.7037
9 2052 3.000 0.6667
10 1949 2.700 0.6296
11 1691 2.455 0.5926
12 1582 2.250 0.5556
13 1561 2.077 0.5185
14 1442 1.929 0.4815
15 1390 1.800 0.4444
16 1334 1.688 0.4074
17 1220 1.588 0.3704
18 1126 1.500 0.3333
19 1066 1.421 0.2963
20 1041 1.350 0.2593
21 875 1.286 0.2222
22 834 1.227 0.1852
23 692 1.174 0.1481
24 671 1.125 0.1111
25 597 1.080 0.0741
26 434 1.038 0.0370
En la siguiente tabla se muestran los valores iniciales.
Tabla 3.2 Valores iniciales
EC
1 19 7 0.731 387.0134 1020.7757 4112.7303 4287.2710 0.0671
2 20 6 0.769 405.1312 1053.0704 4164.6496 5017.4842 0.0594
3 21 5 0.808 462.9006 1087.3229 4198.1155 5941.0103 0.0355
4 22 4 0.846 580.8517 1119.0751 4198.4019 7144.0950 0.0118
5 23 3 0.885 725.1698 1156.5024 3858.7795 9118.7811 0.0182
6 24 2 0.923 1016.6754 1178.9565 2269.6006 12633.1150 0.0796
Se observa que el renglón 4 tiene al menor EC, mientras que el renglón 6 tiene el mayor
EC. Se ordenan los datos en orden ascendente de acuerdo con el EC. Al ordenarlos
automáticamente sabemos que el menor EC (M) está en el primer renglón y el mayor
EC en el 6 (P).
Tabla 3.3 Valores iniciales ordenados en forma ascendentes de acuerdo al ec
EC
M 22 4 0.846 580.8517 1119.0751 4198.4019 7144.0950 0.0118
B1 23 3 0.885 725.1698 1156.5024 3858.7795 9118.7811 0.0182
B2 21 5 0.808 462.9006 1087.3229 4198.1155 5941.0103 0.0355
B3 20 6 0.769 405.1312 1053.0704 4164.6496 5017.4842 0.0594
B4 19 7 0.731 387.0134 1020.7757 4112.7303 4287.2710 0.0671
P 24 2 0.923 1016.6754 1178.9565 2269.6006 12633.1150 0.0796
Como primer paso se determina el punto C para posteriormente calcular el punto R, con
lo que se tiene lo siguiente:
43
Tabla 3.4 Cálculo del punto C y R
EC
C 0.808 512.2134 1087.3493 4106.5354 6301.7283
R 0.692 7.7513 995.7421 5943.4701 -29.6584 1.8888
Como se observa, F(R) no es mejor que el punto P por lo que la reflexión no es adecuada,
por lo tanto calculamos el punto T+ y T-.
Tabla 3.5 Cálculo de los puntos T+ y T-
EC
T+ 0.865 764.4444 1133.1529 3188.0680 9467.4217 0.0282
T- 0.750 259.9823 1041.5457 5025.0027 3136.0350 0.3276
F(T+) es menor que F(P) por lo que se sustituye el punto P por T+. Ahora la tabla tiene
los siguientes datos:
Tabla 3.6 Datos ordenados para la segunda iteración
EC
M 0.846 580.8517 1119.0751 4198.4019 7144.0950 0.0118
B1 0.885 725.1698 1156.5024 3858.7795 9118.7811 0.0182
B2 0.865 764.4444 1133.1529 3188.0680 9467.4217 0.0282
B3 0.808 462.9006 1087.3229 4198.1155 5941.0103 0.0355
B4 0.769 405.1312 1053.0704 4164.6496 5017.4842 0.0594
P 0.731 387.0134 1020.7757 4112.7303 4287.2710 0.0671
Así continúa el procedimiento, y en la iteración 506 se tiene la siguiente tabla:
Tabla 3.7 Datos ordenados de la última iteración
EC
M 0.8186 599.3354 1101.4843 6063.7299 7222.4386 0.007414
B1 0.8186 599.3354 1101.4843 6063.7299 7222.4364 0.007414
B2 0.8186 599.3354 1101.4843 6063.7301 7222.4371 0.007414
B3 0.8186 599.3354 1101.4844 6063.7316 7222.4338 0.007414
B4 0.8186 599.3355 1101.4843 6063.7294 7222.4429 0.007414
P 0.8186 599.3355 1101.4843 6063.7276 7222.4418 0.007414
Como se observa, los valores prácticamente convergieron. Ya no se continúa el cálculo

por qué ya no hay diferencia en el EC (por cuestiones de redondeo y truncamiento). El
valor que se selecciona es el óptimo (punto M).
Con el fin de validar los resultados obtenidos se utilizaron los siguientes programas que
realizan FDP: AX y AFA. El programa AFA utiliza el algoritmo de Rosenbrock para
encontrar los parámetros óptimos (Campos, 1989), (Gómez, 2010). También se utilizó
la función SOLVER de Excel ® y una optimización basada en Algoritmos genéticos
(Domínguez, 2004). Los resultados son los siguientes:
44
Tabla 3.8 Valores de los parámetros óptimos por diversos métodos
EC
NELDER-MEAD 0.8186 599.3354 1101.4843 6063.7299 7222.4386 0.007414
AFA 0.7500 506.1254 1087.8079 3929.8921 5420.9751 0.019175
AX 0.8846 724.6376 1156.5000 3846.1538 9118.7800 0.018173
EXCEL 0.5000 289.0173 1156.5000 50000.0000 9118.7800 0.279088
AG 0.8167 598.8023 1102.0500 6250.0000 7107.0200 0.007431
En particular, el método empleado por Excel (SOLVER) no fue adecuado para optimizar
los valores de esta estación. También se puede observar que los parámetros encontrados
por el método Nelder-Mead y los Algoritmos genéticos son similares, siendo el valor de
EC ligeramente menor en el método Nelder-Mead.
Tabla 3.9 Valores estimados por los diferentes métodos
VALORES VALORES ESTIMADOS

MEDIDOS AFA AX EXCEL AG Nelder-Mead
16000.0 12614.4 12768.7 137101.6 16409.2 16176.0
11885.0 9531.0 9017.0 100637.8 11220.8 11130.2
6150.0 7509.4 5238.1 78171.3 7548.7 7545.5
4230.0 5846.7 3497.5 61410.6 4349.8 4378.0
3550.0 4300.6 2958.5 47660.9 3084.6 3093.0
2706.0 3113.2 2638.3 35688.3 2617.3 2621.7
2099.0 2549.7 2407.1 24793.6 2337.5 2340.7
2080.0 2242.8 2224.0 14501.3 2136.3 2138.9
2052.0 2036.0 2070.7 4396.0 1977.5 1979.7
1949.0 1879.2 1937.6 1979.8 1845.0 1847.0
1691.0 1751.9 1818.9 1729.8 1730.2 1731.9
1582.0 1643.5 1710.7 1587.5 1627.8 1629.4
1561.0 1548.1 1610.6 1484.5 1534.6 1536.1
1442.0 1462.1 1516.5 1401.6 1448.1 1449.6
1390.0 1382.8 1427.0 1330.3 1366.7 1368.2
1334.0 1308.6 1340.7 1266.2 1289.1 1290.5
1220.0 1237.9 1256.8 1206.2 1214.0 1215.4
1126.0 1169.5 1174.0 1148.1 1140.4 1141.9
1066.0 1102.4 1091.5 1089.6 1067.4 1068.9
1041.0 1035.5 1008.0 1027.8 993.8 995.4
875.0 967.6 922.3 957.2 918.3 920.1
834.0 897.1 832.4 862.5 839.3 841.2
692.0 821.8 735.8 -675.6 754.0 756.3
671.0 737.8 627.6 -11290.2 657.8 660.7
597.0 636.9 498.3 -23223.9 540.8 544.8
434.0 493.6 319.7 -38708.1 369.8 377.4
Los resultados obtenidos con Excel, incluso dan valores negativos lo cual físicamente no
es posible. Los errores estándar de ajuste (EEA) son los siguientes:
Tabla 3.10 Valores del eea para los diferentes métodos
AFA AX EXCEL AG Nelder-Mead

1034.6480 989.9901 41947.9755 371.7920 370.6587
Por último, los valores de diseño para diferentes periodos de diseño son los siguientes:
45
Tabla 3.11 Valores de diseño para diferentes tr por los diferentes métodos
Tr AFA AX EXCEL AG Nelder-Mead

2 1504.1 1562.9 1441.2 1490.6 1492.2
5 3741.2 2815.2 42705.1 2860.5 2866.8
10 8060.8 6494.6 84115.8 8591.1 8565.8
20 11315.6 11295.2 121637.1 14257.4 14085.3
50 15184.1 15499.6 169045.5 20595.6 20242.1
100 17990.9 18352.8 204215.7 25110.9 24624.7
200 20755.2 21106.9 239126.2 29531.3 28914.4
500 24380.0 24682.4 285091.7 35310.1 34521.5
1000 27111.8 27365.1 319799.1 39659.5 38741.4
5000 33443.1 33568.7 400311.1 49732.1 48514.0
10000 36167.8 36236.3 434973.4 54066.0 52718.7
3.5 Conclusiones
La herramienta Solver de Excel® mostró ser una herramienta muy sencilla en la

optimización de los parámetros con la ventaja de que no se necesita programar, sin
embargo, los parámetros que presenta no siempre son óptimos, a veces no se ajustan
a los datos observados o incluso no encuentra la solución.
El programa AX tiene el inconveniente de que lo primero que realiza es el ajuste del

parámetro p, pero lo ajusta de tal manera que al menos haya tres observaciones en la
segunda población, después calcula los parámetros en forma independiente.
El programa AFA utiliza el método de Rosenbrock para encontrar los parámetros

óptimos, este método tiene problemas con los mínimos locales por lo que se vuelve muy
importante determinar los parámetros iniciales así como los incrementos que tendrá la
variable para irse desplazando. El número de iteraciones con el método de Rosenbrock
es mucho mayor que el método de Nelder-Mead, y es debido a que con el método de
Rosenbrock se “optimiza” una a una las variables y este ciclo se repite hasta que se
encuentren los parámetros óptimos. En el método de Nelder-Mead se cambian las
variables al mismo tiempo lo que reduce el número de iteraciones.
El método de los Algoritmos Genéticos, es una técnica que se ha usado para encontrar
los parámetros óptimos en funciones como la aquí presentada y se confirma que da
buenos resultados. También se observa que la técnica de optimización Nelder-Mead
puede competir con los algoritmos genéticos en los resultados de los parámetros
óptimos, ya que como se observa dan valores muy similares (en el caso de estudio el
método Nelder-Mead da un EC ligeramente menor que los Algoritmos Genéticos). Una
ventaja de Nelder-Mead es que su programación es sumamente sencilla. También el
número de iteraciones fue menor con el Método de Nelder-Mead que con los Algoritmos
Genéticos, en el primer método se tuvieron alrededor de 560 iteraciones mientras que
con el segundo se realizaron 2000 generaciones con 100 individuos cada una. Dado que
hubo menos iteraciones, también el tiempo se redujo drásticamente, siendo de unas
décimas de segundos con el método de Nelder-Mead y alrededor de 5 minutos con los
Algoritmos Genéticos.
El método Nelder-Mead demuestra ser un método versátil, de muy fácil aplicación y

mostró ser la mejor solución en este caso de estudio. El algoritmo Nelder-Mead es
46
fácilmente aplicable a numerosos problemas de optimización de ecuaciones no lineales.
Una desventaja de este método es que solo se aplica para ecuaciones no lineales sin
restricciones, sin embargo si se tiene cuidado al seleccionar los parámetros iniciales se
evita el problema de las restricciones.
El método de Nelder-Mead es muy sensible a los parámetros iniciales, tiene menos

problemas con los mínimos locales que el algoritmo de Rosenbrock. Se puede utilizar el
programa AX o la herramienta Solver de Excel, para determinar los valores iniciales.
También se puede realizar un sondeo y probar diversos valores iniciales. Se recomienda
iniciar con los valores de p = 0.95, 0.90, 0.85, 0.80, 0.75, 0.7 y los parámetros de escala
y ubicación calcularlos directamente de la estación en estudio.
47
4. DETECCIÓN DE FUGAS EN REDES DE DISTRIBUCIÓN DE AGUA POTABLE
Jiménez-Magaña M.R., Sosa Rodríguez M.
Facultad de Estudios Superiores Aragón. Universidad Nacional Autónoma de México
4.1 Introducción
Las fugas son un aspecto muy importante en los sistemas de distribución de agua que
afecta tanto a los organismos operadores como a los usuarios. Por lo tanto no es una
sorpresa que sea el punto de atención de investigadores e ingenieros.
Los trabajos y las metodologías desarrollados, relacionados con las fugas, pueden
clasificarse en tres grandes grupos:
1) Auditorias, centradas en cuantificar la cantidad de agua perdida.

2) Métodos de detección de fugas, enfocados en determinar los sitios del sistema de
distribución por donde se fuga.
3) Modelos de control de fugas, que están enfocados en el control efectivo de los
niveles (actuales y futuros) de las fugas.
Las fugas ocurren en todos los sistemas de distribución de agua. Como dijo William Hope
(1892) “no existe un sistema de abastecimiento en el cual no exista un desperdicio y en
cambio hay poco suministro, ni ninguno, en el cual el ahorro de una porción sustancial
del agua desperdiciada tenga ventajas para el organismo operador del sistema de agua
potable”.
La cantidad de agua fugada en un sistema de distribución de agua varia ampliamente

entre las diferentes ciudades, países, regiones y sistemas, de porcentajes tan bajos
como 3 a 7 % del agua que ingresa a un sistema en buenas condiciones, como en
Holanda (Breuken et al, 2006) hasta el 50% o más en países en vías de desarrollo o
sistemas con poco mantenimiento (Lambert, 2002). Fig 4.1.
48
Bulgaria (1996)
México
Eslovenia (1999)
Hungria (1995)
Irlanda (2000)
Rep. Checa (2000)
Rumania (1999)
Italia (2001)
Francia (1997)
Eslovaquia (1999)
Inglaterra (2000)
España (1999)
Suecia (2000)
Finlandia (1999)
Dinamarca (1997)
Alemania (1999)
Tokio (2005)
0 10 20 30 40 50 60
% de fuga
Fig 4.1 Fugas estimadas en algunos sistemas de abastecimiento de agua potable
Las fugas no son solamente un problema económico como generalmente se percibe y se

presenta por los organismos operadores, es también un problema ambiental, no
sustentable y potencialmente de seguridad en la salud. Las fugas ocasionan una
distribución ineficiente de energía a través de la red (aquella energía desperdiciada en
el bombeo del agua), y, también pueden afectar la calidad del agua cuando las presiones
en la red de distribución son bajas y se introducen a ella sustancias que causan
infecciones.
En el caso particular de México, la Comisión Nacional del Agua (CONAGUA), con base en
una muestra de 80 organismos operadores que atienden a localidades mayores a 20,000
habitantes reporta las eficiencias mostradas en las Figs 4.2 y 4.3.
49
Fig 4.2 Niveles de eficiencia promedio. (CONAGUA 2010)
Fig 4.3 Distribución de agua no contabilizada (42.7%)
4.2 Estado del arte
Existen muchos trabajos en el campo de la modelación y manejo de fugas. Uno de los

primeros, es el trabajo de Morris (1967) que trata principalmente sobre los factores
potenciales que ocasionan las roturas de las tuberías. Está también el trabajo de
Goodwin (1980) donde se reportan diferentes políticas para el control de fugas.
50
En el trabajo de Cist y Schutz (2001) se haya una comparación de los atributos de
diferentes métodos de detección de fugas. Otra revisión y clasificación de los métodos
de detección de fugas es la realizada por Liou et al (2003). En artículos de Kapelan
(2002) y Savic (2009) se puede encontrar una revisión de métodos de calibración en
tuberías incluyendo fugas.
Existen diferentes definiciones de fuga en sistemas de distribución de agua; el más usado

es: “cantidad de agua que escapa de una red de tuberías sin acción controlada”. También
existen diversas clasificaciones, por ejemplo, visibles o no visibles. Aquellas causadas
por roturas o por malas uniones de los elementos de una red, aunque también existen
en tanques y almacenamientos pero éstas no son motivo de estudio en este trabajo.
Las fugas en sistemas de distribución son causadas por diferentes factores, por ejemplo,
malas conexiones entre tubos, corrosión externa o interna, cargas externas excesivas
en las tuberías (tránsito pesado) y los sismos. Otros factores comunes que influyen son:
movimientos de tierra, altas presiones, daños causados por una excavación, edad de las
tuberías, bajas temperaturas en el invierno, defectos de fabricación en las tuberías,
condiciones del terreno y la mala calidad del trabajo de instalación. Además, la existencia
de fugas puede ocasionar daños en la infraestructura, pérdidas financieras, pérdidas de
energía, y riesgos en la salud.
Las fugas dependen de la presión del sistema. Básicamente, a mayor presión, mayor es
el gasto de fuga, y viceversa. Wiggert (1968) fue el primero que utilizó la ecuación del
orificio para describir la relación entre presión y gasto de fuga.
Aunque la ecuación del orificio sigue siendo ampliamente utilizada, hay que tener
cuidado de no caer en errores cuando la tubería en cuestión no está hecha de un material
rígido, Greyvenstein y Vanzyl (2005). Recientemente se ha propuesto una ecuación más
general que relaciona el gasto y la presión con un exponente diferente de 0.5,
Germanopoulos (1985). Se ha demostrado que el valor de este exponente depende del
tipo de fuga, comportamiento del material de la tubería y la demanda.
Históricamente, las auditorias se han llevado a cabo para cuantificar las pérdidas totales
incluyendo, si es posible, pérdidas reales y aparentes (errores de medición, facturación
y cobranza); lo que sigue en una estrategia para la eliminación de fugas, son los métodos
de detección de fugas, desarrollados con el propósito de detectar y localizar las fugas.
Existen métodos basados en el empleo de equipos acústicos y otros meramente
numéricos (apoyados en mediciones en campo); en la práctica es común utilizar algún
método en conjunto con otros.
Los métodos de búsqueda de fugas son aquellos que sirven para descubrir una fuga en
un área en particular dentro de la red; sin dar información precisa de su localización,
generalmente se apoyan en un modelo de simulación hidráulica.
Se han propuesto varios modelos hidráulicos para detectar fugas en sistemas de

distribución de agua. Esos métodos usualmente involucran técnicas de calibración y
optimización para analizar las diferentes áreas de la red. El problema se formula como
51
uno de optimización con restricciones donde la función objetivo es del tipo mínimos
cuadrados.
Recientemente se han utilizado los transitorios hidráulicos para la detección de fugas.

Wiggert(1968), Nicholas(1990), Liggett(1993) y Liggett y Chen(1994). El empleo de los
transitorios en fluidos para la detección de fugas ha ganado mucha popularidad en la
década pasada, una ventaja es que el registro de datos se hace en un periodo muy corto
de tiempo y se obtiene una cantidad enorme de datos.
Otra ventaja del transitorio hidráulico sobre los cálculos en flujo permanente es que las
ondas de presión se ven menos afectadas por la fricción que en el flujo en general y
entonces tener el valor preciso de los factores de fricción tiene poca importancia.
Además, utilizando transitorios, la detección de fugas y la calibración se hacen de
manera simultánea, proveyendo así, una solución al problema del poco conocido o
desconocido factor de fricción. Los transitorios hidráulicos se utilizan de manera análoga
al empleo de radares y sonares para localizar e identificar objetos. Existen en la literatura
muchos trabajos hidráulica, por ejemplo: el método de reflexión de fugas, Jonson (1995,
2003). Brunoe (1999), Brunoe y Ferrante (1999, 2001, 2004) y Covas y Ramos (1999).
El control de pérdidas físicas de agua (fugas) en una red de tuberías funcionando a

presión es necesario para alcanzar y mantener un adecuado aprovechamiento del agua
potable.
En la distribución de agua también se tienen pérdidas de este líquido por rebosamiento

en almacenamientos, usos clandestinos y consumos municipales no contabilizados, entre
otros. Sin embargo, existen errores de medición, que pueden llegar a influir de manera
importante en los balances hidráulicos.
En las pérdidas de agua dentro de un intervalo de tiempo determinado también se

consideran a la diferencia entre las cantidades de agua suministradas al sistema de
distribución (volumen de producción) y los consumos obtenidos con los medidores
domiciliarios en el catastro y las tomas domiciliarias que no tienen medidores o cuyos
medidores no funcionan, (volumen de consumo).
En general, las pérdidas de agua se componen de tres partes:
a) Pérdida física de agua. Representa el volumen de las pérdidas debido al escape de

agua que ocurre en los dispositivos de rebosamientos de tanques de almacenamiento
del sistema de distribución, o salidas de agua por fisuras en las tuberías y los distintos
elementos del sistema de distribución, por quiebra de la estanqueidad de los mismos.
b) Errores de medición. Representan un importante componente de las pérdidas

causadas por la imprecisión de los equipos de medición de caudal de los sistemas de
macromedición y micromedición.
c) Usos no facturables. Representan el componente de las pérdidas relativo a las

cantidades de agua que, a pesar de ser utilizadas legítimamente, no revierten en
52
facturación para las empresas encargadas de la distribución de agua potable. En esta
categoría están incluidos los consumos operacionales (lavado y desinfección de tuberías,
tanques), consumos especiales (bomberos), y los consumos clandestinos.
Los programas de control de pérdidas de agua deben tomar en cuenta las pérdidas de
agua, errores de medición y usos clandestinos y así mismo deben investigar y minimizar
las causas de ocurrencia de las mismas. Es imprescindible que en este programa de
control se consideren aspectos de planeación, diseño, construcción, adquisición de
materiales, operación, mantenimiento, organización y administración.
Los programas de control de pérdidas deben incluir un conjunto de acciones, cuyos

objetivos son:
 Reducir a un valor mínimo admisible la relación volumen producido respecto al

volumen utilizado de agua.
 Atender demandas que no se satisfacen totalmente, procurando que sea con el
agua que se evita que se pierda por las fugas.
 Garantizar el funcionamiento adecuado del sistema de abastecimiento de agua
durante la vida útil del proyecto.
 Promover una mejor facturación y distribución del agua.
 Reducir los costos de producción y distribución de agua.
Las fugas representan una pérdida efectiva de líquido, con reflejos sociales y económicos
importantes en la población, ya que se trata de agua captada, bombeada, tratada,
almacenada, distribuida y que está disponible cerca de los sitios del consumo.
En una ciudad, en promedio se consume el 71% de la producción total de agua en las

casas habitación, el 12% en la industria, el 15% en el comercio y el 2% en el sector
servicios.
Las fugas en las redes pueden ser visibles y no visibles; las primeras emergen de la
tierra o del pavimento, las segundas no son detectadas a simple vista, pues el agua
puede ir al sistema de drenaje o al acuífero.
Las causas de las fugas dependen del tipo de suelo, calidad del agua, de la construcción,
los materiales usados, la magnitud de las cargas de presión disponible, la edad de las
tuberías de la red y las políticas de operación y prácticas de mantenimiento.
En las redes de distribución de agua potable, las fugas pueden presentarse como
consecuencia de roturas debidas a agrietamiento transversal, aplastamiento o
agrietamiento longitudinal de las tuberías; el primer caso es provocado entre otros
aspectos por vibraciones causadas por cargas superficiales; el segundo es resultado de
la mala construcción y el tercero principalmente se debe a fatiga, defectos de fabricación
o golpe de ariete. Existen otros fenómenos como la corrosión, el mal junteo de los tubos
o la falla de las válvulas que pueden incrementar este problema.
53
Existen varios métodos para detectar fugas, uno de ellos es el método acústico. Se basa
en el hecho de que las fugas a presión producen un ruido que puede ser captado por
medio de micrófonos, amplificadores y audífonos. Se usa mucho por su accesibilidad y
fácil manejo, aunque puede ser difícil interpretar las señales si no se cuenta con
experiencia suficiente en su manejo.
El método de correlación, se basa en la recepción del ruido debido a una fuga por medio
de sensores colocados a ambos lados de ella, las dos señales se amplifican y procesan
en un analizador de correlación, hasta encontrar el desfasamiento que produce una
máxima correlación.
Otro método es el de presurización de la red o método suizo, que consiste en inyectar

agua a presión en un sector de la red o un tramo de tubería, y medir la cantidad de agua
que se requiere para mantener la presión constante, este volumen de agua es
exactamente el que se fuga.
También se ha usado el método de los trazadores. Para ello se inyecta un trazador

(isótopos, óxido nitroso, helio o mezclas de metano con nitrógeno y con argón), para su
posterior detección en la zona de fuga por medios químicos o radiológicos.
Los programas de detección y reparación de fugas han demostrado ser rentables en

muchas empresas dedicadas a la distribución de agua potable en varios países. El análisis
económico de estos programas requiere del cálculo de los beneficios y costos de los
mismos, generalmente resultando a favor de los métodos de detección y corrección de
fugas.
La forma más conservadora de estimar los beneficios, es considerar el valor del agua
que se pierde incluyendo el pago de derechos y los costos de energía eléctrica y reactivos
químicos. Una segunda forma incluye además reparaciones, mantenimiento, salarios y
supervisión de bombeo, tratamiento, conducción y distribución, es decir los costos de
producción. La tercera forma y tal vez la más adecuada es dividir todos los costos de
operación del organismo operador, entre el volumen de agua producido, los que se
consideran costos de operación.
En 1998 el Instituto de Ingeniería de la UNAM planteó un método para detectar fugas

mayores en redes de distribución de agua potable, con base en la medición de la presión
en los sitios donde confluyen dos o más tuberías (nodos de cruce) y una estimación de
los gastos de demanda, debido a que las mediciones de gasto en una red de tuberías de
agua potable es más complicada de realizar que las de presión.
Con el método propuesto se localizan las tuberías de una red que tienen fuga. Para esto
se calcula, de acuerdo con las presiones medidas en algunos nodos, el gasto requerido
para cumplir con la ecuación de continuidad; se denomina gasto de desequilibrio. Cuando
estos gastos tienen una magnitud mayor a la de un cambio aceptable en el gasto de
demanda, corresponden a una fuga. Para disminuir la magnitud de los gastos de
desequilibrio se estiman gastos adicionales de salida en algunos sitios.
54
Se obtuvieron resultados satisfactorios en su momento, y para mejorarlo, se desarrolló
una línea de investigación que se fundamenta en los algoritmos genéticos (AG) aplicados
a la detección de sitios con fugas y estimación del volumen de dicha fuga, con base en
la medición de presiones en algunos sitios de la red de distribución.
4.3 Método propuesto
Con base en la utilización del Algoritmo Genético Simple (AGS), se plantea una
herramienta para detectar fugas en redes primarias de agua potable.
4.3.1 Consideraciones del AG para la detección de fugas
La metodología se basa en las siguientes hipótesis:
1. En cada tramo de la red se pude tener cuando más una fuga

2. Se dispone de mediciones de la carga de presión disponible en algunos nodos de
la red
3. Se conoce el gasto que se entrega al sistema y el gasto demandado en los nodos
El siguiente diagrama de bloques muestra los pasos a seguir por la metodología

propuesta.
A continuación se describen con detalle cada uno de los puntos del diagrama de bloques
de la Fig 4.4.
Además de contar con los datos que se mencionan en el primer bloque del diagrama, la
metodología requiere de suponer nodos ficticios, donde existe la posibilidad de fuga, a
la mitad de todas las tuberías que forman la red.
Codificación
En este caso la presión calculada está en función tanto del gasto demandado, como de
los posibles gastos de fuga, por lo tanto, serán estos últimos los que serán codificados.
El rango de posibles gastos de fuga está comprendido entre cero y la diferencia entre el
gasto suministrado al sistema de abastecimiento y el gasto facturado (demandado).
55
Fig 4.4 Diagrama de bloques del método propuesto
Sea, por ejemplo, el gasto suministrado igual a 400 l/s, si el gasto demandado es de
300 l/s, significa que los gastos de fuga, suman a lo más 100 l/s, o si solamente existiera
una fuga, esta sería de 100 l/s; por lo tanto, los gastos a codificarse estarán
comprendidos entre cero y 100 l/s, con incrementos constantes tan pequeños como se
desee.
Generación de la población inicial
Una vez que se han codificado los gastos de fuga, se procede a generar, aleatoriamente,
la población inicial. Para esto se requieren dos datos, la elección del número de valores
de los gastos de fuga en cada tubo (número de individuos de la población inicial) y el
otro, el número de tramos de la red (longitud del cromosoma).
El número de individuos de la población inicial es decisión de la persona que utilice el

método. La longitud del cromosoma es igual al número de tramos de la red, multiplicado
por la precisión.
La precisión, en este caso, es el número de dígitos que se requieren para codificar el

rango de gastos de fuga en sistema binario. Sea, por ejemplo, una red con 8 tuberías,
y suponiendo que el rango de los posibles gastos de fuga va de 0 a 7 l/s (8 números, en
sistema binario 23=8) con incrementos de un litro por segundo, se tiene que:
56
lc = (NT)(PRECI) = (8)(3) = 24 (4.1)
donde:
lc longitud del cromosoma
NT número de tuberías
precisión
Por lo tanto se generarán tantos individuos, como se desee, con una longitud de 24 bits
cada uno.
Evaluación de la aptitud de cada uno de los individuos
La idea es utilizar el AG para encontrar las combinaciones de gastos de fuga que

minimicen la siguiente ecuación
∑(Pmed − Pcalc) (4.2)

fa =
Nmed
donde
fa factor de aptitud
Pmed presión medida
Pcalc presión calculada
Nmed número de nodos con mediciones
Para la determinación de las presiones (calculadas) se utiliza un modelo de simulación

hidráulica de flujo permanente (tipo estático).
Selección proporcional
Una vez que se ha evaluado la aptitud de cada individuo, se procede a seleccionar

parejas para llevar a cabo la cruza. A diferencia de los seres humanos, hombres y
mujeres, donde por cada pareja, generalmente, se tiene un descendiente, en los AG,
por cada par de padres, se tendrá el mismo número de hijos. Esto mantendrá constante
el número de individuos en todas las generaciones.
El método de selección utilizado es el de la ruleta o selección proporcional, dicho método

asigna a cada individuo una parte, dentro de la ruleta, de tamaño proporcional a su
aptitud.
Mutación
En general, las probabilidades de mutación (Pm) para resolver problemas de ingeniería

son bajas, 0.02, pero es importante que exista para mantener la diversidad en la
población.
En el presente trabajo se utilizó una probabilidad de mutación de 0.7/lc.
57
Donde lc es la longitud del cromosoma.
4.4 Consideraciones hidráulicas
A continuación se presentan las consideraciones hidráulicas realizadas para la aplicación

de la metodología.
Estimación de la demanda
Una de las limitaciones del cálculo hidráulico de redes de tubos consiste en la dificultad
para precisar las demandas. En la evaluación del gasto de demanda se propone que
exista cierta imprecisión de tipo aleatoria en su cálculo, por lo que este gasto se podría
estimar como:
R (4.3)
G = G (l + τ)
ρ
donde:
G representa a la demanda “teórica” en el nodo n
R es igual al porcentaje máximo de error en la evaluación de la demanda
real G . Se considera que este porcentaje tiene una probabilidad de ser
excedido igual a P
 es la variable Normal de media 0.0 y desviación estándar 1.0 asociada
a la probabilidad P
 es un número aleatorio con distribución Normal (con media 0.0 y
desviación estándar 1.0)
Caudal mínimo nocturne
Si se realiza un balance hidráulico se puede afirmar lo siguiente
Q =Q +Q ±E ó (4.4)
donde
Qtotal caudal total ingresado en un sector, l/s
Qconsumo caudal consumido dentro del sector, l/s
Qfuga caudal que ser pierde en fugas, l/s
Emedición error en la medición, l/s
Si despreciamos el error en la medición y sabiendo que el consumo en la noche es muy

cercano a cero, se tiene entonces que
Q ≈Q
Lo anterior se cumple “idealmente” en algún momento por la noche, generalmente entre

las 2 y las 4 de la mañana. Entonces podemos decir que:
58
Q ≈Q
donde
Qmn es el caudal mínimo nocturno.
4.5 Ejemplos de aplicación
Sea la red de distribución de agua potable mostrada en la Fig 4.5 que fue presentada
por Alperovits y Shamir en 1977.
La red tiene 7 nudos, 6 nudos con demanda y uno por el que ingresa el agua mediante
un tanque de almacenamiento.
Se consideran conocidos los gastos demandados y el gasto que egresa del tanque, así
como también las cargas de presión disponible en algunos de los nodos de la red. Se
requiere determinar el sitio donde se localiza la fuga, así como la magnitud de ésta.
a) Red original b) Red con nodos ficticios que simulan

fugas
Fig 4.5 Trazo original de la red y red con nodos ficticios
Las características de las tuberías aparecen en las Tablas 4.1, 4.2 y 4.3 respectivamente.
Tabla 4.1 Características de la red, trazo original

(todas los tramos tienen una longitud de 1,000 m y una rugosidad de 0.15 mm)
Tubería Del nodo Al nodo Diámetro (mm) Tubería Del nodo Al nodo Diámetro (mm)
1 1 2 457.2 5 4 6 203.2
2 2 3 254.0 6 6 7 406.4
3 2 4 152.4 7 3 5 406.4
4 4 5 254.0 8 7 5 152.4
59
Tabla 4.2 Características de la red, con nodos intermedios
(todas los tramos tienen una longitud de 500 m y una rugosidad de 0.15 mm)
Tubería Del nodo Al nodo Diámetro (mm) Tubería Del nodo Al nodo Diámetro (mm)
1 1 8 457.2 9 4 13 406.4
2 8 2 457.2 10 13 6 406.4
3 2 9 254.0 11 6 15 254.0
4 9 3 254.0 12 15 7 254.0
5 2 10 406.4 13 3 11 203.2
6 10 4 406.4 14 11 5 203.2
7 4 12 152.4 15 14 5 152.4
8 12 5 152.4 16 7 14 152.4
Los nudos que tienen gastos de demanda se muestran en la Tabla 4.3.
Tabla 4.3 Gastos de demanda en los nudos de la red
Nodo Gasto de demanda (l/s) Nodo Gasto de demanda (l/s)

2 27.78 5 75.00
3 27.78 6 91.67
4 33.33 7 55.56
Las cargas de presión disponibles que se determinaron en la red, para tres diferentes
condiciones de funcionamiento (un nodo con fuga, dos nodos con fuga y tres nodos con
fuga), se consignan en la Tabla 4.4.
Tabla 4.4 Presiones medidas
Carga de presión disponible medida (En mca)

Nodo
Una fuga Dos fugas Tres fugas
2 52.06 50.65 49.65
3 31.86 30.30 29.04
4 40.28 38.01 35.84
5 27.22 25.32 23.49
6 26.58 24.33 21.75
7 22.31 20.14 17.74
4.5.1 Red que tiene un nodo con fuga
Empleando los datos de las Tablas 4.1 a 4.3, así como de las cargas de presión medidas
cuando existe una fuga en la red de tuberías que se consignan en la Tabla 4.4 y las
demandas obtenidas como se indicó en la ecuación 4.2 y que aparecen en la Tabla 4.5,
se aplicó el método propuesto.
Tabla 4.5 Demandas en los nodos de la red (R=0.01, =1.28 y ρ=0.10)
Nodo G τ R Gn
1+ τ
ρ
2 27.78 -0.058 1.000 27.78
3 27.53 1.168 1.009 27.78
4 33.10 0.948 1.007 33.33
5 75.08 -0.172 0.999 75
6 92.50 -1.113 0.991 91.67
7 55.90 -0.822 0.994 55.56
60
Los resultados obtenidos se presentan en la Tabla 4.6
Se encontró que en el nudo 14 localizado entre los nudos 5 y 7, existía una fuga y que
su magnitud fue de 35 l/s. Para esto el programa da como resultado un vector con los
nudos ficticios y, de existir, el valor del gasto de fuga, en caso contrario reporta un 0.
En la Fig 4.6 se muestra el comportamiento general del factor de aptitud (fa) conforme
fue evolucionando el algoritmo genético simple.
Tabla 4.6 Gastos y presiones calculados en la red de tuberías
Nivel Q de
Gasto Velocidad Carga
Tubería f Nodo Piezométrico demanda
(l/s) (m/s) (mca)
(m) (l/s)
1 346.12 2.11 0.016 2 202.06 52.06 27.78
2 346.12 2.11 0.016 3 191.86 31.86 27.78
3 84.00 1.66 0.018 4 195.28 40.28 33.33
4 84.00 1.66 0.018 5 177.22 27.22 75.00
5 234.34 1.81 0.017 6 191.58 26.58 91.67
6 234.34 1.81 0.017 7 182.31 22.31 55.56
7 29.32 1.61 0.021 8 206.03 46.03 0
8 29.32 1.61 0.021 9 196.96 41.96 0
9 171.69 1.32 0.017 10 198.67 46.17 0
10 171.69 1.32 0.017 11 184.54 29.54 0
11 80.02 1.58 0.019 12 186.25 33.75 0
12 80.02 1.58 0.019 13 193.43 33.43 0
13 56.22 1.73 0.019 14 175.96 20.96 35 *
14 56.22 1.73 0.019 15 186.94 24.44 0
15 10.54 0.58 0.023 *Gasto de fuga
16 24.46 1.34 0.021
Fig 4.6 Convergencia del algoritmo genético
61
4.5.2 Red que tiene dos nodos con fuga
Con los datos de las Tablas 4.1 a 4.3, además de las cargas de presión medidas cuando
existían dos fugas (Tabla 4.4), se obtuvieron los resultados anotados en la Tabla 4.7.
En este caso, se observa que el método sí detecto las fugas que existían, una fuga entre
los nodos 2 y 4, la otra fuga entre los nodos 5 y 7; siendo su magnitud de 30 y 35 l/s
respectivamente.
62
Gasto Velocidad Carga Nivel Piezométrico Q de demanda

Tubería f Nodo
(l/s) (m/s) (mca) (m) (l/s)
1 376.12 2.29 0.016 2 200.65 50.65 27.78
2 376.12 2.29 0.016 3 190.3 30.3 27.78
3 84.67 1.67 0.018 4 193.01 38.01 33.33
4 84.67 1.67 0.018 5 175.32 25.32 75.00
5 263.67 2.03 0.016 6 189.33 24.33 91.67
6 233.67 1.80 0.017 7 180.14 20.14 55.56
7 29.02 1.59 0.021 8 205.33 45.33 0
8 29.02 1.59 0.021 9 195.48 40.48 0
9 171.33 1.32 0.017 10 196.38 43.88 30*
10 171.33 1.32 0.017 11 182.81 27.81 0
11 79.66 1.57 0.019 12 184.16 31.66 0
12 79.66 1.57 0.019 13 191.17 31.17 0
13 56.89 1.75 0.019 14 173.97 18.97 35 *
14 56.89 1.75 0.019 15 184.73 22.23 0
15 10.90 0.60 0.023 * Gasto de fuga
16 24.10 1.32 0.021
4.5.3 Red que tiene tres nodos con fuga
Para los datos de las Tablas 4.1 a 4.3, y considerando las presiones medidas cuando
ocurren 3 fugas (Tabla 4.4) con el método propuesto se obtuvieron los valores que están
escritos en la Tabla 4.8. En este ejemplo se encontró que las fugas se localizaban de la
manera siguiente: una fuga entre los nodos 2 y 4 de 30 l/s, entre los nodos 4 y 6 de 20
l/s y por último entre los nodos 5 y 7 de 35 l/s.
Q de
Gasto Velocidad Carga Nivel
Tubería f Nodo demanda
(l/s) (m/s) (mca) Piezométrico (m)
(l/s)
1 396.12 2.41 0.016 2 199.65 49.65 27.78
2 396.12 2.41 0.016 3 189.04 29.04 27.78
3 85.75 1.69 0.018 4 190.84 35.84 33.33
4 85.75 1.69 0.018 5 173.49 23.49 75
5 282.59 2.18 0.016 6 186.75 21.75 91.67
6 252.59 1.95 0.017 7 177.74 17.74 55.56
7 28.72 1.57 0.021 8 204.83 44.83 0
8 28.72 1.57 0.021 9 194.35 39.35 0
9 190.54 1.47 0.017 10 194.76 42.26 30 *
10 170.54 1.31 0.017 11 181.27 26.27 0
11 78.87 1.56 0.019 12 182.17 29.67 0
12 78.87 1.56 0.019 13 188.57 28.57 20 *
13 57.97 1.79 0.019 14 171.95 16.95 35 *
14 57.97 1.79 0.019 15 182.24 19.74 0
15 11.69 0.64 0.022 * Gasto de fuga
16 -23.31 1.28 0.021
4.6 Conclusiones
Se presentó un método para detectar fugas en una red de tuberías a partir de las
mediciones de presión en algunos de sus nodos, considerando para la solución de la
función objetivo un algoritmo genético simple, de igual manera, se expusieron las bases
63
teóricas del método para mostrar que no es complicado y para conocer sus ventajas y
limitaciones.
El método para detectar fugas mayores de agua en redes de tuberías funcionando a

presión permite hacer la detección de las tuberías con fugas, a partir únicamente de los
gastos de ingreso a la red, de la medición de las cargas en los puntos de cruce y de una
estimación de las demandas.
Por estas razones se espera que ayude a los especialistas interesados en localizar las
tuberías de una red de agua potable donde existen fugas, ya que el empleo de la
instrumentación existente para este fin (geófonos, varillas de sondeo, equipo
electrónico), encarece la operación.
Es importante resaltar que una vez que el método se pueda llevar a cabo de una forma
práctica en las redes de tuberías “reales”, su aplicación puede ser preferible durante la
noche para tener gastos de fugas mayores.
Por otro lado, aun cuando estos resultados son alentadores, será necesario aplicar el
procedimiento propuesto en redes de mayor tamaño y en redes de tuberías reales para
comprobar su eficacia.
64
5. MODELIZACIÓN BIDIMENSIONAL PARA EL TRÁNSITO DE AVENIDAS EN
CAUCES Y LLANURAS DE INUNDACIÓN. EL MODELO IBER
Bladé-I Castellet E., Corestein G., Cea L. Sànchez-Juny, M., Dolz, J.
Instituto Flumen, Universidad Politécnica de Catalunya, Barcelona, España
5.1 Introducción
La modelización numérica del flujo de agua en lámina libre es una herramienta útil para
resolver un buen número de problemas de ingeniería hidráulica y dinámica fluvial:
delimitación de zonas inundables, evaluación del riesgo de inundación, diseño de obras
de protección, restauración de cauces, diseño y dimensionamiento de obras hidráulicas,
estudio de rotura de presas y balsas, etc. Tradicionalmente este tipo de estudios se ha
abordado con una aproximación unidimensional: entendiendo el río como una línea y
discretizando la geometría mediante secciones transversales. Esto es lo que se hace por
ejemplo Hec-Ras, y en muchas ocasiones es suficiente. Sin embargo esta aproximación
unidimensional lleva implícita una serie de hipótesis, entre ellas que considera el flujo
en la dirección perpendicular a las secciones transversales, y la misma cota de agua a
lo ancho de toda la sección, que en otras ocasiones limita la aplicabilidad de los
resultados. Por ello, en los últimos años han proliferado las herramientas de
modelización bidimensionales, mediante las cuales en cada punto de la zona de estudio
se puede obtener un valor distinto de la cota de agua, y por lo tanto del tirante, así como
de las dos componentes horizontales de la velocidad.
Iber es un modelo numérico bidimensional de simulación de flujo turbulento en lámina

libre en régimen no-permanente, y de procesos medioambientales en hidráulica fluvial.
El rango de aplicación de Iber abarca la hidrodinámica fluvial, la simulación de rotura de
presas, la evaluación de zonas inundables, el cálculo de transporte de sedimentos y el
flujo de marea en estuarios. Iber se distribuye a través de www.iberaula.es. Iber es
desarrollado en colaboración por el Grupo de Ingeniería del Agua y del Medio Ambiente,
GEAMA (Universidad de A Coruña, UDC) y el Instituto FLUMEN (Universitat Politècnica
de Catalunya, UPC, y Centro Internacional de Métodos Numéricos en Ingeniería, CIMNE).
El modelo Iber surge como respuesta al interés mostrado por el Centro de Estudios
Hidrográficos del CEDEX en disponer de una herramienta que facilite la aplicación de la
legislación sectorial vigente en materia de aguas.
El modelo Iber consta actualmente de 3 módulos de cálculo principales: un módulo

hidrodinámico, un módulo de turbulencia y un módulo de transporte de sedimentos.
Todos los módulos trabajan sobre una malla no estructurada de volúmenes finitos
65
formada por elementos triangulares o cuadriláteros. En el módulo hidrodinámico, que
constituye la base de Iber, se resuelven las ecuaciones de aguas someras
bidimensionales promediadas en profundidad (ecuaciones de St. Venant 2D). El módulo
de turbulencia permite incluir las tensiones turbulentas en el cálculo hidrodinámico,
pudiéndose utilizar para ello diferentes modelos de turbulencia para aguas someras con
diferente grado de complejidad. En la versión actual se incluyen un modelo parabólico,
un modelo de longitud de mezcla y un modelo k-ε. El módulo de transporte de
sedimentos resuelve las ecuaciones de transporte de fondo y transporte turbulento en
suspensión, calculando a partir del balance de masa de sedimento la evolución de la cota
de fondo.
5.2 Modelización hidrodinámica
Como se ha indicado, la base de cualquier estudio en hidráulica fluvial es el cálculo

hidrodinámico de tirantes, velocidades y niveles de turbulencia. El módulo hidrodinámico
del modelo Iber resuelve las ecuaciones de aguas someras promediadas en profundidad,
también conocidas como 2D Shallow Water Equations (2D-SWE) o ecuaciones de St.
Venant bidimensionales. Dichas ecuaciones asumen una distribución de presión
hidrostática y una distribución relativamente uniforme de la velocidad en profundidad.
La hipótesis de presión hidrostática se cumple razonablemente en el flujo en ríos, así
como en las corrientes generadas por la marea en estuarios. Asimismo, la hipótesis de
distribución uniforme de velocidad en profundidad se cumple habitualmente en ríos y
estuarios, aunque pueden existir zonas en las que dicha hipótesis no se cumpla debido
a flujos locales tridimensionales o a cuñas salinas. En estos casos es necesario estudiar
la extensión de dichas zonas y su posible repercusión en los resultados del modelo. En
la actualidad, los modelos numéricos basados en las ecuaciones de aguas someras
bidimensionales son los más utilizados en estudios de dinámica fluvial y litoral,
evaluación de zonas inundables, y cálculo de transporte de sedimentos y contaminantes.
5.2.1 Ecuaciones hidrodinámicas
En el módulo hidrodinámico se resuelven las ecuaciones de conservación de la masa y

de la cantidad de movimiento en las dos direcciones horizontales:
h hU x hU y
   MS
t x y
e
hU x hU x2 hU x U y Z τ τ  hτ exx  hτ xy
   gh s  s,x  b, x   (5.1)
t x y x   x y
hU y hU x U y hU 2y e e
Zs τ s,y τ b, y  hτ xy  hτ yy
   gh    
t x y y   x y
donde
h es el tirante,
Ux, Uy son las velocidades horizontales promediadas en profundidad
g es la aceleración de la gravedad
Zs es la elevación de la lámina libre
66
τs es la fricción en la superficie libre debida al rozamiento producido
por el viento
τb es la fricción debido al rozamiento del fondo
ρ es la densidad del agua
τexx, τexy, τeyy son las tensiones tangenciales efectivas horizontales
MS es un término fuente/sumidero de masa de agua, mediante el cual
se pueden modelar procesos de precipitación e infiltración.
El módulo hidrodinámico de Iber es capaz de resolver las ecuaciones hidrodinámicas en

dominios espaciales parcialmente secos, en presencia de frentes seco-mojado no
estacionarios. Dichos frentes son fundamentales en la modelización de zonas inundables
en ríos, así como en estuarios, en donde la extensión de la zona cubierta por el mar
depende del nivel de marea. De esta forma se introduce en Iber la posibilidad de evaluar
la extensión de zonas inundables en ríos, así como el movimiento del frente de marea
en estuarios y zonas costeras.
5.2.2 Fricción de fondo
El fondo ejerce una fuerza de rozamiento sobre el fluido que es equivalente al rozamiento
con una pared, con la particularidad de que, en general, en ingeniería hidráulica la
rugosidad del fondo es elevada, como ocurre en ríos y estuarios.
La fricción del fondo tiene un doble efecto en las ecuaciones de flujo. Por un lado produce
una fuerza de fricción que se opone a la velocidad media, y por otro lado, produce
turbulencia. Ambos efectos se pueden caracterizar por la velocidad de fricción uf, que
no es más que una forma de expresar la tensión tangencial de fondo con unidades de
velocidad:
τb
uf  (5.2)
ρ
donde  es el módulo de la fuerza de fricción de fondo, y ρ es la densidad del agua. En

los modelos promediados en profundidad es necesario relacionar la velocidad de fricción
uf con la velocidad media promediada en profundidad mediante un coeficiente de
fricción. La tensión de fondo se puede expresar como:
2
τ b  ρu f2  ρCf U (5.3)
en donde Cf es el coeficiente de fricción de fondo. En los modelos promediados en

profundidad se asume que la fricción de fondo es una fuerza que se ejerce en la misma
dirección y sentido contrario a la velocidad promediada en profundidad. Existen
diferentes expresiones que permiten aproximar el coeficiente de fricción C . La mayor
parte de ellas asumen flujo uniforme en canal con un perfil logarítmico de velocidad en
profundidad. La fricción de fondo en Iber se evalúa mediante la fórmula de Manning, la
cual utiliza el coeficiente de Manning n como parámetro. La fórmula de Manning utiliza
el siguiente coeficiente de rugosidad:
67
n2
Cf  g (5.4)
h 1/3
El coeficiente de Manning se introduce a nivel de usuario, estando disponibles las

siguientes opciones:
 Manning variable en espacio

 Manning variable con el caudal unitario
 Asignación automática en función de los usos del suelo
Si se selecciona la opción de Manning variable en espacio, el usuario introduce el valor

de dicho coeficiente en cada zona del dominio de estudio. La opción de Manning variable
en función del caudal unitario permite considerar el efecto de la fuerza del agua en zonas
con vegetación flexible, donde el coeficiente de Manning puede disminuir al aumentar el
caudal unitario. La opción de asignación automática permite definir automáticamente el
valor del coeficiente de Manning en cada punto del dominio de estudio a partir de un
raster en el que se definen los usos del suelo. En este caso cada uso del suelo tendrá un
coeficiente de Manning diferente asignado. El usuario debe introducir el raster con los
usos del suelo en formato ASCII y el coeficiente de Manning asignado a cada uso del
suelo.
Asimismo, en el modelo se puede considerar la fuerza de rozamiento realizada por el

viento sobre la superficie libre, a partir de la velocidad del viento a 10 metros de altura
y un coeficiente de arrastre, para lo cual se utiliza la ecuación de Van Dorn (1953).
5.2.3 Tensiones efectivas
Las tensiones efectivas horizontales que aparecen en las ecuaciones hidrodinámicas

incluyen los efectos de las tensiones viscosas, de las tensiones turbulentas y los términos
de dispersión debido a la no homogeneidad en profundidad del perfil de velocidad.
τ eij  τ ijv  u' i u' j  Dij (5.5)
donde
τijv
son las tensiones viscosas,
u' i u' j
son las tensiones turbulentas (también llamadas tensiones de
Reynolds)
D son los términos de dispersión lateral
1 Zs
D ij   U i  u i  U j  u j dz (5.6)
h Zb
Los términos de dispersión se desprecian debido a la imposibilidad de calcularlos de

forma general con un modelo promediado en profundidad. Su importancia será mayor
cuanto menos uniforme sea el perfil de velocidad en profundidad. Una situación típica
68
en la que estos términos pueden cobrar importancia es en canales con codos o radios de
curvatura pequeños, así como en la confluencia de canales (Fig 5.1).
Q1
Q
3
Q
2
Fig 5.1 Flujos secundarios (izquierda) y perfil vertical de velocidad (derecha).

Principales causas de los términos de dispersión
Las tensiones viscosas se calculan a partir de la viscosidad cinemática del fluido (v)
como:
 U U j 
τ ijv  ν i   (5.7)
 x x 
 j i 
En general, excepto cerca de las paredes, y excepto en flujo laminar, el orden de

magnitud de las tensiones viscosas es mucho menor que el del resto de los términos que
aparecen en las ecuaciones hidrodinámicas.
Las tensiones turbulentas son varios órdenes de magnitud mayores que las tensiones
viscosas, especialmente en zonas de recirculación, en donde la producción de turbulencia
es elevada. En el caso de las ecuaciones de aguas someras bidimensionales las tensiones
turbulentas constituyen 3 nuevas incógnitas a calcular, para lo cual es necesario utilizar
un modelo de turbulencia adecuado. La mayoría de los modelos de turbulencia calculan
los términos de difusión turbulenta a partir de la siguiente expresión:
 u'i u' j   U i 
   νt  (5.8)
x j x j  x j 
ν
Donde t es la viscosidad turbulenta, que se calcula mediante el modelo de turbulencia.
El problema radica en que no existe un modelo de turbulencia universal, que permita
calcular de forma precisa las tensiones turbulentas, por lo que a lo largo del tiempo se
han ido desarrollando diferentes modelos de mayor o menor complejidad. En la siguiente
sección se describen los modelos de turbulencia implementados en Iber.
69
5.2.4 Modelización de la turbulencia
Prácticamente la totalidad de flujos en lámina libre son turbulentos. En cualquier río

pueden observarse pequeños remolinos que aparecen y desaparecen con un movimiento
aparentemente caótico, mostrando la complejidad del movimiento turbulento. Estos
remolinos turbulentos son los principales responsables de los procesos de mezcla, por lo
que juegan un importe papel en la difusión de sustancias solubles, de sólidos en
suspensión, etc.
A pesar de que prácticamente todos los flujos en ingeniería hidráulica son turbulentos,
en determinados casos la turbulencia no es lo suficientemente alta como para tener una
influencia notoria en el campo de velocidad media. Este suele ser el caso de flujo en ríos,
estuarios y en general en zonas costeras con una geometría lo suficientemente suave
como para que no se produzcan zonas de recirculación en planta
Una de las principales características de Iber es la inclusión de diversos modelos de

turbulencia promediados en profundidad. Se incluyen los siguientes modelos de
turbulencia para aguas someras, por orden creciente de complejidad:
 Viscosidad turbulenta constante

 Modelo parabólico
 Modelo de longitud de mezcla
 Modelo k-ε de Rastogi y Rodi (Rastogi y Rodi, 1978)
La inclusión de modelos de turbulencia de diferente complejidad permite seleccionar el

más adecuado en cada caso de estudio, teniendo en cuenta la complejidad del flujo y
del modelo. En general el modelo de longitud de mezcla proporciona resultados
satisfactorios en ríos y estuarios, pudiendo incluso llegar a no ser necesario utilizar
ningún modelo de turbulencia en dichos casos. En estructuras hidráulicas como canales
en lámina libre con codos pronunciados y zonas de recirculación, suele ser conveniente
utilizar el modelo k-ε. La elección del modelo de turbulencia que mejor se adecúa a cada
caso se realiza en base a la experiencia del usuario, teniendo siempre en cuenta que
cuanto más complejo es el modelo, mayor es el tiempo de cálculo y más compleja la
resolución de las ecuaciones.
A continuación se presentan los modelos de turbulencia implementados en Iber. Todos

ellos son modelos de turbulencia promediados en profundidad para aguas someras.
Viscosidad turbulenta constant
El orden de magnitud de la viscosidad turbulenta se puede fijar de forma aproximada en

función del flujo considerado. Existen diferentes publicaciones en las que se proponen
valores aproximados de la viscosidad turbulenta en función del flujo considerado. Este
enfoque es muy sencillo, y no se puede considerar como un modelo de turbulencia
adecuado ni realista en ningún caso, ya que no tiene en cuenta que la viscosidad
turbulenta varía fuertemente de un punto a otro. Es importante remarcar que no es sólo
el valor de la viscosidad turbulenta, sino también su variación espacial la que determina
70
el campo de velocidad media. Por todo ello no se recomienda utilizar este método, ya
que puede llevar a resultados con errores considerables, generalmente por utilizar
valores excesivamente elevados de viscosidad turbulenta, así como por no considerar su
variabilidad espacial. Otro inconveniente importante de este enfoque se produce en la
modelización de flujos en régimen no estacionario, ya que en estos casos la turbulencia
varía no sólo en espacio sino también en el tiempo.
Perfil parabólico de viscosidad turbulenta
Este modelo asume una distribución parabólica en profundidad de la viscosidad

turbulenta, calculándose a partir de dicha distribución una viscosidad promediada en
profundidad, la cual viene dada por la siguiente expresión:
ν t  0.068 u f h (5.9)
donde
h es el tirante
uf es la velocidad de fricción del fondo
Si se utiliza la fórmula de Manning para calcular el rozamiento del fondo se obtiene la

siguiente expresión para la viscosidad turbulenta:
ν t  0.068 g n U h 5/6 (5.10)
Es decir, que la viscosidad turbulenta depende localmente del tirante, del módulo de la
velocidad promediado en profundidad y del coeficiente de Manning.
Modelo de longitud de mezcla
En el modelo de longitud de mezcla para aguas someras, la viscosidad turbulenta se

calcula a partir de las características locales del flujo mediante la siguiente expresión:
2
 u 
ν t  min 0.267 κ h, κ d wall 
2
2S ij S ij   2.34 f  (5.11)
 κ h
donde
κ=0.41 es la constante de von Karman
Sij es el tensor de deformación.
Es un modelo algebraico relativamente sencillo, que permite obtener resultados

aceptables en flujos en los que la turbulencia está generada principalmente por el
rozamiento del fondo. Tiene en cuenta la producción de turbulencia debido a gradientes
horizontales de velocidad, pero no considera el transporte convectivo ni la disipación de
turbulencia. En flujos con zonas de recirculación fuertes los resultados obtenidos con el
modelo de longitud de mezcla empeoran.
71
Modelo k-ε de Rastogi y Rodi (1978)
Es un modelo que resuelve una ecuación de transporte para la energía cinética

turbulenta k y para la tasa de disipación de energía turbulenta ε. El modelo tiene en
cuenta la producción debido al rozamiento del fondo, la producción por gradientes de
velocidad, la disipación y el transporte convectivo. Las ecuaciones del modelo k-ε para
aguas someras son las siguientes:
3
k U x k U y k  ν  
  
   ν  t  k   2ν t S ijS ij  c k u f  ε
t x y x j   
σ k  x j  h

ε U x ε U y ε    ν  ε  u4 2
    ν  t    c ε1 ε 2ν t Sij S ij  c ε f  c ε2 ε (5.12)
t x y 
x j   
σ ε  x j  k h 2
k
k2 τb 1
ν t  cμ c k  c f 1/2 c ε  3.6c3/2 1/2
k c ε2 c μ cf 
ε ρ U2
con las constantes:
c μ  0.09 c ε1  1.44 c ε2  1.92 σ k  1.0 σ ε  1.31
donde k es la energía cinética turbulenta, ε es la tasa de disipación de turbulencia y Sij

es el tensor de deformación.
El modelo k-ε es un modelo relativamente sofisticado. En flujos turbulentos poco-

profundos proporciona resultados relativamente buenos, siendo uno de los modelos más
utilizados en dicho ámbito cuando el nivel de turbulencia es importante. No obstante, su
grado de complejidad no garantiza resultados correctos en cualquier tipo de flujo. Al
igual que cualquier modelo de turbulencia, los resultados obtenidos con el modelo k-ε
deben de analizarse y valorarse de forma crítica, para lo cual es fundamental la
experiencia del usuario en la modelización de flujos turbulentos.
5.2.5 Condiciones de contorno
En un problema bidimensional es necesario distinguir entre dos tipos de contornos:

abiertos y cerrados. Los contornos cerrados, también llamados contornos de tipo pared,
son impermeables, no permitiendo el paso del fluido a través de ellos. Tanto en los
contornos abiertos como cerrados es necesario imponer condiciones de contorno en las
ecuaciones hidrodinámicas de St. Venant. Respecto a la turbulencia, los modelos de
viscosidad constante, parabólico y de longitud de mezcla no necesitan condiciones de
contorno, ya que estos modelos calculan la viscosidad de remolino mediante una
formulación algebraica a partir del campo de tirantes y velocidad. El único modelo de
turbulencia implementado en Iber que necesita condiciones de contorno es el modelo
k- ε.
72
Contornos cerrados
La presencia del contorno tipo pared genera una fuerza de rozamiento lateral en el fluido,
de manera similar a la fricción ejercida por el rozamiento del fondo. Se pueden imponer
los siguientes tipos de condición de contorno tipo pared:
 Condición de deslizamiento libre

 Condición de fricción de pared
La condición de deslizamiento libre equivale a despreciar la tensión de rozamiento

generada por los contornos tipo pared sobre el fluido. En general en ingeniería hidráulica,
y especialmente en ingeniería fluvial, la superficie de contacto con los contornos laterales
es mucho menor que la superficie de contacto con el fondo debido a la separación entre
escalas horizontal y vertical, por lo que la fuerza de rozamiento en los contornos de
pared se puede despreciar. En problemas en los que la dimensión horizontal y vertical
son similares (canales de sección muy estrecha) esta fuerza de rozamiento puede tener
cierta importancia en el desarrollo del flujo. Si se quiere tener en cuenta el efecto del
rozamiento lateral se puede introducir una condición de contorno tipo fricción, que
consiste en imponer una fuerza tangencial en dirección opuesta al flujo en el contorno.
En este caso en Iber se distingue entre régimen turbulento liso y régimen turbulento
rugoso en función de la rugosidad de la pared y de la velocidad del flujo en las
proximidades de la pared.
La velocidad de fricción de pared (u∗ )se define en función de la fricción de pared ( )

como:
τw
u*  (5.13)
ρ
La velocidad tangencial a la pared puede expresarse como una función de la velocidad

de fricción, de la altura de rugosidad y de la distancia a la pared como:
u* y u*
u  Ln  E  y  y  (5.14)
κ ν
donde
y es la distancia en perpendicular a la pared
E es un parámetro cuyo valor depende de las características del flujo.
Para el cálculo de E, en Iber se consideran condiciones de flujo turbulento liso, turbulento

rugoso, y transición entre turbulento liso y rugoso (Tabla 5.1).
73
Tabla 5.1 Fricción de pared
K S u* u*
Tipo de régimen K S  u  Ln  E  y  
ν κ
Turbulento liso K S  5 E  9.0
30
Turbulento rugoso 5 < K S  70 E= 
KS
1
Transición liso-rugoso K S  70 E=
0.11 + 0.033  K S
Se define régimen turbulento liso cuando se cumple la siguiente relación:
K Su *
K S  5 (5.15)
ν
donde
Ks es la altura de rugosidad de la pared, que es una medida de la rugosidad
de la pared, y tiene unidades de longitud.
En dichas condiciones la velocidad tangencial a la pared puede expresarse como una

función de la velocidad de fricción y de la viscosidad cinemática como:
u*  yu 
u  Ln  9.0 *  (5.16)
κ   
Se define régimen turbulento rugoso cuando se cumple la siguiente relación:
K Su*
K S   70 (5.17)
ν
En dichas condiciones la velocidad tangencial a la pared puede expresarse como una

función de la velocidad de fricción y de la altura de rugosidad de fondo como:
u*  y 
u  Ln  30  (5.18)
κ  KS 
En la transición entre régimen turbulento liso y régimen turbulento rugoso, la velocidad

tangencial a la pared se puede expresar en función de la velocidad de fricción, de la
viscosidad cinemática y de la altura de rugosidad como:
 
u*  y 
u  Ln   (5.19)
κ  0.11 ν 
 + 0.033  K S 
 u* 
Respecto al modelo k-ε, en los contornos tipo pared se fija el valor de las variables k y ε
en los elementos adyacentes a dicho contorno.
74
Contornos abiertos
En los contornos abiertos se pueden imponer diferentes tipos de condiciones de

contorno. Para que las ecuaciones de aguas someras bidimensionales estén bien
planteadas desde el punto de vista matemático, el número de condiciones a imponer en
los contornos abiertos depende de si se trata de un contorno de entrada o de salida de
flujo, así como del tipo de régimen en el contorno (rápido/lento). En un contorno de
entrada es necesario imponer 3 condiciones de contorno si el régimen es supercrítico
(una para cada una de las tres ecuaciones de St.Venant), mientras que si se produce
régimen subcrítico es suficiente con imponer 2 condiciones. En un contorno de salida es
suficiente con imponer una única condición si el régimen es subcrítico, mientras que no
es necesario imponer ninguna condición si el régimen es supercrítico. Si el usuario
impone menos condiciones de las necesarias desde un punto de vista matemático las
ecuaciones estarán indeterminadas y no se obtendrá una solución correcta. Las
condiciones concretas a imponer pueden ser el tirante, las componentes de la velocidad,
o una combinación de ambos. En Iber se consideran diferentes opciones para imponer
las condiciones de contorno, las cuales se recogen en la Tabla 5.2.
Tabla 5.2 Condiciones de contorno implementadas en los contornos abiertos
Contorno Régimen Condiciones impuestas

Subcrítico / Crítico Caudal total en dirección normal al contorno
Caudal total Caudal total en dirección normal al contorno y
Supercrítico
velocidad media
Entrada Subcrítico / Crítico Caudal específico en dirección normal al contorno
a) Caudal específico en dirección normal al
Caudal
contorno y tirante
específico Supercrítico
b) Caudal específico en dirección normal al
contorno y cota de agua
a) Cota de agua
b) Vertedero (cota y coeficiente de descarga)
Subcrítico
Salida c) Curva de gasto (cota vs. caudal unitario o
total)
Supercrítico / Crítico No es necesario imponer ninguna condición
Lo más habitual en hidráulica fluvial es que el flujo discurra en régimen lento en los
contornos del tramo modelado. En este caso lo común es imponer en el contorno de
entrada el caudal total de entrada (m3/s) y la dirección del flujo, que en general, a falta
de datos más precisos, se asume perpendicular a dicho contorno. Aunque menos
habitual, también es posible introducir aguas arriba las componentes de la velocidad
(m/s) o del caudal específico (m2/s). En el caso de que se imponga el caudal total en el
contorno de entrada, este se distribuye en el contorno de entrada, de forma no uniforme,
según la siguiente expresión:
h 5/3
qn  5/3
Q (5.20)
h dy
75
donde
qn es el caudal específico (m2/s) normal en cada punto del contorno de
entrada
Q es el caudal total de entrada por dicho contorno.
La integral en el denominador se extiende a lo largo de todo el contorno considerado.
En el contorno de salida lo más habitual es introducir el tirante o el nivel de la superficie

libre. Además del tirante, en el contorno de salida se considera la posibilidad de
introducir condiciones de contorno tipo vertedero y tipo curva de gasto. La condición de
contorno tipo vertedero establece la siguiente relación entre el caudal de salida y el
tirante en cada punto del contorno:
q = Cd (ZS  ZW )1.5 (5.21)
donde
Cd el coeficiente de descarga del vertedero
Zs la cota de la lámina libre
Zw la cota superior del vertedero.
La condición de contorno tipo curva de gasto establece una relación general entre el
caudal de salida y la cota de la lámina de agua en cada punto del contorno. Dicha relación
es introducida por el usuario en forma de una tabla en la que se definen pares de valores
de caudal, específico o total, y cota de la lámina de agua.
En el caso de utilizar el modelo k-ε para calcular las tensiones turbulentas, en los
contornos de entrada es necesario definir los valores de la energía cinética turbulenta y
de la disipación turbulenta. En Iber existe la posibilidad de definir los valores de k y ε de
forma automática asumiendo un nivel de turbulencia equivalente al que se produce en
un canal rectilíneo en régimen uniforme.
5.2.6 Condiciones internas
Las condiciones internas se utilizan para modelar estructuras hidráulicas tipo

compuertas, vertederos o puentes que entran en carga. La condición de contorno interna
implementada en Iber se puede utilizar para modelar las siguientes condiciones de flujo:
 Flujo bajo compuerta

 Flujo sobre vertedero en lámina libre
 Combinación de compuerta y vertedero
 Pérdida localizada
En compuertas se considera la ecuación de desagüe bajo compuerta, que puede

funcionar libre o anegada (Fig 5.2 y Tabla 5.3).
76
ZU
ZD
h
ZB
Fig 5.2 Esquema de definición geométrica de la condición interna tipo compuerta
Tabla 5.3 Ecuaciones utilizadas en la condición interna tipo compuerta
(ZD  ZB ) / (ZU  ZB ) Ecuación de descarga

Compuerta Libre 0.00 – 0.67 Q = Cd B h 2g (Z U  Z B )
Transición 0.67 – 0.80 Q = Cd B h 6g (ZU  ZD )
Compuerta Anegada 0.80 – 1.00 Q = Cd B h 2g (Z U  Z D )
La condición interna tipo compuerta se define a nivel de las aristas de los elementos que
conforman la malla de cálculo. A nivel de usuario se debe introducir la cota de la
compuerta ZG, el coeficiente de descarga de la compuerta (por defecto se toma un valor
del coeficiente de descarga de Cd=0.6 para compuerta libre y transición y de Cd=0.8 para
compuerta anegada) y la anchura libre de la compuerta definida como un porcentaje
sobre la longitud total de la arista del elemento en la cual está definida la compuerta.
Para vertederos Se considera la ecuación de desagüe para vertedero rectangular, que

puede funcionar libre o anegado. (Fig 5.3 y Tabla 5.4).
ZU
Zw ZD
ZB
Fig 5.3 Esquema de definición geométrica de la condición interna tipo vertedero
Tabla 5.4 Ecuaciones para la condición interna tipo vertedero
(ZD  ZW ) / (ZU  Z W ) Ecuación de descarga

Vertedero Libre < 0.67 Q = C d B (Z U  Z W )1.5
Vertedero Anegado > 0.67 Q = 2.598 Cd B (ZD  ZW ) (ZU  ZD )0.5
Los datos a suministrar son la cota superior del vertedero, el coeficiente de descarga Cd
(por defecto se toma un valor del coeficiente de descarga de C =1.7) y la longitud de
vertedero.
77
En caso de combinar una compuerta con un vertedero, se deben indicar tanto los
parámetros de la compuerta como los del vertedero. El caudal total desaguado se obtiene
como la suma del caudal bajo compuerta y del caudal sobre vertedero.
Finalmente, en este caso en la transferencia de caudal entre dos volúmenes finitos se

considera una pérdida de energía localizada de valor ΔH=λ(v2/2g). Las ecuaciones de Saint
Venant son la expresión matemática de las leyes de conservación de la masa y de la
cantidad de movimiento, por lo que para poder considerar dicha pérdida de energía se
actúa sobre el término de la pendiente motriz. La pérdida de energía a través de dicho
contorno en las ecuaciones de St.Venant se calcula como:
S ∙ L = ΔH (5.22)
siendo L la distancia entre centros de elementos a ambos lados del contorno donde se
aplica la pérdida localizada.
v2
H  
2g
Fig 5.4 Esquema y ecuaciones de la condición de contorno interna de pérdida de carga

localizada
5.2.7 Precipitación e infiltración
En Iber es posible considerar el aporte de masa de agua generado por un evento de

precipitación variable en tiempo y en espacio, y la perdida por infiltración. Para ello se
pueden definir diferentes hietogramas en diferentes zonas del dominio de estudio. Tanto
la intensidad de precipitación en cada punto y en cada instante de tiempo como la tasa
de infiltración se introducen como un término fuente en la ecuación de conservación de
la masa:
h hU x hU y
  = R i (5.23)
t x y
donde R es la intensidad de precipitación expresada en m/s, que como se ha comentado

puede ser variable tanto temporal como espacialmente; i la tasa de infiltración real,
calculada como el mínimo entre la tasa de infiltración potencial f (capacidad de
infiltración del terreno en cada instante, que depende de las condiciones y características
del suelo), y la cantidad de agua superficial disponible para infiltrarse.
h
i = min ( f , ) (5.24)
Δt
78
Para calcular la infiltración potencial se implementan 4 modelos de infiltración
comúnmente utilizados: el modelo de Green-Ampt, el modelo de Horton, el método del
SCS o del Número de Curva y el modelo lineal.
5.3 Modelización del transporte sólido no-estacionario
El módulo de transporte sólido resuelve las ecuaciones de transporte de sedimentos en

régimen no estacionario. Se resuelven tanto las ecuaciones de transporte de fondo como
las ecuaciones de transporte en suspensión, modelándose el acoplamiento entre la carga
de fondo y la carga en suspensión mediante un término de sedimentación/resuspensión.
El módulo de transporte de sedimentos utiliza el campo de velocidades, tirantes y de
turbulencia proporcionado por los módulos hidrodinámico y de turbulencia. El caudal
sólido de fondo se calcula mediante una formulación empírica, pudiéndose elegir entre
la formulación de Meyer-Peter y Müller, la de Van Rijn, y otra basada en la primera pero
con la posibilidad de modificar los coeficientes. El transporte de sedimentos en
suspensión se modela mediante una ecuación de transporte promediada en profundidad.
Fig 5.5 Esquema del módulo de transporte sólido no-estacionario
5.3.1 Ecuación de conservación del sedimento
La variación de la cota del fondo se calcula mediante la ecuación de conservación del

sedimento de Exner:
Zb q sb,x q sb,y

1  p    D-E (5.25)
t x y
79
donde
p es la porosidad de los sedimentos que forman el lecho
Z es la cota del fondo
qsb,x y qsb,y son las dos componentes del caudal sólido de fondo.
D−E representa un balance entre carga de fondo y carga en
suspensión.
5.3.2 Transporte de fondo
Partición de tensiones
La tensión de fondo total en el lecho de un río está generada tanto por la rugosidad de
grano del sedimento (la cual es proporcional al diámetro del sedimento) como por las
formas de fondo (rizos, dunas o antidunas). Únicamente la tensión por grano contribuye
al movimiento de sedimentos por carga de fondo. Por lo tanto, previamente al cálculo
del caudal sólido de fondo es necesario estimar la tensión de fondo debida al grano. Para
ello las formulaciones implementadas utilizan la partición de tensiones de Einstein, en la
cual se calcula la tensión de grano a partir de la tensión total como:
1.5
n  K1/6
s (m)
τ*bs = τ*b   s  ns  Ks  2  3 Ds (5.26)
n 25
donde
n el coeficiente de Manning total
n el coeficiente de Manning equivalente debido a grano
D el diámetro del sedimento
K la altura de rugosidad de grano (calculada a partir del diámetro del
sedimento)
τb la tensión total de fondo
τ bs
la tensión de fondo debida a grano
* *
τ ,τ
b bs las tensiones total y de grano adimensionales, calculadas como:
τb τ bs
τ*b = τ*bs = (5.27)
 ρs  ρ  g Ds ρs  ρ  g Ds
donde
ρs es la densidad del sedimento
ρ es la densidad del agua. En Iber se ha utilizado
K s  2.5 D s
Caudal sólido de fondo
El caudal sólido de fondo se calcula a partir de formulaciones empíricas. En la versión

actual del modelo se implementan dos formulaciones ampliamente conocidas y
utilizadas:
80
 Meyer-Peter y Müller
 Van Rijn
Meyer-Peter y Müller (1948)
La ecuación original de Meyer-Peter y Müller, deducida para fondos de grava de hasta

30 mm de diámetro, calcula el caudal sólido de fondo con la siguiente expresión:
3/2 3/2
q*sb = 8   τ*bs - τ*c  = 8  τ*bs - τ*c  (5.28)
Donde el caudal sólido adimensional se calcula como:

q sb
q*sb 
 ρs  3 (5.29)
 ρ  1  g Ds
 
En caso de fondo plano se considera una tensión crítica de fondo adimensional de

∗ = 0.047. En caso contrario, es necesario realizar una corrección por pendiente de fondo.
Tras volver a analizar los datos utilizados para derivar la ecuación anterior, Wong (2003)
y Wong y Parker (2006) sugieren la siguiente corrección:
3/2
q*sb = 3.97   τ*bs - τ*c  (5.30)
En caso de fondo plano se considera ∗ = 0.0495. En caso contrario, es necesario realizar

una corrección por pendiente de fondo. Esta última formulación corregida es la incluida
en Iber.
Van-Rijn (1984)
En la formulación de van Rijn el caudal sólido de fondo se calcula a partir de las siguientes
expresiones:
T 2.1
T  0.3  q*sb  0.053 
D*0.3
(5.31)
T1.5
T  0.3  q*sb  0.100 
D*0.3
siendo T un parámetro adimensional que mide el exceso de fricción de fondo por encima
del valor crítico que define el umbral del movimiento:
τ*bs - τ*c
T (5.32)
τ*c
El diámetro adimensional se define como:
81
1/3
gR γs -γ
D*  D s   2  con R  (5.33)
 ν  γ
Corrección por pendiente de fondo
Cuando el fondo no es plano, las ecuaciones anteriores deben corregirse para tener en
cuenta el efecto de la gravedad, tanto en el sentido de aumentar el transporte de fondo
con pendiente positiva, como de disminuirlo con pendiente adversa. La formulación de
la corrección por pendiente de fondo, que se realiza sobre el término de tensión crítica
de inicio del movimiento, se detalla en Apsley y Stansby (2008) donde se presenta un
trabajo que engloba y generaliza metodologías de trabajos anteriores de varios autores
como el de Dey(2003) o Wu (2004).
Para considerar la pendiente de fondo tanto en el inicio del movimiento como en el caudal
sólido, la componente de peso del sedimento, debida a la pendiente de fondo, se
combina de forma vectorial con la tensión de fondo para obtener una tensión efectiva.
Si b es un vector unitario en la dirección de la línea de máxima pendiente, la tensión
efectiva adimensional se define como:
*bs,eff =*bs +Do ∙sinβ∙b (5.34)
donde
β es el ángulo de la línea de máxima pendiente con la horizontal
Do un parámetro de forma de la partícula.
Para que en ausencia de flujo el movimiento empiece cuando β es igual al ángulo de

rozamiento interno del material (ϕ), el parámetro Do se define como:
τ*c,0
Do  (5.35)
tan 
en dónde ∗, es la tensión crítica adimensional para fondo plano. Por otro lado, la tensión
crítica efectiva se reduce proporcionalmente a la componente de la gravedad normal a
la pendiente de fondo:
τ*eff,crit = τ*c,0  cosβ (5.36)
siendo ∗, la tensión crítica adimensional para fondo plano. A partir de aquí se utilizan
las fórmulas de caudal sólido presentadas en el apartado anterior, pero sustituyendo las
tensiones (de fondo y crítica) por tensiones efectivas, y obteniendo el caudal sólido, que
es función de la tensión del fluido y de la pendiente de fondo, en cada una de las
direcciones x e y.
La formulación anterior es una formulación enteramente vectorial del caudal sólido de

fondo capaz de considerar cualquier orientación del flujo respecto de la línea de máxima
pendiente.
82
Deslizamiento por avalanche
Apsley y Stansby (2008) también proponen la inclusión de un modelo de deslizamiento

por avalancha para evitar pendientes superiores al ángulo de fricción del material. Para
ello, si la pendiente β entre dos volúmenes finitos supera a ϕ entonces se produce un
caudal sólido unitario del elemento más alto al más bajo igual a:
0.5  L2  (tan β  tan  )

q aval =(1  p)  (5.37)
cosβ  t
siendo L la máxima dimensión horizontal de los volúmenes finitos adyacentes.
Consideración de una cota no erosionable
En el cálculo del arrastre de fondo y el cambio provocado en la cota de fondo se ha

incluido la posibilidad de considerar una cota de roca, o superficie no erosionable, por
debajo de la cual no puede evolucionar el fondo.
5.3.3 Módulo de transporte turbulento en suspensión 2D
Ecuación de transporte turbulento en suspension
El módulo de transporte de sedimentos en suspensión utiliza el campo de velocidades,

tirantes y de turbulencia proporcionado por los módulos hidrodinámico y de turbulencia.
El transporte de sedimentos en suspensión se modela mediante una ecuación
promediada en profundidad. La ecuación implementada es:
hC hU x C hU y C    ν  C 

       t  h    E  D (5.38)
t x y 
x j   Sc,t  x j 
donde
C es la concentración de sólidos en suspensión promediada en
profundidad,
Ux, Uy son las dos componentes de la velocidad horizontal promediadas en
profundidad,
νt
es la viscosidad turbulenta,
Г es el coeficiente de difusión molecular de sólidos en suspensión
Sc,t es el número de Schmidt, que relaciona el coeficiente de difusión
turbulenta de momento con el coeficiente de difusión turbulenta de
sólidos en suspensión.
Los términos E y D modelan respectivamente la puesta en suspensión de sólidos que se

encuentran en el fondo (resuspensión de sedimento) y la deposición de sólidos en
suspensión en el fondo del lecho. Su diferencia representa un balance, y por lo tanto un
acoplamiento, entre carga de fondo y carga en suspensión.
83
Cálculo del término de resuspensión/deposición (E-D)
Se implementan 3 formulaciones para el cálculo del término de resuspensión/deposición

(E-D): Van Rijn (1987), Smith (1977) y Ariathurai y Arulanandan (1978). Las dos
primeras son válidas para lechos de arena, mientras que la de Ariathurai es válida para
lechos cohesivos. Las 3 formulaciones están especialmente recomendadas en el último
Manual de Transporte de Sedimentos de la ASCE, entre ellas la más extendida es la
formulación de Van Rijn.
Van Rijn
En la formulación de van Rijn (1987) el término E − D se evalúa a partir de la siguiente

expresión:
E  D  Ws  c*a  c a   α Ws  C*  C  (5.39)
donde
α es un coeficiente que relaciona la concentración media de partículas
en suspensión y la concentración cerca del lecho del río, cuyo valor se
obtiene a partir del perfil de Rouse para la distribución de
concentración de sedimentos en profundidad,
W es la velocidad de sedimentación de las partículas sólidas,
C es la concentración de sólidos en suspensión promediada en
profundidad,
C∗ es la concentración de sólidos en suspensión promediada en
profundidad en condiciones de equilibrio (capacidad de transporte de
sólidos en suspensión),
c y c ∗ son respectivamente la concentración instantánea y la concentración
de equilibrio a una altura z=a sobre el lecho del río, siendo a el espesor
de la capa en la cual se produce el transporte de fondo (límite teórico
de separación entre el transporte de fondo y el transporte en
suspensión).
Dicho espesor se puede evaluar de forma aproximada a partir del diámetro del
sedimento. El coeficiente α se calcula a partir de la distribución de concentración en la
vertical (perfil de Rouse) a partir de la siguiente integral:
h-a
α= ws
a = 3  D50
h  h-z a  k u * (5.40)
   dz
a
 z h-a 
siendo κ=0.41 la constante de von Karman. La concentración de equilibrio cerca del

lecho del río propuesta por van Rijn (1987) es:
84
D50  T1.5
c*a  0.015 (5.41)
a  D*0.3
1/3
a = ks ks  3  Ds gR
D*  D   2 
 ν 
Smith
Esta formulación es similar a la de van Rijn, diferenciándose únicamente en la expresión

utilizada para el cálculo de la concentración de equilibrio, para lo cual se utiliza la
siguiente fórmula propuesta por Smith (1977):
1.56 10 3  T
c*a  (5.42)
1 + 2.4 10 3  T
a = 26.3   τ*bs - τ*c   Ds + k s k s  3  Ds
Ariathurai y Arulanandan
Para suelos cohesivos se utiliza la expresión propuesta por Ariathurai y Arulanandan

(1978), que hace depender la erosión de la diferencia entre la tensión tangencial y una
tensión tangencial crítica de inicio de erosión  , así como de un valor M representativo
de la tasa de erosión (que sería la tasa de erosión cuando  = 2 ∙  ):
τ 
E = M   b  1 (5.43)
 τ ce 
En suelos cohesivos se introduce asimismo una modificación al cálculo de D para

considerar una tensión tangencial crítica de deposición  . En este caso:
D  P α Ws C (5.44)
con:
 τ 
P  1  b 
 τcd  Si τ b < τ cd y P  0 en caso contrario
La velocidad de sedimentación de las partículas se calcula en función de su diámetro

según la propuesta de van Rijn, (1987).
5.4 Esquemas numéricos
Tanto las ecuaciones hidrodinámicas (ecuaciones de aguas someras bidimensionales),

como las correspondientes a los modelos de turbulencia y de transporte de sedimentos,
se resuelven en forma integral por el método de volúmenes finitos. El método de
85
volúmenes finitos es uno de los más extendidos y comúnmente utilizados en dinámica
de fluidos computacional. En esta sección se describen brevemente los esquemas
numéricos utilizados en Iber.
Las características de los esquemas numéricos utilizados en todos los módulos de Iber
son las siguientes:
 Esquemas en volúmenes finitos, planteados en forma integral y conservativa.

 Mallado no-estructurado. Mallas formadas por elementos de 3 y 4 lados
 Capacidad de resolver flujo rápidamente variado (régimen subcrítico,
supercrítico, cambios de régimen, …).
 Capacidad de resolver flujo rápidamente variable (resaltos móviles, ondas de
choque no estacionarias, …)
 Resolución de las ecuaciones hidrodinámicas mediante esquemas descentrados
tipo Roe de alta resolución (orden superior a 1 y no oscilatorios).
 Tratamiento descentrado del término fuente pendiente del fondo.
 Tratamiento centrado del resto de términos fuente.
 Esquemas de orden 1 y orden 2 por líneas de precisión en espacio.
 Esquemas explícitos en tiempo.
 Tratamiento de frentes seco-mojado no estacionarios mediante esquemas
estables y conservativos (sin pérdida de masa).
5.4.1 Malla de cálculo
Para resolver una ecuación diferencial por el método de volúmenes finitos es necesario
realizar previamente una discretización espacial del dominio a estudiar. Para ello se
divide el dominio de estudio en celdas de tamaño relativamente pequeño (malla de
cálculo). Iber trabaja con mallas no estructuradas formadas por elementos que pueden
tener 3 o 4 lados. Se pueden combinar elementos irregulares de 3 y 4 lados dentro de
la misma malla. La principal ventaja de trabajar con mallas no estructuradas es la
facilidad con que se adaptan a cualquier geometría, ya que no es necesario que la malla
tenga ningún tipo de organización o estructura interna. Esta característica las hace
especialmente indicadas para su utilización en hidráulica fluvial.
Fig 5.6 Ejemplo de malla no estructurada formada por elementos triangulares

86
5.4.2 Discretización en volúmenes finitos de las ecuaciones 2D-SWE
Para su discretización por el método de volúmenes finitos, en Iber se trabaja con las
ecuaciones de aguas someras bidimensionales escritas en forma conservativa y vectorial
como:
w Fx Fy
    Gk (5.45)
t x y k
donde el vector de variables conservadas w y el vector de los términos de flujo ,

vienen dados por:
   
 qx   qy 
h  2 2
  
  q gh   qxq y 
w   qx  Fx   x  Fy    (5.46)
 h 2  h
q     2 
 y q q  y gh 2
q 
 x y 
 h    
 h 2 
y los términos , representan los términos fuente incluidos en las ecuaciones

hidrodinámicas (ecuación 5.1) .
Para realizar la discretización espacial de las ecuaciones de conservación de masa y

movimiento por el método de volúmenes finitos se realiza la integral de las ecuaciones
diferenciales en cada celda de la malla de cálculo. Esta forma de proceder es
especialmente ventajosa para la resolución de ecuaciones de conservación, ya que se
resuelven las ecuaciones en forma integral, lo que permite formular de forma sencilla
métodos conservativos. La discretización temporal y espacial de las ecuaciones de aguas
someras bidimensionales en forma vectorial viene dada por la siguiente expresión:
w ni 1  w in
Δt
Ai    F n
Li x x  Fy n y  dL   G k,i A i
k
(5.47)
Discretización de los términos de flujo convective
Para discretizar los términos de flujo se utilizan esquemas conservativos descentrados

de tipo Godunov. Actualmente se encuentra implementado el esquema descentrado de
Roe tanto en orden 1 como en orden 2 de precisión en espacio. En los casos en los que
existen zonas de recirculación en el flujo o gradientes espaciales de velocidad
importantes, no se aconseja utilizar el esquema de orden 1 en las ecuaciones
hidrodinámicas, ya que proporciona campos de velocidad excesivamente difusivos. Una
formulación conservativa de las ecuaciones, resuelta con esquemas descentrados de tipo
Godunov proporciona una buena resolución de los choques transónicos que se puedan
producir en la solución, por lo que es un método recomendado para modelar resaltos
hidráulicos, rotura de presas y ondas de choque.
87
En la discretización de las ecuaciones hidrodinámicas, la integral de contorno
correspondiente a los términos de flujo convectivo se calcula a partir de una función de
flujo numérico ϕ como:
  F n
Li x x  Fy n y  dL   Φ LR (w L ,w R ,n ij )
jK i
(5.48)
donde
es una función de flujo numérico definida para cada arista LR, donde L
y R son los nodos a izquierda y derecha de la arista considerada.
Una descripción detallada de la formulación de flujo numérico para los esquemas

descentrados de tipo Godunov puede encontrarse en las referencias.
Esquema descentrado de Roe de orden 1
En Iber se implementa el esquema descentrado de Roe, en el cual el flujo numérico se

puede expresar como:
Z L + ZR 1
Φ LR   J LR  w R  w L  (5.49)
2 2
Z
Z  Fx n x  Fy n y J= J = X  D  X -1 J = X  D  X -1
w
donde
y representan el flujo normal al contorno a ambos lados de la arista
LR
|J| es el valor absoluto de la matriz Jacobiana del flujo Z, evaluada en
el estado medio de Roe, definido por:
hL + hR h L Ux,L  h R U x,R h L U y,L  h R U y,R

h = h L  h R c = g  =
U x
 =
U y
2 hL  hR hL  hR
Los autovalores λ y autovectores em de la matriz Jacobiana J, se pueden escribir como:
λ 1  λ 2  c n x2 + n y2 λ 2  n x U
  n U
x y

y λ 3  λ 2 - c n x2 + n y2
 1   1   1 
     
e1   U x  c n x  e 2   - c n y  e 3   U x - c n x 
U   c n  U 
 y  c n y   x   y - c n y 
Para la implementación del cálculo del flujo numérico en Iber, se descompone la

diferencia entre estados (wR-wL) a izquierda y derecha de la arista considerada en la base
de autovectores em:
88
3
w R - w L =  α m e m (5.50)
m=1
escribiéndose el flujo numérico como:
Zi + Z j 1 3
Φ LR  -  λ m α m e m (5.51)
2 2 m=1
con los coeficientes α calculados como:
h R - hL 1 
α1 =
2
+
2c 
 U x,R h R - Ux,L h L   n x +  U y,R h R - U y,Lh L   n y - U x n x + U yn y   h R - h L 
 
1   h - h   n  U h - U h - U   h - h   n 

α 2 =  U y,R h R - U y,L h L - U
c 
y R L x  
x,R R x,L L x R L  y
h -h 1  n + U  n   h - h 
α3 = R L   U x,R h R - U x,L h L   n x +  U y,R h R - U y,L h L   n y - U
2 2c 
 x x y y  R L 
El esquema anterior es de orden 1 en espacio. El descentramiento del flujo convectivo

es equivalente desde el punto de vista matemático a añadir un término de difusión (al
que generalmente se le llama difusión numérica o artificial) con un coeficiente de
difusividad (numérica) proporcional al tamaño de malla. Es por lo tanto conveniente
utilizar mallas finas para disminuir el error introducido por la difusión numérica o recurrir
a esquemas de orden superior a uno.
Extensión del flujo numérico a orden 2
El esquema anterior es de orden 1 debido a la difusión numérica introducida en la

discretización del flujo convectivo. A pesar de ello es utilizado de forma habitual en
códigos de CFD como esquema por defecto, debido a su estabilidad numérica. Cuando
se requiere un orden de precisión elevado con un tamaño de malla que no sea
excesivamente fino, es necesario recurrir a esquemas de orden superior. En el módulo
hidrodinámico de Iber se consigue aumentar el orden de precisión del esquema de Roe
mediante una extensión de orden 2 del flujo numérico, y una limitación TVD (Total
Variation Diminishing) del mismo.
Zi + Z j 1 3
Φ LR  -  λ m α m (1- m (1-  m )) e m (5.52)
2 2 m=1

Siendo  m  λ mt / dLR y d LR la distancia entre los elementos L y R.
Se utiliza el limitador de flojo Minmod:
ψ(r)=max  0,min  r,1  (5.53)
que es función del parámetro r , indicador del salto que sufren las variables entre la
arista upwind y la arista de cálculo:
89
 α λ (1-  ) 
m m m
upwind
 rm i,j = (5.54)
 α λ (1-  ) 
m m m
i,j
Discretización del término fuente pendiente del fondo
En Iber se utiliza una discretización centrada de todos los términos fuente excepto del
término fuente pendiente del fondo. El principal motivo de utilizar una discretización
descentrada de la pendiente del fondo frente a una discretización centrada es que se
calcula de forma exacta la solución hidrostática con batimetría irregular, evitando de
esta forma la aparición de oscilaciones espurias en la superficie libre del agua y en las
velocidades. Estas oscilaciones son en general pequeñas, pero pueden llegar a ser de
magnitud considerable en problemas con batimetrías irregulares, como suele ser el caso
en hidráulica fluvial y costera.
Cuando se utilizan esquemas numéricos descentrados para la discretización del flujo

convectivo, la discretización descentrada de la pendiente del fondo posee mejores
propiedades y proporciona resultados más precisos que la formulación clásica centrada.
La discretización utilizada para el término fuente pendiente del fondo en un volumen
finito C se puede expresar como:
Si =  Ci
S dA = S
jK i
ij (5.55)
siendo una discretización descentrada del término fuente pendiente del fondo en cada
arista del volumen finito considerado, y que se calcula como:
 0 
| nij | hL  hR -1 -1 
Sij = -g
2 2
 b , R b, L  
z  z I  X | D | D X   nx,ij  (5.56)
 n 
 y ,ij 
Al igual que en el flujo convectivo, para implementar la discretización anterior en IBER,

se descompone en la base de autovectores em como:
3
Sij =  mem (5.57)
m 1
1 1
1C   cij zij | n ij |  2C  0  3C  cij zij | n ij |
2 2
5.4.3 Discretización de las ecuaciones de transporte en el modelo de

turbulencia k-ε, y en el modelo de transporte de sedimentos en suspensión
Las ecuaciones de conservación utilizadas en el modelo de turbulencia k-ε, y en el modelo

de transporte de sedimento en suspensión pueden expresarse de forma simbólica como:
90
 Fj
 S (5.58)
t x j
Donde ϕ=Ch es la variable conservada, C es la variable no-conservada correspondiente

al modelo considerado (concentración de sedimento, energía cinética turbulenta, tasa
de disipación turbulenta), S son los términos fuente que modelan procesos de generación
o destrucción de la variable conservada, y F es el flujo convectivo y difusivo, que se
puede expresar como:
C
Fj  C h u j  e h (5.59)
x j
donde
Γe es el coeficiente de difusividad efectivo, incluyendo difusión molecular
y turbulenta.
En general la difusión turbulenta es varios órdenes de magnitud superior a la difusión

molecular, pudiéndose despreciar esta última. En el modelo de turbulencia k-ε es
necesario resolver 2 ecuaciones de transporte, una para la energía cinética turbulenta
(k) y otra para la tasa de disipación de turbulencia (ε).
Ecuación de transporte promediada en profundidad
Para realizar la discretización espacial de la ecuación de transporte por el método de

volúmenes finitos se realiza la integral de la ecuación diferencial en cada celda de la
malla de cálculo. Esta forma de proceder es especialmente ventajosa para la resolución
de ecuaciones de conservación, ya que se están resolviendo las ecuaciones en forma
integral, lo que permite formular de forma natural métodos conservativos. Integrando
la ecuación de convección-difusión en una celda bidimensional se obtiene:
n 1 n
 C h i   C h i
A i      C h  u  dA 
Δt Ai
(5.60)
      e h  C  dA   E - D  dA
Ai Ai
donde:
ϕ=Ch es el valor promedio de la magnitud conservada en la celda
S=E-D es el término fuente debido a procesos de generación/destrucción de
la variable considerada.
Aplicando el teorema de la divergencia al segundo y tercer término de la ecuación

anterior se obtiene:
n 1 n
 C h i   C h i
A i   C h  u  n dL 
Δt Li
(5.61)
   e h  C   n dL   E - D dA
Li Ai
91
donde las integrales de área se extienden a los contornos de la celda. La ecuación
anterior es la ecuación de conservación expresada en forma integral. Las integrales que
aparecen en la ecuación de conservación en forma integral se realizan de forma discreta,
obteniéndose:
n 1 n
 C h i   C h i
Δt
Ai   C h u n  L ij ij 
j K i
(5.62)
    h C   n  L   E - D  A
j K i
ij ij i i
donde los sumatorios se extienden a todas las caras que forman el contorno de la celda.
El subíndice ij identifica la cara común a las celdas i y j. Cada término de los sumatorios
representa el flujo de la variable considerada que sale de la celda a través de la cara
correspondiente, de forma que la suma de los flujos a través de todas las caras que
forman el contorno de la celda es igual al balance de lo que sale menos lo que entra, i.e.
el flujo neto hacia fuera de la celda. En función de la interpolación utilizada para calcular
el flujo a través de los contornos de las celdas, especialmente el flujo convectivo, se
obtienen diferentes esquemas numéricos.
El flujo difusivo entre celdas se calcula mediante una discretización centrada de orden
2, sin que se presenten problemas de estabilidad numérica. La discretización del flujo
convectivo es más problemática desde el punto de vista de estabilidad numérica. A
continuación se presentan los esquemas numéricos implementados en el código para la
discretización de dichos términos.
Esquema descentrado de orden 1
En los esquemas descentrados se tiene en cuenta la dirección en la cual se transmite la

información en el seno del fluido para realizar la discretización del flujo convectivo. El
flujo difusivo se discretiza mediante un esquema centrado de orden 2. En el caso del
flujo convectivo la información viaja en la misma dirección que la velocidad del agua,
i.e. desde aguas arriba hacia aguas abajo. El esquema descentrado más sencillo es el
esquema descentrado de orden 1. En dicho esquema se discretiza el flujo convectivo
como:
 C h  u  n ij   u  n ij  C h ij  u n ,ij   C h ij (5.63)
La velocidad se discretiza de forma centrada, mientras que el valor de C. h se discretiza

de forma descentrada, tomando el valor del nodo situada aguas arriba:
u n,ij  α u n ,i  (1  α) un ,j
 C h ij   C h i si un ,ij  0
 C h ij   C h  j si un ,ij  0
Siendo α un coeficiente de interpolación lineal. Para una discretización equiespaciada el

valor de α es igual a 0.5.
92
El hecho de descentrar el término convectivo con el esquema de orden 1, es equivalente
desde el punto de vista matemático a añadir un término de difusión (al que generalmente
se le llama difusión numérica) con un coeficiente de difusividad (numérica) Γn
proporcional al tamaño de malla. La difusión numérica es una consecuencia de la técnica
de estabilización numérica empleada. Lo deseable en un esquema numérico es que sea
estable introduciendo la menor cantidad posible de difusión numérica. Es por lo tanto
conveniente utilizar mallas finas para disminuir el error introducido por la difusión
numérica.
Esquema descentrado de orden 2 por líneas tipo MUSCL
El esquema anterior es de orden 1 debido a la difusión numérica introducida en la

discretización del flujo convectivo. A pesar de ello es utilizado de forma habitual en
códigos de CFD como esquema por defecto, debido a su estabilidad numérica. Cuando
se requiere un orden de precisión elevado con un tamaño de malla que no sea
excesivamente fino, es necesario recurrir a esquemas de orden superior. Para ello se ha
implementado un esquema de orden 2 por líneas tipo MUSCL (Monotonic Upstream
Scheme for Conservative Laws).
Discretización de la ecuación de conservación de sedimento de Exner
La ecuación de conservación de sedimento de Exner se puede expresar de forma

simbólica como:
zb qsb,x qsb,y

(1  p)    DE (5.64)
t x y
La ecuación de conservación de sedimento de Exner se discretiza de manera similar a la

ecuación de conservación de sedimento en suspensión. La integral de la ecuación de
Exner en una celda bidimensional se puede escribir como:
n 1 n
zb,i  zb,i  q q 
(1  p) A i    sb,x + sb,y  dA   D - E i A i (5.65)
Δt Ai
 x y 
Aplicando el teorema de la divergencia al segundo término de la ecuación anterior se

obtiene:
n 1 n
zb,i  zb,i
(1  p) Ai    q*sbn  Lij   D - E i Ai (5.66)
Δt jKi
ij
∗
El valor de la carga de fondo en cada una de las aristas de la malla ( ) se calcula de
forma descentrada como:
q 
*
sb ij  q sb,i si  q*sbn   0
ij
q 
*
sb ij  q sb,j si  q n   0
*
sb ij
93
El término fuente de erosión/deposición se discretiza de forma centrada en cada celda
de la malla de cálculo.
Tratamiento de los frentes seco-mojado
La modelización de zonas inundables, así como del movimiento del frente de marea en
estuarios y zonas costeras, es fundamental en problemas de hidráulica medioambiental.
En IBER se modelan los frentes seco-mojado, tanto estacionarios como no estacionarios,
que puedan aparecer en el dominio trabajando con una malla fija de volúmenes finitos,
y permitiendo que los volúmenes puedan tener agua o no en función de las condiciones
del flujo. Entre los volúmenes que no tienen agua y los que si tienen agua, aparece un
frente seco-mojado que es necesario tratar adecuadamente desde un punto de vista
numérico para evitar la aparición de inestabilidades y oscilaciones no físicas en la
solución. Para el tratamiento del frente seco-mojado, ya sea un frente de inundación o
un frente de marea, se define una tolerancia seco-mojado εwd, de forma que si el tirante
en una celda es menor a εwd, se considera que esa celda está seca y no se incluye en el
cálculo. La tolerancia seco-mojado puede hacerse tender a cero por el usuario, aunque
en problemas con batimetría muy irregular, como suele ser el caso en ingeniería fluvial
y costera, es aconsejable utilizar valores del orden de 1mm o 0.1mm por aumentar la
estabilidad del cálculo sin deteriorar la precisión de los resultados. En cualquier caso, la
altura de agua nunca se fuerza a cero, con el fin de evitar pérdidas de masa en el interior
del dominio de cálculo. El esquema numérico utilizado para resolver el frente seco-
mojado es estable y conservativo.
El tratamiento de los frentes seco-mojado utilizado en IBER es estable, conservativo y

no-difusivo, es decir, se resuelven adecuadamente los frentes, sin inestabilidades de tipo
numérico, incluso cuando estos ocurren en pendientes fuertes del fondo. Cada volumen
finito tiene asociada una cota del fondo. De forma esquemática se puede representar el
fondo tal como se muestra en la Fig 5.7.
Fig 5.7 Representación esquemática del fondo para tratamiento seco-mojado
Entre dos volúmenes con cota del fondo diferente se puede producir una de las
situaciones que se representan en la siguiente figura:
94
Fig 5.8 Distintas situaciones de niveles de agua entre dos celdas adyacentes
La diferencia entre las dos situaciones representadas en la Fig 5.8 es que en el segundo
caso el nivel de la superficie libre en la celda mojada es superior a la cota del fondo en
la celda seca, mientras que en el tercer caso es inferior. Únicamente en el tercer caso
es necesario utilizar un tratamiento especial, que consiste en redefinir la pendiente del
fondo e imponer una condición de reflexión en el frente. En este caso la pendiente del
fondo se redefine como:
h i - h j si h j  z b,j - z b,i
Δz b,ij =  (5.67)
 z b,j - z b,i si h j > z b,j - z b,i
La condición de reflexión se impone como:
q n,ij = q x,ij n x,ij + q y,ij n y,ij  0 (5.68)
La utilización de las condiciones anteriores proporciona la solución hidrostática de forma

exacta para cualquier batimetría, sin difundir el frente y sin generar oscilaciones espurias
en la superficie libre. Este tipo de tratamiento de los frentes seco-mojado ha sido
utilizado con éxito tanto para la modelización de procesos estacionarios como no
estacionarios, siendo particularmente útil para la simulación de zonas inundables en ríos
y zonas costeras, así como para el cálculo de la evolución del frente de marea.
5.5 Capacidades de pre y post-proceso del modelo Iber
En Iber, la interfaz de usuario ha sido creada a partir del programa GiD desarrollado por
el Centro Internacional de Métodos Numéricos en la Ingeniería. GiD es un programa de
pre y post proceso para simulaciones numéricas, que está diseñado para ser adaptado
y personalizado según los requisitos del modelo numérico. Con la integración se consigue
una herramienta simulación numérica completa, de gran flexibilidad y amigabilidad.
La interfaz permite gestionar el preproceso de toda la información requerida para el

cálculo, desde la geometría, las condiciones de contorno, rugosidades, etc., hasta la
generación de la malla de cálculo. Permite así mismo visualizar los resultados de la
simulación tanto durante el cálculo como una vez finalizado este.
95
5.5.1 Preproceso
Para trabajar con Iber es necesario proporcionar al programa la información topográfica

a través de mallas y cierta información hidráulica que varía según el tipo de cálculo que
vamos a realizar.
La información hidráulica requerida es básicamente: condición de contorno de entrada,

condición de contorno de salida, condición inicial y rugosidad. En caso de utilizar algún
proceso hidrológico, hay que definir la lluvia que caerá sobre cada superficie de nuestro
modelo. También se puede especificar el proceso de pérdidas, la tensión superficial de
arrastre producida por el viento o las condiciones internas para modelar flujos bajo
compuerta, flujos sobre vertederos en lámina libre, pérdidas localizadas o alguna
combinación entre ellas para representar, por ejemplo, puentes.
Geometría y mallado
Para realizar una simulación se requiere de una malla de cálculo con las condiciones
asignadas (mínimo condiciones iniciales, de contorno y rugosidad). Las condiciones se
pueden asignar sobre la geometría o sobre la malla. En el caso de asignarlas sobre la
geometría, al realizar el mallado se traspasan a la malla. En el caso de asignarlas sobre
la malla, si se vuelve a mallar, todas las condiciones se pierden.
Para el cálculo con Iber la geometría tiene que estar formada por una o varias superficies,
conectadas entre ellas. Al ser un modelo bidimensional no puede haber dos superficies
en una misma coordenada x,y.
El proceso de mallado está estrechamente ligado a las características de la geometría, y

dependiendo de éstas es posible que se recomendable realizar el mallado de una forma
o de otra. Iber trabaja con mallas irregulares formadas por triángulos, por cuadriláteros,
o por combinaciones de ambos. Naturalmente también puede trabajar con mallas
regulares.
Fig 5.9 Detalle de dos mallas de cálculo formada por combinaciones de triángulos y
cuadriláteros
La malla de cálculo influye en el tiempo que pueden tardar las simulaciones, y puede
tener también influencia en los resultados obtenidos. Debido a la condición de Courant,
el tamaño de elemento condiciona el tiempo de cálculo no sólo debido a un aumento del
96
número de elementos, sino también a una disminución del incremento de tiempo de
cálculo cuanto más pequeño sea el elemento. En principio los resultados serán más
ajustados cuanto más pequeño sea el paso de malla, aunque la influencia del tamaño de
elemento en la precisión depende también de las características del flujo.
La interfaz de Iber dispone de múltiples opciones de mallado. Un mismo problema puede

abordarse de distintas maneras. Iber permite generar mallas a con metodologías
distintas. La elección del método depende del formato de los datos geométricos, de la
precisión deseada, del tiempo que se disponga para elaborar la malla, o del coste
computacional asumible. En las figuras siguientes se pueden apreciar distintos tipos de
mallas utilizadas en distintos estudios.
Fig 5.10 Malla obtenida de un Modelo digital del Terreno mediante una RTIN
(Rectangular Triangle Irregular Network). Vista en planta (izquierda) y detalle en
perspectiva (derecha) de un edificio
Fig 5.11 Malla irregular con un tamaño variable para adaptarse al terreno
97
Fig 5.12 Malla realizada como una TIN y imagen 3D de la misma
5.5.2 Postproceso
La interfaz permite visualizar, analizar y exportar resultados de las simulaciones. El

programa agrupa los resultados según al módulo de cálculo al que corresponden:
Hidráulica, Topografía, Mapas de Máximos, Riesgo, Sedimentos, Sedimentos en
Suspensión e Intenso Desagüe. Para representar gráficamente los resultados, Iber
ofrece un amplio abanico de posibilidades que incluyen Mapas de colores, Mapas de
colores suavizados, Mapas de vectores (solo para resultados vectoriales), Mapas de
rangos (para los máximos), Gráficas y Animaciones.
Mapas de colores y vectores
La visualización mediante mapas de colores permite representar en escala de colores

resultados tanto escalares como vectoriales. Existen dos tipos de mapas, unos que
representan el valor en cada elemento de la malla y otra que realiza un suavizado
automático de dichos valores. También es posible incorporar a la visualización de
resultados imágenes de fondo georreferenciadas, como se puede ver en la Fig 5.13, en
la que los resultados de la velocidad se pintan sobre una ortofoto de la zona de estudio.
Fig 5.13 Mapa de colores suavizados. Valores del módulo de la velocidad
98
Los mapas de vectores permiten visualizar resultados vectoriales. Pueden representarse
las componentes o el módulo de la variable. Existen diversas opciones para la
visualización de los vectores: mono-color o multicolor, mono-color con el tamaño según
el valor de la variable (Fig 5.14) o que tanto color como tamaño respondan al valor
representado. También es posible aplicar a la variable por un factor de escala que facilite
la visualización.
Fig 5.14 Mapa de vectores mono color. Vectores velocidad
Gráficos
La presentación de resultados en gráficos es de gran interés y utilidad para su análisis.

Iber ofrece la posibilidad de crear gráficos de varios tipos: Evolución de una variable en
un punto (Fig 5.15), un gráfico de línea: también llamado “gráfica de sección” , que
muestra el resultado sobre una línea previamente definida (Fig 5.16), una gráfica de
borde (Fig 5.17) que muestra el resultado para un instante de tiempo en un contorno
seleccionado, usando x, y, z o la distancia sobre la línea como abscisa, o una integral
que permite, por ejemplo, calcular el caudal, líquido o sólido, a través de una sección
(Fig 5.18). Finalmente, también es posible realizar deformadas de la malla para
representar los resultados en 3D (Fig 5.19).
Fig 5.15 Evolución temporal del resultado en un punto, en este caso el tirante
99
Fig 5.16 Gráfica de línea. Sección transversal y lámina de agua. A la derecha se
muestra la sección representada
Fig 5.17 Gráfica de borde. En X la distancia sobre el contorno en Y la cota del fondo.
Se superponen los resultados para múltiple instantes de tiempo
Fig 5.18 Integral del caudal específico. Hidrograma de paso en la sección que se indica
100
Fig 5.19 Resultados en 3D de un resalto hidráulico en un canal (izquierda) y la
formación de una brecha por erosión de un dique (derecha)
Animaciones
Iber dispone de las herramientas necesarias para la creación de animaciones de los

resultados de la simulación. La animación puede visualizarse en el momento y también
exportarse grabándola en formatos variados como avi, mpeg, gif o flash.
Exportación de resultados
La interfaz permite exportar los resultados y sus visualizaciones de diversas maneras.

Los mapas de colores y de vectores y las gráficas pueden exportarse como imágenes en
muchos de los formatos estándar (jpg, bmp, giff, tiff, ps, eps), la imagen exportada
puede además ser georreferenciada. También se pueden exportar los valores en formato
ASCII Grid de ArcInfo, se selecciona uno de los resultados, el instante de tiempo y el
tamaño de la celda. En el caso de las gráficas se pueden exportar los datos en formato
texto.
101
6. CAMBIO DE USO DE SUELO Y ACARREO DE SEDIMENTOS EN LA CUENCA
DEL RIO APATLACO
Preciado Jiménez Margarita1, Arganis-Juárez Maritza.L2., Ocón G. Alfredo R. 1,Mejía Zermeño R. 1
1 Instituto Mexicano de Tecnología del Agua
2 Instituto de Ingeniería. Universidad Nacional Autónoma de México.
6.1 Introducción
Dentro de los factores que influyen en la aportación de sedimentos a los cauces se

encuentran las características fisiográficas de la cuenca como son el área, el clima, la
geología, la topografía, la hidrología, además de las actividades humanas, como
construcción de embalses, cambios en el curso del río, deforestación, minería,
urbanización y cambios en el uso de los suelos como resultado de prácticas de agricultura
y ganadería. Diversos autores reconocen que no existe una relación entre producción de
sedimentos y cada una de las variables climáticas y topográficas de manera individual.
Más bien, es un conglomerado de factores que influyen en el transporte de sedimentos
y como estos se combinan. Según Merrit y otros, (2003), el proceso de erosión puede
dividirse en arrastre, transporte y deposición. Además mencionan varios tipos de
erosión: erosión laminar y en surcos, en cárcavas y de corriente. La primera se clasifica
como erosión de flujo superficial, y se define como el desprendimiento de sedimentos
del perfil superficial del suelo, la erosión en surcos es definida como “canales de flujo
que pueden ser borrados por las labores de labranza”. El flujo por surcos es un medio
de transporte que remueve sedimentos hacia aguas abajo. La erosión en cárcavas, a
diferencia de la erosión en surcos forma canales de flujo concentrado muy profundos
para ser borrados por cultivos. Finalmente, la erosión de arrastre consiste en la remoción
directa de sedimentos de las orillas y del lecho del cauce. Existe una variedad de modelos
desarrollados a partir de la década de 1940, a través de los cuales es posible estimar
producción de sedimentos en una zona de interés. Estos modelos difieren en cuanto a la
complejidad, la información requerida, los procesos que representan y la manera como
se representan. De modo que la adopción de un modelo u otro, estará influenciada por
la disponibilidad de la información y el objetivo planteado, el cual supondrá una serie de
exigencias con respecto a la resolución de la información y de los resultados esperados.
La estimación del volumen de sedimentos que transporta una corriente superficial es un
problema que se ha analizado por la ingeniería hidráulica en las últimas décadas.
Desgraciadamente no se cuentan con registros detallados de los cambios de uso de suelo
a través del tiempo en México, así como la relación entre el aumento poblacional y la
recurrencia de fenómenos hidrológicos la cual es muy difícil de evaluar. Las estimaciones
globales sobre la erosión y el transporte de sedimentos en los grandes ríos del mundo
102
presentan enormes discrepancias, debido a la dificultad de obtener valores fiables de
concentración y descarga de sedimentos en muchos países, a la adopción de supuestos
diferentes por los distintos investigadores y a los diferentes efectos de una erosión
acelerada debida a actividades humanas (deforestación, malas prácticas agrícolas,
construcción de carreteras, etc.) con respecto al almacenamiento de sedimentos
asociado a la construcción de presas. Según diversos estudios llevados a cabo se estima
e la carga mundial de sedimentos en los océanos en los años centrales del siglo XX fue
de 20.000 millones de ton/año, de las que aproximadamente el 30 por ciento procede
de ríos de Asia meridional en particular los ríos Yangtze y Amarillo, de China. Se han
realizado intentos para relacionar el volumen de acarreo de sedimentos con el
escurrimiento, pero una dificultad para lograrlo es la escasa información obtenida en
campo. (Campos-Aranda. 2009). Por otra parte en los últimos años el cómputo
evolutivo, en particular los algoritmos genéticos y la programación genética se han
aplicado con éxito para resolver distintos problemas de la hidrología, ejemplos de estos
trabajos son los de Savic et al., 1999, Madsen et al., 2000, Dorado et al., 2002, Keijzer,
et al., 2005, Arganis, et al., 2007, Arganis et al., 2008 a y b, Arganis et al., 2009.
En este trabajo se llevaron a cabo diferentes modelaciones haciendo uso de algoritmos

genéticos los cuales permitieron estimar el volumen de acarreo de sedimentos en la
cuenca del rio Apatlaco en las estaciones hidrométricas Tetlama, Temixco y Zacatepec
ubicadas dentro de la cuenca llevando a cabo dos procedimientos: el primero, con el
empleo de un algoritmo genético simple para la determinación de los parámetros de un
modelo exponencial que considera únicamente al volumen de escurrimiento como la
variable independiente y el segundo consistió en aplicar programación genética para
determinar al volumen de acarreo como una función tanto del volumen de escurrimiento
como de las características fisiográficas área de la cuenca, pendiente media del cauce
principal además de un coeficiente n de Manning promedio de la cuenca analizada.
6.2 Metodología
El área de la cuenca del rio Apatlaco es de 750.66 km2, la cuenca cuenta con 3 estaciones
hidrométricas con datos de sedimentos estas son: Temixco (clave 18271), Tetlama
(clave 18323) y Zacatepec (clave 18264). En la t 6.1 se observan los datos de las
estaciones hidrométricas dentro de la cuenca del Río Apatlaco.
Tabla 6.1. Estaciones hidrométricas en la cuenca del río apatlaco
AÑOS DE ÁREA Qmáx

CLAVE ESTACIÓN CORRIENTE MUNICIPIO LONG. LAT.
REGISTRO DRENADA (m3/s)
RÍO
18264 ZACATEPEC ZACATEPEC -99.19583 18.65000 47 697.4 551.27
APATLACO
RÍO
18271 TEMIXCO CUERNAVACA -99.22083 18.85417 46 372.4 251.00
APATLACO
RÍO
18269 ALPUYECA XOCHITEPEC -99.25833 18.73333 46 130.2 400.59
TETLAMA
RÍO
18323 TETLAMA TEMIXCO -98.91667 18.68333 40 71.4 227.45
TETLAMA
103
Tabla 6.2 Periodos de registro de las estaciones hidrométricas en la cuenca del río
apatlaco
Clave Nombre Fecha inicial Fecha Final Años Registro

18264 ZACATEPEC 1955 2002 47
18271 TEMIXCO 1956 2002 46
18269 ALPUYECA 1956 2002 46
18323 TETLAMA 1962 2002 40
Los altos niveles de sedimentación en los ríos dan lugar a la perturbación física de las
características hidráulicas del cauce. Dentro de los problemas que se presentan se tiene
la reducción de la capacidad hidráulica del cauce lo cual favorece las inundaciones, por
la reducción de la capacidad del flujo de agua en la cuenca de drenaje. Los sedimentos
proceden en gran parte de la rápida erosión de las subcuencas como consecuencia de
prácticas agrícolas poco acertadas. Aunque la agricultura contribuye en muchas formas
a deteriorar la calidad del agua, la sedimentación y erosión antropogénica es un
problema que se presenta principalmente en la cuenca del Río Apatlaco por el aumento
de las áreas urbanas. En las Figs 6.1 y 6.2 se evidencian la tasa de cambio porcentual
para las áreas boscosas, de selva y agrícolas así como zonas urbanas de 1973 al 2010.
Fig 6.1 Cambio de Uso de suelo porcentual en la cuenca del Rio Apatlaco a través del
tiempo
Llama la atención que el área agrícola tuvo un decremento de 7 puntos porcentuales de

1973 al 2000 pero del 2000 al 2010 hubo un aumento de 4 puntos porcentuales. Esto
se debe a que las zonas urbanas se han ido extendiendo en zonas donde antes era de
uso agrícola pero las zonas boscosas y de selva han ido en detrimento ante las zonas
agrícolas.
104
Fig 6.2 Usos de suelo en la Cuenca del Río Apatlaco, Mor. A través del tiempo
La cubierta vegetal funciona como una capa protectora, constituyendo un vínculo entre
el suelo y la atmosfera. Como regla general, la efectividad de la vegetación para reducir
la erosión de impacto depende directamente de la altura y continuidad de la copa de los
árboles, así como la densidad de la cobertura superficial (pastos, hierbas y arbustos).
Estudios demuestran que las hojas lobuladas, típicas de especies arbóreas latifoliadas,
forman gotas cuyo diámetro dobla el de las gotas de lluvia. García-Chevesich, 2010).
Además, se dice que a siete metros de altura de copa, las gotas que impactan el suelo
lo hacen a una velocidad equivalente al 90% de su velocidad máxima, lo cual indica que
a mayor altura de copa, mayor erosión se produce. La presencia de una cobertura
vegetal no solo protege el suelo contra la erosión de impacto, sino que también brinda
rugosidad al terreno por el que el flujo superficial viaja, reduciendo su velocidad y, por
ende, su poder erosivo (Morgan, 2005). Dicha rugosidad se expresa comúnmente en
términos del coeficiente de Manning, el cual representa la suma de la rugosidad de la
superficie del suelo, la micro-topografía y la cobertura vegetal. La altura de la vegetación
y la profundidad del flujo superficial juegan un rol preponderante en la erodabilidad del
caudal. Como regla general, mientras más densa y homogénea sea la cubierta vegetal,
mayor es su efectividad en la disminución de la erosión laminar (García-Chevesich,
2010). Dicha presencia también reduce, significativamente, la velocidad del viento,
mediante la adición de rugosidad a la superficie edáfica (Morgan, 2005). El uso de la
tierra es el factor más importante dentro del conjunto de los factores que afectan la
erosión y la sedimentación. El aumento exponencial de la población a nivel mundial así
como la migración hacia los centros urbanos han aumentado de igual manera el cambio
de uso de suelo en cuencas. Los sitios en construcción representan la actividad humana
más devastadora, en términos erosivos, debido a la agresividad espacial y temporal
asociada a éstos. Cabe señalar de igual manera la explosión demográfica lo cual explica
105
el aumento de las zonas urbanas ya que los municipios dentro de la cuenca del Río
Apatlaco han aumentado potencialmente su población. En 1970 la población total en los
municipios de Cuernavaca, Jiutepec, Jojutla, Temixco Xochitepec y Tlaltizapan era de
286,169 habitantes, para el año 2010 la población de estos municipios aumento en un
254% teniendo estos municipios según el censo de INEGI 2010 una población total de
729,799 habitantes. Haciendo un cálculo lineal de la población dentro de la cuenca
utilizando la ecuación con la cual se obtuvo un mejor ajuste da como resultado que al
2050 la cuenca del Río Apatlaco tendrá una población de 2,014,689.13 habitantes por lo
cual el decremento en áreas agrícolas y/o boscosas se verá disminuido ocasionando a
su vez mayor escurrimiento y aportación de sedimentos a los cauces.
Fig 6.3 Aumento poblacional en los municipios que integran la cuenca del Rio Apatlaco
La forma de la pendiente también influye en las tasas de erosión, pues éstas cambian a
medida que varía la inclinación del terreno (Terrence et al., 2002). Para la cuenca del
Río Apatlaco se tienen cinco diferentes tramos divididos por la ubicación de las estaciones
hidrométricas en los cuales existen diferentes variaciones en sus pendientes factor que
afecta de manera importante en las tasas de erosión y la sedimentación a lo largo del
rio (Fig 6.4). Según el análisis de las pendientes, los cambios de uso de suelo se puede
observar que el tramo aguas arriba de la estación 18323 cuenta con una pendiente
s=0.08133 e inmediatamente aguas abajo de la estación 18323 la pendiente del tramo
de rio cambia abruptamente a s=0.01414 por lo cual se considera de manera preliminar
que esa zona presenta una gran erosión aguas arriba y el tramo aguas abajo se
encuentra azolvado por los sedimentos de arrastre aguas arriba, por lo cual se llevó a
cabo un análisis de los datos de la estación hidrométrica 18323 (Tetlama) en cuya cuenca
de aportación se presente una alta erosión hídrica como se puede ver en la Fig 6.4 .
106
Fig 6.4 Pendientes, erodabilidad y ubicación de centros urbanos dentro de la cuenca
del Río Apatlaco
Algoritmos genéticos
Los Algoritmos Genéticos (AG) imitan de manera parcial los mecanismos de evolución
biológica. Esta técnica fue desarrollada en la universidad de Michigan a principios de la
década de 1960 por John H. Holland y un grupo de estudiantes (Holland, 1975). Las
características que distinguen a esta técnica son las siguientes:
 Comúnmente utilizan codificación binaria (cadenas de 0´s y 1´s) para las posibles
soluciones del problema a resolver, aunque también se han utilizado el código
gray, representación entera y real.
 El operador principal es el de cruza (en el caso binario, cruza en un solo punto,
esto es, intercambio de subcadenas).
 La selección usualmente se realiza de manera probabilística.
Los pasos de un algoritmo genético simple son:
1. Generar la población inicial.
2. Evaluar la población, a cada individuo de la población se le asigna un valor de aptitud

(fitness).
3. Selección de la población basada en la aptitud (fitness) de cada individuo.

4. Cruza de los individuos seleccionados (padres) para obtener una nueva población
(hijos) cada pareja de padres genera una pareja de hijos.
5. Mutación en un porcentaje muy bajo de los individuos hijos.
107
6. Los individuos hijos forman una nueva población sustituyendo por completo a la
generación anterior (padres). Puede existir elitismo, esto ocurre cuando el mejor
individuo de la generación de padres pasa intacto a la nueva generación (hijos).
7. Evaluar la población.
8. Se repiten los pasos de iii al vii hasta alcanzar un criterio de fin (comúnmente se trata
de un determinando número de generaciones).
En la Fig 6.5 se presenta el esquema de un algoritmo genético simple tradicional

(Jiménez, 2004).
Inicialización
Cálculo del
Desempeño
Evaluar criterio Sí
Fin
de Finalización
No
Selección
Cruza
Mutación
Fig 6.5 Diagrama de bloques de un algoritmo genético simple
Estos algoritmos han sido empleados en diversas áreas del conocimiento y con ellos se
han obtenido resultados significativos en problemas de optimización, búsqueda y
aprendizaje de máquina. Se trata de algoritmos aleatorios que permiten estimar
parámetros de un modelo dentro de un problema de optimización. Como ejemplo
podemos hablar del uso de algoritmos genéticos para estimar los parámetros de una
función de distribución univariada (Domínguez et al., 2004, Fuentes et al., 2006),
también se ha aplicado para obtener los parámetros de funciones bivariadas
(Domínguez, 2009).
Para estimar los parámetros de un modelo matemático, el algoritmo genético requiere

como datos de entrada el número de variables a determinar, en este caso, el número de
parámetros del modelo propuesto; se define una población inicial o primera generación,
con cierto número de individuos, donde cada individuo será un conjunto de valores de
los parámetros del modelo considerado; se evalúa el desempeño (fitness) de cada
individuo con la función objetivo; se seleccionan los individuos con mejor desempeño
108
usando el método de la ruleta o el método estocástico universal (Goldberg, 1989). A los
individuos seleccionados se les aplican los operadores de cruza y mutación generando
una nueva población con la que se repite el proceso hasta llegar al número de
generaciones previamente establecido. En esa última generación se selecciona el
individuo de mejor desempeño (que será el conjunto de parámetros del modelo
analizado). En este estudio se propuso obtener los parámetros de un modelo de tipo
exponencial, poniendo al volumen de acarreo de sólidos, (V ), en miles de m3, en
función del volumen de escurrimiento (V), en miles de m3 .
Programación genética
La programación genética (PG) se considera una subrama de los algoritmos genéticos,

representando a los individuos de la población ya no como cadenas lineales de longitud
fija ya sean binarias, enteras o reales, sino como árboles. Estos árboles codifican
“programas” que pueden representar una función matemática para darle solución a un
problema dado. Un algoritmo típico de programación genética está formado por un
conjunto de funciones, que pueden incluir operadores de tipo aritmético (+,-,*,/,…)
funciones trascendentes( sin, cos, tan, ln, exp…) incluso operadores de relación (>,<,=)
o bien operadores condicionales (IF). También considera un conjunto de terminales con
variables y constantes (x1,x2,x3,…xn). En el algoritmo se genera aleatoriamente una
población inicial con un número de individuos y de nodos (operadores más variables y
constantes) previamente definidas de acuerdo con el dominio del problema. Se debe
definir una función objetivo para evaluar el desempeño (fitness) de cada individuo (en
este caso cada individuo será un modelo o un programa de la combinación aleatoria de
nodos). A continuación se aplican los operadores selección, cruza y mutación para los
mejores individuos y se genera una nueva población que pasa a la siguiente generación.
Todo el proceso anterior se repite hasta que alcanza un cierto número de generaciones
(iteraciones) (Cramer,1985 Koza, 1989, Arganis et al.,2004, Arganis et al, 2007, Arganis
et al., 2008 (1 y 2), Arganis et al., 2009).
En este trabajo se propuso utilizar un conjunto de operadores exclusivamente

algebraicos (+,-,* y /), además de considerar al volumen de acarreo de sólidos, (V ),
en miles de m3, en función del volumen de escurrimiento (V), en miles de m3, el área
de la Cuenca (A ), en km2, la pendiente del cauce principal (S), en decimales, y una n de
Manning promedio (n), en s/m1/3 ,con las unidades de la n de Manning en Sistema
Internacional.
109
Función objetivo
Se eligió como función objetivo aquella que minimiza al error medio cuadrático entre el
volumen de acarreo medido (V ) y el calculado (V1 ) en n meses de registro
histórico:
(V − V1 )
FO = Min (6.1)
n
6.3 Aplicación y resultados
Estación Tetlama
La estación Tetlama es la que presenta una mayor erosión hídrica según se observa en
la Fig 6.4. En esta estación solo se contó con datos de volumen de acarreo del año 1980
al año 1985 por lo que se trabajó con los datos mensuales haciendo un solo registro,
desde el enero de 1980 hasta el diciembre de 1985 (Tabla 6.3).
Tabla 6.3 Datos históricos mensuales de volumen de escurrimiento y de acarreo de

sólidos.estación tetlama. 1980 a 1985
Año Mes Volumen Acarreo Año Mes Volumen Acarreo

103 m3 103 m3 103 m3 103 m3
1980 ENERO 572 0.03 1983 ENERO 307 0
FEBERERO 285 0 FEBERERO 261 0
MARZO 372 0 MARZO 259 0
ABRIL 358 0 ABRIL 246 0
MAYO 474 0 MAYO 282 0
JUNIO 3461 8.72 JUNIO 1052 2.62
JULIO 1177 1.21 JULIO 4835 16.25
AGOSTO 7745 9.64 AGOSTO 2583 1.76
SEPTIEMBRE 6897 5.96 SEPTIEMBRE 21776 39.28
OCTUBRE 1092 0 OCTUBRE 755 0
NOVIEMBRE 458 0 NOVIEMBRE 269 0
DICIEMBRE 369 0 DICIEMBRE 235 0
1981 ENERO 433 0 1984 ENERO 248 0
MAYO 294 0.01 MAYO 701 0.43
JUNIO 13999 33.01 JUNIO 1935 1.4
JULIO 10334 13.52 JULIO 6562 7.37
AGOSTO 8923 11.42 AGOSTO 3201 3.06
OCTUBRE 1893 0 OCTUBRE 815 0.04
1982 ENERO 269 0 1985 ENERO 333 0
110
MAYO 694 0.6 MAYO 402 0
JUNIO 4691 7.64 JUNIO 4816 5.91
JULIO 3178 1.37 JULIO 8522 9.61
AGOSTO 598 0 AGOSTO 7520 8.26
SEPTIEMBRE 1194 0.38 SEPTIEMBRE 6410 0
OCTUBRE 976 0.14 OCTUBRE 1855 0
Para la estación Tetlama se llevó a cabo un primer cálculo en el cual se propuso un

modelo exponencial en el cual al volumen de acarreo mensual se le puso en función del
volumen de escurrimiento y así poder determinar cinco parámetros con ayuda de un
algoritmo genético; la ecuación obtenida para la estimación del volumen de acarreo
mensual en dicha estación resultó:
( ) ( )
V = 183.4162e . − 233.4666e + 50.3555 (6.2)
donde:
V volumen de acarreo de sólidos en miles de m3
V volumen de escurrimiento en miles de m3
El error medio cuadrático obtenido con el algoritmo genético fue de 27.3.
Cuando se aplicó programación genética el modelo obtenido para la estación Tetlama

fue:
V = −1.2835n (S − V + 3.8248A ) (6.3)
donde:
V volumen de acarreo de sólidos en miles de m3
V volumen de escurrimiento en miles de m3,
A el área de la cuenca en km2
S la pendiente del cauce principal en decimales
n de Manning promedio (n), en s/m1/3 con las unidades de la n de
Manning en Sistema Internacional.
Para Tetlama se utilizó A =147 km2, S=0.08 y n=0.35
Cabe mencionar que en el modelo anterior los valores de la n de Manning se tomaron

constantes y al ser constante también el valor de la pendiente del cauce principal y del
área de la cuenca, el modelo de la ecuación 6.3 es de tipo lineal.
El error medio cuadrático con el modelo de programación genética fue de 7.17. En la Fig
6.6 aparece la comparación entre los resultados medidos y los calculados con los dos
modelos.
111
45
40
35
30
Acarreo (103 m3 )
25
20
15
10
0
0 5000 10000 15000 20000 25000
-5
3 3
Volumen (10 m )
Históricos AG PG
Fig 6.6 Comparación entre el acarreo histórico y el calculado. Estación Tetlama
Adicionalmente se llevó a cabo el cálculo mes a mes los estadísticos media, desviación
estándar, coeficiente de asimetría y el coeficiente de autocorrelación; en las Figs 6.6 a
610 se presentan estas gráficas, en la que se comparan los datos históricos respecto a
los calculados con el modelo de programación genética.
Tetlama
18.00
16.00
14.00
12.00
10.00
Media
8.00 Histórico
6.00 Calculado PG
4.00
2.00
0.00
0 1 2 3 4 5 6 7 8 9 10 11 12
-2.00
t (meses)
Fig 6.7 Comparación entre la media histórica y calculada. Estación Tetlama
112
Tetlama
16.00
14.00
12.00
10.00
Desvest
8.00
Histórico
6.00
Calculado PG
4.00
2.00
0.00
0 1 2 3 4 5 6 7 8 9 10 11 12
t (meses)
Fig 6.8 Comparación entre la desviación estándar histórica y calculada. Estación

Tetlama
Tetlama
3.00
2.50
2.00
Coef de asimetría
1.50
Histórico
1.00 Calculado PG
0.50
0.00
0 1 2 3 4 5 6 7 8 9 10 11 12
-0.50
t (meses)
Fig 6.9 Comparación entre el coeficiente de asimetría histórico y calculado. Estación

Tetlama
Tetlama
1.00
0.80
0.60
coef de autocorrelación
0.40
0.20 Histórico
Calculado
0.00
0 1 2 3 4 5 6 7 8 9 10 11 12
-0.20
-0.40
-0.60
t (meses)
Fig 6.10 Comparación entre el coeficiente de correlación histórico y calculado.

Estación Tetlama
113
Estación Temixco
Para la estación Temixco también se consideró el registro disponible de datos mensuales

de acarreo de sólidos de 1980 a 1985 (Tabla 6.4).

sólidos.estación temixco. 1980 a 1985

3 3 3 3 3 3
10 m 10 m 10 m 103 m3
1980 ENERO 5689 4.09 1983 ENERO 3080 0
FEBERERO 3423 0 FEBERERO 2843 0.01
MAYO 2666 0.02 MAYO 1867 0
JUNIO 5248 14.58 JUNIO 4659 0.59
JULIO 5520 16.38 JULIO 13271 3.11
AGOSTO 15338 29.63 AGOSTO 9111 0.92
OCTUBRE 5925 0.01 OCTUBRE 4317 0.15
NOVIEMBRE 4149 0.01 NOVIEMBRE 3635 0.02
1981 ENERO 4182 0 1984 ENERO 2447 0
MAYO 2528 2.68 MAYO 2307 2.23
JUNIO 15063 30.87 JUNIO 7380 17.53
JULIO 18703 44.9 JULIO 8298 0.59
AGOSTO 19539 17.1 AGOSTO 8322 7.72
1982 ENERO 4965 0 1985 ENERO 2913 0
ABRIL 2554 0 ABRIL 2591 1.26
MAYO 4053 3.32 MAYO 1966 0.15
JUNIO 7934 25.03 JUNIO 8868 20.26
JULIO 8834 4.18 JULIO 14783 28.04
AGOSTO 3801 0.03 AGOSTO 10179 15.35
NOVIEMBRE 3708 0 NOVIEMBRE 5225 1.92
114
Tras aplicar el algoritmo genético y obtener distintos modelos, además de aplicar el
modelo de Tetlama con los datos de esta nueva estación, se encontró nuevamente que
el mejor resultado se obtuvo al usar los datos de la estación Tetlama en el modelo
obtenido con algoritmos genéticos para la estación Tetlama (ecuación 6.2) con un error
medio cuadrático de 54.62.
Al aplicar programación genética con los datos de Temixco se encontró el modelo dado
por la ecuación:
n2V Ac
Vacarreo = S (0.14686+ n-1.2392A -0.4169501V ) (6.4)
c
donde:
V en miles de m3
A el área de la cuenca en km2
Para Temixco se consideró A =192 km2 , S=0.12 y =0.035.
En este caso la programación genética no dio un modelo lineal.
Con el modelo anterior el error medio cuadrático obtenido fue de 45.56.
La Fig 6.11 muestra la comparación entre los resultados obtenidos con los dos modelos
(ecuaciones 6.2 y 6.4) para la estación Temixco, respecto al registro histórico.
50
40
Acarreo (103 m3)
30
20
10
0
0 5000 10000 15000 20000 25000
-10
Volumen (103 m3 )
Históricos AG PG
Fig 6.11 Comparación entre el acarreo histórico y el calculado. Estación Temixco
115
Adicionalmente se obtuvieron los estadísticos mensuales media, desviación estándar,
coeficiente de asimetría, coeficiente de autocorrelación, así como el coeficiente de
correlación cruzada entre Temixco y Tetlama. En las Figs 6.12 a la 6.16 se presenta la
comparación de los datos históricos respecto a los obtenidos con el modelo de
programación genética.
Temixco
20.00
15.00
10.00
Media
Histórico
Calculado PG
5.00
0.00
0 1 2 3 4 5 6 7 8 9 10 11 12
-5.00
t (meses)
Fig 6.12 Comparación entre la media histórica y calculada. Estación Temixco
Temixco
20.00
18.00
16.00
14.00
12.00
Desvest
10.00
Histórico
8.00
Calculado PG
6.00
4.00
2.00
0.00
0 1 2 3 4 5 6 7 8 9 10 11 12
t (meses)

Temixco
116
Temixco
3.00
2.50
2.00
1.50
Coef de asimetría
1.00
Histórico
0.50 Calculado PG
0.00
0 1 2 3 4 5 6 7 8 9 10 11 12
-0.50
-1.00
-1.50
t (meses)
Fig 6.14 Comparación entre el coeficiente de asimetría histórico y calculado. Estación

Tetlama
Temixco
1.20
1.00
0.80
coef de autocorrelación
0.60
0.40
Histórico
0.20 Calculado
0.00
0 1 2 3 4 5 6 7 8 9 10 11 12
-0.20
-0.40
-0.60
t (meses)
Fig 6.15 Comparación entre el coeficiente de correlación histórico y calculado.

Estación Tetlama
117
1.2
correlac cruzada temixco-tetlama

0.8
0.6
0.4 Histórico
Calculado PG
0.2
0
0 1 2 3 4 5 6 7 8 9 10 11 12
-0.2
-0.4
t (meses)
Fig 6.16 Comparación entre el coeficiente de correlación cruzada histórico y

calculado. Temixco y Tetlama
Estación Zacatepec
La estación Zacatepec (Tabla 6.5) aproximadamente afora la suma de lo medido en la

estación Tetlama más la estación Temixco, por lo que en este caso se hicieron
comparaciones entre los resultados de los modelos obtenidos con los datos de Zacatepec
considerada como una sola cuenca y obtenidos al sumar los resultados de Temixco más
Tetlama obtenidos con anterioridad.
118
sólidos.estación zacatepec. 1980 a 1985

3 3 3 3 3 3
10 m 10 m 10 m 103 m3
1980 ENERO 10764 8.94 1983 ENERO 6161 0
MAYO 2343 0 MAYO 1606 0
JUNIO 15393 49.43 JUNIO 6992 9.23
JULIO 11111 11.98 JULIO 24710 66.29
AGOSTO 45658 43.09 AGOSTO 18218 17.63
OCTUBRE 10660 0 OCTUBRE 5920 0.35
1981 ENERO 4396 0 1984 ENERO 1633 0
MAYO 1578 0 MAYO 1886 0
JUNIO 63007 147.26 JUNIO 11940 18.36
JULIO 71437 89.57 JULIO 21157 10.18
AGOSTO 44496 88.61 AGOSTO 15365 15.49
OCTUBRE 26416 14.25 OCTUBRE 7645 0
1982 ENERO 6679 0 1985 ENERO 2889 0
MAYO 8030 0 MAYO 3466 0
JUNIO 18264 63.5 JUNIO 29393 29.2
JULIO 17791 29.78 JULIO 31604 36.39
AGOSTO 4201 0 AGOSTO 28192 25.88
OCTUBRE 10043 3.82 OCTUBRE 17018 0.07
Con el algoritmo genético simple y los datos de Zacatepec el modelo que dio el menor
error medio cuadrático fue el correspondiente a Tetlama (ecuación 6.2) en este caso el
error medio cuadrático fue de 484.36.
Con programación genética el modelo óptimo resultó:
119
V
Vacarreo = 0.92994 -0.5291-( V (6.5)
(2Ac -
n )
V +A
- 0.442SV+Ac c
donde:
V en miles de m3
Ac el área de la cuenca en km2
Para Zacatepec se utilizó Ac=410 km2, S=0.06 y n=0.035.
Y se observa que la programación genética dio un modelo no lineal.
Con un error medio cuadrático de 272.74.
En la Fig 6.17 se presenta la comparación entre los modelos obtenidos vía el AG

(ecuación 6.2) , PG (ecuación 6.5) y la suma de resultados para las dos estaciones
anteriores tanto con AG como con PG.
180
160
140
120
Acarreo (103 m3)
100
80
60
40
20
0
0 10000 20000 30000 40000 50000 60000 70000 80000
-20
Volumen (103 m3)
Históricos AG Temixco+Tetlama con AG PG Temixco+Tetlama con PG
Fig 6.17 Comparación entre el acarreo sólido histórico y calculado. Estación

Zacatepec
Los estadísticos mensuales históricos y calculados con el modelo obtenido vía PG para
la estación Zacatepec aparecen en las Figs 6.18 a la 6.21
120
Zacatepec
70
60
50
40
Media
30 Histórico
Calculado PG
20
10
0
0 1 2 3 4 5 6 7 8 9 10 11 12
t (meses)
Fig 6.18 Comparación entre la media histórica y calculada. Estación Zacatepec
Zacatepec
70
60
50
40
Desvest
30 Histórico
Calculado PG
20
10
0
0 1 2 3 4 5 6 7 8 9 10 11 12
t (meses)

Zacatepec
Zacatepec
3
2.5
1.5
Coef de asimetría
1
Histórico
0.5 Calculado PG
0
0 1 2 3 4 5 6 7 8 9 10 11 12
-0.5
-1
-1.5
t (meses)
Fig 6.20 Comparación entre el coeficiente de asimetría histórica y calculada. Estación

Zacatepec
121
Zacatepec
1.2
coef de autocorrelación 0.8
0.6
0.4
Histórico
0.2 Calculado
0
0 1 2 3 4 5 6 7 8 9 10 11 12
-0.2
-0.4
-0.6
t (meses)
Fig 6.21 Comparación entre el coeficiente de correlación histórico y calculado. Estación

Zacatepec
6.4 Conclusiones
Los cambios originados por el hombre, registrados en los sedimentos se han interpretado
como resultado de las modificaciones que este provoca en el medio ambiente o de su
influencia sobre el mismo. La relación hombre-medio ambiente-clima es un hecho
ampliamente reconocido a través del tiempo. En general los efectos acumulados de la
deforestación, la agricultura, la ganadería, la expansión urbana y de infraestructura vial
tienden a aumentar los escurrimientos superficiales y la erosión del suelo aportando
cantidades incuantificables de sedimentos. Estos materiales, aportados por las erosiones
en los propios cauces o desde las laderas adyacentes a los mismos, son transportados
principalmente en forma de acarreos, proceso también conocido como transporte de
fondo.
Los resultados en la aplicación del algoritmo de programación genética y de algoritmos

genéticos para estimar los volúmenes de acarreo de sólidos en las estaciones Temixco
y Tetlama, por separado, indicaron que para la estación Tetlama, el modelo de
programación genética proporcionó un error medio cuadrático menor que el del
algoritmo genético (casi 4 veces menor). Al estimar mes a mes los estadísticos se
observó una adecuada reproducción en la media, desviación estándar y el modelo tuvo
mayor dificultad para reproducir las asimetrías, aunque el comportamiento de las
autocorrelaciones siguieron un patrón similar en los meses de mayo a octubre,
observándose mayor discrepancia en los meses de enero a abril y de noviembre a
diciembre. En el caso de la estación Temixco, de nueva cuenta el algoritmo de
programación genética reportó un menor error medio cuadrático que lo que dio el
algoritmo genético. Por lo que el algoritmo de programación genética volvió a ser el
mejor bajo ese criterio. Los estadísticos media y desviación estándar fueron mayormente
subestimados por el algoritmo de pg, que también tuvo dificultad para reproducir la
asimetría. Las autocorrelaciones fueron similares principalmente en los meses de junio
a octubre, con sobrestimaciones en los meses restantes. En cuanto a las correlaciones
cruzadas, el algoritmo de programación genética en general las sobreestimó, sólo fueron
similares en los meses de marzo, agosto, noviembre y diciembre.
122
Para el caso de la estación Zacatepec, que es prácticamente la suma de las estaciones
Tetlama más Temixco, se encontró que el mejor resultado nuevamente se obtuvo con lo
que dio el algoritmo de PG aplicado a los datos históricos, el error medio cuadrático fue
1.8 veces más chico que el obtenido con el Algoritmo genético de mejor resultado
(ecuación 1) y casi 1.9 veces más chico que con lo obtenido con la suma de los dos
modelos de PG de las estaciones tomadas individualmente.
En cuanto a los estadísticos de la estación Zacatepec, obtenidos con el modelo de

programación genética, se observó una buena concordancia entre la media y la
desviación estándar para cada mes, respecto a los históricos, el comportamiento de las
asimetrías estuvo casi balanceado entre subestimaciones y sobreestimaciones y las
autocorrelaciones en general se subestimaron con este modelo. En resumen, se puede
afirmar que la programación genética proporcionó ecuaciones de ajuste aceptables para
la estimación del volumen de acarreo de sólidos de dos estaciones hidrométricas de una
cuenca, así como para la suma aproximada de ambas. Por lo que se puede sugerir este
algoritmo de cómputo evolutivo para hacer estas determinaciones.
123
7. REFERENCIAS
Aparicio, F. (2004), Fundamentos de hidrología superficial, Limusa, México, 303 pp.
Aparicio, F. (1989), Fundamentos de hidrología de superficie, Limusa, México.
Apsley, D. D., Stansby, P. K. (2008), Bed-Load Sediment Transport on Large Slopes:

Model Formulation and Implementation within a RANS Solver, Journal of Hydraulic
Engineerieng, ASCE, Vol. 134 (10). Arganis-Juárez. M.l. (2004). Operación óptima de un
sistema de presas en cascada para generación hidroeléctrica, tomando en cuenta
condiciones reales de operación y el uso de muestras sintéticas para el pronóstico. PhD
Thesis, Universidad Nacional Autónoma de México (UNAM), México. 249 pp.
Arganis- Juárez, m. L., Val-segura, R Domínguez-Mora,R., Rodríguez-Vázquez. K.,

Dolz-Ripollés J.(2007). Comparison between equations obtained by means of multiple
linear regression and genetic programming to approach measured climatic data in a
river. Proceedings, 7th International IWA Symposium on System Analysis and Integrated
Assessment in Water Management. WATERMEX 2007. Washington, D. C., E.U. A.
pp 1-8.

Dolz-Ripollés J. (2008a). Modelling water temperature by means of Genetic
Programming. 11 th. Internacional Conference of Urban Drainage, 10 pp

Dolz-Ripollés J.(.2008b). Estimación de la temperatura del agua de un río usando
programación genética con información de campo. Memorias del XXIII Congreso
Latinoamericano de Hidráulica, Cartagena de Indias, Colombia.
ISBN 978-958-719-075-5

Dolz-Ripollés J. Genetic programming and standardization in water temperature
modelling. Advances in Civil Engineering. Hindawi Publishing Corporation. Volume 2009
(2009), Article ID 353960, pp 10.
Ariathurai, R., Arulanandan, K. (1978), Erosion rate of cohesive soils, ASCE Journal of
the Hydraulics Division, 104(HY2): pp. 279–283.
124
Bermúdez, A., Dervieux, A., Desideri, J.A., Vázquez-Cendón, M.E. (1998), Upwind
schemes for the two-dimensional shallow water equations with variable depth using
unstructured meses, Comput. Methods, Appl. Mech. Eng. Vol.155.
Bladé, E., Cea, L., Corestein, G., Escolano, E., Puertas, J., Vázquez-Cendón, M.E., Dolz,
J., Coll, A. (2014), Iber: herramienta de simulación numérica del flujo en ríos, Revista
Internacional de Métodos Numéricos para Cálculo y Diseño en Ingeniería, Vol.30 (1),
pp.1-10.
Bladé, E., Gómez-Valentín, M. (2006), Modelación del flujo en lámina libre sobre cauces
naturales. Análisis integrado en una y dos dimensiones, Monograph CIMNE Nº97,
Barcelona.
Bladé, E, Gómez-Valentín, M, Sànchez-Juny, M, Dolz, J. (2008), Preserving steady state

in Finite Volume Computations of River Flow, Journal of Hydraulic Engineerieng, ASCE,
Vol. 134 (9).
BogardI, J. 1978. Sediment transport in alluvial streams. Akadémiai Kiadó, Budapest.

825 pp.
Browzn, B. S., Boubusch, C. A., & Pavlides, M. G. (1972), Significance of the genesis of
flood on probability analysis. Proceedings, the second international symposium in
hidrology, session V, Water Resources Publications, pp. 450-461.
Campos Aranda, F. D. (1987), Análisis Probabilístico de Avenidas Máximas con

Poblaciones Mezcladas, Ingeniería Hidráulica en México, II (3), pp. 8-18.
Campos Aranda, F. D. (1989), Estimación de los parámetros óptimos de la distribución

Gumbel Mixta por medio del algoritmo de Rosenbrock, Ingeniería Hidráulica en México,
enero-abril, pp. 9-18.
Campos-Aranda, D. (2009). Estimación probabilística de volúmenes de acarreos en

suspensión en cuencas sin aforos en la Región Hidrológica No. 10. Revista Ingeniería,
Investigación y Tecnología. Facultad de Ingeniería, Universidad Nacional Autónoma de
México.Vol X No. 3.
Cea, L., French, J.R., Vázquez-Cendón, M.E. (2006), Numerical modelling of tidal flows
in complex estuaries including turbulence: An unstructured finite volume solver and
experimental validation, International Journal for Numerical Methods in Engineering,
Vol.67 (13).
Cea, L., Puertas, J., Vázquez-Cendón, M.E. (2007), Depth averaged modelling of
turbulent shallow water flow with wet-dry fronts, Archives of Computational Methods in
Engineering, State of the art reviews, Vol.14 (3).
125
Cea, L., Vázquez-Cendón, M.E. (2012), Unstructured finite volume discretisation of bed
friction and convective flux in solute transport models linked to the shallow water
equations, Journal of Computational Physics, Vol.231 (8), pp. 3317–3339.
Chiew, Y.M. and Parker, G. (1994), Incipient Sediment Motion on Non-Horizontal Slopes,
J. Hydra. Res., Vol. 32(5), pp. 649–660.
Chipperfield, A., Fleming, P., Pohlheim, H., Fonseca C. (2002), Genetic Algorithm Tool
Box, Department of Automatic Control and Systems Enginnering, University of Sheffield,
England.
Chow, V.T., D.R. Maidment, L.W. Mays. (1988), Applied Hydrology, McGraw-Hill, Inc.
pp. 140-147.
CIMNE (2009), GiD The personal pre and post-processor www.gidhome.com. Último
acceso 30/7/2009.
Corestein, G., Bladé, E., Gómez, M., Dolz, J., Oñate, E., Piazzese, J. (2004), New GiD
Interface for Ramflood-Dss Project Hydraulic Simulation Code, Proceeding of the
congress 2nd Conference on Advances and Applications of GiD, CIMNE, Barcelona,
España.
Cramer, N. L. (1985). A representation for the adaptive generation of simple sequential

programs. In: Proceedings of International Conference on Genetic Algorithms and the
Applications, Grefenstette, J.J. Editor: 183-187.
Dandy, G.C., Simpson, A.R., Murphy, L.J. (1996), An improved genetic algorithm for
pipe network optimization, Water resources research, Vol. 32(2), pp. 449-458.
Dey (2003), Threshold of sediment motion on combined transverse and longitudinal

sloping beds, Journal of Hydraulic Research, Vol. 41(4), pp. 405–415.
Domínguez M., R., Fuentes M.,G., Arganis J., M. L. (2004), Optimación de los Parámetros
de la Función de Distribución Doble Gumbel usando Algoritmos Genéticos en una Serie
de Gastos Máximos Anuales, Memorias del XXI Congreso Latinoamericano de Hidráulica,
Sao Paulo, Brasil .
Domínguez M., R., Fuentes M., G., Arganis J., M. L. (2001), Procedimiento para generar
Muestras Sintéticas de Series Periódicas Mensuales a través del Método de Svanidze
Modificado Aplicado a los datos de las presas La Angostura y Malpaso, Series Instituto
de Ingeniería C1-19.
Domínguez M., R., Fuentes M., G., Arganis J., M. L. (2002), Generación de muestras
sintéticas de volúmenes de escurrimiento mensual de las presas La Angostura y Malpaso,
Chiapas, utilizando el Método de Svanidze Modificado, XX Congreso Latinoamericano de
Hidráulica, Ciudad de La Habana.
126
Domínguez-Mora, R., Fuentes-Mariles .M.G. Arganis-Juárez. M. (2004) “Optimación de
los Parámetros de la Función de Distribución Doble Gumbel usando Algoritmos Genéticos
en una Serie de Gastos Máximos Anuales”. Memorias del XXI Congreso Latinoamericano
de Hidráulica. Sao Paulo, Brasil.
Domínguez-Mora, R., Fuentes-Mariles O, Arganis-Juárez M. Mendoza-Reséndiz. M, A

(2009) Calculation of Bivariate Double Gumbel probability density function via a Genetic
Algorithm: Application to Huites dam basin. Journal of Flood Engineering (IFE), Vol. 1
No. 1: 37-50
Dorado J,J., Rabuñal, R. Puertas,J., Santos A, Rivero D.(2002) “Prediction and modelling
of the flow of a typical urban basin through genetic programming,” in Proceedings of the
European WorkShops on Applications of Evolutionary Computation (EvoWorkshops '02),
vol. 2279 of Lecture Notes in Computer Science, pp. 190–201.
Enríquez, S., C. A., Vázquez A., Ochoa L. (1994), Control de fugas en sistemas de
distribución, Comisión Nacional del Agua (CNA), Manual de diseño de agua potable,
alcantarillado y saneamiento, Gerencia de Normas Técnicas.
Elliot M. Simón (2010). El Río y la forma. Introducción a la geomorfología fluvial. RIL

EDITORES. Santiago de Chile. 324 pp.
Escalante S., C. A., Reyes, L. (2008), Técnicas estadísticas aplicadas a la hidrología,

México, D. F., Facultad de Ingeniería, UNAM.
Escalante S., C. A., Reyes, L. (2002), Técnicas Estadísticas en Hidrología, México, D. F.,
Facultad de Ingeniería, UNAM.
Fuentes, O., Rosales, I., Carrillo, J. (2000), Desarrollo y comprobación experimental de

un método para detectar fugas en redes de agua potable, XIX Congreso Latinoamericano
de Hidráulica, Córdoba, Argentina, pp. 645-654.
Fuentes- Mariles O.A., Domínguez-Mora, R. Fuentes-Mariles G.E, Arganis- Juárez. M.L..

Rodríguez-Vázquez K.. (2006). Estimación de los parámetros de funciones de
distribución empleadas en Hidrología usando ecuaciones de máxima verosimilitud y
algoritmos genéticos. Memorias del XXII Congreso Latinoamericano de Hidráulica,
Ciudad de Guayana, Venezuela.
Garcia-Chevesich, Procesos de erosión – sedimentación en cauces y cuencas

Volumen 1
PHI-VII / Documento Técnico N° 222010. Unesco 2010
Garcia, M. H., G. Parker. (1991), Entrainment of Bed Sediment into Suspension, ASCE
Journal of Hydraulic Engineering, Vol. 117(4), (April), pp. 414-435.
127
Goldberg, D. E. (1989), Genetic Algorithms in Search, Optimization and Machine
Learning, Addison-Wesley, USA.
Gómez, J., Aparicio, J., Patiño, C. (2010), Manual de análisis de frecuencias en

hidrología, IMTA, ISBN 978-607-7563-30-3, México, 158 pp.
González V., F. J. (1970), Contribución al análisis de frecuencias de valores extremos de

los gastos máximos en un río, México, D. F., Instituto de Ingeniería de la UNAM.
Holland, J.H. (1975), Adaptation in Natural and Artificial Systems, University of Michigan
Press.
Herrera, L., Arganis, M., Domínguez, R. (2012), Estimación de parámetros óptimos de

la distribución doble gumbel usando el método Nelder-Mead (método simplex),
Memorias del XXII Congreso Nacional de Hidráulica, Acapulco, México, Noviembre 2012.
Jiménez, E.M. (1996), Programa AX. Área de Riesgos Hidrometeorológicos, Centro

Nacional de Prevención de Desastres, México, Salas, J.D., J.W. Delleur, Yevjevich y Lane
W.L. (1988), Applied modeling of hydrological time series, Water Resources Publications,
USA.
Jiménez-M, M. (2004). Diseño óptimo de redes de distribución de agua potable utilizando

un algoritmo genético. Tesis de Maestría en Ingeniería Hidráulica, DEPFI, UNAM. 99 pp
Keijzer, M., M. Baptist, V. Babovic, & J. R. Uthurburu. 2005. “Determining equations for
vegetation induced using genetic programming,” in Proceedings of the Genetic and
Evolutionary Computation Conference (GECCO '05), pp. 1999–2006, Washington, DC,
USA, June 2005.
Luvizotto, E., Ocampos, A. (2002), Compando os métodos de Levembenvereg e Nelder-

Mead em modelos de deteccao de fugas, Seminario Hispano-Brasileiro sobre
planificación, proyecto y operación de redes de abastecimiento de agua, Valencia,
España, pp. 451-463.
Luvizotto, E., Soliani, R., Pizzo, H., Jaquie, L. (2000), Analíse de técnicas de busca para
un modelo de deteccao de fugas, XIX Congreso Latinoamericano de Hidráulica, Córdoba,
Argentina, pp. 309-318.
Meyer-Peter, E. ,Müller, R. (1948), Formulas for bedload transport, Proceedings of the

2nd Congress, IAHR, Stockholm, pp.39-64.
Mathews, J. H., Fink, K. D. (2000), Métodos Numéricos con Matlab, Madrid, España,
Prentice Hall.
Morgan, R. 2005. Soil erosion and conservation. National Soil Resources Institute.
Cranfield University. Blackwell Science Ltd. Oxford, UK. 304 p.
128
Morris, E. C. (1982), Mixed-Populution Frequency analysis (Vol. 17), California, EEUU,
California, EEUU: TRaining Document, the Hydrologic Engineering Center, Army Corps
of Engineers.
Nelder, J. A., Mead, R. (1965), A simplex Method for Function Minimization, The
Computer Journal, Vol. 7 (4), pp. 308-313.
Pérez L., J. R. (2005), Tesis Doctoral: Contribución a los métodos de optimización

basados en procesos naturales y su aplicación a la medida de antenas en campo próximo,
Santander: Universidad de Cantabria.
Rastogi, A. K., Rodi, W. (1978), Predictions of heat and mass transfer in open channels,
J. Hydr. Div. Vol. 104(3), pp. 397-420.
Smith, J.D. (1977), Modelling of sediment transport on continental shelves. The Sea:
ideas and observations on progress in the study of the seas. E.D. Goldberg, ed., John
Wiley and Sons, New York, pp. 538-577.
Smith, J. D., S. R. McLean (1977), Spatially averaged flow over a wavy surface, Journal
of Geophysical Research, Vol. 82(12), pp. 1735-1746.
Svanidze G.G. (1980), Mathematical Modeling of Hidrologic Series, Water Resources

Publications, USA.
The MathWorks (1992), MATLAB Reference Guide, The MathWorks, Inc.
Van Dorm, W. C. (1953), Wind Stress on an Artificial Pond, Journal of Marine Research,
Vol. 12.
Van Rijn, L. C. (1987), Mathematical modelling of morphological processes in the case

of suspended sediment transport, Delft Hydraulics Communication, No. 382, Delft
Hydraulics Laboratory, Delft The Netherlands.
Van Rijn, L. C. (1984), Sediment transport, part I: Bed load transport, Journal of
Hydraulic Engineering, Vol. 110 (10).
Vítovský, J., Simpson, A. (2000), Leak detection and calibration using transients and
genetic algorithms, Journal of Water Resources Planning and Management, Vol. 126 (4),
pp. 262-265.
Wong, M. (2003), Does the bedload equation of Meyer-Peter and Müller fit its own data?,
Proceedings, 30th Congress, International Association of Hydraulic Research,
Thessaloniki, J.F.K. Competition Volume: pp. 73-80.
Wong, M., Parker, G. (2006), Reanalysis and Correction of Bed-Load Relation of Meyer-
Peter and Müller Using Their Own Database, Journal of Hydraulic Engineering, Vol.
132(11), pp.1159-1168.
129
Wu, W. (2004), Depth-averaged Two-Dimensional Numerical Modeling of Unsteady Flow
and Nonuniform Sediment Transport in Open Channels, Journal of Hydraulic.
Yurekly K., Kurunk A., Simsek H. (2004), Prediction of Daily Maximum Streamflow
Based on Stochastic Approaches, Journal of Spatial Hydrology, Vol.4 (2).
130
La obra Metodologías recientes en el análisis de problemas
fundamentales de hidrología e hidráulica en el siglo XXI fue
editada por el Instituto de Ingeniería, de la Universidad
Autónoma de México (IIUNAM), en Ciudad Universitaria, CP
04510, México, DF. El cuidado de la edición estuvo a cargo de
Israel Chávez Reséndiz, de la Unidad de Promoción y
Comunicación del II UNAM. Esta obra está gratuitamente
disponible para consulta e impresión, en archivo pdf de
3.3 MB, en la sección de Publicaciones del portal electrónico
del IIUNAM, http://www.iingen.unam.mx, desde que se
terminó de editar en abril de 2015.

SD57 Instituto de Ingeniería de La Unam

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

SD57 Instituto de Ingeniería de La Unam

Загружено:

Авторское право:

Доступные форматы

Serie

Metodologías recientes en el análisis de problemas fundamentales de hidrología e hidráulica en el siglo XXI

Dentro de la hidrología y la hidráulica existen problemas fundamentales que poco a poco

Organización del trabajo

El objetivo de este trabajo es dar a conocer algunas herramientas metodológicas de uso

Se presenta también la técnica de la programación genética (PG) cuya principal ventaja

Un problema tradicional de la hidrología es el de la generación de registros sintéticos,

El desarrollo de los Sistemas de Información Geográfica, de la topografía detallada en

En el análisis de series de tiempo existen numerosas metodologías para obtener registros

Los métodos ARMA tienen el inconveniente de que su aplicación se limita a series de

2.2 Método de Svanidze

2.2.1 Método Svanidze modificado para generación de registros sintéticos

Se calculan los totales anuales para cada serie es decir

Adicionalmente se determina la suma de los n totales para cada año:

Se realiza un doble procedimiento aleatorio; el primero de ellos consiste en utilizar la

Fig 2.3 Doble selección aleatoria

El Método de Svanidze modificado ha sido utilizado con éxito en la generación sintética

2.2.2 Método de Svanidze modificado con la variante para tomar en cuenta

En ocasiones el método de Svanidze modificado no logra reproducir adecuadamente los

2.3 Ejemplo de aplicación a una serie de volúmenes mensuales

De acuerdo con la tabla de arriba, se obtuvo un coeficiente de correlación menor entre

Fig 2.5 Función Doble Gumbel, datos históricos y calculados

Posteriormente, se hizo un primer ensayo en la obtención de los años aleatorios. A partir

Tabla 2.3 Serie 01 con 101 datos sintéticos generados

I xP F(XP) ALE ffin

Se hizo un cambio en el algoritmo de selección aleatoria de años para que seleccionara

Con la nueva selección de años aleatorios y las nuevas fracciones aleatorias se

Fig 2.6 Graficas comparativas de la media considerando un año hidrológico. La gráfica

Fig 2.8 Gráficas comparativas del coeficiente de asimetría considerando un año

Fig 2.10 Gráficas comparativas del coeficiente de variación considerando un año

Tabla 2.7 Volumen mensual año enero-diciembre histórico la yesca, hm3

AÑO VOLUMEN TOTAL

Tabla 2.13 Porcentaje aleatorio vs el total

I VP1 VP2 VTS

Tabla 2.15 Fracción aleatoria la yesca

Tabla 2.19 Año enero-diciembre la yesca

Variable Reducida, Z=-ln[ ln( Tr / (Tr-1) ) ]

Fig 2.11 Función Doble Gumbel

Fig 2.12 Comparación de la media sintética contra la histórica

Fig 2.13 Comparación de la desviación estándar sintética contra la histórica

Fig 2.14 Comparación del coeficiente de asimetría sintética contra el de la histórica

Fig 2.15 Comparación del coeficiente de variación sintética contra el de la histórica

Fig 2.16 Comparación del coeficiente de correlación sintética contra el de la histórica

Fig 2.17 Comparación del coeficiente de correlación cruzada sintética contra el de la

Fig 2.18 Comparación del coeficiente de correlación cruzada sintética contra el de la

Fig 2.19 Comparación del coeficiente de correlación cruzada sintética contra el de la

Fig 2.20 Comparación del coeficiente de correlación cruzada sintética contra el de la

Fig 2.21 Comparación del coeficiente de correlación cruzada sintética contra el de la

Fig 2.22 Comparación del coeficiente de correlación cruzada sintética contra el de la

El método de Svanidze modificado que adicionalmente considera eventos de invierno

Dentro de la literatura, al estudio de funciones de distribución de probabilidad de dos

F(x) = pF (x) + (1 − p)F (x) (3.1)

F(x) = F (x)[p + (1 − p)F (x)] = pF (x) + (1 − p)F (x)F (x) (3.2)

F(x) = pF (x) + q (3.3)

3.1 Optimización por métodos tradicionales

Este método de optimización determina la dirección de máximo crecimiento en un punto,

3.2 Optimización por algoritmos genéticos

Los pasos de un algoritmo genético simple se indican a continuación

1.- Definir un número de generaciones (iteraciones)

2.- Definir el intervalo de búsqueda de la solución (intervalos dentro de los cuales se

3.- Plantear la función objetivo (función de fitness o de desempeño de los individuos)

5. Dar el número n de individuos que se considerarán en cada generación

6.- Definir aleatoriamente una población inicial de n individuos (los individuos