Calibración de modelos conceptuales de

precipitación-escurrimientos, usando optimización global

Jorge Gotay Sardiñas

María del Carmen Jorge Pedreira

Instituto Superior Politécnico “José A. Echeverría", Cuba

Los modelos hidrológicos conceptuales son difíciles de calibrar por medio de métodos automáti-
cos y una de las razones principales radica en la incapacidad que tienen los procedimientos
convencionales para localizar el conjunto óptimo de los parámetros. En este trabajo se presentan
dos procedimientos de búsqueda global: el método de evolución y mezcla de complejos [SCE-
UA) y un algoritmo genético acoplado con una técnica de programación cuadrática secuencia1
[AG-PCS), ambos se evalúan en el modelo conceptual de precipitación-escurrimiento TCG, apli-
cado tanto a una cuenca global como a una cuenca compleja. Para ambos tipos de cuencas se
consideró un caso teórico donde no habían errores ni en los datos ni en el modelo y en la cual los
valores "verdaderos" de los parametros se conocían a priori y un caso real donde los errores en el
modelo y los datos están presentes.Finalmente se presenta un nuevo procedimiento de optimización
global nombrado algoritmo de evolución competitiva de complejo modificado [ECCM). En rela-
ción con la cuenca global, los algoritmos SCE-UA y ECCM fueron los mas confiables, mientras que
el otro algoritmo brindó soluciones equivalentes a los anteriores en el caso teórico; pero en el caso
real, el AG-PCS mostró una ligera tendencia a quedaratrapado en mínimos locales. En cuanto a la
cuenca compleja, ninguno de los tres algoritmos identificó la solución exacta en el caso teórico;
sin embargo, los algoritmos SCE-UA y ECCM fueron los que sistemáticamente aproximaron mejor
la solución y, en el caso real, sus soluciones se mostraron estables, mientras que el algoritmo AG-
PCS produjo un conjunto de parámetros muy inestable.

Palabras clave: calibración automática, calibración de modelos precipitación-escurrirnientos,

algoritmos de evolución, optimización global en modelos de precipitación-escurrirnientos.

Introducción parte de la experiencia del investigador, por lo que una

La aplicación exitosa de un modelo hidrológico concep-
tual depende en gran medida de cómo se ha calibrado el
modelo. Si la calidad del proceso de calibración no es
buena, no es posible confiar en cualquier pronóstico que
se pueda realizar con el modelo. La calibración es el pro-
ceso en el que se determinan los valores de los
parámetros del modelo de manera que se reproduzca el
funcionamiento del sistema real, asegurando que todos
los elementos involucrados sean cualitativa y
cuantitativamente compatibles. Este proceso se realiza
de manera común por el procedimiento de ensayo y error,
y resulta una tarea muy laboriosa que depende en gran
alternativa a dicho procedimiento es la técnica de cali-
bración automática, con la cual se presupone la existen-
cia de un algoritmo de optimización encargado de mini-
mizar las discrepancias que existen entre los valores de
salidas producidos por el modelo y los valores observa-
dos. Sin embargo, se han reportado varias dificultades
en la literatura al usar la llamada técnica de calibración
automática (Johnston y Pilgrim, 1976; Pickup, 1977;
Sorooshian y Gupta, 1983; Gan y Burges, Es-
tos reportes indican que es típicamente difícil, aunque no
imposible, obtener un conjunto Óptimo de los parámetros
del modelo hidrológico conceptual. La razón de tales pro-
blemas pueden ser parcialmente atribuible a las limita-
ciones inherentes a la calibración y calidad de los datos,
así como a las características estructurales fuertemente
no lineales típicas de estos modelos conceptuales.
Se ha usado una gran variedad de métodos de
optimización para el proceso de calibración automático.
La característica fundamental de tales métodos es que
son procedimientos de optimización de búsqueda local
que utilizan las primeras y segundas derivadas de la fun-
ción objetivo (Nash y Sutcliffe, 1970; Johnston y Pilgrim,
1976; Pickup, 1977; Sorooshian et a/., 1993; Gupta y
Sorooshian, 1985; Hendrickson, 1988). Sin embargo, ta-
les procedimientos no estaban diseñados para manejar
la presencia de múltiples Óptimos locales, las
discontinuidades de las derivadas y otros problemas en-
contrados en la calibración automática de los modelos
hidrológicos conceptuales.
En la literatura no son abundantes los reportes sobre
la utilización de procedimientos de optimización global
en relación con los procedimientos locales aplicados en
la calibración automática de modelos hidrológicos con-
ceptuales. Los primeros en dar reportes al respecto fue-
ron Brazil y Krajewski y Wang (1991). Brazil y
Krajewski 987) investigaron un método de búsqueda
aleatoria de tipo adaptativo y al aplicarlo al modelo sa-
cramento de balance de humedad del suelo -que utiliza
el Sistema Climatológico Nacional del Tiempo para el Pro-
nóstico en Ríos en los Estados Unidos de América- con-
cluyeron que era una atractiva alternativade los métodos
búsquedano aleatoria. Wang (1991) reportó el uso de
un algoritmo genético y concluyó que si éste se apli-
caba combinándolo con un procedimiento de búsque-
da local constituiría una robusta y eficiente manera de
realizar la calibración.
La búsqueda del Óptimo para este tipo de problema
es muy compleja, como Io han puntualizado varios inves-
tigadores (Sorooshian et al., 1993). Duan et a/. (1992)
mostraron claramente las causas por las que el proceso
de calibración automático de un modelo hidrológico con-
ceptual es sumamente complejo y explican el porqué en
muchos casos es inadecuado usar técnicas clásicas de
optimización basados en métodos de búsqueda local.
Duan et a/. 993,1994) presentaron un método
de optimización global conocido como método de evolu-
ción y mezcla de complejos (SCE-UA) que fue aplicado
al modelo sacramento de balance de humedad del suelo
con resultados satisfactorios. El método SCE-UA utiliza
una combinación de técnicas de probabilidad y determi-
nantes, así como técnicas de agrupamiento. El método
se comparó con otras técnicas de optimización global,
tales como un método de búsqueda aleatoria adaptativo
combinado con el procedimiento de optimización local
símplex y una técnica de multicomienzo con el símplex.
El método SCE-UA mostró ser muy superior al resto de
los empleados en cuanto a su efectividad y eficiencia.
Otra posible alternativa a estas aproximaciones la dan
los algoritmos genéticos (AG) (Holland, 1 9 7 5 ;
Goldberg,1989).Los AG constituyen métodos de búsque-
da modelados por el comportamiento de los sistemas
biológicos. La lógica que existe en este tipo de aproxi-
mación es que los sistemas biológicos son capaces de
resolver complejos problemas de adaptabilidad sin más
conocimiento del ambiente en el cual existen que la pro-
pia experiencia directa. Similarmente, los algoritmos
genéticos son capaces de resolver problemas altamente
no lineales y complejos sin la necesidad de tener infor-
mación acerca de la curvatura de la función, sino simple-
mente mediante un muestreodirecto del espacio de bús-
queda. Una de sus principales características es que tra-
baja modificando una población de soluciones en lugar
de una Única resolución, como en el caso de los
algoritmos tradicionales. De esta manera es capaz de ex-
plorar diferentes áreas del espacio de búsqueda al mis-
mo tiempo, por lo que se tienen menores probabilidades
de quedar atrapados en Óptimos locales, en relación con
los algoritmos tradicionales, pudiendo ser considerados
procedimientos de optimización global.
El uso de los AG se ha ido incrementado cada vez
más en el campo del diseño industrial (Axelson,
en la ingeniería hidráulica y en la hidrología (Davis, ;
Liong, 1995). En esta Última área, las aplicaciones de
los AG descritos en la literatura están enfocadas en dos
tópicos en particular: la calibración de modelos
hidrológicos e hidráulicos, y los problemas de
optimización en la administración de los recursos del
agua.
En el primer tema se pueden incluir los experimentos
realizados por Wang Liong (1995) y Solomatine
en cuanto a la calibración de modelos hidrológicos
conceptuales, o los trabajos de Babovic con res-
pecto a los modelos hidráulicos de propagación.
En el segundo tópico están las aplicaciones relaciona-
das con la administración de los recursos del agua, cuya
dirección está encaminada a la optimización de los sis-
temas de monitoreos de acuíferos (Cieniawsky, 1995;
Wagner, su utilización (McKinney, la conta-
minación y subsanamiento de acuíferos (Rogers y Dowla,
1994; Ritzel, y la administración de sistemas de
acuíferos (Esat y Hall, 1994). Los problemas se dirigen a
partir de múltiples objetivos y producen resultados cada
vez más promisorios. En algunos casos, los AG también
se combinan con otros métodos de la inteligencia artifi-
cial (redes neuronales), como en Rogers y Dowla (1994).
Wang 991) y Franchini (1996) sugirieron utilizar un
procedimiento en dos pasos, el cual combina un algo-
ritmo genético (AG) con técnicas de optimización de bús-
queda local.
Se hizo una comparación entre el método de evolu-
ción y mezcla de complejos (SCE-UA)y la técnica de com-
binar un AG con el procedimiento de programación
cuadrática secuencial (AG-PCS) (Franchini, 1998). El es-
tudio comparativo se realizó mediante la calibración au-
tomática de un modelo hidrológico conceptual de once
parámetros, aplicado a una cuenca global y a una cuen-
ca compleja (tres subcuencas). El método SCE-UA fue el
que más consistentemente identificó los valores "verda-
deros" de los parámetros del modelo, los cuales se co-
nocían a priori para ambos tipos de cuencas. El AG-PCS
mostró mayor eficiencia en la búsqueda hacia el Óptimo
global, con una ligera tendencia a quedar atrapado en
Óptimos locales. Ninguno de los dos métodos logró iden-
tificar de manera exacta los valores "verdaderos" de los
parámetros para la cuenca compleja.
Alcance
En el trabajo se presentan tres tópicos fundamentales.
En la sección "Dos procedimientos de optimización glo-
bal existente" se plantean las características fundamen-
tales de dos procedimientos de optimización global que
han tenido éxito en la calibración automática en algunos
modelos hidrológicos conceptuales. En la sección "Una
nueva propuesta de algoritmo de optimización global" se
presenta una nueva estrategia de optimización global con
propiedades muy buenas en cuanto a su efectividad y
eficiencia. En la sección "Ejemplos numéricos" se eva-
Iúan y comparan los tres procedimientos de optimización
global en la calibración automáticadel modelo hidrológico
conceptual TCG (Jorge, 1998). El análisis se lleva a cabo
considerando un caso hipotético en el que no hay erro-
res ni en el modelo ni en los datos y también un caso real
donde los errores en el modelo y en los datos están pre-
sentes. Para ambos casos se trabajó en una cuenca glo-
bal y en una cuenca compleja (cuenca dividida en dos
subcuencas).
Dos procedimientos de optimización global
existente
Hasta la fecha, dos son los procedimientos de
optimización global que mejor se han comportado en la
calibración automática de modelos hidrológicos concep-
tuales: el método de evolución y mezcla de complejos
(SCE-UA), dado por (Duanetal., apli-
cado con éxito al modelo sacramento de contabilidad de
la humedad del suelo, y la combinación de un algoritmo
genético con la técnica de programación cuadrática
secuencial (AG-PCS) dado por Franchini (1996) y aplica-
do al modelo hidrológico ADM, cuyo balance de agua se
establece a escala horaria con resultados muy
promisorios. En los próximos epígrafes se dará un breve
resumen de cada método.
El método de evolución y mezcla de complejos
(SCE-UA)
El método de evolución y mezcla de complejos (conoci-
do por las siglas en inglés SCE-UA) es una estrategia de
optimización global cuya esencia es como sigue: se co-
mienza con una población de puntos generados
aleatoriamente dentro del espacio factible; después se
divide la población en varias comunidades o complejos,
cada una contiene puntos, donde n es la dimen-
sión del problema (cantidad de parámetros por optimizar);
cada comunidad se desarrolla a partir de procesos de
"reproducción" estadísticos, donde la forma geométrica
de cada complejo se utiliza para dirigir la búsqueda ha-
cia una mejor dirección; después de sucesivas evolucio-
nes realizadas a éstos, la población completa se mezcla
y nuevamente se reasignan los puntos a las comunida-
des para asegurar que se comparta la información obte-
nida de manera independiente. Conforme la búsqueda
progresa, la población entera tiende a converger hacia
una vecindad del optimo global, con tal que la población
inicial sea de tamaño suficientemente grande. La estrate-
gia del SCE-UA combina los pasos fundamentales del
procedimiento símplex(Nelder y Mead, 1965) con los con-
ceptos de búsqueda aleatoria controlada (Price,
la evolución competitiva (Holland, 1975) y el concepto de
mezcla de complejos (Duan et al., 1992).
El algoritmo genético
El nombre de "algoritmo genético" se deriva de que tales
algoritmos imitan las leyes que Darwin formuló en
acerca de la selección y evolución natural de las espe-
cies, en la que "los individuos" que mejor se "ajusten" al
medio tienen una mayor probabilidad de sobrevivir y ser
"padres" de los nuevos "individuos". Como una conse-
cuencia de este mecanismo, los mejores "hijos" tendrán
una mayor probabilidad de "adaptabilidad" al medio.
En un AG, cada individuo está caracterizado por su
propio conjunto de "cromosomas", el cual es seleccio-
nado para el propósito de la reproducción y responde a
leyes de probabilidad exclusivamente; asimismo, los hi-
jos son derivados de los padres sobre la base de meca-
nismos de probabilidad. Como este conjunto de "reglas"
opera siempre sobre toda la población, el AG puede ser
considerado un optimizador global.
 El algoritmo genético trabaja con tres operadores fun-
damentales:
Operador de selección.
Operador de cruzamiento.
Operador de mutación.
El operador de selección permite trasladar los mejo-
res "individuos" de una generación a la próxima, median-
te el operador de cruzamiento se crean nuevos "indivi-
duos" a través del intercambio de sus genes y, finalmen-
te, el operador de mutación introduce nuevos genes en
la población por medio de cambios aleatorios en algu-
nos "individuos". En Davis (1991) y Goldberg (1989) se
puede encontrar una descripción completa de la forma
en que operan los algoritmos genéticos, así como los di-
ferentes operadores y maneras en que son
implementados.
En los algoritmos genéticos tradicionales cada indivi-
duo de la población está representado mediante un códi-
go binario, es decir, por cadenas de ceros y unos; sin
embargo, la representación utilizada en el presenta traba-
jo es en código real, en donde cada individuo es un vector
y cada componente es un número real que representa el
valor de un parámetro del problema que se resuelve.
En la representaciónde cada parámetro se deben es-
tablecer las cotas inferiores y superiores, las cuales defi-
nen el espacio de búsqueda y dependen del tipo de pro-
blema a resolver y de la información disponible a priori.
La primera generación de individuos se conforma
aleatoriamente dentro de estas cotas y están restringi-
dos a permanecer dentro de esos límites durante el pro-
ceso de evolución.
El algoritmo genético combinado con un procedimiento
de búsqueda local
El AG por lo general está asociado con técnicas de
optimización de búsqueda local, pues primero se usan
con la finalidad de identificar la región comprometida con
la solución Óptima, después se utiliza la solución dada
por el AG como punto de comienzo para llevar a cabo la
búsqueda subsiguiente con el procedimiento de
optimización local. El presente trabajo utilizó, al igual que
Franchini 996) y Franchini y Galeati, el método
programación cuadrática secuencial (PCS).
Los métodos de PCS representan el estado del arte
de los métodos de la programación no lineal. Así, por
ejemplo, Schittowski 985) implementó y examinó una
versión de tales métodos, cuyo objetivo fue evaluar la efi-
ciencia, precisióny porcentaje de soluciones exitosas so-
bre un gran número de problemas que aparecen en la
literatura en relación con los problemas de optimización.
Basados en los trabajos de Biggs (1975) y Hans
el método permite optimizar con restricciones,
como una optimización irrestricta. En cada iteración prin-
cipal se realizauna aproximación del Hessiano de la fun-
ción de Lagrange mediante un método de actualización
cuasi-newton y luego se genera un subproblema
cuadrático, cuya solución se utiliza para formar una di-
rección en el procedimiento de búsqueda en la línea. Una
revisión completa de la programación cuadrática
secuencial se encuentra en Fletcher Gill y Wright
Powell (1983) y Schittowski (1985).
Una nueva propuesta de algoritmo de
optimización global
Una característica común al método SCE-UA y el AG-PCS
es que para que tengan un buen desempeño en la bús-
queda hacia el Óptimo global el tamaño de la población
debe ser grande (para problemas de dimensión diez, el
tamaño oscila entre cien y quinientos individuos). Sin em-
bargo, esta condición es la causa fundamental del alto
número de evaluaciones de la función objetivo que hay
que realizar para dar una caracterización de la adaptabi-
lidad del mejor individuo de la población cuando ésta
evoluciona de una generación a otra.
Existen muchos problemas de optimización en la cien-
cia y la ingeniería, los cuales pueden resolverse median-
te una implementación directa de un algoritmo genético
simple (AGS). Los AGS (Goldberg, 1989) utilizan una re-
presentación en código binario con tres operadores bá-
sicos (selección, cruzamiento y mutación) en una
implementaciónen serie. En este caso, las funciones que
serán optimizadas están bien definidas y aunque a veces
varían en el tiempo, no cambian más rápido que el perio-
do que necesita un AGS en alcanzar el Óptimo. Con el
propósito de la implementación práctica de todos los AGS,
tales dificultades pueden clasificarse como problemas de
optimización de funciones estacionarias. Además, existe
un número de problemas donde la función por optimizar
cambia mucho más rápido que en lo que los AGS pue-
den encontrar el Óptimo y deja sin utilidad la aplicación
del AGS. Es posible tener problemas similares en muchas
situaciones del mundo real, como por ejemplo en asuntos
aéreos (Krishnakumar, a los que se clasifica como
problemas de optimización de funciones no estacionarias.
La naturalezade los problemas de optimizaciónde fun-
ciones estacionarias ha motivado a dirigir la implementación
de los AG con pequeñas poblaciones y con algunos
parámetros de los AG simples, con el propósito fundamental
de alcanzar más rápido una solución en las cercanías del
óptimo.
 Krishnakumar 989) realizó una implementación de
un AG en un problema aerospacial, con una población
de tamaño cinco, utilizando algunos parametros de los
AGS, siguiendo las recomendacionesdadas por Goldberg
resumidas a continuación, para evitar una pobre
presentación del algoritmo (convergenciaprematura) por
tener una población tan pequeña.
Las recomendaciones son las siguientes:
Generar aleatoriamente una población pequeña.
Realizar las operaciones genéticas con ella hasta que
se produzca una convergencia nominal.
Generar una nueva población transfiriendo al mejor
individuo de la comunidad que convergió a la nueva
población y entonces generar el resto de los indivi-
duos aleatoriamente.
Ir al paso dos y repetir.
También, basado en la característica que tienen los
algoritmos genéticos con poblaciones pequeñas “micro
genético” en acercarse a un entorno del Óptimo mucho
más rápido que cuando se utilizan poblaciones grandes,
así como los conceptos de búsqueda aleatoria controla-
da (Price, evolución competitiva (Holland,
métodos de selección elitista (Syswerda, 1989; Whitley,
1989) y el método del simplex (Nelder y Mead, se
propone un nuevo procedimiento de optimización global,
el cual constituye una modificación al método de evolu-
ción y mezcla de complejo (Duan et al., denomi-
nado método de evolución competitiva de complejo mo-
dificado (ECCM).
Problema
sujeta a:
El algoritmo se describe a continuación:
Paso Seleccionar un entero positivo que de-
fine el tamaño de la población, donde n es la
dimensión del problema.
Paso Generar la población como sigue: crear N pun-
tos aleatorios x1, xn, en el espacio factible
Calcular el valor de la función fi en los
puntos xi; es decir, i=1 N.
Paso Ordenar la población como sigue: arreglar los
N puntos en orden creciente de los valores de
la función; almacenarlos en un arreglo D={xi, fi;
i=1 N } , por lo que parai=1 se obtiene el pun-
to con el valor más pequeño.
Paso Desarrollar la población a partir del algoritmo de
evolución competitiva de complejo según Duan
eta/. que aparece mas abajo.
Paso Ordenar la nueva población según el paso tres.
Paso Observar la convergencia de la función objetivo.
Si el criterio de convergencia para la función se
cumple, parar; de lo contrario, ir al paso siete.
Paso Observar la convergencia de los parametros.
Si no hay convergencia de los parametros ir al
paso cuatro; de lo contrario, crear una nueva
población como sigue: generar N-1 puntos
aleatorios en el espacio factible
agregarle el mejor punto de la población pre-
cedente, u, x1, calcular el valor de la fun-
ción en los puntos que faltan, luego ir al paso
tres.
Algoritmo de la evolución y mezcla de complejos se-
gún Duan et a/. (1992).
Paso O lnicializar q, a y p, tal que N, l.
Paso Asignar los pesos según una distribución trian-
gular de probabilidad dada por:
= i=1, N.
El primer punto de la lista en la población
D tiene la probabilidad más alta, =
El último punto de la lista tiene la probabilidad
más baja, pN =
Paso Selección del subcomplejo. Se escogen q pun-
tos distintos u1, uq de la población según
la distribución de probabilidades dadas arriba
(las q puntos definen un subcomplejo), los cua-
les se almacenan en un arreglo vi,
donde vj es el valor de la función
objetivo asociado con el punto u,; almacenar
en L las posiciones de D , las cuales son usa-
das para construir B.
Paso Generar el hijo o descendiente. Los valores de los parametros del algoritmo que se
utilizaron fueron q=n+1, cuando el es-
a) Arreglar B y L en forma creciente según los q pacio de búsqueda se reduce hasta la milésima parte del
valores de la función objetivo. Calcular el espacio original, se hace el cambio hacia la nueva pobla-
centroide g usando la expresión: ción con elitismo.
La estrategia propuesta us una combinación de téc-
nicas determinísticas y de probabilidad. El procedimiento
parte de generar una población inicial de puntos en el
espacio factible (cuando no se tiene información a priori,
utilizar una distribución uniforme) y a diferencia del me-
b) Calcular el nuevo punto (paso de todo SCE-UA se trabaja con un solo complejo que cons-
reflexión). tituye la población de un tamaño mucho menor que la
que utilizan los AG tradicionales y el que usa el SCE-UA,
c) Si está dentro de calcular el valor de la permitiendo de esta manera realizar de forma rápida una
función f e ir al paso d; de lo contrario, calcular caracterización del mejor individuo de la población. La
el hipercubo más pequeño que contie- utilización del método del simplex (Nelder y Mead, 1965)
ne D, generar aleatoriamente un punto Zden- aprovecha la forma geométrica del complejo para me-
trode H , calcular fz, poner r fz (paso de
jorar la dirección de la búsqueda. Se insertan nuevos
mutación). individuos en la población en posiciones aleatorias, a
fin de no quedar atrapado en regiones no comprometi-
d) Si fz, reemplazar Uq por e ir al paso f ; de
f
das con el Óptimo global; para evitar que el proceso de
lo contrario, calcular fc (paso de
evolución no degenere, se garantiza que el mejor indivi-
contracción). duo de la población activa siempre sea trasladado a la
nueva población que se crea. La búsqueda progresa y
e) Si fq, entonces reemplazarUq por C e ir al la población entera tiende a converger hacia una vecin-
paso f; de lo contrario, generar aleatoriamente dad del óptimo global.
un punto z dentro de H y calcular fz (paso de
mutación). Reemplazar uq por z. Ejemplos numéricos
f)Repetir los pasos desde el inciso hasta el Con la finalidad de establecer los parametros adecua-
inciso e a veces, donde es un parámetro dos en el algoritmo de evolución competitiva de com-
especificado por el usuario. plejo modificado (ECCM), se utilizó el mismo problema
propuesto por Wang 991) y Franchini solamente
Paso Reemplazar el complejo por el subcomplejo. Se la dimensión del problema marcó la diferencia; en este
reemplaza B en D, usando las posiciones origi- caso, la dimensión es N=15 y en los casos anteriores la
nales almacenadas en L. Ordenar D en orden dimensión fue de N=10.
creciente de los valores de la función.

Paso5 Repetir los pasos del uno al cuatro veces, Problema

donde es un parametro especificado por el
usuario, el cual determina cuántos hijos debe-
rán ser generados (es decir, cuanto debe evolu-
cionar cada complejo).
 Se llevó a cabo el siguiente experimento, que consis-
tió en variar el tamaño de la población como se indica en
el cuadro Para cada tamaño diferente de la población
se realizaron diez pruebas independientes del algoritmo
y se determinó el promedio de las evaluaciones realiza-
das por la función objetivo. Se obtuvo la mejor presenta-
ción del algoritmo cuando el tamaño de la población fue
que corresponde al valor de donde en este
caso N=

Modelo utilizado

En el estudio se utilizó un modelo hidrológico determi-

nante y conceptual de simulación continua de la cuenca
de forma agregada, con un elevado número de
parámetros, llamado TCG. El modelo se desarrolló en el
Centro de Investigaciones Hidráulicas (CIH) de la Facul-
tad de ingeniería Civil, en el Instituto Superior Politécnico
“José A. Echeverría” (ISPJAE),Cuba (Jorge, Por el
problema fundamental que resuelve, a este modelo tam-
bién se le llama modelo de transformación precipitación-
escurrimiento.
El modelo TCG en su primera versión (Gotay, 1995)
tiene como entradas la precipitacióny evapotranspiración
potencial media diaria y como salidas la evapotrans-
piración estimada y los escurrimientos totales. El modelo
TCG en su segunda versión (Jorge, 1998) permite tener,
además de las salidas anteriores, la recarga neta al
acuífero de manera que esta información pueda ser utili-
zada en el modelo de agua subterráneaAQÜIMPE, tam-
bién desarrollado en el CIH (Martinez,1990). Otro aspec-
to importante que se le incorpora al modelo TCG en su
segundaversión es la posibilidad de analizar una cuenca
dividida por subcuencas, de manera que se contemple
la mayoría de las posibilidades de casos que pueden pre-
sentarse en la solución de problemas en la practica
hidrológica.
El principio base de su simulación consiste en pre-
sentar el sistema hidrológico cuenca por medio de una
serie de tanques o depósitos, cuyo llenado y vaciado si-
guen relacionesanalíticas que constituyendiferentes eta-
pas en la evaluación del transporte del agua en el ciclo
hidrológico de una cuenca.
Las diferentes zonas de la cuenca se representan por cua-
tro tanques y un punto receptor (ver ilustración Los tan-
ques funcionan a partir de la relación que se establece entre
su capacidadmáxima y el nivel de agua que hay en un día
determinado. Siendo:
Punto R. Receptor y distribuidor de la lluvia en función
del contenido de humedad del suelo y de la superficie
de la cuenca.
Tanque número Tanque superficial que representa
la capacidad de la cuenca de almacenar agua y pro-
ducir escurrimiento superficial.
* Tanque número Tanque de suelo. Zona no saturada.
Tanque número Tanque subterráneo en tensión. Zona
de humedad en tensión contenida en los acuíferos.
Tanque número Tanque subterráneo freático. Zona
saturada del suelo.
Zona de estudio
Para el estudiose seleccionó la cuenca de] río Caracusey, +
tuada en la provincia de Sancti Spíritus, Cuba, que cuenta con
dos estaciones de aforo (Jorge, 1998) (ver ilustración 2).

Hasta el cierre más abajo en estudio, ubicado en la
estación Caracusey, la cuenca abarca un area de
km2,con una altura media de m sobre el nivel medio
del mar (nmm). El relieve de esta cuenca es muy acci-
dentado, propio de una zona montañosa, y con grandes
pendientes. La estación hidrométrica que esta situada en
la parte superior de la cuenca a m sobre el nmm
tiene un area de aporte hacia ella de km2.El valor de
precipitación promedio anual es de mm. La tem-
peratura promedio anual de la región, de acuerdo con
los registros de estaciones ubicadas en ella, se en-
cuentran alrededor de los
Parámetros a calibrar en el modelo
El modelo TCG en su segundaversión (Jorge, que
amplía SUS posibilidades en la simulación y logra repre-
sentar mejor a la realidad, permite analizar una cuenca
global o una cuenca compuesta por subcuencas, en fun-
ción de los problemas mas generales que se pueden pre-
sentar. Como consecuencia, el modelo tiene veinte
parámetros a calibrar, los cuales aparecen en el cuadro
pero el número de parámetros se incrementa hasta
veinte, multiplicado por el número de subcuencas. En los
estudios realizados aquí solamente se trabajaron con dos
subcuencas, para un total de cuarenta parámetros.
Los valores de los parametros asociados con el esta-
do inicial de los tanques, superficial, de suelo y subterrá-
neo, así como las respectivas áreas de cada subcuenca
subterránea se mantuvieron fijos de acuerdo con estu-
dios realizados anteriormente (Fuentes, 1997).
Los valores fueron los siguientes:
fru frg frbt Frbf
AcsubA km2 y AcsubB = km2,de manera que
treinta fue el total de parámetros por calibrar.
Criterio de estimación
El error estándar en m3/sestá definido por:
I v u
donde:
=escurrimiento observado.
=escurrimiento calculado por el modelo.
Nd = cantidad de días del periodo de calibración.
Casos de estudios y longitud de los datos para la calibración
Se analizaron dos casos de estudio:
a) Una cuenca global,
b) Una cuenca compleja (dividida en dos subcuencas).
En ambos casos de estudio se generaron dos series
de escurrimientos totales (una para cada tipo de cuen-
ca), con cinco años de datos de precipitación y
evapotranspiración media diaria, las cuales se conside-
raron series de escurrimientos “observadas” y se consi-
deraron como parámetros “verdaderos” aquellos apare-
cidos en el cuadro para la cuenca global y en el cuadro
para la cuenca compleja. Estos valores e intervalos de
los parámetros se corresponden con estudios realizados
anteriormente a la cuenca Caracusey (Fuentes,
además con los valores de los parámetros propuestos
se logran activar todos los modos de operación del mo-
delo de precipitación-escurrimientoTCG,
Las series de datos generadas libres de error permi-
ten que los algoritmos se prueben bajo condiciones “idea-
les”, donde no hay errores n¡ en los datos de entrada ni
en el modelo. También para ambos tipos de cuencas se
consideraron casos del mundo real, donde los errores en
los datos y en el modelo sí están presentes.
Caso teórico para una cuenca global
Para cada algoritmo se efectuaron diez pruebas inde-
pendientes para obtener una descripción estadística
de sus presentaciones, Los parámetros del AG fueron
los propuestos por Franchini y Galeati mien-
tras que para el SCE-UA, el parámetrop, asociado con
el número de complejos, se situó en diez, con la posi-
bilidad de reducirlo en uno en cada mezcla hasta un
valor mínimo de cinco. El criterio de parada por SCE-UA
y el ECCM fue cuando un valor de la función objetivo fue-
ra igual o menor que
Los resultados pueden resumirse en términos de los
valores de la función objetivo y los valores finales que
toman los parámetros. La ilustración muestra la efecti-
vidad (valor de la función objetivo) en relación con la
eficiencia (número de evaluaciones de la función objetivo)
de cada corrida, junto con su centroide, que representa el
comportamiento promedio de los algoritmos SCE-UA, AG-
PCS y ECCM. Este comportamiento promedio de los
algoritmos está representado por las líneas que van des-
de los puntos mas pequeños en cada algoritmo hasta el
origen (O, O). Las ilustraciones y muestran el esta-
do final de los valores Óptimos de los parámetros para las
diez corridas independientes cuando se aplica el SCE-UA,
el AG, el AG-PCS y el método de ECCM, respectivamente,
para una cuenca global en el caso teórico.
Cada línea continua indica un conjunto de parámetros
obtenido por cada una de las pruebas; en el eje horizontal
de las ilustraciones desde la hasta la se indican los
parámetros asociados con las capacidades, las tasas a la
que vierten los tanques y los parametros Z y N ; en el eje
vertical se indican los valores de los parametros obtenidos,
pero normalizados por el rango factible de los mismos
(0.0 indica la cota inferior y .O indica la cota superior).
Los valores finales del AG-PCS son más variables, con
una tendencia ligera a quedar atrapados en Óptimos lo-
cales y, en algunos casos, sus valores son más peque-
ños que los valores de los demás algoritmos. Esto pudie-
ra explicarse por la gran capacidad de precisión en el
calculo que tiene el método de programación cuadrática
secuencial, comparado con el método símplex que tiene
el SCE-UA y el método de ECCM; sin embargo, estas
diferencias desaparecen cuando se considera el valor fi-
nal de los parámetros, en la cual casi todos son
indistinguibles de los valores verdaderos, los cuales apa-
recen con una línea continua unida por pequeños puntos
en las ilustraciones y
Calibración usando datos históricos reales para el
caso de una cuenca global
Los algoritmos SCE-UA, AG-PCS y ECCM se probaron tam-
bién utilizando datos históricos de la subcuenca del río
Caracusey. Los datos utilizados para realizar la calibración
comprenden un periodo de cinco años (del primero de
mayo de al de abril de 1990). En esta ocasión, el
criterio de parada no fue el mismo que el utilizado en el
caso teórico, no era conveniente, pues hay errores en los
datos de entrada y en el modelo. Así, sólo se permitió un
número máximo de evaluaciones de la función objetivo en
el SCE-UA y con el AG-PCS y el ECCM. Los
rangos de los parámetros aparecen en el cuadro
 La ilustración muestra los resultados de la efecti-
vidad y de eficiencia de los algoritmos, y en las ilustracio-
nes y aparece el valor final de cada uno de
los parametros para el caso real de una cuenca global.
Resumen
Cuando se realiza la calibración a una cuenca global, en
la que el número de parametros a optimizar es los
tres algoritmos logran identificar al conjunto verdadero
de los parámetros para el caso teórico. Los algoritmos
AG-PCS y ECCM resultaron mas eficientes que el SCE-
UA en la búsqueda hacia el Óptimo global. En el caso
real, el algoritmo AG-PCS mostró una pequeña tenden-
cia a quedar atrapado en mínimos locales, no mostran-
dose este efecto ni en SCE-UA ni en el ECCM.
Caso teórico y real de una cuenca compleja (sistema
de dos subcuencas)
En el caso de la cuenca compleja, el modelo consta de
treinta parametros por calibrar. En el cuadro aparecen
los valores verdaderos y rangos de los parametros para
el caso teórico. En el caso real nuevamente se utilizaron
cinco años como periodo de calibración (del primero de
mayo de al de de abril de 1990).
Debido a que el tiempo de ejecución de una corrida
es muy alto (solamente cinco corridas independientes),
en cada uno se presentaron los tres algoritmos.
En el algoritmo de SCE-UA, el parámetro p , asocia-
do con la cantidad de complejos, se situó a comple-
jos, con la posibilidad de reducirlo hasta diez, limitan-
dose la cantidad de evaluaciones de la función objetivo
hasta 75,000; en realidad, el SCE-UA nunca terminó de
acuerdo con el criterio de parada establecido en cuan-
to a convergencia de la función (ver Duan et a/. 1992).
El número de llamadas de la función objetivo es alto,
pero responde a la complejidad del problema y con
vista a obtener resultados satisfactorios. El tamaño de
la población y el número de llamadas de la función
objetivo del AG y el ECCM fue el mismo que SCE-UA.
En las ilustraciones y aparecen los resultados
de la efectividad y de eficiencia de los algoritmos para
el caso teórico y real, respectivamente, y para el valor
final de cada uno de los parámetros; en las ilustracio-
nes a parametros de la subcuenca A; ilustracio-
nes a parametros de la subcuenca B, ambos
para el caso teórico y para el caso real; en las ilustra-
ciones a parametros de la subcuenca A, y las
ilustraciones a parametros de la subcuenca B.
Verificación
Aunque el propósito fundamental de este trabajo es la
comparación de las potencialidades que tienen los
algoritmos de optimización global en encontrar los valo-
res de los parámetros del modelo de precipitación-
escurrimientos TCG que minimiza el criterio de estima-
ción elegido, también se presentan los resultados de la
verificación para completar el estudio, para la cual se
utilizaron también cinco años de datos; pero en otro pe-
riodo de tiempo al utilizado para la calibración (del pri-
mero de mayo de al de abril de
La calidad de estas soluciones se evaluó en térmi-
nos del coeficiente de determinación:

donde:
= media de los escurrimientos observados.
Nd= número de días que participan en la verificación,
Se seleccionaron los valores de los parámetros que
mejor consecuencia brindaron en cada uno de los
algoritmos. Los resultados que se muestran en el cuadro
indican que ningún conjunto de parámetros es
significativamente superior uno de otro.
Discusión y conclusiones
En el estudio realizado de los tres algoritmos de
optimización global para la calibración automática de
modelos hidrológicos conceptuales se utilizó el modelo
TCG en su segunda versión, el cual tiene una estructura
similar a muchos de los modelos hidrológicos propues-
tos en la literatura en los últimos años, por lo que es Iógi-
co pensar que los resultados alcanzados en este estudio
pueden ser extendidos en general.
La función objetivo que se utilizó fue la raíz cuadrada
del error cuadrático medio entre los escurrirnientos cal-
culados por el modelo y los escurrimientos observados;
los rangos de los parámetros, los cuales definen el espa-
cio de la región de búsqueda, se seleccionaron de ma-
nera tal que fueran activados todos los modos de opera-
ción del modelo y correspondieran con las propiedades
físicas de los suelos (Fuentes, 1997).
El análisis se aplicó tanto a una cuenca global como
a una cuenca compleja dividida en dos subcuencas,
considerando casos hipotéticos donde no había erro-
res ni en los datos ni en el modelo y un caso real donde
los errores en el modelo y los datos de entrada están
presentes.
En relación con la cuenca global:
a) Los tres algoritmos identificaron en el de las co-
rridas los parametros verdaderos; sin embargo, el AG-
PCS y ECCM resultaron ser casi dos veces más efi-
cientes que el SCE-UA en la búsqueda hacia el ópti-
mo, siendo muy similar la eficiencia entre los algoritmos
AG-PCS y ECCM:
b) En el caso real, SCE-UA y ECCM identificaron
consistentemente al conjunto de los parámetros ópti-
mos, los cuales siempre fueron los mismos, indepen-
dientemente de la población inicial donde comenzó la
búsqueda. En el algoritmo AG-PCS se mostró un com-
portamiento similar, pero con una ligera dispersión.
En relación con la cuenca compleja (sistema de dos
subcuencas):
a) Ninguno de los tres algoritmos logró identificar al Con-
junto verdadero de los parámetros en el caso teórico,
siendo muy similar el SCE-UA y ECCM en cuanto a la
variación de los parámetros alrededor de los valores
reales, siendo mayor la dispersión en el AG-PCS.
b) En el caso real, en los tres algoritmos se mostró un
aumento de la dispersión de los valores finales de los
parámetros.
Aunque el método del SCE-UA parece mostrar una
mejor efectividad en general, el ECCM tiene una efectivi-
dad similar al SCE-UA y una eficiencia similar al AG-PCS,
de manera que el algoritmo ECCM puede considerarse
un algoritmo de optimización global efectivo y eficiente
para la calibración de modelos conceptuales de precipi-
tación-escurrimientos.
Estos resultados resaltan que la selección de los
algoritmos de optimización es solamente uno de los fac-
tores que afectan la calibración automática de los mode-
los hidrológicos conceptuales, entre otros factores que
se deben añadir y que modifican la calidad del modelo
final de los parámetros, tales como:
La base conceptual y estructural del modelo.
La calidad y cantidad de información contenida en los
datos usados para la calibración.
La selección de la función objetivo usada en el proce-
dimiento de optimización.
La definición del espacio factible de los parámetros.
 Recibido: 07/01/2002
Aprobado: 15/03/2002
Referencias
NELSON, Genetic algorithms in industrial desing. Informe téc-
nico. Suecia: IDK-RKL, Linkoping University, pp.
BABOVIC, V. Calibrating hydrodynamic models by means of
simulated evolution. Rotterdam: First Int. Conf. On
Hydroinformatics (Delft, The Netherlands), Balkema,
pp.
BIGGS, M.C. Constrained minimization using recursive quadratic
programming. Towards global optimization, Dixon, L.C. y
Szergo, G. f? editores. North Holland. pp.341-349.
BRAZIL, L.E. y KRAJEWSKI, W.F. Optimization of complex
hydrologic models using random search methods.
Williamsburg: Engineering Hydrological Conference, Div.,
Am. Soc. Civ. Eng., del al de agosto de
CIENIAWSKY, S.E. Using genetic algorithms to solve a
multiobjective monitoring program. Water resource. Febrero
de vol. núm. pp.
DAVIS, L. Handbook of genetic algorithms. Van Nostrand
Reinhold. Nueva York.
DUAN, Q., SOROOSHIAN,S.y GUPTA, V.K. Effectiveand efficient
global optimization of hydrological models. Water resource.
Abril de vol. XXVIII, núm. pp.
DUAN, Q., SOROOSHIAN, S.y GUPTA, V.K. Optimal use of the
SCE-UA global optimization method for the calibrating
watershed models.J. hydrol. vol. núm. pp.
DUAN, Q.,GUPTA, V.K. y SOROOSHIAN, S.Ashuffled complex
evolution aproach for effective and efficient global
minimization. J. optimization. theory appl. Marzo de
vol. núm. pp.
ESAT, V. y HALL, M.J. Waterresources system optimization using
genetic algorithm. Rotterdam: First Int. Conf. On
Hydroinformatics (Delft, The Netherlands), Balkema,
pp.
FLETCHER, R. Practical methods of optimization, vol.
Unconstrained optimization, vol. Constrainedoptimization,
John Wiley and Sons.
FRANCHINI, M. y GALEATI, G. Comparing several genetic
algorithm schemes for the calibration of conceptual rainfall-
runoff models. Hydrological sciences journal. Mayo-junio
de1997, vol. núm. pp.
FRANCHINI, M. Global optimizationtechniques for the calibration
of conceptual rainfall-runoff models. Hydrol. sci. J. Mayo-
junio de vol núm. pp.
FRANCHINI, M. Using a genetic algorithm combined with a lo-
cal search method for the automatic calibration of concep-
tual rainfall-runoff models. Hydro/. Sci. J. Enero-febrero de
vol núm. pp.
FUENTES, D. Modelo hidrológico TCG. Aplicación en la cuenca
del río Caracusey. Tesis presentada en opción al título de
Ingeniería Hidráulica. AGS. CIH, ISPJAE. pp.
FUENTES, D. Modelo hidrológico TCG. Aplicación en la cuenca
del río Caracusey.Trabajo de diploma. Facultad de Ingenie-
ría Civil. ISPJAE. pp,
GAN, T.Y. y BURGES, J. An assessment of a conceptual raifall-
runoff model's ability to represent the dynamics of small
hypothetical catchments, models, model properties, and
experimental desing. Water resource. Julio de vol.
XXVI, núm. pp.1595-1604.
GAN, T.Y. y BURGES, J. An assessment of a conceptual raifall-
runoff model's ability to represent the dynamics of small
hypothetical catchments, hydrologic responses for nor-
mal and extreme rainfall. Water Resource. Julio de
vol. XXVI, núm. pp.
GILL, P.E. y WRIGHT, H. Practical optimization, Londres:
Academic Press,
GOLDBERG, D.E., Genetic algorithm in search optimization and
machine learning. Massachusetts:Addison Wesley, Reading,
GOLDBERG, D.E. Sizingpopulations for serialandparallelgenetic
algorithms. Informe técnico, TCGA Alabama:
University of Alabama, The Clearinghouse For Genetic
Algorithms,
GOTAY, J. Calibración automática del modelo hidrológico con-
ceptual TCG. Tesis de maestría. CIH. Fac. de Ing. Civil,
ISPJAE. Diciembre de pp.
GUPTA, V.K. y SOROOSHIAN, S.The automatic calibration of
conceptual catchment models using derivative-based
optimization algorithms. Water resource. Abril de vol.
XXI, núm. pp.473-486.
HANS, S.P. A globally convergent method for nonlinear
programming. J. Optimization. Theory and applicatiosn.
vol. pp.
HENDRICKSON, J.D., Comparison of Newton-type and direct
search algorithms for calibration of conceptual rainfall-runoff
models. Water resource. Mayo de vol. XXIV, núm.
pp.
HOLLAND, J.H. Adaptation in natural and artificial systems.
Michigan: University of Michigan Press, Ann Arbor,
JOHNSTON, P.R. y Pilgrim, D. Parameter optimization for
watershed models. Waterresource. Marzo de vol. XII,
núm. pp.
JORGE, M.C., Desarrollo y evaluación de modelos hidrológicos
determinísticos para Cuba. Tesis doctoral. La Habana: Ins-
tituto Superior Politécnico José Antonio Echeverría,
pp.
KRISHNAKUMAR,K., Micro-geneticalgorithms for stationary and
non-stationaryfunction optimization. Proceedingsintelligent
controlandadaptative systems. y de noviembre de
 vol. pp.
LIONG. Peak flow forcasting with genetic algorithm and SWMM.
J. hydraul. eng. ASCE. Agosto de vol. núm.
pp.
MARTÍNEZ,J.B. Simulación matemática de cuencas subterrá-
neas: flujo impermanente bidimensional. La Habana: Fac.
Ing. Civil, ISPJAE,1990. pp.
MCKINNEY, D.C. Genetic algorithm solution of graundwater
management models. Water resource. Junio de vol.
núm. pp.
NASH, J.E. y SUTCLIFFE, J.V. River flow forecasting through
conceptual models, A discusión of principles. Hydrological
sciences journal. Mayo-junio de vol. X, núm. pp.
NELDER, J.E. y MEAD, R. A simplex meted for function
minimization. Comput. j . Abril de1965, vol. núm. pp.
PICKUP, G. Testing the efficiencies of algorithms and strategies
for automatic calibration of rainfall-runoff models. Hydrogeol.
sci. bull. Marzo-abrilde1977, vol. XXII, núm. pp.
POWELL, M.J.D. Variable metric methods for constrained
optimization. Mathematic programming: the state of the art.
Springer Verlag. pp.
PRICE, W.L. Global optimization algorithms for a CAD
workstation. J. optim. theory appl. Enero de vol.
núm. pp.
RITZEL, B.J. Using genetic algorithm to solve a multiple objetive
groundwater pollution containment problem. Water resource.
Marzo de vol. núm.5, pp.
ROGERS, L.L. y DOWLA, F.U. Optimization of groundwater
remediationusing artificial neural networks with parallelsolute
transport modelling. Water resource. Febrero de vol.
núm. pp.
SCHITTOWSKI, K. NLQPL, a FORTRAN- subroutine solving
constrained nonlinear programming problems. Annals Of
Operations Research. vol. pp.
SOLOMATINE, D.P.The use of global random search for models
calibration. Londres: IAHR Congress,1995.
SOROOSHIAN, S.y GUPTA, V.K. Automatic calibration of con-
ceptual raifall-runoff models: the question of parameter
observability and uniquenness. Water resource. Enero de
vol. XIX, núm. pp.
SOROOSHIAN,S., DUAN, Q. y GUPTA, V. K. Calibration of raifall-
runoff models: application of global optimization to Sacra-
mento soil moisture accounting model. Waterresource. Abril
de vol. núm. pp.
SYSWERDA, G.,Uniform crossver in genetic algorithms.
Proceedingsof the Third InternationalConference on Genetic
Algorithms And Their Applications. Morgan Kaufman. Los
Altos, California. pp.
WAGNER, B.J. Sampling desing methods for groundwater
modeling under uncertainty.Water Resource. Septiembre de
vol. núm. pp.
WANG, Q.J. The genetic algorithm and its application to
calibrating conceptual rainfll-runoff models. Water resource.
Septiembre de vol. XXVII, núm. pp.
WHITLEY, D. Sheduling problems and traveling salesman: the
genetic edge recombination operator. Proceedings of the
Third International Conference on Genetic Algorithms And
Their Applications. Morgan Kaufman. Los Altos, California.
pp.
 Abstract

GOTAY SARDINAS, J. and JORGE PEDREIRA,M. del C. Calibration of rainfall-runoff models using global
optimization. Hydraulic Engineering in Mexico (in Spanish. January-March, vol. no. pp.

Conceptual rainfall-runoff models are difficult to calibrate by means ofautomatic methods; one major reason for
this is the inability of conventional procedures to locate the globally optimal set of parameters. This paper
discusses two existing global search procedures: the Shuffled Complex Evolution Method (SCE-UA) and the
Genetic Algorithm coupled with Sequential Quadratic Programming (GA-SQP).Both are evaluated on the con-
ceptual rainfall-runoff TCG model, applied both to a single basin and to a complex basin. For both types of
basin, a theoretical case without model and data errors was considered in which the true value ofparameters
are known a priori; as well as a real-world case, where modeland data errors exist. Finally, a new global optimization
procedure, entitled The Modified Competitive Complex Evolution algorithm (MCCE), is presented. Regarding
the single basin, the SCE-UA and MCCE algorithms were the most realiable, while the other one gave solutions
equivalent to those of the SCE-UA and MCCE in the theoretical case; but in the real-world case, the GA-SQP
showed an increasing tendency to be trapped in local minima. With reference to the complex basin, none of the
three algorithms identified the exact solution in the theoretical case. However; the SCE-UAand MCCE algorithms
systematically produced a better solution than the GA-SQP algorithm. In the real-world case, their solutions
were stable, while the GA-SQP algorithm produced a very unstable set of parameters.

Keywords: automatic calibration, calibration of rainfall-runoff models, evolution algorithms, global optimization
in rainfall-runoff models.

Dirección institucionalde los autores:

Jorge Gotay Sardinas

Departamento de Matemática. Facultad de Ingeniería Civil.

Instituto Superior Politécnico “José A. Echeverría"
Marianao, ciudad de La Habana, Cuba. C.P.
Teléfono: fax:
Correo electrónico: jgotay@civil.ispjae.edu.cu

María del Carmen Jorge Pedreira

Departamento de Ingeniería Hidráulica

Centro de Investigaciones Hidráulicas. Facultad de Ingeniería Civil.
Instituto Superior Politécnico 'José A. Echeverría"
Marianao, ciudad de La Habana, Cuba. C.P.
Teléfono: fax:
Correo electrónico: mcjorge@cih.ispjae.edu.cu