Investigación guía. Métodos, herramientas técnicas e instrumentos de recolección de datos

OBJETIVO (S)

MÉTODOS-HERRAMIENTA-TÉCNICAS E INSTRUMENTOS DE RECOLECCIÓN DE DATOS

RESULTADOS

CONCLUSIONES

REFERENCIA IEEE

Determinar el modelado de flujo mensual utilizando ANFIS y ANN-ARIMA en la Ciudad de México

.

ANN, ML y ENSEMBLE predice los efectos de la fuerza compresiva, DL evalúa los valores de la compresión del concreto, HYBRID se aplica en la predicción de la capacidad de carga de la fuerza compresiv.

En la investigación para obtener el caudal Minitab no incorporó ningún algoritmo para determinar los coeficientes de Holt-Winters, a Trávez del metodo prueba y error.

Holt-Winters, entre los modelos de inteligencia artificial, las RNA con estructura neuronal óptima determinaron un desempeño débil para modelar el flujo mensual en la estación Ideal.

[1]A. Ahmadpour, P. H. Jou, y S. H. Mirhashemi, «Comparación de series temporales clásicas y modelos de inteligencia artificial, varios modelos híbridos de Holt­Winters para predecir el caudal mensual en el embalse de la presa Marun», 2023.

Obtener una identificación precisa de las grietas

En este artículo se realizó la Red de segmentación profunda/ Conjunto de datos /Predicción de U-Net/Caracterización de grietas/Validación experimental

aplicación de LiDAR instalado en UAV para el mapeo 3D de toda la

estructura para la detección de las grietas

Nos da a entender la importancia de la detección de las grietas pues con ello puedes saber el alcance del daño estructural y prevenir un desastre

[2]S. Bhowmick, S. Nagarajaiah, y A. Veeraraghavan, «Vision and Deep Learning-Based Algorithms to Detect and Quantify Cracks on Concrete Surfaces from UAV Videos», Sensors, vol. 20, n.o 21, p. 6299, nov. 2020, doi: 10.3390/s20216299.

Identificar los datos atípicos presentados en el monitoreo de datos

Con el desenfoque gaussiano, para transformar los datos de imagen binaria  
algoritmo Cuckoo Search (CS) para obtener la mayor conexión posible de las agregaciones de píxeles,

Los resultados de R2 y RMSE indican que los modelos de monitoreo basados en los conjuntos de datos preprocesados por el método propuesto tienen el mejor rendimiento de ajuste y predicción simultáneamente.

En conclusión obtenemos el mejor rendimiento con el R2 y RMSE para la identificación de los datos atípicos de valores atípicos de patrones aislados y valores atípicos de patrones agrupados

[3]J. Song, Y. Chen, y J. Yang, «A Novel Outlier Detection Method of Long-Term Dam Monitoring Data Based on SSA-NAR», Wirel. Commun. Mob. Comput., vol. 2022, pp. 1-11, ago. 2022, doi: 10.1155/2022/6569367.

Identificar las características caóticas para la prevención de la deformación de la presa

Se emplea el Método de Lyapunov-El método de la entropía Kolmogorov y le método de correlación para identificar las características caóticas.

Los métodos SVM, SVM-GWO y SVM-IGWO Puede predecir bien las tendencias de deformación de las presas

Se propone un método el cual combina teoría del caos y maquinaria de vectores de soporte, algoritmo de diferencia y el algoritmo del lobo gris, es decir el PSR-SVM-IGWO modelo, para predecir la deformación de la presa. Tomando la medida de los datos de desplazamiento de la presa de arco super ato de Xiluodu durante la operación inicial

[4]M. Li, J. Pan, Y. Liu, H. Liu, J. Wang, y Z. Zhao, «A Deformation Prediction Model of High Arch Dams in the Initial Operation Period Based on PSR-SVM-IGWO», Math. Probl. Eng., vol. 2021, pp. 1-13, nov. 2021, doi: 10.1155/2021/8487997.

Determinar prueba de aumento de temperatura adiabática de arena y grava cementada

Implantación de software ANYSYS para predicciones de distribución de temperatura y campos de tensión de una presa CSG típica

Los resultados muestran que las distribuciones de temperatura y estrés térmico son similares a las de la presa de hormigón compactado con rodillos (RCC)

En conclusión, trans la realizacion de la prueba de aumento de temperatura para presa CSG, se concluye que el agente cementante debe aumentar el tiempo de terminación de la temperatura adiabática.

[5] M. Jiang, X. Cai, X. Guo, Q. Liu, y T. Zhang, «Adiabatic Temperature Rise Test of Cemented Sand and Gravel (CSG) and Its Application to Temperature Stress Prediction of CSG Dam», Adv. Mater. Sci. Eng., vol. 2020, pp. 1-12, jul. 2020, doi: 10.1155/2020/3898391.

Predecir y Controlar la deformación de presa de enrocado central

Método fractal implementado para la predicción de deformación el cual se determina cuando la longitud de la serie de datos entre el tiempo inicial.

Los resultados obtenidos por el método de predicción son de alta precisión

En conclusión, este método de predicción resuelve eficazmente la disminución en la precisión de la predicción causada por los errores en el proceso de acumulación y transformación de fractales basándose en la actualización en tiempo real de los datos básicos

[6] L. Pei et al., «A Fractal Prediction Method for Safety Monitoring Deformation of Core Rockfill Dams», Math. Probl. Eng., vol. 2021, pp. 1-11, ene. 2021, doi: 10.1155/2021/6655657.

Analizar  un modelo de predicción de intervalo de campo de temperatura durante la simulación de construcción de la presa en tiempo real

Se propone un método concreto  de predicción de intervalos de optimización de saltamontes mejorado (IGOA) para poder predecir los intervalos de temperatura basados en la maquia de vectores de Kenel hibrido (HK-RVM)

Da como resultado una desviación entre el programa de simulación y la situación real. En consecuencia, es necesario estudiar cómo realizar la predicción en tiempo real del campo de temperatura del concreto para mejorar la precisión de la simulación y garantizar la efectividad del plan de programación de simulación

En conclusión se ´propuso un modelo de simulación de construcción en tiempo real , A la vez se estableció un modelo de predicción de intervalos de alta precisión y alta capacidad de generalización para la predicción de la temperatura de hormigón , el cual demostró superioridad con respecto a la precisión y la capacidad de generalización.

[7]W. Song, T. Guan, B. Ren, J. Yu, J. Wang, y B. Wu, «Real-Time Construction Simulation Coupling a Concrete Temperature Field Interval Prediction Model with Optimized Hybrid-Kernel RVM for Arch Dams», Energies, vol. 13, n.o 17, p. 4487, ago. 2020, doi: 10.3390/en13174487.

Predecir las deformaciones múltiples causadas

Se implementa un mecanismo de atención basado en LSTM para prevenir el proceso de aprendizaje humano, para acelerar la eficiencia del aprendizaje y mejorar la precisión al momento de calcular diferentes pesos según la importancia de cada elemento

Los indicadores de evaluación de precisión RSEM y MAE del efecto de predicción del modelo en la dirección Z son al menos 0,128 0,141, respectivamente, lo que muestra que el método tiene aplicabilidad en la predicción de la deformación de la presa de relaves

En comparación con los modelos de control, el modelo EMD-atención-LSTM tiene una mayor precisión en la la deformación de la presa de relaves bajo la influencia de la lluvia y la línea freática.

[8]Y. Zhu et al., «A Tailings Dam Long-Term Deformation Prediction Method Based on Empirical Mode Decomposition and LSTM Model Combined with Attention Mechanism», Water, vol. 14, n.o 8, p. 1229, abr. 2022, doi: 10.3390/w14081229.

Predicciones precisas del flujo de la entrada de las presas para reducir el daño por inundaciones

Se compara el modelo ANN y el modelo RNN para analizar el modelo óptimo para predecir la entrada de flujo a la presa

La mayoría de los resultados de la predicción mostraron que los modelos RNN tenían mayor precisión que el modelo ANN. La razón de estos resultados es que la precipitación y el flujo de entrada son datos de series de tiempo, y los modelos RNN hacen circular los resultados anteriores como variables de entrada para que el aprendizaje se realice de forma continua sin comprometer relativamente la capacidad de aprendizaje

En comparación con el SFM utilizado actualmente para predecir el flujo de entrada a la presa, los modelos de aprendizaje profundo seleccionados obtuvieron resultados que estaban más cerca del flujo de entrada observado en la predicción del flujo de entrada máximo.

[9]B.-J. Kim, Y.-T. Lee, y B.-H. Kim, «A Study on the Optimal Deep Learning Model for Dam Inflow Prediction», Water, vol. 14, n.o 17, p. 2766, sep. 2022, doi: 10.3390/w14172766.

Utilizar modelos de aprendizaje automático incluido el sistema adaptativo de inferencia (ANFIS),(RF) Y  (LSSVR).

Se realizo un estudio en Mahabad para poder predecir el nivel de flujo con la comparación de los métodos.

Los resultados del diagrama de Taylor indicaron que el modelo ANFISS HHO tenía la mayor precisión

En conclusión, este estudio mostro que los modelos de aprendizaje automático pueden utilizarse como una herramienta esencial para la toma de decisiones en la producción hidroeléctrica sostenible.

[10]Z. Kayhomayoon, N. Arya Azar, S. Ghordoyee Milan, R. Berndtsson, y S. Najafi Marghmaleki, «Application of soft computing and evolutionary algorithms to estimate hydropower potential in multi-purpose reservoirs», Appl. Water Sci., vol. 13, n.o 9, p. 183, sep. 2023, doi: 10.1007/s13201-023-02001-5.

Proponer un modelo de predicción de deformación Griss.

Se implementa la brusquedad del método de predicción gris porque no necesita considerar la interacción de múltiples factores.

El GDPM-DC realizó predicciones más precisas que el modelo gris tradicional (1, 1) (GM (1, 1)), el modelo gris basado en transformación logarítmica (GM-LT) y el modelo gris optimizado por coeficiente de peso (GM -WC). Mejoró significativamente la precisión general de la predicción de las deformaciones verticales y transversales de la presa y controló el error relativo de la presión de filtración prevista a 2,79%-3,71%.

la influencia conjunta de múltiples factores, la deformación de la presa de relaves es altamente incierta y no lineal. La deformación de la presa no se puede predecir con precisión mediante un único modelo de sistema gris. Para superar este problema, combinamos el coeficiente de ponderación con el coeficiente de autocorrelación para establecer el GDPM-DC.

[11] C. Chu y G. Xu, «Application of Grey Deformation Prediction Model Optimized by Double Coefficient for Tailings Dam», Math. Probl. Eng., vol. 2022, pp. 1-15, ago. 2022, doi: 10.1155/2022/6103860.

Detección de anomalías de las represas mediante un modelo de  clasificación de una clase basa en maquinaria de vectores de soporte

Las máquinas de vectores de soporte se aplican a todas las tareas de predicción, y el bosque aleatorio también se utiliza para clases múltiples y de dos clases

Los resultados muestran una alta precisión para la clasificación de clases múltiples, aunque el enfoque tiene limitaciones para el uso práctico

El proceso es más sencillo porque no se requieren datos anómalos para el ajuste del modelo. Esto también amplía el ámbito de aplicación a cualquier tipología de presa y variable de respuesta, ya que algunos fenómenos son difíciles de simular con el MEF.

[12]F. Salazar, A. Conde, J. Irazábal, y D. J. Vicente, «Anomaly Detection in Dam Behaviour with Machine Learning Classification Models», Water, vol. 13, n.o 17, p. 2387, ago. 2021, doi: 10.3390/w13172387.

Desarrollar un modelo de red para la predicción de la presión de poros y total en la célula que funciona mal

Determinar el poder modelar el comportamiento estocástico de la presa con el fin de advertir adecuadamente de las presiones del suelo para evitar fallas

Los resultados obtenidos indican un alto grado de correlación entre los datos

de entrada y salida, por lo que la aplicación de este método está justificada y

es posible. Una vez desarrollado, el modelo de red neuronal se puede utilizar como herramienta de gestión predictiva para futuras actividades de seguimiento.

En conclusión, el comportamiento de las presas es difícil de predecir con gran precisión. En este artículo se aplicó el modelo de predicción ANN para obtener una predicción precisa de los datos de presión total y de poro en cualquier instrumento en la presa donde las celdas de medición fallaron

[13]J. Markovic«ANN Model for Prediction of Rockfill Dam Slope Stability», Teh. Vjesn. - Tech. Gaz., vol. 28, n.o 5, oct. 2021, doi: 10.17559/TV-20200707150903.

Estimar de manera rápida y precisa las características de deformación de la presa.

Para lograr esto, propusimos un nuevo modelo para predecir la deflexión máxima de la losa frontal (FD) de CFRD, combinando la regresión de umbral (TR) y la máquina de vectores de soporte mejorada (SVM).

Aunque el modelo de predicción SVM mejorado logra mejores resultados de predicción que el modelo de predicción SVM básico.

Este estudio proporciona un modelo más preciso para predecir la deflexión máxima de la losa del frente y sienta las bases para el control y la evaluación de la seguridad de las presas.

[14]W. Zhao, Z. Wang, H. Zhang, y T. Wang, «A Model Predicting the Maximum Face Slab Deflection of Concrete-Face Rockfill Dams: Combining Improved Support Vector Machine and Threshold Regression», Water, vol. 15, n.o 19, p. 3474, oct. 2023, doi: 10.3390/w15193474.

Analizar cuantitativamente los parámetros que afectan

Se implementa un modelo de bosque aleatorio (IRF) mejorado para el modelado de monitoreo del estado de la presa reemplazando el árbol de decisión en el modelo de bosque aleatorio (RF) con un novedoso algoritmo de árbol modelo M5'

Los resultados demuestran que en el sistema de deformación fue posible combinar el Arnol modelo M5 con el modelo RF afectando significativamente el modelo IRF.

En conclusión, el modelo de monitoreo se puede utilizar en un sistema de DHM para obtener información precisa

[15]Y. Li, Q. Yin, Y. Zhang, y H. Zhou, «Deformation prediction model of concrete face rockfill dams based on an improved random forest model», Water Sci. Eng., p. S1674237023000893, sep. 2023, doi: 10.1016/j.wse.2023.09.005.

Determinar una investigación numérica acerca de deslizamiento y deformación de persas

Se realiza una investigación numérica mediante los siguientes métodos: l método de elementos discretos acoplados (DEM) y dinámica de fluidos computacional (CFD) con el volumen de fluido (VOF).

Las comparaciones cuantitativas y cualitativas de los resultados de la simulación con las soluciones analíticas y los resultados experimentales

demuestran que el método de simulación basado en DEM-CFD acoplado extendido puede reflejar con precisión el complejo comportamiento del

flujo trifásico causado por la migración del flujo granular

En conclusión, la velocidad del deslizamiento influye considerablemente en la propagación de las ondas de impulso, mientras que las velocidades del flujo del río controlan la morfología de la presa de manera opuesta aguas arriba y aguas abajo

        [16]T. Nian, D. Li, Q. Liang, H. Wu, y X. Guo, «Multi-phase flow simulation of landslide dam formation process based on extended coupled DEM-CFD method», Comput. Geotech., vol. 140, p. 104438, dic. 2021, doi: 10.1016/j.compgeo.2021.104438.

Proponer un modelo predictivo.

Se realiza el método de predicción residual basado en ANN para extraer información.

Debido a la mejora de la precisión de la modelo aportada por el alivio del fenómeno de sobreajuste, el modelo de RF con fenómeno de sobreajuste obvio combinado con el modelo de predicción residual tuvo un rendimiento significativamente mejor que los otros dos modelos híbridos.

En conclusión, el modelo XGBoost-ANN puede proporcionar resultados de predicción puntual de alta precisión, no solo tienen una alta sensibilidad a los valores atípicos, sino que también tienen una pequeña tasa de errores de juicio.

[17]X. Yang, Y. Xiang, G. Shen, y M. Sun, «A Combination Model for Displacement Interval Prediction of Concrete Dams Based on Residual Estimation», Sustainability, vol. 14, n.o 23, p. 16025, nov. 2022, doi: 10.3390/su142316025.

Identificar los componentes adecuados para poder prevenir los agrietamientos y desgastes del concreto en las estructuras.

Se utilizaron algoritmos de aprendizaje automático que incluyen modelos de regresión, modelos de regresión de árbol, regresión de vector de soporte (SVR), regresión de conjunto (ER) y regresión de proceso gaussiano (GPR) para predecir la resistencia del hormigón a compresión y tracción.

El modelo tuvo un rendimiento impresionante durante la fase de entrenamiento, con un R2 de 0,98, un RMSE de 2,412 MPa y un MAE de 1,6249 MPa cuando se utilizaron 8 variables de entrada para predecir la resistencia a la compresión del hormigón.

En conclusión, la resistencia a la compresión, un aumento en el número de variables de entrada conduce a una mejora en las métricas de rendimiento. ,esta investigación pueden permitir la predicción rápida y precisa de la resistencia de un diseño de mezcla de concreto determinado.

[18]B. H. Ziyad Sami et al., «Feasibility analysis for predicting the compressive and tensile strength of concrete using machine learning algorithms», Case Stud. Constr. Mater., vol. 18, p. e01893, jul. 2023, doi: 10.1016/j.cscm.2023.e01893.

Determinar las filtraciones en las represas.

Se implemento el modelo RNN-LSTM para predecir la filtración de la presa, a la vez se implementa, redes neuronales recurrentes (RNN) y memoria a corto plazo. (LSTM).

El modelo RNN-LSTM tiene un error cuadrático medio promedio de 0,12 y un rendimiento del modelo de 0,9451, con

pérdidas mínimas y alta precisión, lo que da como resultado el resultado de filtración de presa mejor previsto.

El objetivo de explorar un nuevo enfoque RNN-LSTM  el cual se implementó para determinar la cantidad de filtraciones en la presa de Tarbela  el cual fue capaz de analizar y pronosticar series con intervalo de tiempo.

[19]        M. Ishfaque, Q. Dai, N. U. Haq, K. Jadoon, S. M. Shahzad, y H. T. Janjuhah, «Use of Recurrent Neural Network with Long Short-Term Memory for Seepage Prediction at Tarbela Dam, KP, Pakistan», Energies, vol. 15, n.o 9, p. 3123, abr. 2022, doi: 10.3390/en15093123.

Predecir los niveles de saturación

Se utilizó el método integrado de prueba de laboratorio, inversión numérica, verificación de retroalimentación y predicción de ingeniería para obtener niveles de saturación del concreto a diferentes profundidades dentro del concreto en la zona aguas abajo de una presa en condiciones de baja temperatura.

El estudio demostró en tres ubicaciones geográficas (noreste,

noroeste y centro de China) que cuando la absorción capilar de agua antes de la congelación continuó durante 5 días, 6 días y 10 días, el nivel de saturación del hormigón en la zona aguas abajo de una presa que excede El 91,7 % se encontraba únicamente cerca de la superficie de absorción de agua de los tramos de la presa.

En conclusión, se utilizó un modelo de presa de concreto simplificado utilizando una muestra de concreto con una superficie de absorción de agua adecuada en términos de forma y características geométricas para determinar y proponer un método de predicción de la distribución de saturación.

[20]Y. Huang, Z. Yu, Q. Ding, y S. Xu, «A study of the saturation levels of concrete at different depths on the downstream zone of a dam under low-temperature conditions», Case Stud. Constr. Mater., vol. 17, p. e01689, dic. 2022, doi: 10.1016/j.cscm.2022.e01689.

Mejorar la supervisión y gestión de los recursos hídricos.

Se utilizo métodos para permitir el monitoreo/predicción de los estados de los embalses (área de superficie, cambio de almacenamiento, entrada y salida) en escalas semanales a mensuales de gestión de embalses. Cabe señalar que nuestro estudio no trata de desarrollar un marco global de modelización hidrológica ni siquiera de promover uno existente.

Se desarrolló un marco basado en web para el monitoreo casi en tiempo real.

 Los cambios de almacenamiento de más del setenta y cinco por ciento de los embalses se capturaron con precisión mediante una hábil simulación del flujo de entrada en una escala de tiempo quincenal y análisis de impacto de embalses en todo el mundo.

En conclusión el RAT puede ayudar a los usuarios y a la comunidad científica a obtener una imagen global del monitoreo de los embalses, cómo están siendo operados y cómo probablemente están impactando el flujo natural de os ríos y su variabilidad en función del clima, el régimen hidrológico y los indicadores socioeconómicos.

[21]N. K. Biswas, F. Hossain, M. Bonnema, H. Lee, y F. Chishtie, «Towards a global Reservoir Assessment Tool for predicting hydrologic impacts and operating patterns of existing and planned reservoirs», Environ. Model. Softw., vol. 140, p. 105043, jun. 2021, doi: 10.1016/j.envsoft.2021.105043.