Simulación del proceso de recarga para Aguas Subterráneas utilizando Redes Neuronales Artificiales como Método de Aproximación en el Acuífero Las Sierras, Nicaragua

El conocimiento de la funcionalidad de un sistema hidrogeológico es de vital importancia para su gestión y conservación. Una de las variables y entrada principal que alimenta al sistema es la Recarga Potencial (Rp) producto de la precipitación (P). La finalidad del presente trabajo es el diseño de u...

Full description

Main Authors: R. Chevez, Carlos, Pinell, Freydell, Mejía Quiroz, Álvaro Antonio
Format: Artículo
Language: Español
Español
Español
Published: Universidad Nacional Autónoma de Nicaragua, Managua 2023
Subjects:
Online Access: http://repositorio.unan.edu.ni/19657/
http://repositorio.unan.edu.ni/19657/
http://repositorio.unan.edu.ni/19657/
http://repositorio.unan.edu.ni/19657/1/cover_issue_1743_es_ES.png
http://repositorio.unan.edu.ni/19657/2/chevez.pdf
http://repositorio.unan.edu.ni/19657/3/cc.jpg
Summary: El conocimiento de la funcionalidad de un sistema hidrogeológico es de vital importancia para su gestión y conservación. Una de las variables y entrada principal que alimenta al sistema es la Recarga Potencial (Rp) producto de la precipitación (P). La finalidad del presente trabajo es el diseño de un modelo regresor no lineal usando Redes Neuronales Artificiales (RNA). Para lo anterior, se utilizó los datos recolectados por el INETER para estimar la Rp a través de las variables de entrada como: precipitación (P), texturas de suelo y demás variables ambientales en el Acuífero ubicado en Managua. Con la información recopilada, se procedió a la exploración de datos o ‘Data mining’ por medio de la estadística descriptiva, la cual permite presentar, interpretar y analizar los datos de forma comprensiva. Utilizando el lenguaje de programación Python ​(Rossum, 1991)​ y el entorno de trabajo JupyterLab, se procedió a desarrollar los elementos de la RNA a través de la librería Scikit -Learn o mejor conocida como Sklearn ​(Cournapeau, 2010)​. Posterior a las iteraciones y arreglos de los Hiperparámetros de la RNA, se logró un mejor ajuste utilizando la función de coste o ‘cost function’, la cual determina el error entre el valor estimado y el observado. Finalmente, se indican las configuraciones finales del modelo regresor para cada una de las texturas en la zona.