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

Bibliographic Details
Main Authors:	Chevez, Carlos R., Pinell, Freydell, Mejía Quiroz, Álvaro Antonio
Format:	Online
Language:	spa eng
Published:	Universidad Nacional Autónoma de Nicaragua, Managua. Centro Universitario Regional de Carazo 2023
Online Access:	https://revistas.unan.edu.ni/index.php/Torreon/article/view/3009

id	TORREON3009
record_format	ojs
institution	Universidad Nacional Autónoma de Nicaragua, UNAN-Managua
collection	Revista Torreón Universitario
language	spa eng
format	Online
author	Chevez, Carlos R. Pinell, Freydell Mejía Quiroz, Álvaro Antonio
spellingShingle	Chevez, Carlos R. Pinell, Freydell Mejía Quiroz, Álvaro Antonio Simulación del proceso de recarga para Aguas Subterráneas utilizando Redes Neuronales Artificiales como Método de Aproximación en el Acuífero Las Sierras, Nicaragua
author_facet	Chevez, Carlos R. Pinell, Freydell Mejía Quiroz, Álvaro Antonio
author_sort	Chevez, Carlos R.
description	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.
title	Simulación del proceso de recarga para Aguas Subterráneas utilizando Redes Neuronales Artificiales como Método de Aproximación en el Acuífero Las Sierras, Nicaragua
title_short	Simulación del proceso de recarga para Aguas Subterráneas utilizando Redes Neuronales Artificiales como Método de Aproximación en el Acuífero Las Sierras, Nicaragua
title_full	Simulación del proceso de recarga para Aguas Subterráneas utilizando Redes Neuronales Artificiales como Método de Aproximación en el Acuífero Las Sierras, Nicaragua
title_fullStr	Simulación del proceso de recarga para Aguas Subterráneas utilizando Redes Neuronales Artificiales como Método de Aproximación en el Acuífero Las Sierras, Nicaragua
title_full_unstemmed	Simulación del proceso de recarga para Aguas Subterráneas utilizando Redes Neuronales Artificiales como Método de Aproximación en el Acuífero Las Sierras, Nicaragua
title_sort	simulación del proceso de recarga para aguas subterráneas utilizando redes neuronales artificiales como método de aproximación en el acuífero las sierras, nicaragua
title_alt	Simulation of the recharge process for groundwater using Artificial Neural Networks as an Approximation Method in the Las Sierras Aquifer, Nicaragua
publisher	Universidad Nacional Autónoma de Nicaragua, Managua. Centro Universitario Regional de Carazo
publishDate	2023
url	https://revistas.unan.edu.ni/index.php/Torreon/article/view/3009
work_keys_str_mv	AT chevezcarlosr simulationoftherechargeprocessforgroundwaterusingartificialneuralnetworksasanapproximationmethodinthelassierrasaquifernicaragua AT pinellfreydell simulationoftherechargeprocessforgroundwaterusingartificialneuralnetworksasanapproximationmethodinthelassierrasaquifernicaragua AT mejiaquirozalvaroantonio simulationoftherechargeprocessforgroundwaterusingartificialneuralnetworksasanapproximationmethodinthelassierrasaquifernicaragua AT chevezcarlosr simulaciondelprocesoderecargaparaaguassubterraneasutilizandoredesneuronalesartificialescomometododeaproximacionenelacuiferolassierrasnicaragua AT pinellfreydell simulaciondelprocesoderecargaparaaguassubterraneasutilizandoredesneuronalesartificialescomometododeaproximacionenelacuiferolassierrasnicaragua AT mejiaquirozalvaroantonio simulaciondelprocesoderecargaparaaguassubterraneasutilizandoredesneuronalesartificialescomometododeaproximacionenelacuiferolassierrasnicaragua
_version_	1805400807635419136
spelling	TORREON30092024-02-13T15:42:59Z Simulation of the recharge process for groundwater using Artificial Neural Networks as an Approximation Method in the Las Sierras Aquifer, Nicaragua Simulación del proceso de recarga para Aguas Subterráneas utilizando Redes Neuronales Artificiales como Método de Aproximación en el Acuífero Las Sierras, Nicaragua Chevez, Carlos R. Pinell, Freydell Mejía Quiroz, Álvaro Antonio Hydrogeology Artificial Neural Networks (ANN) Machine Learning (ML) Hidrogeología Redes Neuronales Artificiales (RNA) Aprendizaje Automatizado (AA) The knowledge of hydrogeologial system functionality, is a vital importance for its management and sustainable development. One of the variables and main input it feeds this system is Recharge (R) product of precipitation (P). The purpose of this study is desing a No Lineal Regresor Model using Artificial Neural Networks (ANN). For the above, with INETER data collected, it was estimate R using input variables for instance: precipitation (P), soil textures and other known environmental variables in Managua Aquifer. With the information collected, data exploration or 'Data mining' was carried out through descriptive statistics, which allows presenting, interpreting and analyzing the data in a comprehensive way. Using the Python programming language (Rossum, 1991) and the JupyterLab work environment, the ANN elements were developed through the Scikit-Learn library or better known as Sklearn (Cournapeau, 2010). After the iterations and settings of hyperparameters, a better fit will be improved using the cost function, which determines the error between the estimated value and the observed value, in order to optimize the parameters of ANN. At the end, the final configurations of ANN are indicated for each soil texture. 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.  Universidad Nacional Autónoma de Nicaragua, Managua. Centro Universitario Regional de Carazo 2023-03-17 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion Peer-reviewed Article Artículo evaluado por pares application/pdf text/html application/pdf text/html https://revistas.unan.edu.ni/index.php/Torreon/article/view/3009 10.5377/rtu.v12i33.15896 Revista Torreón Universitario; Vol. 12 No. 33 (2023); 112-125 Revista Torreón Universitario; Vol. 12 Núm. 33 (2023); 112-125 2313-7215 2410-5708 spa eng https://revistas.unan.edu.ni/index.php/Torreon/article/view/3009/4528 https://revistas.unan.edu.ni/index.php/Torreon/article/view/3009/4529 https://revistas.unan.edu.ni/index.php/Torreon/article/view/3009/4530 https://revistas.unan.edu.ni/index.php/Torreon/article/view/3009/4531 https://revistas.unan.edu.ni/index.php/Torreon/article/view/3009/4532 Derechos de autor 2023 Universidad Nacional Autónoma de Nicaragua, Managua https://creativecommons.org/licenses/by-nc-nd/4.0/

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

Similar Items