Iolanda Sans Rosell
Llicenciada en Informàtica. Tècnica de Sistemes Informàtics de CLABSA.
Acer,16 - 08038 Barcelona

PALABRAS CLAVE: Alcantarillado, Redes Neuronales, Predicción, Lluvia, Caudal

RESUMEN
Desde hace unos años, las nuevas técnicas de gestión de las redes de servicios están siendo adoptadas también en la gestión de las redes de alcantarillado. La concepción de las redes de alcantarillado como unas redes estáticas que evacuan aguas pluviales y residuales únicamente por gravedad o con algún bombeo de
ayuda esta quedando atrás.

Estas técnicas basadas principalmente en integración de tecnologías ya existentes requieren una infraestructura base: los actuadores de la red.

Es decir, la colocación de compuertas, válvulas, bombas, depósitos de retención, etc., en la red de alcantarillado. Pero para saber como actuar sobre ella, hay que contar con toda una serie de medidores que permitan establecer las acciones adecuadas. Así pues, hay que contar con pluviómetros, limnímetros, caudalímetros, medidores de la calidad del agua, etc.

Las tecnologías informáticas de computación y comunicaciones permitirán construir con todo ello un sistema de telecontrol. Con él, y con los criterios de actuación respaldados por los modelos hidrológicos de simulación del comportamiento de la red ante cualquier situación, podremos hacer una nueva y efectiva gestión del
alcantarillado.

La anticipación a los acontecimientos nos permitirá mejores actuaciones. En concreto, el disponer de predicciones de lluvia o nivel de agua en el colector a corto plazo permitirá decidir cual es la mejor operación de la red posible. Este articulo presenta, a traves la utilización de redes neuronales, una posible aproximación a las tan ansiadas predicciones.

INTRODUCCIÓN
Desde hace unos años, las nuevas técnicas de gestión de las redes de servicios están siendo adoptadas también en la gestión de las redes de alcantarillado. La concepción de las redes de alcantarillado como unas redes estáticas que evacuan aguas pluviales y residuales únicamente por gravedad o con algún bombeo de ayuda esta quedando atrás.

Las nuevas técnicas permiten ir mucho más allá en la tarea de evacuación efectiva de las aguas recogidas en las áreas urbanas, permitiendo conseguir más ambiciosos objetivos de reducción de inundaciones, reducción de impactos al medio ambiente de las aguas descargadas por el sistema de saneamiento, información al ciudadano o costes de las obras de infraestructura.

Estas técnicas basadas principalmente en integración de tecnologías ya existentes requieren una infraestructura base: los actuadores de la red. Es decir, la colocación de compuertas, válvulas, bombas, depósitos de retención, etc., en la red de alcantarillado.

Pero para saber como actuar sobre ella, hay que contar con toda una serie de medidores que permitan establecer las acciones adecuadas. Así pues, hay que contar con pluviómetros, limnímetros, caudalímetros, medidores de la calidad del agua, etc.

Las tecnologías informáticas de computación y comunicaciones permitirán construir con todo ello un sistema de telecontrol. Con él, y con los criterios de actuación respaldados por los modelos hidrológicos de simulación del comportamiento de la red ante cualquier situación, podremos hacer una nueva y efectiva gestión del alcantarillado.

La anticipación a los acontecimientos nos permitirá mejores actuaciones. En concreto, el disponer de predicciones de lluvia o nivel de agua en el colector a corto plazo permitirá decidir cual es la mejor operación de la red posible.

CLABSA, empresa que gestiona técnicamente el alcantarillado de la ciudad de Barcelona, ha adoptado este enfoque de explotación de la red de alcantarillado.

GESTIÓN DEL ALCANTARILLADO Y PLUVIOMETRÍA
Se espera del sistema de alcantarillado que sea capaz de recoger y evacuar toda el agua caída en un episodio lluvioso. Por tanto el conocimiento de la pluviometría aparte de intervenir en las etapas de diseño de la red, es importante en la operación de la misma en los términos mencionados en el apartado anterior, es decir en su explotación activa.

Hará falta cuantificar la pluviometría de la zona, discernir si podemos distinguir distintos tipos de lluvia por lo que se refiere a su impacto sobre el alcantarillado, monitorizar los episodios lluviosos cuando se producen y intentar predecir su evolución a corto plazo en función de lo que ha pasado hasta el momento.

Hay pues que estudiar bien la historia pluviométrica de que se disponga. Para las tareas de monitorización y previsión es necesario disponer de pluviómetros que suministren en tiempo real los volúmenes e intensidades de lluvia al centro de control.

OBJETIVO: LA PREDICCIÓN A CORTO PLAZO
El objetivo que nos ocupa es el de intentar predecir los niveles de agua en los colectors de la red a corto plazo, es decir, durante la próxima media hora.

Hemos abordado el problema con una herramienta, las redes neuronales, que abstraen un modelo del funcionamiento de un sistema sólo con presentarle una determinada colección de entradas y salidas del mismo.

Con este tipo de modelos, que no están basados en las leyes físicas que rigen el sistema, podemos plantearnos directamente la predicción del nivel en un punto de la red, dándole como entrada la evolución del episodio lluvioso en curso. No obstante hemos preferido, en primer lugar, abordar la predicción de la lluvia a media hora vista en función de la media hora de lluvia anterior. El motivo de tal elección es que ya disponemos de modelos matemáticos de escorrentía del agua por la superficie y de transporte dentro de la red que pueden facilitarnos los niveles y caudales requeridos si le suministramos como entrada la predicción de la lluvia.

Se trata pues de imaginar una variable pluviométrica que indique la evolución de la lluvia como una serie temporal y utilizar una red neuronal para predecir los próximos valores de la variable en función de los últimos valores disponibles.

Posteriormente hemos aplicado la misma operativa para obtener predicciones del nivel de agua en un punto de la red en función de la media hora de lluvia anterior.

LAS REDES NEURONALES: UNA HERRAMIENTA DE PREDICCIÓN
El modelo "neuronal" de cómputo se puede definir como un sistema de proceso de información no algorítmico, no digital e intensamente paralelo. Las neuronas están interconectadas mediante un gran número de enlaces balanceados por "pesos", que actúan como "filtros graduables" de las señales de entrada para una neurona determinada. Las conexiones y los pesos pueden ser excitatorias o también inhibitorias.

Las neuronas reciben señales de entrada, que pueden ser tanto externas "INPUTS" como internas (señales que provienen de salidas de otras neuronas). Estas se propagan hacia las siguientes neuronas conectadas, "OUTPUTS" o señales de "ACTIVACIÓN".

En cualquier aplicación "neuronal" existen tres fases diferenciadas: aprendizaje, test y operación. El proceso de aprendizaje de una red neuronal consiste simplemente en determinar la mejor colección de pesos de todas las conexiones entre neuronas que existen en la red, para conseguir una respuesta óptima al problema, modelización o proceso planteado. El test nos indicará el grado de bondad de las respuestas y puede originar el replanteamiento de la fase de aprendizaje. La fase de operación consiste en la explotación del conocimiento adquirido durante el aprendizaje.

Podemos utilitzar las redes neuronales para diagnosticar problemas, tomar decisiones, predecir nuevos eventos o para problemas de clasificación.

PREPARACIÓN DE LOS DATOS DE LLUVIA
Antes de afrontar la modelización de cualquier sistema con redes neuronales hay que asegurarse de tener una buena cantidad de datos, tanto entradas como salidas del sistema, para poder enseñar a la red a funcionar como el sistema original. No sabremos si son suficientes o no hasta que veamos los errores de aprendizaje, pero desde luego son necesarias tanto la cantidad como la calidad de datos.

Barcelona dispone en la actualidad y a través de CLABSA de una red de 20 pluviómetros en su área urbana (9.800 Ha). Algunos están ya operativos desde 1.993 e integrados en su sistema de explotación centralizada. Se han extraído para el estudio 625 episodios de lluvia de los cuales se disponen registros en varios puntos de la ciudad.

Se ha considerado un episodio lluvioso el periodo precedido y seguido de 30 minutos sin lluvia. Estos episodios se ha discretizado en periodos de 5 minutos. La variable pluviométrica usada en el estudio ha sido la precipitación 5-minutal en mm.

De todos los registros disponibles se han eliminado los que no superan los 20 l/m2 durante el episodio a efectos de no condicionar el aprendizaje de la red neuronal con patrones de evolución de lluvias menores, que son poco problemáticas y poco importantes de predecir.

Además se ha hecho una preclasificación de las lluvias en tres tipos según la dificultad de su evacuación. De forma muy sintética :

Las lluvias Tipo A son las más usuales y a su vez problemáticas en la meteorología mediterránea que afecta a Barcelona. Son de origen convectivo y también son las menos predecibles por su variabilidad y brusquedad. Las lluvias Tipo B son muy poco frecuentes y no se disponen suficientes registros para poder construir un modelo con redes neuronales. Tampoco se dispone de gran cantidad de lluvias Tipo C, pero suficientes como para intentar modelarlas.   

CONSTRUCCIÓN DE UN MODELO DE PREDICCIÓN
Se ha utilizado NeuroShell, software propio de redes neuronales, el cual nos ha facilitado el proceso de implementación y el método con el cual se ha trabajado.

Se ha utilizado para la construcción de la red el método "BACKPROPAGATION-SUPERVISED LEARNING", ya que hace backtracking hacia la entrada una vez tiene los datos a la salida.

En su inicio, no se tuvieron en cuenta los diferentes tipos de lluvia que podían producirse, desarrollando así un único modelo para todos los casos. El proceso de test demostró que previamente tendríamos que hacer una clasificación por tipos de lluvia.

La salida del proceso de clasificación nos dará el tipo de red, con el cual cargaremos un modelo u otro, el cual habrá pasado previamente el proceso de aprendizaje.

En la predicción de precipitación 5-minutal, la selección del modelo a implementar fue siguiendo la manera standard de crear una red neuronal. Se creó un SLAB de entrada externa de seis neuronas, en el que se introducen los datos de la lluvia de la última media hora, un SLAB de entrada interno de seis neuronas (que mantiene los datos de la última media hora anterior), un SLAB intermedio que sirve para la propagación de las entradas, y un SLAB de salida de seis neuronas que nos dará los datos en periodos 5-minutales de la predicción de los próximos 30 minutos.

En el proceso de aprendizaje se hicieron iteraciones de hasta 1500 épocas, pudiendo así obtener unos pesos con un error en la salida que en la mayoría de los casos no superaba el 10% del valor de la entrada.

La predicción de niveles de agua en el colector a través de redes neuronales exigió un tratamiento previo de los datos de entrada, tanto para la fase de aprendizaje como para el test. Consistió en sustraer, al nivel de agua que efectivamente se midió en cada periodo del episodio lluvioso, el nivel de agua medido en tiempo seco, es decir el nivel debido a las aguas residuales.

Obviamente, para intentar esta predicción hay que contar con información síncrona de lluvia y nivel que será obtenida por pluviómetros y limnímetros ubicados en la misma cuenca hidrológica.

La red seleccionada para tal predicción ha sido una red no recurrente de cuatro niveles: 6-12-6-4.

Las colecciones de datos de los que se ha dispuesto para el proceso de aprendizaje no han sido muy numerosas, tan solo 7 episodios; y 3 para la fase de test.

RESULTADOS
Antes de poder dar unos resultados aceptables, se implementaron distintos tipos de redes con errores que superaban el error estipulado como máximo.

En la última implementación con una estructura más estable, pudimos ver que las gráficas reales y las estimadas empezaban a parecerse, con un error en las aproximaciones que no superaba como se ha mencionado anteriormente al 10%. 

Esta gráfica es un ejemplo de lluvia de Tipo A, con entrada real (trazo fino) y salida estimada (trazo punteado). Apreciamos como se ajustan las curvas en los picos, ya que la red ha sido entrenada para detectar puntas, y por contra la lluvia menos intensa no la reconoce.

El concepto de tiempo de concentración del agua de lluvia desde su caída hasta su llegada al punto de medida dentro del colector , es uno de los factores que es aprendido por la red facilitándole la predicción. 

NUEVOS OBJETIVOS
Después de abordar esta primera etapa de predicción de lluvia a muy corto plazo mediante el uso de las redes neuronales, es interesante abordar nuevos intentos de predicción siempre teniendo en cuenta la calidad y cantidad de información pluviométrica disponible.

Las líneas de trabajo que identificamos de más utilidad son:

Predicción pluviométrica en la ubicación de un pluviómetro accidentalmente fuera de servicio: Aprovechando la dispersión espacial de los 20 pluviómetros en una área reducida como la ciudad de Barcelona.

Mejorar la predicción del nivel del agua en un punto de la red de alcantarillado a medida de que dispongamos de mas amplias colecciones de datos para el aprendizaje o entrenamiento de la red.

Predicción de la evolución de un episodio lluvioso sobre la imagen del radar meteorológico: Mediante la extrapolación de las ultimas imágenes recibidas.

En todas ellas hay un fondo común y es que la colección sincronizada, sistemática y exhaustiva de los datos proporcionados por todos los sensores que realiza un sistema de telecontrol es básica para poder disponer de historia suficiente para asegurar un buen aprendizaje de las redes neuronales.

No hay que olvidar que el objetivo real de todo es la ayuda efectiva a la explotación del alcantarillado, por tanto la fase posterior al estudio de fiabilidad es la de montar un sistema de previsión de variables concretas realmente operativo y tan automatizado como sea posible.

CONCLUSIONES
En una primera aproximación, es difícil abordar la predicción de lluvia a corto plazo en función de la lluvia caída hasta el momento, con una red neuronal. No basta con un modelo tan sencillo. Es necesaria una preclasificación de la lluvia para obtener resultados aceptables. Esta preclasificación puede hacerse con eficacia usando también redes neuronales. Así pues, un modelo basado en varias redes neuronales, no solo en una, sí es válido para la predicción.

Los diferentes objetivos de predicción aconsejan claramente usar , después de suficientes ensayos, una topología de red u otra. No hay reglas de oro en que podamos basarnos a priori, como menciona ampliamente la bibliografía, para discernir que tipo de red resultará mejor. En el presente estudio, por ejemplo, las redes recurrentes se han adaptado mejor a la predicción de lluvia y las no recurrentes a la predicción de nivel.

Es interesante observar como los hietogramas de lluvia se traducen en hidrogramas de caudal o nivel en un punto del alcantarillado. Hay un efecto suavizador de las puntas de lluvia y un efecto de desfase temporal bastante claros. Esto favorece la predicción y hace que la predicción directa de niveles en función de la lluvia reciente sea mucho más cómoda que la predicción de la propia lluvia a corto plazo.

Las redes neuronales nos proporcionan flexibilidad en la modelización del sistema de predicción, simplicidad y eficiencia predictiva. En definitiva, si contamos con una buena base de datos histórica con la que abordar las fases de aprendizaje y test, es aconsejable usar modelos basados en redes neuronales para predicciones a corto plazo. Serán de mucha ayuda para la explotación del alcantarillado en tiempo real.

BIBLIOGRAFÍA
Malgrat, P. - Martí J., "Aplicación de tecnologías avanzadas de gestión en una red de alcantarillado". XIV Jornadas Técnicas de la Asociación Española de Abastecimiento y Saneamiento. Las Palmas de Gran Canaria, 1993.

Raso, J. - Malgrat, P. - Castillo, F., Improvement in the Selection of Design Storms for the New Master Drain Plan of Barcelona. Lió, Novatech, 1995.

Martí, J. - Ballester, Ll. - Malgrat, P., "Implementation of Real Time Control in Barcelona's Urban Drainage System". 6th International Conference on Urban Storm Drainage. Ontàrio-Canadà, 1993.

Jacobsen, P. - Olsen, H. S., "Urban Hydrology and Neural Networks". 7th Junior Scientist Workshop on Integrated Urban Storm Runoff. Castell de Cernice-Txèquia, 1994.

Rasmussen, M. - Borsen, M. - Schaarup-Jensen, K., Runoff Modelling in Urban Storm Drainage by Neural Networks. Lió, Novatech, 1995.

Freeman, J. A. - Skapura, D. M., Neural Networks. Ed. Addison Wesley.

Caudill, M., - Butler, Ch., Understanding Neural Networks. MIT Press.

Widrow, J. - Rumelhart, D. E. - Lehr, M. A., "Neural Networks: Applications in Industry, Business and Science". ACM communications, vol. 37, 1994