Posibilidades de la ingeniería artificial en el análisis de auscultación de presas

El comportamiento estructural de las presas de embalse es dificil de predecir con precision. Los modelos numericos para el calculo estructural resuelven bien las ecuaciones de la mecanica de medios continuos, pero estan sujetos a una gran incertidumbre en cuanto a la caracterizacion de los materiales, especialmente en lo que respecta a la cimentacion. Asi, es dificil discernir si un estado que se aleja en cierta medida de la normalidad supone o no una situacion de riesgo estructural. Por el contrario, muchas de las presas en operacion cuentan con un gran numero de aparatos de auscultacion, que registran la evolucion de diversos indicadores como los movimientos, el caudal de filtracion, o la presion intersticial, entre otros. Aunque hoy en dia hay muchas presas con pocos datos observados, hay una tendencia clara hacia la instalacion de un mayor numero de aparatos que registran el comportamiento con mayor frecuencia [1]. Como consecuencia, se tiende a disponer de un volumen creciente de datos que reflejan el comportamiento de la presa. En la actualidad, estos datos suelen tratarse con metodos estadisticos para extraer informacion acerca de la relacion entre variables, detectar anomalias y establecer umbrales de emergencia. El modelo general mas comun es el denominado HST (Hydrostatic-Season-Time), que calcula la prediccion de una variable determinada de una presa a partir de una serie de funciones que tienen en cuenta los factores que teoricamente mas influyen en la respuesta: la carga del embalse, el efecto termico (en funcion de la epoca del ano) y un termino irreversible. Puntualmente se han aplicado modelos mas complejos, en algunos casos introduciendo un numero mayor de variables, como la precipitacion [2], y en otros con otras expresiones como la funcion impulso-respuesta [3]. En otros campos de la ciencia, como la medicina o las telecomunicaciones el volumen de datos es mucho mayor, lo que ha motivado el desarrollo de numerosas herramientas para su tratamiento y para el desarrollo de modelos de prediccion. Algunas de ellas, como las redes neuronales, ya han sido aplicadas al caso de la auscultacion de presas [4], [5] con resultados prometedores. El trabajo que se presenta es una revision de las herramientas disponibles en los campos de la mineria de datos, inteligencia artificial y estadistica avanzada, potencialmente utiles para el analisis de datos de auscultacion. Se describen someramente, indicando sus ventajas e inconvenientes. Se presenta ademas el resultado de aplicar un modelo basado en bosques aleatorios [6] para la prediccion del caudal de filtracion en un caso piloto. Los bosques aleatorios estan basados en los arboles de decision [7], que son modelos que dividen el conjunto de datos observados en grupos de observaciones “similares”. Posteriormente, se ajusta un modelo sencillo (tipicamente lineal, o incluso un valor constante) que se aplica a los nuevos casos pertenecientes a cada grupo.