Predicción De Niveles De Agua En Canales Abiertos: Modelación Numérica Innovadora Utilizando Redes Neuronales

El Presente Proyecto Pretende Implementar Una Arquitectura De Redes Neuronales Profundas - Pinn (Physics Informed Neural Network) - Como Una Alternativa Relativamente Rápida Y De Bajo Costo De Resolución Numérica De Las Ecuaciones De Balance 1D Con El Objetivo De Predecir La Dinámica Involucrada En La Superficie De Lámina Libre De Agua (Calados) En Ríos De Montaña. El Modelamiento De La Lámina Libre De Agua En Ríos De Montaña, Presenta Un Reto Debido A Las Particularidades Involucradas En Lo Referente A La Irregularidad En La Geometría, Así Como La Variedad De Los Tipos De Flujo Presentes En El Trayecto. Lo Expuesto Anteriormente Enfatiza La Importancia Del Desarrollo De Diferentes Técnicas Numéricas Que Permitan Predecir, De Una Forma Relativamente Rápida Y A Bajos Costos, El Fenómeno Bajo Estudio. Esto Permitirá Analizar Y Planificar De Forma Adecuada Las Consecuencias Que Se Tengan Debido A La Variación De Calados En Ríos Incidiendo De Forma Decisiva En Dos Objetivos De Desarrollo Sostenible (Ods): Agua Limpia Y Saneamiento, Y Acción Por El Clima. En Los Últimos Años, Las Técnicas De Machine Learning (Ml) Han Mostrado Un Gran Potencial Como Modelos Sustitutos Para Aproximar El Comportamiento De Sistemas Tanto Artificiales Como Naturales. Pinn Utiliza La Información Concisa Que Se Encuentran En Las Ecuaciones Diferenciales De Forma Tal Que Actúen Cómo Un Regularizador, Limitando El Espacio De Respuesta De Las Redes Neuronales Y Haciendo Que Converjan A La Respuesta Correcta. Esto Implica Un Requerimiento Menor De Datos Con Una Interpretación Física En Los Resultados Proporcionados Por Pinn. Es Necesario Proporcionar La Rigurosidad Numérica Necesaria A La Arquitectura Pinn A Ser Implementada En El Presente Proyecto, Como Parte Del Análisis De Solvencia Del Método En Lo Referente A: Tasa De Convergencia, Sensibilidad Y Predictibilidad.