Show simple item record

dc.contributor.advisorSUAREZ SOTOMAYOR, ALEJANDRO
dc.contributor.authorRODRÍGUEZ AEDO, NATALIA CAROLINA
dc.contributor.otherERRAZ LEVAGGI, DANIEL ANDRES
dc.coverage.spatialUniversidad Técnica Federico Santa María UTFSM. Casa Central Valparaísoes_CL
dc.date.accessioned2017-08-02T20:13:03Z
dc.date.available2017-08-02T20:13:03Z
dc.date.issued2016
dc.identifier.urihttp://hdl.handle.net/11673/13205
dc.descriptionCatalogado desde la version PDF de la tesis.es_CL
dc.description.abstractThis study seeks to analyze the artificial neural networks ability to predict the water demand produced at localities Los Andes, Calle Larga and Real Curimón from Los Andes province. The project usefulness lies on getting predicting levels of not recorded water (loss of water) in a mid to long term. Predicting unaccounted water is obtained from the difference between produced water demand and billed water demand forecasts. The sanitary company has already the billed water forecasting, therefore, the thesis goal is to give to the company the missing produced water prediction. Basically, neural networks are a mathematical tool that emulates the biological neural network structure, in order to learn patterns and associated events from a data set. The feasibility of neural networks as a prediction tool is based on existing studies on literature, where they are used for data prediction in different industrial contexts. In particular, water consumption predictions using neural networks have already been implemented abroad with excellent results. Matlab with the Neural Network Toolbox library are used to develop the predictive neural network. The working methodology consists in the evaluation of different aspects from predictive network design, such as the inclusion of new variables, network linearity, different architecture designs, training lag, entry delays and data frequency. Each network configuration is simulated with test data where their predictions are compared with actual data. According to results, the optimal network design corresponds to a nonlinear network trained with monthly data on water demand and maximum temperature, which generates an average prediction error of 1.83%.eng
dc.description.abstractEl presente estudio busca analizar la capacidad de redes neuronales artificiales para predecir la demanda de agua producida en las localidades de Los Andes, Calle Larga y Real Curimón de la provincia de los Andes. La utilidad del proyecto recae en la obtención de la predicción de niveles de agua no contabilizada (pérdida de agua) en un mediano a largo plazo. La predicción de agua no contabilizada se obtiene de la diferencia entre los pronósticos de demanda de agua producida y demanda de agua facturada. La empresa sanitaria ya dispone del pronóstico de agua facturada, por lo tanto, el fin de este trabajo es entregar a la empresa el pronóstico de agua producida faltante. Básicamente, las redes neuronales son una herramienta matemática que emula la estructura de una red neuronal biológica, con el fin de aprender patrones y asociar eventos a partir de un set de datos. La factibilidad de las redes neuronales como herramienta de pronóstico, está basada en estudios existentes en la literatura, donde son utilizadas para la predicción de datos en distintos contextos industriales. Particularmente, las predicciones de consumo de agua mediante redes neuronales ya han sido implementadas en el extranjero con excelentes resultados. Se utiliza Matlab con la librería Neural Network Toolbox para el desarrollo de la red neuronal predictiva. La metodología de trabajo consiste en la evaluación de distintos aspectos del diseño de redes predictivas, tales como la inclusión de nuevas variables, linealidad de la red, diseño de distintas arquitecturas, desfase de entrenamiento, retardos de entrada, y frecuencia de datos. Cada configuración de red es simulada y sus predicciones son comparadas con datos reales. Según los resultados, el diseño de red óptimo corresponde a una red no lineal entrenada con datos mensuales de demanda de agua y temperatura máxima, la cual arroja un error promedio de predicción de 1.83%.es_CL
dc.format.extent136 h.
dc.format.mediumCD ROM
dc.format.mimetypeapplication/pdf
dc.language.isoeses_CL
dc.publisherUniversidad Técnica Federico Santa Maríaes_CL
dc.source.urihttp://www.usm.cl
dc.subjectAGUA POTABLE CHILEes_CL
dc.subjectREDES NEURONALESes_CL
dc.subjectDEMANDAes_CL
dc.subjectMODELO PREDICTIVOes_CL
dc.subjectHERRAMIENTA DE PRONOSTICOes_CL
dc.title"PRONOSTICO DE DEMANDA DE AGUA POTABLE MEDIANTE REDES NEURONALES".es_CL
dc.typeTesis Pregradoes_CL
dc.rights.accessRightsA - Internet abierta www.repositorio.usm.cl y otros repositorios a la que la USM se adscriba
dc.description.degreeINGENIERO CIVIL ELECTRÓNICOes_CL
dc.contributor.departmentUniversidad Tecnica Federico Santa Maria UTFSM DEPARTAMENTO DE ELECTRONICAes_CL
dc.description.programINGENIERÍA CIVIL ELECTRÓNICA
dc.identifier.barcode3560900232223
usm.identifier.thesis4500012856
usm.date.thesisregistration2016-06-13 00:00:00.0


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record