Beruflich Dokumente
Kultur Dokumente
Total 100%
Bibliografía
• Bibliografía Básica
– Fattorrelli S., Fernández P., Diseño Hidrológico II Edición, WASA-GN, ISBN: 978-987-05-
2738-2
– Ven Te Chow, Maidment David, Mays Larry. Hidrología aplicada, Mc Graw Hill
Interamericana, S.A., 1994
• Bibliografía Complementaria
– Mays L. W., Water Resources Engineering, First Edition , John Wiley & Sons, Inc. 2001
– Ejemplo: ????
Precipitación Máxima Probable; Creciente máxima Probable
• VLE basado en probabilidades:
– Metodo determinisitico: Se basa en observaciones. Es
necesario registros hidrológicos suficientemente largos para
llegar a una frecuencia adecuada. (Las magnitudes de
eventos son pequeñas ya que estan ubicadas en un rango
de observaciones frecuentes)
• Presas medianas
(area: 4 – 20km2;
altura: 12 – 30 m)
• Presas grandes
(area: > 20 km2;
altura > 30 m)
• Diseño para usos de agua:
El diseño para usos de agua se formula de manera
similar que el diseño para control de aguas (crecidas),
excepto que el problema es de agua insuficiente en
lugar de agua en exceso.
Entonces:
Si se suman los costos de capital (de la obra) y los costos de los daños
esperados anualmente, se puede encontrar el período de retorno de diseño
que tenga los menores costos totales
Capitulo 2.
Mediciones Hidrológicas
• El acopio de la informacion hidrológico es importante para el
diseño hidrológico.
• Intercepción:
– la precipitación capturada por la vegetación se determina
comparando pluviografos por debajo de la vegetación vs.
Pluviografo en zonas abiertas.
Ejercicio
• De un registro de datos medidos en un
pluviografo de cubeta basculante durante
varios meses, determinar la precipitación
diaria.
• Archivo: GUA_23FEB06-5JUL06.txt
MEDICION DE LA EVAPOTRANSPIRACIÓN
• Cuencos de evapotranspiración
• El color, tamaño y posición del cuenco tendrá diferente influencias en los
resultados medidos (Clase A; Colorado)
Mediciones de nivel en cursos de
agua
• El nivel de agua en rios o lagos nos indican
indirectamente los niveles maximos de
crecientes o niveles en funcion del tiempo.
• Se la realiza en lugares donde la seccion sea lo
más estable posible, sin cambios en su forma
(erosión o deposicion de sedimentos) y con
velocidad uniforme (flujo laminar)
Tipos de limnigrafos
• Flotante: Consta de un
flotador que sube o baja su
nivel a medida que el
calado de agua sube o baja
en el tiempo. Los niveles
son registrados y
guardados digitalmente o
analogamente
• Acusticos: Se basan en el
cambio de la velocidad
del sonido debido a
humedad.
• Pueden ser precisos,
aunque la turbulencia,
espuma y otros factores
podrian generar ruido en
sus mediciones
• Presión: la presión es
directamente proporcional a la
carga del líquido sobre un
punto. Se permite que una
pequeña cantidad de aire o gas
inerte (por ejemplo el
nitrógeno) pase a un orificio en
lacorriente a través de un caño
o tubería. No necesitan un
pozo de amortiguación ni ser
sensibles a los sedimentos, si la
concentración es normal.
Medicion de Caudal
• El caudal es la cantidad de agua que pasa en
cierto instante a través de una seccion.
– Si Q = A. V donde:
• Q= Caudal
• V = Velocidad
• A = Seccion de area
– Es necesario medir apropiadamente la sección de
area y la velocidad
– La medición del área se la realiza midiendo la
forma y geometría de la misma
• Medicion de la velocidad:
– Se la mide utilizando molinetes o correntómetros
a distintos puntos de la sección transversal:
• En rios pequeños se lo cruza a pie
• En ríos grandes se lo hace desde un puente o garabita
– Sonar acustico dopler
• Mide la velocidad basada en el cambio de la velocidad
del sonido entre dos puntos. Son mas precisos siempre
y cuando la turbiedad del agua se encuentre dentro de
rangos aceptables
Determinacion de caudal en base
al nivel de agua
• El caudal puede ser medido si el volumen de
agua se lo hace pasar por una sección de área
en donde el caudal tenga una relación con el
nivel en dicha seccion.
• El nivel del curso de agua y caudal se miden
frecuentemente desde estructuras hidaulicas
como caídas, vertederos, orificios
(compuertas)
Vertedero
• Una estructura hidráulica guarda la relación
entre caudal y nivel de agua
• Media Geometrica
• Desviación estandar
• Varianza
• Covarianza
• Coeficiente de variacion
• Probabilidad:
– Weibull:
Cual es la desventaja del método de
California???
• Método de Hazen
• Para el diseñador hidrológica interesa conocer
el riesgo de falla en el período de vida útil de
una obra.
• Si P es la probabilidad de ocurrenica de un
evento, la probabilidad de no ocurrencia es:
Rainfall
model
Evapotranspiration Ep
Rainfall
input X
Vo Overland flow
Surface storage Routing
Vi Interflow
Soil moisture storage
(unsaturated zone) U
Baseflow
Groundwater storage Vb
Step 2: Filtering subflows
Filtering baseflow:
10
Measurements
Filtered baseflow
Slope recession constant for baseflow
1
Discharge [m3/s]
0.1
0.01
0 1000 2000 3000 4000 5000 6000 7000 8000
Time [number of hours]
Step 2: Filtering subflows
Filtering interflow:
10
Measurements, after subtraction filtered baseflow
Filtered interflow
Slope recession constant for interflow
1
Discharge [m3/s]
0.1
0.01
500 550 600 650 700 750 800 850 900 950
Time [number of hours]
Step 2: Filtering subflows
Filter results:
7
Measurements
6 Filtered baseflow
Filtered interflow
5 Filtered total discharge
Discharge [m3/s]
0
500 550 600 650 700 750 800
Time [number of hours]
• Selección de eventos independientes
0
17100 17150 17200 17250 17300 17350 17400
6
[m3/s]
5
Debiet [m3/s]
Discharge
1
baseflow
0
1-Nov-93 11-Nov-93 21-Nov-93 1-Dec-93 11-Dec-93 21-Dec-93 31-Dec-93
Tijd
Time
Extracción de POT
Method 1: based on baseflow
qmax qmin - qbase
p based on max. ratio q
max
35
POT waarden
Hill-type regressie independent extreme
30
Optimale drempel values
25
x [m3/s]
20
Debiet
15 extreme value
distribution above a
10 xt threshold xt
0
0 1 2 3 4 5 6
-ln ( 1-G(x)
-ln( “exceedance )
probability” )
-ln( i / (m+1) )
-ln( 1 - G(x) )
Analisis de valores extremos
• Pickands (1975) :
Generalized Pareto distribution (GPD)
1
x xt x xt
G ( x ) 1 (1 ) G ( x ) 1 exp( )
for γ<>0 for γ =0
• γ >0:
0.05 Pareto-class; cola pesada
0.045
• γ =0:
0.04
Gumbel/Exponential - class; cola normal
probability density fX(x)
0.035
• γ <0:
0.03
cola liviana
0.025
0.02
0.015
25
[m3/s]
[m3/s]
20
Discharge
Debiet
15
xt
10
x xt
G ( x ) 1 exp( )
5
0
0 1 2 3 4 5 6
-ln ( 1-G(x)
-ln( “exceedance )
probability” )
-ln( i / (m+1) )
-ln( 1 - G(x) )
Analisis de valores extremos
Pareto quantile plot:
35
POT waarden
Hill-type regressie
30
Optimale drempel
x [m3/s] )
25
Debiet [m3/s]
20
ln( Discharge
15
xt 1
10 x xt
G ( x ) 1 (1 )
5
0
0 1 2 3 4 5 6
-ln ( 1-G(x) )
-ln( “exceedance probability” )
-ln( i / (m+1) )
-ln( 1 - G(x) )
Analisis de valores extremos
Examples:
Exponential QQ-plot
Dataset 1 - normal tail
100
90
80
70
60
50
x
40
30
20
10
0
0 1 2 3 4 5 6
-ln( 1-G(x) )
Analisis de valores extremos
Examples:
Slope in exponential QQ-plot
Dataset 1 - normal tail
30 1000
900
25
800
700
20
600
MSE
slope
15 500
400
10
300
200
5
100
0 0
0 50 100 150 200 250 300
number of observations above threshold
Analisis de valores extremos
Examples:
Pareto QQ-plot
Dataset 1 - normal tail
5
4.5
4
ln( x )
3.5
2.5
0 1 2 3 4 5 6
-ln( 1-G(x) )
Analisis de valores extremos
Examples:
Slope in Pareto QQ-plot
Dataset 1 - normal tail
1 0.7
0.9
0.6
0.8
0.7 0.5
0.6 0.4
slope
MSE
0.5
0.3
0.4
0.3 0.2
0.2
0.1
0.1
0 0
0 20 40 60 80 100 120
number of observations above threshold
Distribuciones de cola normal
Exponential Q-Q plot: Pareto Q-Q plot:
Exponential QQ-plot Pareto QQ-plot
Dataset 1 - normal tail Dataset 1 - normal tail
100 5
90
80 4.5
70
60 4
ln( x )
50
x
40 3.5
30
20 3
10
0 2.5
0 1 2 3 4 5 6 0 1 2 3 4 5 6
-ln( 1-G(x) ) -ln( 1-G(x) )
900 0.9
25 0.6
800 0.8
700 0.7 0.5
20
600 0.6
0.4
slope
MSE
slope
MSE
15 500 0.5
0.3
400 0.4
10
300 0.3 0.2
200 0.2
5 0.1
100 0.1
0 0 0 0
UH plot:
Slope in UH-plot
Dataset 1 - normal tail
1 10
0.8 9
0.6 8
0.4
extreme value index
0.2
6
MSE
0
5
-0.2
4
-0.4
3
-0.6
-0.8 2
-1 1
0 20 40 60 80 100 120
number of observations above treshold
Distribuciones de cola pesada
Exponential Q-Q plot: Pareto Q-Q plot:
Exponential Q-Q plot
Dataset 2 - heavy tail Pareto QQ-plot
3 Dataset 2 - heavy tail
1.2
1
2.5
0.8
2
0.6
0.4
ln ( x )
1.5
x
0.2
1
0
-0.2
0.5
-0.4
0
-0.6
0 1 2 3 4 5 6 0 1 2 3 4 5 6
-ln( 1-G(x) )
Slope in exponential Q-Q plot Slope in Pareto QQ-plot
Dataset 2 - heavy tail Dataset 2 - heavy tail
0.6 0.7 0.4 0.7
0.5 0.3
0.5
0.4
extreme value index
0.25
0.4
Slope
0.4
MSE
MSE
0.3 0.2
0.3
0.3
0.2 0.15
0.2
0.2
0.1
0.1
0.1
0.05 0.1
0 0
0 0
0 50 100 150 200 250 300 0 50 100 150 200 250 300
number of observations above threshold number of observations above threshold
Distribuciones de cola pesada
UH plot:
Slope in UH-plot
Dataset 2 - heavy tail
0.3 4
0.2 3.5
0.1
3
extreme value index
0
2.5
MSE
-0.1
2
-0.2
1.5
-0.3
-0.4 1
-0.5 0.5
0 50 100 150 200 250 300
number of observations above threshold
Analisis de valores extremos
n 1
T [ years ]
t 1 G ( x)
Numero de excedentes extreme value
sobre el nivel límite distribution
(threshold level xt )
Analisis de valores extremos
Influencia de puntos disparados (outliers)
15
[m3/s]
Debiet [m3/s]
Discharge
10
0
0.01 0.1 1 10 100
Return period [years]
Terugkeerperiode [jaar]
Análisis de valores extremos
Para valores mínimos (e.j. caudales bajos o analisis de frecuencia de
sequías)
3.5
[m3/s]
3
Debiet [m3/s]
Discharge
2.5
1.5
0.5
0
0.1 1 10 100 1000 10000
• Simula
simultaneamente la
relación de datos de donde:
entradas-salidas de una y(t) = dato de salida en un tiempo t
manera empírica sin x(t) = dato de entrada en un tiempo t
una estructura física a0, a1, …, ap = parametros del modelo basados en una
operacion de media movil (Moving Average (MA)) aplicado a los
datos de entrada x(t)
• Es necesaria una b0, b1, …, bq = parametros del modelo en abse a una operacion
calibracion previa y no Auto Regresiva (Auto Regressive (AR)) aplicada a los datos de
existe una salida y(t)
interpretación física de
sus parámetros p= numero de MA parameters
q = numero de AR parameters
• El M. F. L. R puede ser
presentado en la forma
de un modelo
conceptual (caja gris) y
los parámetros si tienen
una interpretación física
• K1 = 3.21 day-1
• K2 = 1 day-1
• K3 = 1 day-1