Abstracts Category : Other

A machine learning based methodology for anomaly detection in dam behaviour

by Gonzlez Fernando Salazar

El comportamiento estructural de las presas de embalse es difcil de predecir con precisin. Los modelos numricos para el clculo estructural resuelven las ecuaciones de la mecnica de medios continuos, pero estn sujetos a una gran incertidumbre en cuanto a la caracterizacin de los materiales, especialmente en lo que respecta a la cimentacin. Como consecuencia, frecuentemente estos modelos no son capaces de calcular el comportamiento de las presas con suficiente precisin. As, es difcil discernir si un estado que se aleja en cierta medida de la normalidad supone o no una situacin de riesgo estructural. Por el contrario, muchas de las presas en operacin cuentan con un gran nmero de aparatos de auscultacin, que registran la evolucin de diversos indicadores como los movimientos, el caudal de filtracin, o la presin intersticial, entre otros. Aunque hoy en da hay muchas presas con pocos datos observados, hay una tendencia clara hacia la instalacin de un mayor nmero de aparatos que registran el comportamiento con mayor frecuencia. Como consecuencia, se tiende a disponer de un volumen creciente de datos que reflejan el comportamiento de la presa, lo cual hace interesante estudiar la capacidad de herramientas desarrolladas en otros campos para extraer informacin til a partir de variables observadas. En particular, en el mbito del Aprendizaje Automtico (Machine Learning), se han desarrollado algoritmos muy potentes para entender fenmenos cuyo mecanismo es poco conocido, acerca de los cuales se dispone de grandes volmenes de datos. En la tesis se ha hecho un anlisis de las posibilidades de las tcnicas ms recientes de aprendizaje automtico para su aplicacin al anlisis estructural de presas basado en los datos de auscultacin. Para ello se han tenido en cuenta las caractersticas habituales de las series de datos disponibles en las presas, en cuanto a su naturaleza, calidad y cantidad. Se ha realizado una revisin crtica de la bibliografa existente, a partir de la cual se han identificado los aspectos clave a tener en cuenta para implementacin de estos algoritmos en la seguridad de presas. Se ha realizado un estudio comparativo de la precisin de un conjunto de algoritmos para la prediccin del comportamiento de presas considerando desplazamientos radiales, tangenciales y filtraciones. Para ello se han utilizado datos reales de una presa bveda. Los resultados sugieren que el algoritmo denominado ``Boosted Regression Trees'' (BRTs) es el ms adecuado, por ser ms preciso en general, adems de flexible y relativamente fcil de implementar. En una etapa posterior, se han identificado las posibilidades de interpretacin del citado algoritmo para extraer la forma e intensidad de la asociacin entre las variables exteriores y la respuesta de la presa, as como el efecto del tiempo. Las herramientas empleadas se han aplicado al mismo caso piloto, y han permitido identificar el efecto del tiempo con ms precisin que el mtodo estadstico tradicional. Finalmente, se ha desarrollado una metodologa para laAdvisors/Committee Members: [emailprotected] (authoremail), false (authoremailshow), Oate, E. (Eugenio) (director), Toledo Municio, Miguel ngel (codirector), true (authorsendemail).