Show simple item record

dc.contributor.authorGalán López, Diego José
dc.date.accessioned2020-06-02T10:50:36Z
dc.date.available2020-06-02T10:50:36Z
dc.date.issued2020
dc.identifier.urihttp://hdl.handle.net/10396/20068
dc.descriptionPremio extraordinario de Trabajo Fin de Máster curso 2017/2018. Máster en Tecnología del Agua en Ingeniería Civiles_ES
dc.description.abstractLos nuevos sistemas de gestión de recursos llevan integrado el llamado internet de las cosas, orientado hacia un modelo de “Smart cities”. En este punto, donde se genera una gran cantidad de datos, resulta crucial la necesidad de validarlos como requisito previo a su uso en las diferentes gestiones que los requieran. El presente trabajo se centra en la estimación de consumos de agua potable de la red de abastecimiento de la Empresa Municipal de Aguas de Córdoba, a través del desarrollo y evaluación de diferentes modelos predictivos basados en redes neuronales artificiales (RNA). Los modelos empleados han sido el NFIT (ajuste entradas-salida), NARX (Red Neuronal No lineal Autorregresiva con factores externos) y aprendizaje profundo (Red Neuronal Recurrente LSTM). Empleando diversas arquitecturas y evaluando diferentes sets de datos para su validación, se han calculado una serie de estadísticos para evaluar su rendimiento. En base a los resultados obtenidos, la RNA LSTM (aprendizaje profundo) mostró el mejor comportamiento a la hora de pronosticar los consumos de agua con un horizonte de una hora, para todos los contadores analizados. El NARX resultó ser más preciso que el NFIT para todos los casos, a excepción del contador de mayor calibre.es_ES
dc.description.abstractThe new systems of resource management have integrated the socalled Internet of Things, oriented towards a model of "Smart cities". At this point, where a large amount of data is generated, the need to validate them as a prerequisite to their use in the different procedures that require them is crucial. The present work focuses on the estimation of drinking water consumption of the supply network of “EMACSA”, through the development and evaluation of different predictive models based on artificial neural networks (ANN). The models used were the NFIT (input-output adjustment), NARX (Neural Line Non-linear Autoregressive with external factors) and deep learning (Recurrent Neural Network LSTM). Using various architectures and evaluating different sets of data for validation, a series of statistics have been calculated to evaluate their performance. Based on the results obtained, the LSTM RNA (deep learning) showed the best behaviour when forecasting the consumption of water with a horizon of one hour, for all the meters analyzed. The NARX proved to be more accurate than the NFIT for all cases, with the exception of the higher caliber counter.es_ES
dc.format.mimetypeapplication/pdfes_ES
dc.language.isospaes_ES
dc.publisherUniversidad de Córdobaes_ES
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0/es_ES
dc.subjectRedes neuronales artificialeses_ES
dc.subjectAnálisis de series temporaleses_ES
dc.subjectControl de calidades_ES
dc.subjectValidaciónes_ES
dc.subjectPredicciónes_ES
dc.subjectConsumoses_ES
dc.subjectAprendizaje profundoes_ES
dc.subjectArtificial neural networkses_ES
dc.subjectAnalysis of time serieses_ES
dc.subjectQuality controles_ES
dc.subjectValidationes_ES
dc.subjectConsumptiones_ES
dc.subjectPredictiones_ES
dc.subjectDeep learninges_ES
dc.titleDesarrollo y evaluación de modelos predictivos de consumo de agua basados en redes neuronales artificiales. Aplicación en un sector específico de la red de abastecimiento de EMACSAes_ES
dc.title.alternativeDevelopment and evaluation of predictive models of water consumption based on artificial neural networks. Application on a “EMACSA’s” specific sector of the water supply networkes_ES
dc.typeinfo:eu-repo/semantics/masterThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses_ES
dc.contributor.tutorEstévez Gualda, Javier
dc.contributor.tutorGarcía-Marín, A.P.


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record