Resumen

Se emplea un experimento con un modelo multitanque para simular la interacción río-agua subterránea bajo eventos de lluvia. Estos experimentos incluyen materiales gruesos y finos y eventos de lluvia de 45 y 65 mm/hora. Desarrollamos un modelo de tanque modificado para la estimación de la capa freática y los niveles del río en estos experimentos. El entrenamiento de los parámetros de nuestro modelo de tanque incluye dos algoritmos: (i) el modelo basado en el algoritmo de aprendizaje no incremental puede predecir la presión del agua de poros (PWP) en un talud y un río bajo un evento de lluvia de 65 mm/hr (material grueso) con una eficiencia de Nash-Sutcliffe (NSE) = 0.427 y -0.909 y (ii) el modelo basado en el algoritmo de aprendizaje incremental puede predecir la PWP en un talud y un río con NSE = 0.994 y 0.995. A continuación, se reprodujo la interacción río-agua subterránea mediante un caso numérico. Los resultados del método determinista del caso numérico y del método optimizado del modelo de tanque modificado coincidieron bien.

• Materias:Aguas subterráneas Agua Dinámica de fluidos Dinámica de estructuras Arcilla Permeabilidad
• Subjects:Water underground Water Fluid dynamics Structural dynamics Clay Permeability
• Palabras claves:modelo de tanque modificado, modelo basado, río, caso numérico, eventos de lluvia, interacción de aguas subterráneas, experimento de modelo de tanque múltiple, algoritmo de aprendizaje incremental, algoritmo de aprendizaje no incremental, presión de agua de poros
• Keywords:modified tank model, based model, river, numerical case, rainfall events, groundwater interaction, multitank model experiment, incremental learning algorithm, nonincremental learning algorithm, pore water pressure