Aceleración de simulaciones fluviales computacionalmente intensivas mediante aprendizaje automático
DOI:
https://doi.org/10.22201/dgtic.26832968e.2026.15.157Palabras clave:
morfodinámica fluvial, transporte de sedimentos, modelación numérica, modelos sustitutos, perceptrón multicapa, aprendizaje de máquina, TELEMAC–SISYPHEResumen
Predecir la evolución del lecho es clave para anticipar procesos de erosión y sedimentación que afectan la infraestructura. Aunque los modelos 2D resuelven la hidromorfodinámica mediante la ecuación de Exner, su costo computacional es elevado debido a restricciones de estabilidad, mallas finas y la sobrecarga del cómputo paralelo. Esta demanda técnica hace que la exploración de escenarios dependa habitualmente de plataformas de alto desempeño (HPC).
Se propone un esquema que combina simulación numérica y aprendizaje automático. Primero, se ejecutan modelos numéricos convencionales para generar bases de datos espacio-temporales. Luego, se entrenan redes neuronales tipo perceptrón multicapa (MLP) como modelos sustitutos, con el fin de predecir la evolución del fondo en pasos de tiempo sucesivos. El enfoque se evalúa con simulaciones 2D mediante un modelo de elementos finitos acoplado hidrodinámico-sedimentos, elaborado en TELEMAC-MASCARET. Los resultados muestran que el MLP reproduce la tendencia espacio-temporal del lecho y reduce de forma sustancial el tiempo de análisis, lo que habilita estudios iterativos y la exploración de escenarios. Se discuten las limitaciones por extrapolación y las recomendaciones para un uso robusto.
Descargas
Citas
[1] M. Garcia, Ed., Sedimentation Engineering: Processes, Measurements, Modeling, and Practice. Reston, VA, USA: American Society of Civil Engineers, 2008. doi: 10.1061/9780784408148.
[2] E. Meyer-Peter and R. Muller, “Formulas for Bed-Load transport,” in Proceedings of 2nd meeting of the International Association for Hydraulic Structures Research, 1948. Accessed: Oct. 20, 2025. [Online]. Available: https://repository.tudelft.nl/record/uuid:4fda9b61-be28-4703-ab06-43cdc2a21bd7
[3] L. C. van Rijn, Principles of Sediment Transport in Rivers, Estuaries and Coastal Seas. Aqua Publications, 1993. [Online]. Available: https://books.google.com.mx/books?id=gGIYAQAAIAAJ
[4] K. Kaveh, “Development of Data Driven Models for Hydromorphology and Sediment Transport,” Tesis doctoral. Technische Universität München, 2019. Accessed: Oct. 20, 2025. [Online]. Available: https://mediatum.ub.tum.de/node?id=1451898
[5] K. D. A. Segales, “Aplicación De Técnicas De Aprendizaje De Máquina Para El Análisis Morfológico De Ríos,” Tesis de licenciatura, Universidad Nacional Autónoma de México, México, 2025.
[6] A. W. Minns, “Hydrological Modelling in a Hydroinformatics Context,” in Distributed Hydrological Modelling, M. B. Abbott and J. C. Refsgaard, Eds., Dordrecht: Springer Netherlands, 1996, pp. 297–312. doi: 10.1007/978-94-009-0257-2_16.
[7] C. W. Dawson and R. L. Wilby, “A comparison of artificial neural networks used for river forecasting,” Hydrology and Earth System Sciences Discussions, vol. 3, no. 4, pp. 529–540, 1999.
[8] R. Abrahart, P. E. Kneale, and L. M. See, Eds., Neural Networks for Hydrological Modeling, CRC Press, 2004. doi: 10.1201/9780203024119.
[9] X. Yan, F. Du, T. Zhang, Q. Cui, Z. Zhu, and Z. Song, “Predicting the Flow Fields in Meandering Rivers with a Deep Super-Resolution Convolutional Neural Network,” Water, vol. 16, no. 3, p. 425, Jan. 2024, doi: 10.3390/w16030425.
[10] S. R. O. Marshall, T.-N.-D. Tran, M. R. Tapas, and B. Q. Nguyen, “Integrating artificial intelligence and machine learning in hydrological modeling for sustainable resource management,” International Journal of River Basin Management, pp. 1–17, Mar. 2025, doi: 10.1080/15715124.2025.2478280.
[11] J. G. Gacu, C. E. F. Monjardin, R. G. T. Mangulabnan, and J. C. F. Mendez, “Application of Artificial Intelligence in Hydrological Modeling for Streamflow Prediction in Ungauged Watersheds: A Review,” Water, vol. 17, no. 18, p. 2722, Sep. 2025, doi: 10.3390/w17182722.
[12] L. Slater et al., “Challenges and opportunities of ML and explainable AI in large-sample hydrology,” Phil. Trans. R. Soc. A., vol. 383, no. 2302, p. 20240287, Jul. 2025, doi: 10.1098/rsta.2024.0287.
[13] J. Hervouet, Hydrodynamics of Free Surface Flows: Modelling with the finite element method, 1st ed. Wiley, 2007. doi: 10.1002/9780470319628.
[14] C. Yen and K. T. Lee, “Bed Topography and Sediment Sorting in Channel Bend with Unsteady Flow,” J. Hydraul. Eng., vol. 121, no. 8, pp. 591–599, Aug. 1995, doi: 10.1061/(ASCE)0733-9429(1995)121:8(591).
[15] N. Moghaddassi, S. H. Musavi-Jahromi, M. Vaghefi, and A. Khosrojerdi, “Effect of Mean Velocity-to-Critical Velocity Ratios on Bed Topography and Incipient Motion in a Meandering Channel: Experimental Investigation,” Water, vol. 13, no. 7, p. 883, Mar. 2021, doi: 10.3390/w13070883.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Kevin Douglas Alvarez Segales, Alejandro Mendoza, Moisés Berezowsky Verduzco
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
TIES, Revista de Tecnología e Innovación en Educación Superior, es una publicación semestral de acceso abierto bajo la licencia Creative Commons Atribución-No Comercial 4.0 Internacional (CC BY-NC 4.0).
ISSN 22683-2968 • © 2026 Universidad Nacional Autónoma de México. TIES, Revista de Tecnología e Innovación en Educación Superior es editada por la Universidad Nacional Autónoma de México a través de la Dirección General de Cómputo y de Tecnologías de Información y Comunicación (DGTIC). Circuito exterior s/n, Ciudad Universitaria, Alcaldía Coyoacán, C.P. 04510, Ciudad de México, México • Reserva de Derechos de Autor otorgado por INDAUTOR: 04-2019-011816190900-203.
El contenido de los artículos es responsabilidad de los autores y no refleja el punto de vista del Comité editorial, del Editor o de la Universidad Nacional Autónoma de México. Hecho en México, 2026.
