Predicción de Niveles de Agua en Canales Abiertos: Modelación Numérica Innovadora Utilizando Redes Neuronales

Este proyecto propone el uso de redes neuronales informadas por la física (PINN) como una alternativa eficiente y de bajo costo para resolver ecuaciones de balance 1D en la modelación de la superficie libre de agua en ríos de montaña. A diferencia de los métodos numéricos tradicionales, las PINN integran leyes físicas como regularizadores, lo que permite una mayor precisión con menores requerimientos de datos. El problema central abordado es la dificultad de capturar discontinuidades en flujos transcríticos dentro de geometrías complejas. La investigación busca mejorar la arquitectura PINN mediante la incorporación de ecuaciones diferenciales alternativas y una descripción geométrica más precisa. Se realizará un análisis exhaustivo de la solvencia del método, evaluando su tasa de convergencia, sensibilidad ante variaciones en las condiciones de contorno y capacidad predictiva frente a modelos clásicos como HEC-RAS. Los resultados esperados incluyen el desarrollo de herramientas computacionales avanzadas para la gestión de recursos hídricos, la publicación de artículos científicos de alto impacto y la formación de estudiantes en técnicas de inteligencia artificial aplicada a la ingeniería hidráulica. Este enfoque no solo optimiza la planificación de obras hidráulicas, sino que también contribuye a la mitigación de riesgos asociados a eventos climáticos extremos, alineándose con los Objetivos de Desarrollo Sostenible de la ONU.<br/><br/><b>Objetivo</b>: <br/>Implementar y analizar rigurosamente una arquitectura de redes neuronales informadas por la física (PINN) para predecir la dinámica de la superficie libre de agua en canales abiertos. El estudio evaluará la predictibilidad, convergencia y sensibilidad del modelo en ríos de montaña.<br/><br/><b>Líneas de investigación</b>: <br/>Estudio de los procesos hidrológicos en ecosistemas alto andinos localizados en el sur del ecuador