III. Otras disposiciones. MINISTERIO PARA LA TRANSICIÓN ECOLÓGICA Y EL RETO DEMOGRÁFICO. Convenios. (BOE-A-2023-14989)
Resolución de 16 de junio de 2023, de la Dirección General del Agua, por la que se publica el Convenio con la Fundación Agustín de Betancourt, para la investigación sobre la aplicación de metodologías de análisis de la auscultación de presas mediante técnicas de inteligencia artificial, en el marco del "Plan de Recuperación, Transformación y Resiliencia -financiado por la Unión Europea- NextGenerationEU".
22 páginas totales
Página
Zahoribo únicamente muestra información pública que han sido publicada previamente por organismos oficiales de España.
Cualquier dato, sea personal o no, ya está disponible en internet y con acceso público antes de estar en Zahoribo. Si lo ves aquí primero es simple casualidad.
No ocultamos, cambiamos o tergiversamos la información, simplemente somos un altavoz organizado de los boletines oficiales de España.
Cualquier dato, sea personal o no, ya está disponible en internet y con acceso público antes de estar en Zahoribo. Si lo ves aquí primero es simple casualidad.
No ocultamos, cambiamos o tergiversamos la información, simplemente somos un altavoz organizado de los boletines oficiales de España.
BOLETÍN OFICIAL DEL ESTADO
Núm. 151
Lunes 26 de junio de 2023
Sec. III. Pág. 89652
representativos de una misma situación o no. Esta evaluación llevará a obtener estas
series de registros representativos.
Identificación de atípicos: al igual que en el caso anterior, debido a fallos de lectura,
de calibración del aparato, errores humanos u otros motivos, registros concretos de
algunas variables pueden ser erróneos proporcionando un dato muy alejado de la
realidad. La identificación de estos valores se puede realizar mediante técnicas
estadísticas. Una vez identificados estos valores, en primer lugar se analizan y se
comprueba si se trata de un error claramente identificable (omisión del símbolo decimal,
cambio de unidades…); en este caso, se puede corregir el dato y ser usado en los
análisis. En caso contrario, se elimina el dato de la serie.
Análisis de huecos en las series: debido a fallos de aparatos, de comunicación,
humanos o de cualquier otra índole, es común que las series de datos presenten huecos
en alguna o varias de sus variables. El tratamiento a proporcionar dependerá de su
número, tamaño o coincidencia entre huecos de diversas variables. Este trabajo se
centrará en la caracterización de las series en lo que a los tipos de hueco se refiere.
Análisis de la variabilidad de los datos: tiene como objetivo evaluar el modo de
variación de los datos y cruzarlo con la duración de los huecos con el fin de evaluar si es
posible plantear un rellenado de huecos en las diferentes series y, en ese caso, qué
metodología será más adecuado aplicar para realizar dicho relleno.
Relleno de huecos: una vez analizadas las opciones de relleno se procederá a la
aplicación de las metodologías seleccionadas en cada caso.
Creación de series sintéticas: la respuesta de la presa a las variaciones de las
solicitaciones se observa, por lo general, diferida en el tiempo. Se observan inercias y se
ha podido observar cómo series causales formadas a partir de medias móviles de
diferentes periodos presentan una mayor relación con la respuesta de la presa en
diferentes aparatos de medida. Se generarán, a partir de las series de variables causales
(nivel, temperatura, precipitación), series sintéticas de medias móviles, velocidades de
variación o valores agregados en diferentes periodos de las mismas. Para variables de
comportamiento, se generarán series autorregresivas de diferentes tipos y periodos.
El resultado de esta tarea será la generación de la base de datos necesaria para la
alimentación de los modelos.
Las transformaciones y operaciones realizadas sobre los datos brutos de cada presa
serán programadas para poder automatizar la carga de los registros a partir de los
nuevos datos que se vayan obteniendo e introduciendo en la aplicación, de manera que
la base de datos se mantenga permanentemente actualizada y lista para ser empleada
en los diferentes algoritmos desarrollados.
Análisis de la estructura del conjunto de registros.
La precisión de los modelos basados en datos depende, fundamentalmente, de la
cantidad y calidad de los mismos. Cuanto más representada se encuentre una situación
en el conjunto de datos, tanto mejor será la predicción en condiciones similares.
Se investigará la posibilidad de establecer un índice de confianza de la predicción en
función de la densidad de representación de los diferentes registros de la serie. De esta
manera, esta densidad permitiría evaluar la confianza, o el grado de incertidumbre, en el
resultado de la predicción de cada registro particular más allá del error general medido
del método.
1.4
Desarrollo y calibración de modelos predictivos.
Una vez se disponga de la información de partida, el siguiente paso será la
aplicación de metodologías de predicción de variables del sistema de auscultación
basadas en los datos de comportamiento proporcionados por la presa a lo largo de su
historia.
Se emplearán modelos predictivos, tanto estadísticos, como los basados en
regresiones lineales múltiples (HST), como basados en Inteligencia Artificial como son
cve: BOE-A-2023-14989
Verificable en https://www.boe.es
1.3
Núm. 151
Lunes 26 de junio de 2023
Sec. III. Pág. 89652
representativos de una misma situación o no. Esta evaluación llevará a obtener estas
series de registros representativos.
Identificación de atípicos: al igual que en el caso anterior, debido a fallos de lectura,
de calibración del aparato, errores humanos u otros motivos, registros concretos de
algunas variables pueden ser erróneos proporcionando un dato muy alejado de la
realidad. La identificación de estos valores se puede realizar mediante técnicas
estadísticas. Una vez identificados estos valores, en primer lugar se analizan y se
comprueba si se trata de un error claramente identificable (omisión del símbolo decimal,
cambio de unidades…); en este caso, se puede corregir el dato y ser usado en los
análisis. En caso contrario, se elimina el dato de la serie.
Análisis de huecos en las series: debido a fallos de aparatos, de comunicación,
humanos o de cualquier otra índole, es común que las series de datos presenten huecos
en alguna o varias de sus variables. El tratamiento a proporcionar dependerá de su
número, tamaño o coincidencia entre huecos de diversas variables. Este trabajo se
centrará en la caracterización de las series en lo que a los tipos de hueco se refiere.
Análisis de la variabilidad de los datos: tiene como objetivo evaluar el modo de
variación de los datos y cruzarlo con la duración de los huecos con el fin de evaluar si es
posible plantear un rellenado de huecos en las diferentes series y, en ese caso, qué
metodología será más adecuado aplicar para realizar dicho relleno.
Relleno de huecos: una vez analizadas las opciones de relleno se procederá a la
aplicación de las metodologías seleccionadas en cada caso.
Creación de series sintéticas: la respuesta de la presa a las variaciones de las
solicitaciones se observa, por lo general, diferida en el tiempo. Se observan inercias y se
ha podido observar cómo series causales formadas a partir de medias móviles de
diferentes periodos presentan una mayor relación con la respuesta de la presa en
diferentes aparatos de medida. Se generarán, a partir de las series de variables causales
(nivel, temperatura, precipitación), series sintéticas de medias móviles, velocidades de
variación o valores agregados en diferentes periodos de las mismas. Para variables de
comportamiento, se generarán series autorregresivas de diferentes tipos y periodos.
El resultado de esta tarea será la generación de la base de datos necesaria para la
alimentación de los modelos.
Las transformaciones y operaciones realizadas sobre los datos brutos de cada presa
serán programadas para poder automatizar la carga de los registros a partir de los
nuevos datos que se vayan obteniendo e introduciendo en la aplicación, de manera que
la base de datos se mantenga permanentemente actualizada y lista para ser empleada
en los diferentes algoritmos desarrollados.
Análisis de la estructura del conjunto de registros.
La precisión de los modelos basados en datos depende, fundamentalmente, de la
cantidad y calidad de los mismos. Cuanto más representada se encuentre una situación
en el conjunto de datos, tanto mejor será la predicción en condiciones similares.
Se investigará la posibilidad de establecer un índice de confianza de la predicción en
función de la densidad de representación de los diferentes registros de la serie. De esta
manera, esta densidad permitiría evaluar la confianza, o el grado de incertidumbre, en el
resultado de la predicción de cada registro particular más allá del error general medido
del método.
1.4
Desarrollo y calibración de modelos predictivos.
Una vez se disponga de la información de partida, el siguiente paso será la
aplicación de metodologías de predicción de variables del sistema de auscultación
basadas en los datos de comportamiento proporcionados por la presa a lo largo de su
historia.
Se emplearán modelos predictivos, tanto estadísticos, como los basados en
regresiones lineales múltiples (HST), como basados en Inteligencia Artificial como son
cve: BOE-A-2023-14989
Verificable en https://www.boe.es
1.3
