BOLETÍN OFICIAL DEL ESTADO
Núm. 151

Lunes 26 de junio de 2023

Sec. III. Pág. 89653

las redes neuronales (NN), redes bayesianas (BN), máquinas de soporte vector (SVM),
bosques aleatorios (RF) o boosted regression trees (BRT) y se evaluarán los modelos
que proporcionen mayor precisión y robustez para su empleo en fases posteriores de la
investigación.
Teniendo en cuenta que el comportamiento de las presas evoluciona con el tiempo,
cabe esperar que los modelos calibrados con una determinada cantidad de datos sean
válidos durante un determinado periodo de tiempo, perdiendo gradualmente precisión
hasta ser necesario un recalibrado de los mismos. Este recalibrado, en función de la
evolución del comportamiento, podría resultar más preciso añadiendo años más
recientes y eliminando comportamientos anteriores que pueden empeorar el resultado.
Será, por lo tanto, objeto de la investigación, evaluar, en base a las presas seleccionadas
como casos piloto, criterios para la selección de los periodos más adecuados para el
calibrado de los modelos y la estimación del periodo de validez de cada calibración, que
podrá variar de unos modelos a otros.
Igualmente, cada modelo puede proporcionar su mejor aproximación a partir de un
conjunto de variables diferente del adecuado para otros, por lo que también será objeto
de investigación la determinación de las variables más adecuadas de alimentación de los
diferentes modelos.
Para la evaluación de la precisión obtenida por cada modelo (validación), se
reservarán una serie de datos que no verán los modelos en ningún momento durante su
periodo de calibración, evitando así sobre-entrenamientos que proporcionen falsos
buenos resultados.
El resultado de esta actividad será una serie de modelos predictivos para cada una
de las variables seleccionadas, las precisiones asociadas a cada modelo predictivo para
cada variable y la estimación del periodo de validez de cada modelo antes de su
recalibrado.
1.5

Interpretación de los resultados obtenidos de los modelos predictivos.

Más allá de la determinación de la precisión en la predicción que se pueda obtener
con estos tipos de modelos del comportamiento de las presas, se busca conocer qué tipo
de información adicional con sentido práctico y útil para el control cotidiano de la
seguridad de las presas se puede obtener de este tipo de algoritmos. Se analizará la
utilidad práctica del empleo de estas metodologías en la obtención de información acerca
de:
Qué variables son las que más influyen en los valores registrados en los aparatos de
auscultación. Más allá de los resultados que se obtienen de los análisis de componentes
principales, los modelos de aprendizaje automático permiten conocer las relaciones
internas entre variables y evaluar la intensidad de estas relaciones. Esto permitiría
realizar una mejor interpretación del conjunto de la auscultación o tener indicios acerca
de los posibles motivos que pueden estar detrás de desviaciones del comportamiento.
Los conjuntos de variables relacionadas entre sí y la intensidad de dichas relaciones.
Las inercias de la presa en cuanto a las variables causales.
Las variables que no influyen en el comportamiento.
Definición y análisis de tendencias.

No es raro encontrar comportamientos irreversibles en las series de variables
auscultadas en presas. Estos comportamientos pueden estar relacionados con
fenómenos evolutivos, con actuaciones realizadas sobre la presa o sobre los propios
aparatos de auscultación. Los datos brutos registrados en los sensores engloban la
información completa, es decir, tanto la respuesta de la presa a las acciones externas
recurrentes, como las variaciones relacionadas con este tipo de procesos o eventos.
Otro de los objetivos del proyecto de investigación será estudiar la posibilidad que
ofrecen los modelos de IA de disociar la parte de comportamiento que se debe a la
respuesta reversible de la presa a las acciones, de la componente irreversible y su

cve: BOE-A-2023-14989
Verificable en https://www.boe.es

1.6