Análisis de la distribución estadística del coeficiente de rugosidad y su efecto usando la metodología GLUE en tres morfologías de ríos de montaña

La estimación del coeficiente de rugosidad es de vital importancia en modelos hidrodinámicos unidimensionales. Existen métodos para estimar el parámetro de rugosidad en un modelo hidrodinámico basado en un muestreo de los posibles valores y su comparación con mediciones de campo. La distribución...

Full description

Bibliographic Details
Main Author: Sisalima Andrade, Jorge Luis
Other Authors: Sánchez Cordero, Esteban Remigio
Format: bachelorThesis
Language:spa
Published: Universidad de Cuenca 2022
Subjects:
Online Access:http://dspace.ucuenca.edu.ec/handle/123456789/38012
Description
Summary:La estimación del coeficiente de rugosidad es de vital importancia en modelos hidrodinámicos unidimensionales. Existen métodos para estimar el parámetro de rugosidad en un modelo hidrodinámico basado en un muestreo de los posibles valores y su comparación con mediciones de campo. La distribución estadística que se asume en estos muestreos es una uniforme en donde todos los datos en el rango son igualmente probables. El método GLUE es uno de dichos métodos que usa una distribución uniforme. En esta metodología se reproduce las condiciones observadas mediante combinaciones de modelos, parámetros y variables según los conceptos de equifinalidad y verosimilitud. Se conoce que: las morfologías comunes de canales naturales en ríos de montaña son: lecho plano, cascada y grada. El principal aspecto de este trabajo de titulación, se basa en determinar la influencia del cambio de asumir la distribución uniforme como predeterminada para de los parámetros de rugosidad, por una distribución estadística acorde a mediciones de rugosidad realizadas en los distintos casos de estudio. La distribución determinada mediante un análisis estadístico previo, fue utilizada en una prueba GLUE, y su eficiencia se comparó con pruebas basadas en una distribución uniforme. Finalmente, se analizó la convergencia según el número de iteraciones indispensables y el nivel de significancia de los resultados, determinando falsa afirmación de obtener mejor precisión y velocidad de convergencia gracias al cambio de distribución estadística usada.