ESCUELA DE INGENIERIA
Profesor Supervisor:
BONIFACIO FERNNDEZ L.
BONIFACIO FERNNDEZ L.
EDUARDO VARAS C.
PEDRO RIVERA I.
Quiero agradecer con especial cario a mi familia y a Jorge Maureira por estar siempre
conmigo y brindarme su apoyo durante todos los aos de universidad y en especial
durante el periodo de desarrollo de mi tesis.
A los profesores Eduardo Varas y Jos Luis Almazn y a Pedro Rivera por acceder a ser
parte de la comisin y por sus valiosos comentarios, observaciones y sugerencias.
Tambin quiero agradecer a los profesores, compaeros y amigos que conoc durante los
aos de estudio que de una u otra forma contribuyeron al desarrollo de esta tesis. Quiero
mencionar de manera especial a Jorge Girons, Gustavo Calle, Marco Alsina y Alex
Thumann quienes siempre estuvieron dispuestos a ayudarme a superar los obstculos
que se presentaban en el camino.
A la Sociedad Canal del Maipo por la Beca Arturo Cousio Lyon que recib el ao 2006
y fue de gran ayuda para el desarrollo de mi tesis.
iii
INDICE GENERAL
Pg.
DEDICATORIA .......................................................................................................... ii
INDICE DE FIGURAS............................................................................................... ix
RESUMEN................................................................................................................ xiii
ABSTRACT.............................................................................................................. xiv
1. INTRODUCCIN.............................................................................................. 1
6. CONCLUSIONES............................................................................................ 88
BIBLIOGRAFA ....................................................................................................... 91
ANEXOS ................................................................................................................... 95
Pg.
Tabla 2-1: tau de Kendall en trminos del parmetro de cada cpula. ...................... 21
Tabla 5-3: Parmetros estimados por mtodo de mxima verosimilitud para cada
serie. ........................................................................................................................... 60
vii
Tabla 5-12: Familia de cpulas escogida para cada par de variables. ....................... 68
Tabla 5-17: Tiempo de viaje por las calles de la cuenca ubicada en Chilln............. 78
Tabla 5-18: Tiempo de viaje por las calles de la cuenca ubicada en la comuna de La
Reina. ......................................................................................................................... 78
viii
INDICE DE FIGURAS
Pg.
Figura 2-7: Esquema de un proceso representado por una cadena de Markov simple.10
Figura 4-1: Regin de integracin para calcular P ( 0 < vr v0 ) cuando v0 > hSdd . . 41
ix
Figura 4-2: Regin de integracin para P ( Q p q p ) para cuenca tipo 1 con
q p < 2 f c h . .................................................................................................................. 48
Figura 5-5: K-Kplots para las cpulas ajustadas a las variables v - t de Chilln....... 65
Figura 5-6: K-Kplots para las cpulas ajustadas a las variables v - t de Santiago..... 65
Figura 5-7: K-Kplots para las cpulas ajustadas a las variables t - b de Chilln....... 66
x
Figura 5-8: K-Kplots para las cpulas ajustadas a las variables t - b de Santiago. .... 67
xi
Figura 5-21: Periodo de retorno para el caudal mximo de la cuenca ubicada en
Chilln........................................................................................................................ 84
xii
RESUMEN
xiii
ABSTRACT
xiv
1
1. INTRODUCCIN
multivariadas (Nelsen, 2006). Esta herramienta evita las restricciones expuestas, pues la
funcin de dependencia entre dos o ms variables se determina en forma independiente
de las funciones de distribucin marginal, lo que permite modelar la estructura
probabilstica de un fenmeno multivariado con mayor flexibilidad.
precipitacin (IETD) y se acepta que periodos de lluvia separados por un TET mayor
que IETD corresponden a tormentas distintas, mientras que aquellos separados por un
TET menor que IETD pertenecen al mismo evento. Una vez definido el IETD se
procede a discretizar el registro continuo y a estimar las caractersticas de las tormentas.
Es claro que los anlisis estadsticos basados en distintos valores de IETD implican
resultados distintos ya que definen distintas tormentas (Adams et al., 1986), por lo que la
eleccin del IETD debe justificarse utilizando un criterio con base estadstica (Adams y
Papa, 2000).
Tormenta 1 Tormenta 2
Intensidad instantnea
Tiempo
Tormenta 1 Tormenta 2
Volumen de precipitacin
Tiempo
Varios autores han desarrollado diferentes metodologas para estimar el IETD. Una de
ellas corresponde al mtodo exponencial desarrollado por Restrepo-Posada y Eagleson
(1982), que se basa en suponer que la funcin de densidad de probabilidad de TET
puede ser representada por una distribucin exponencial. El procedimiento consiste en
discretizar la serie continua de precipitaciones segn distintos valores de IETD y
verificar si las duraciones de periodos secos entre tormentas siguen una distribucin
exponencial para TET IETD. Para esto, se recurre a que el coeficiente de variacin es
igual a la unidad para distribuciones exponenciales. As, el mtodo consiste en adoptar
un valor para IETD, discretizar el registro y calcular el coeficiente de variacin de la
serie de TET resultante. Este procedimiento se repite hasta obtener un valor igual o
parecido a 1. Un problema de este procedimiento es que si bien se cumple con una
condicin necesaria, no es suficiente para asegurar que una variable distribuya
exponencialmente.
Otro mtodo para distinguir eventos independientes corresponde a los llamados tests de
autocorrelacin, en los que se calcula el autocorrelograma de la serie de intensidad
media o volumen de precipitacin, usualmente a escala horaria (Bonta y Rao, 1988). En
este caso el IETD corresponde al desfase a partir del cual el coeficiente de correlacin es
estadsticamente nulo. Este tipo de procedimientos se ha aplicado utilizando tanto el
coeficiente de correlacin lineal de Pearson como coeficientes de correlacin de ranking,
entregando mejores resultados estos ltimos. Bonta y Rao (1988) estudiaron los factores
que afectan a la determinacin de IETD tanto por el mtodo exponencial como por tests
de autocorrelacin de ranking, concluyendo que en ambos casos intervalos de muestreo
de una hora son adecuados y que se requiere del orden de 10 aos de datos para realizar
un anlisis preciso.
Un tercer mtodo se basa en la relacin que existe entre el IETD y el nmero promedio
de eventos al ao. Si se construye un grfico Promedio de eventos al ao vs. IETD se
debe elegir un valor de IETD tal que para valores mayores no se observen variaciones
7
importantes en el nmero promedio de eventos por ao. Sin embargo, esto no ocurre
siempre y puede ocurrir que nunca se encuentre dicho valor de IETD, ya que es posible
que no se observe el comportamiento asinttico esperado (Adams y Papa, 2000).
Las metodologas presentadas tienen inconvenientes por diferentes motivos. Por un lado,
el mtodo exponencial asume una distribucin de probabilidad predeterminada para
TET. Por otro lado, los tests de autocorrelacin intentan identificar eventos
independientes basando su anlisis slo en una variable, en circunstancias que las
tormentas son eventos multivariados. Adems, en algunos casos el autocorrelograma no
entrega informacin decidora.
3
2.5
2
CV
1.5
1
0.5
0
0 50 100 150 200 250 300 350 400 450 500
IETD (horas)
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500 600 700 800 900 1000
Desfase (horas)
0.1
0.08
0.06
0.04
0.02
0
0 100 200 300 400 500 600 700 800 900 1000
Desfase (horas)
40
30
20
10
0
0 100 200 300 400 500
IETD(horas)
Figura 2-7: Esquema de un proceso representado por una cadena de Markov simple.
Este tipo de procesos queda definido por sus probabilidades de transicin de estado, las
que se pueden estimar a partir de valores observados con el siguiente grupo de
ecuaciones:
N 00 N 01 N10 N11
P00 = ; P01 = ; P10 = ; P11 = (2.1)
N 00 + N 01 N 00 + N 01 N10 + N11 N10 + N11
Donde,
N ij : Nmero de transiciones del estado i al estado j , con i , j = 0, 1.
P00 P01
P = (2.2)
P10 P11
Para este tipo de procesos las probabilidades de transicin despus de muchas etapas se
independizan del estado inicial y tienden a un valor igual a la probabilidad libre, tal
11
como muestra la ecuacin (2.3). As, se propone adoptar como IETD un valor m * a
partir del cual se acepta que Pij ,m* Pj , con un cierto nivel de tolerancia .
Nj
lim Pij ,m = Pj = (2.3)
m Ni + N j
Donde,
m : Nmero de etapas de transicin (en este caso horas).
Pij , m : Probabilidad de transicin del estado i al estado j en m etapas.
En resumen, para discretizar el registro continuo disponible se debe seguir los siguientes
pasos:
- Calcular la precipitacin horaria a partir del registro continuo.
- Identificar el nmero de horas con y sin lluvia ( N1 y N 0 ).
Una vez identificadas las tormentas se debe ajustar a las series de duracin, volumen de
precipitacin y TET funciones de distribucin marginal. Para ello, se consideran como
candidatas las funciones de distribucin exponencial y gama de dos parmetros (gama-2
de aqu en adelante), cuyos parmetros se ajustan por el mtodo de mxima
verosimilitud (ML). La bondad de ajuste se evala de acuerdo al test 2 y en caso de
que ambas familias constituyan un buen ajuste se recurre al Criterio de Informacin de
Akaike.
f X ( x) = exp ( x ) x0 (2.6)
1
=
(2.7)
Donde se puede estimar como el promedio muestral.
13
1
1 x x
f X ( x) = exp x0 (2.8)
( )
= (2.9)
1 N x
N
i =1
ln i + ln( ) ( ) = 0
(2.10)
Donde,
N : es el tamao de la muestra.
xi : es la observacin i .
'( )
( ) =
(2.11)
( )
Como no puede despejarse explcitamente de la ecuacin (2.10), se debe encontrar
numricamente. En este trabajo se utiliza el software Maple 8 para la resolucin de la
ecuacin.
14
Para evaluar la calidad del ajuste se aplica el test 2 que consiste en comparar el
nmero real de observaciones con el nmero esperado de observaciones, segn la
distribucin probada, que caen en intervalos previamente definidos. El estadstico de
prueba se calcula segn la ecuacin (2.12) (Haan, 1977).
( Oi Ei )
2
k
=
2
c (2.12)
i =1 Ei
Donde,
k : Es el nmero de intervalos.
Oi : Nmero real de observaciones en el intervalo i .
As, la hiptesis de que los datos provienen de la distribucin candidata se rechaza si:
Donde,
12 , gld : Valor crtico para un nivel de significancia y gld grados de libertad.
buen ajuste se aplica el Criterio de Informacin de Akaike (Hipel y McLeod, 1994), que
consiste en seleccionar el modelo con menor AIC , dado por la ecuacin (2.15).
Donde,
ML : Es el mximo valor de la funcin de verosimilitud del modelo.
k : Es el nmero de parmetros ajustados.
El concepto de cpula fue empleado por primera vez con sentido matemtico o
estadstico por Abe Sklar (1959) en el teorema que ahora lleva su nombre para
describir funciones que unen funciones de distribucin unidimensionales para
formar funciones de distribucin multivariadas (p.2)
H X ,Y ( x, y ) = C ( FX ( x), GY ( y )) (2.16)
Donde,
FX ( x) , GY ( y ) : Funciones de distribucin marginal acumulada de X e Y .
C : Es la cpula.
Cabe destacar que C :[0,1] [0,1] [0,1] pues su dominio corresponde a las funciones
marginales FX ( x) y GY ( y ) que son variables distribuidas en el intervalo [0,1].
17
Una cpula C :[0,1]2 [0,1] para un par de variables aleatorias X e Y con funciones
de distribucin marginal acumulada U1 = FX ( x) y U 2 = GY ( y ) es una FDA conjunta si
Propiedad 1:
C (u1 , 0) = C (0, u2 ) = 0 (2.17a)
Propiedad 2: Para todo u11 , u12 , u12 , u22 [0,1] tales que u11 u12 y u12 u22 se tiene que:
C ( u1 , u2 ) = 1 ( ( u1 ) + ( u2 ) ) = H X ,Y ( x, y ) 0 u1 , u2 1 (2.19)
Donde,
: Es la funcin generadora de cpula, : [0,1] [0, ) .
: Es el parmetro de la cpula, escondido en la funcin .
Para que C ( u1 , u2 ) cumpla las propiedades de una FDA conjunta la funcin debe
cumplir con:
(i) Ser estrictamente decreciente. Es decir, ' ( u ) < 0 .
(iii) (1) = 0
(iv) 1 ( u ) = 0 si ( 0 ) u
Al igual que en el trabajo de Zhang y Singh (2007), en este trabajo se hace uso de las
cuatro familias de cpulas Arquimedeanas que se presentan a continuacin. En forma
similar al caso de ajuste de funciones de distribucin marginal, estas familias son
consideradas candidatas, por lo que se ajusta cada una de ellas y posteriormente se
evala la bondad del ajuste para elegir la mejor.
19
Funcin generadora: ( t ) = t 1 , 0
1
( )
Cpula: C ( u1 , u2 ) = u1 + u2 1
e t 1
Funcin generadora: ( t ) = ln , 0
e 1
( e u1 1)( e u2 1)
1
Cpula: C ( u1 , u2 ) = ln 1 +
e 1
Funcin generadora: ( t ) = ln ( t ) , [1, )
( )
1
Cpula: C ( u1 , u2 ) = exp ( ln ( u1 ) ) + ( ln ( u2 ) )
1 (1 t )
Funcin generadora: ( t ) = ln , [ 1,1)
t
u1u2
Cpula: C ( u1 , u2 ) =
1 (1 u1 )(1 u2 )
20
N
N observaciones de las variables ( X ,Y ) existen posibilidades de escoger dos
2
pares distintos ( xi , yi ) y ( x j , y j ) , los que pueden ser concordantes o discordantes. Dos
N =
( PN QN ) (2.20)
N
2
Donde,
PN : Es el nmero de pares concordantes en la muestra de tamao N .
discordante es la misma.
21
El rango del coeficiente tau de Kendall corresponde al intervalo [-1,1], donde los
extremos corresponden a la mxima medida de dependencia (ya sea positiva o negativa)
y el valor nulo al caso de independencia estadstica.
Genest y MacKay (1986) demostraron una de las propiedades que convierten a las
cpulas Arquimedeanas en las ms populares en aplicaciones estadsticas. En ellas
existe una relacin terica entre el tau de Kendall y la funcin generadora de cpula, ,
dada por la ecuacin (2.21). Luego, para obtener el parmetro basta con igualar el
coeficiente muestral ( n ) con el coeficiente paramtrico ( ) del modelo.
1
(t )
= 4 dt + 1 (2.21)
0
'(t )
La Tabla 2-1 muestra la ecuacin que se debe resolver para encontrar el estimador del
parmetro de cada una de las familias de cpulas candidatas.
= 1 ln (1 )
Ali-Mikhail-Haq para
3 [ 0.2, 0.3]
1 t
D1 ( ) =
exp(t ) 1
dt >0 (2.22)
0
D1 ( ) = D1 ( ) + (2.23)
2
Para evaluar la bondad de ajuste de las cpulas a los datos disponibles se aplica un test
grfico desarrollado por Genest y Rivest (1993) que compara las funciones de
probabilidad emprica y terica de la variable W = C (U1 ,U 2 ) , llamadas K y K n
respectivamente. Es decir, se evala el ajuste a travs de la funcin de distribucin de la
variable W [ 0,1] que en realidad es la funcin de dependencia entre X e Y .
# de W j tales que W j Wi
K n (Wi ) = (2.25)
N
23
( w)
K ( w ) = w , w ( 0,1) (2.26)
' ( w)
vs. K n , llamado K-Kplot. Si los puntos graficados se ajustan a la recta que pasa por el
origen con pendiente unitaria significa que las funciones K n y K concuerdan y que la
cpula reproduce de buena manera la estructura de dependencia de los datos. La Figura
2-8 muestra un ejemplo de dos grficos K vs. K n , en este caso, el grfico (a)
representara un mejor ajuste que el grfico (b).
1 1
0.8 0.8
0.6 0.6
K
0.4 0.4
0.2 0.2
0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Kn Kn
(a) Frank (b) Ali-Mikhail-Haq
En caso de que ms de una cpula presente un buen ajuste basado en los grficos K-
Kplots se emplea el Criterio de Informacin de Akaike para mtodos de ajuste no
paramtricos (Zhang y Singh, 2007). En este caso, el AIC se calcula segn la ecuacin
(2.27), donde MSE es el error cuadrtico medio calculado segn la ecuacin (2.28), en
24
la observacin i .
N
1
MSE = ( x (i) x (i) )
2
c o (2.28)
N i =1
ecuacin (2.29).
2 H X ,Y ( x, y ) 2C ( u , v ) u v 2C ( u, v ) FX ( x ) GY ( y )
hX ,Y ( x, y ) = = = (2.29)
x y u v x y u v x y
25
3. TRANSFORMACIN LLUVIA-ESCORRENTA
f p (t ) = f c + ( f o f c ) e kt (3.1)
26
Donde,
f p : Es la capacidad de infiltracin en el instante t (mm/hr).
La Figura 3-1 muestra curvas de capacidad de infiltracin para distintos suelos, usando
valores tpicos de los parmetros de acuerdo a la informacin disponible en James et al.
(1998).
120
100
80
fp(mm/hr)
20
0
0 1 2 3 4 5
t (horas)
t
S mf = ( f c + ( f o f c ) e kT ) dT = Siw + f c t (3.2)
0
27
fo fc
Siw = [1 exp(k t )] (3.3)
k
prdidas por infiltracin a tasa constante f c . En la Figura 3-1 se observa que para los
tres tipos de suelo la capacidad de infiltracin decae rpidamente hasta su valor ltimo,
por lo que Siw debera satisfacerse durante la primera parte de las lluvias, si el volumen
de precipitacin es suficiente.
Se considera que en los periodos secos entre tormentas el suelo recupera su capacidad de
infiltracin, con lo que la capacidad de infiltracin inicial vara de un evento a otro. As,
asumiendo que en la ltima tormenta se alcanz la saturacin del suelo (capacidad de
infiltracin f c ), la recuperacin se modela segn la siguiente ecuacin (James et al.,
1998):
f o (b) = f m ( f m f c ) e kd b (3.4)
Donde,
b : Es el tiempo seco entre tormentas (hr).
f m : Es la capacidad de infiltracin mxima (mm/hr).
( fm fc )
Siw = 1 e k t 1 e kd b (3.5)
k
Dado que b y t son variables aleatorias que dependen de las tormentas, Siw tambin lo
es. Sin embargo, para el desarrollo del modelo analtico este parmetro se trata como
una constante, igual a su valor esperado, calculado segn (3.6).
E ( Siw ) = S iw hB ,T ( b, t ) dt db (3.6)
IETD 0
Finalmente, para encontrar una expresin para el volumen de escorrenta, se asume que
el volumen de lluvia debe satisfacer Sdi para que se genere escorrenta en las zonas
impermeables y, por otro lado, debe satisfacer S dp y Siw para que se genere
el volumen de escorrenta generado por las reas permeables ( vrp ) est dado por (3.8).
0 v S di
vri = (3.7)
v S di v > S di
0 v Sdp + Siw + f c t
vrp = (3.8)
v Sdp Siw f c t v > Sdp + Siw + f ct
29
El volumen de escurrimiento total se define como la suma ponderada por rea de los
aportes de ambos tipos de superficie y est dado por la ecuacin (3.9), donde h la
fraccin de rea impermeable de la cuenca.
0 v S di
vr = h(v Sdi ) Sdi < v Sil + f c t (3.9)
v S f (1 h)t v > Sil + f ct
d c
Donde Siw se estima como E ( Siw ) y los trminos Sil y S d estn dados por:
Sil = S dp + S iw (3.10)
S d = hS di + (1 h ) Sil (3.11)
Caudal
(mm/hr)
Qp
vr
Tiempo (hr)
t + tc
1
vr = ( t + tc ) Q p (3.12)
2
2vr
Qp = (3.13)
( t + tc )
Cabe destacar que la expresin anterior es independiente del momento en que ocurre el
caudal mximo, lo que, segn los propios autores, podra afectar las estimaciones. Sin
embargo, su trabajo acepta esta aproximacin y se obtienen resultados razonables.
0 v S di
2h(v Sdi )
Qp = Sdi < v Sil + f ct (3.14)
t + tc
v Sd f c (1 h)t
v > Sil + f c t
t + tc
t p = 0.67tc (3.15)
Caudal
(mm/hr)
Qp
0.37vr
Tiempo (hr)
tp
tb= 2.67 tp
1
t p Q p = 0.37vr (3.17)
2
1.1vr
Qp = (3.18)
tc
0 v S di
1.1h ( v - S )
Qp = di
S di < v Sil + f c t (3.19)
t c
1.1 v S f (1 h ) t
d c v > Sil + f c t
tc
33
caractersticas de la cuenca, mientras que las del tipo 2 expresan tc en trminos de las
caractersticas de la cuenca y la intensidad de lluvia (Quader y Guo, 2006). Dentro de las
frmulas tipo 2 se encuentra la de Morgali y Linsley (ecuacin (3.21)) que corresponde a
una ecuacin de flujo superficial ampliamente utilizada y fue adoptada para este trabajo.
7 L0.6 n 0.6
tc = (3.21)
60 ie0.4 S 0.3
Donde,
L : Es la longitud del escurrimiento superficial (m).
n : Es el coeficiente de rugosidad de Manning de la superficie.
i : Es la intensidad de precipitacin efectiva (mm/hr).
S : Es la pendiente (m/m).
0.6 0.6
7 Lp n p
tcp = (3.22)
60 iep0.4 S 0.3
7 L0.6 i ni
0.6
tci = (3.23)
60 iei0.4 S 0.3
35
Donde,
n p : Es la rugosidad de la superficie permeable.
Respecto del valor de precipitacin efectiva se sigue la metodologa usada por Guo y
Adams (1998b), en la que para el plano impermeable se utiliza el promedio histrico de
intensidad de precipitacin, calculado sin considerar aquellos eventos en que el volumen
de precipitacin, expresado en milmetros, no satisface la altura detencin superficial
del plano impermeable Sdi . Para el plano permeable tambin se calcula el promedio
histrico, pero calculado sin considerar aquellos eventos que no satisfacen las prdidas
iniciales de este tipo de superficie ( Sil = Sdp + Siw ).
36
El tiempo de viaje por los elementos de conduccin que unen a las subcuencas se calcula
como el cuociente entre el largo del elemento ( L p ) y la velocidad del escurrimiento,
estimada de acuerdo a la ecuacin (3.24), propuesta por el Urban Drainage and Flood
Control District (2008).
Donde,
V p : Velocidad de conduccin (m/s).
Finalmente, el tiempo de concentracin se calcula para todas las rutas posibles que
puede seguir el flujo y se adopta el mayor valor. Una ruta est compuesta por
subcuencas y elementos de conduccin, con lo que tiempo de viaje total asociado a ella
se calcula segn:
N s ,r N p ,r
L p ,r ,k
tc ,r = tcs ,r , k + (3.25)
k =1 k =1 V p ,r ,k
Donde,
tc ,r : Es el tiempo de concentracin asociado a la ruta r .
de la ruta r .
tc = mx
r
{t }
c ,r (3.26)
De ms est decir que por ms que se racionalice el clculo la estimacin del tiempo de
concentracin es tremendamente arbitraria y conduce a resultados muy dispares por
pequeos cambios de criterios.
38
ESCORRENTA
Sdi
P(vr = 0 ) = P(v Sdi ) =
0 0
h ( v, t ) dv dt
V ,T (4.1)
39
menor que hSdd , con S dd = Sil Sdi . Luego, la probabilidad de que vr sea menor que un
valor v0 , con v0 mayor que cero pero menor o igual que hSdd , se obtiene de la siguiente
forma:
v
= P Sdi < v 0 + S di (4.2)
h
v0
+S
h di
= hV ,T ( v, t ) dv dt
0 Sdi
Luego,
P(vr vo ) = P ( 0 < vr v0 ) + P ( vr = 0 )
(4.3)
v0
+S
h di
= hV ,T ( v, t ) dv dt v0 hSdd
0 0
40
Cuando v > Sil , las reas permeables tambin pueden contribuir a la generacin de
escorrenta, dependiendo de la duracin de la tormenta y la capacidad de infiltracin del
suelo. En este caso el volumen de escorrenta es mayor que hSdd y la probabilidad de
que vr sea menor que un cierto valor v0 se calcula como la suma de las probabilidades
de no excedencia de dos grupos de eventos mutuamente excluyentes. El primer grupo
incluye a aquellos eventos en que el rea permeable no genera escorrenta debido a la
alta capacidad de infiltracin del suelo ya que v Sil + f c t . Mientras que el grupo 2
incluye aquellos eventos que cumplen con v > Sil + f c t , es decir, a aquellos eventos en
que tanto la superficie impermeable como la permeable contribuyen a la escorrenta.
La Figura 4-1 indica la zona de integracin para los eventos de escorrenta en este rango
de vr . En primer lugar, se tiene que el lmite inferior para v es Sil . Adems, los eventos
v Sil + f c t y con h ( v S di ) v0 , mientras que los eventos del grupo 2 cumplen con
todos los pares ( v, t ) que se encuentran bajo la rectas 1 y 2 pero sobre la recta 4,
mientras que el grupo 2 est compuesto por aquellos puntos que estn bajo la recta 3
pero sobre la recta 2, donde:
v0
Recta 1: v = + Sdi
h
Recta 2: v = Sil + f c t
Recta 3: v = v0 + S d + f c (1 h ) t
Recta 4: v = Sil
41
Grupo 2 recta 2
recta 3
(v*, t*)
v0/h + Sdi recta 1
v 0 + Sd
Grupo 1
Sil recta 4
Figura 4-1: Regin de integracin para calcular P ( 0 < vr v0 ) cuando v0 > hSdd .
v0 v0
+S + Sdi
h di t* h
P ( vr v0 ) = hV ,T ( v, t ) dv dt hV ,T ( v, t ) dv dt + P ( vr hS dd ) (4.4)
0 Sil 0 f c (1 h ) t + v0 + Sd
Donde,
Sil
P ( vr hS dd ) = hV ,T ( v, t ) dv dt (4.5)
0 0
1 v0
t* = S dd (4.6)
fc h
42
Sdi
FVr ( vr ) = h ( v, t ) dv dt
V ,T v0 = 0
0 0
v0
+S
h di
FVr ( vr ) = hV ,T ( v, t ) dv dt v0 hSdd (4.7)
0 0
v0 v0
+S + Sdi
h di t* h
FVr ( vr ) = hV ,T ( v, t ) dv dt hV ,T ( v, t ) dv dt v0 > hSdd
0 0 0 f c (1 h ) t + v0 + Sd
casos.
Sdi
P(Q p = 0 ) = P(v S di ) = h ( v, t ) dv dt
0 0
V ,T (4.8)
Luego,
P ( Q p q p ) = P1 ( Q p q p ) + P2 ( Q p q p ) (4.9)
La regin de integracin para P1 , llamada regin 1, est definida por las siguientes
desigualdades:
2h ( v S di )
< qp
t + tc
S di < v Sil + f c t
Lo que equivale a:
qp q p tc
v< t+ + Sdi
2h 2h
S di < v Sil + f c t
2 v Sd f c (1 h ) t
< qp
t + tc
v > Sil + f c t
Lo que equivale a:
qp q p tc
v < + f c (1 h) t + + Sd
2 2
v > Sil + f c t
pero bajo v3 .
v1 = Sil + f ct (4.10)
qp q p tc
v2 = t+ + S di (4.11)
2h 2h
qp q p tc
v3 = + f c (1 h) t + + Sd (4.12)
2 2
En las ecuaciones (4.10), (4.11) y (4.12) se observa que los interceptos y pendientes de
las rectas v1 , v2 y v3 dependen de los valores de S di , Sil , S d , f c , h , tc y q p , por lo que
la ubicacin relativa de ellas, y por ende las zonas de integracin, depende del valor q p
45
que se requiera evaluar y el tipo de cuenca. Para comparar la magnitud relativa de las
pendientes de las rectas ( S1 , S2 y S3 respectivamente) Guo y Adams proponen que los
qp qp qp
S 2 S3 = f c (1 h) = (1 h) f c (4.13)
2h 2 2h
q p 2 f c h la magnitud relativa es S1 S3 S2 .
Para determinar la magnitud relativa de los interceptos de las rectas, denotados con la
letra I , se sigue un anlisis similar al hecho para las pendientes. As, la diferencia entre
los interceptos de v1 y v2 est dada por la ecuacin (4.14), en la que se observa que
2hS dd 2hS dd
cuando q p < los interceptos cumplen I1 > I 2 , mientras que cuando q p ,
tc tc
I1 I 2 .
q p tc q p tc
I1 I 2 = Sil S di = Sdd (4.14)
2h 2h
46
La diferencia entre los interceptos de v1 y v3 est dada por la ecuacin (4.15). En ella se
2hS dd
observa que cuando q p < los interceptos cumplen I1 > I 3 , mientras que cuando
tc
2hS dd
qp ocurre que I1 I 3 .
tc
q p tc q p tc q p tc
I1 I 3 = Sil Sd = Sil hSdi (1 h ) Sil = hSdd (4.15)
2 2 2
2hS dd 2hS dd
qp < los interceptos cumplen I 2 < I 3 y si q p se tiene que I 2 I 3 .
tc tc
q p tc q p tc q p tc
I 2 I3 = + Sdi Sd = (1 h ) + Sdi hSdi (1 h ) Sil
2h 2 2h
(4.16)
q t
= (1 h ) p c S dd
2h
2hS dd
En resumen, si q p < la magnitud relativa de los interceptos es I 2 < I 3 < I1 y
tc
2hS dd
cuando q p la magnitud relativa es I1 I 3 I 2 .
tc
La Tabla 4-1 resume las relaciones establecidas para los inteceptos y pendientes de las
lneas v1 , v2 y v3 .
47
Si q p < 2 f c h q p 2 fc h
S2 < S3 < S1 S1 S3 S2
Si q p < 2hS dd tc
I 2 < I 3 < I1 I 2 < I 3 < I1
S2 < S3 < S1 S1 S3 S2
Si q p 2hS dd tc
I1 I 3 I 2 I1 I 3 I 2
equivale a comparar f c con el trmino S dd tc . As, si f c < Sdd tc , los posibles valores
de q p deben ser divididos en tres rangos para determinar la relacin entre los interceptos
2hS dd tc q p < 2 f c h y 2 f c h q p .
Para definir las zonas de integracin, las cuencas urbanas se dividen en dos tipos. Las
cuencas tipo 1 son las que presentan una capacidad de infiltracin ltima menor que
S dd tc y las tipo 2 corresponden a aquellas en que f c Sdd tc . Para ambos tipo de
a) Caso q p < 2 f c h
En este caso se tiene que S2 < S3 < S1 y I 2 < I 3 < I1 , con lo que la regin de integracin
es la que se muestra en la Figura 4-2 y la probabilidad se calcula segn la ecuacin
(4.17).
v2 ( v ,t )
P ( Qp q p ) = hV ,T ( v, t ) dv dt (4.17)
0 0
v
No existe Regin 2 v1
v3
v2
Regin 1
t
Figura 4-2: Regin de integracin para P ( Q p q p ) para cuenca tipo 1 con q p < 2 f c h .
En este caso las rectas se ubican de acuerdo a las siguientes relaciones de sus pendientes
e interceptos: S1 S3 S2 y I 2 < I 3 < I1 . La regin de integracin se muestra en la
Figura 4-3 y la probabilidad se calcula segn la ecuacin (4.18).
49
t ** v2 ( v ,t ) v3 ( v ,t )
P (Q p q p ) = hV ,T ( v, t ) dv dt + hV ,T ( v, t ) dv dt (4.18)
0 0 t ** 0
Donde,
2 gS dd q p tc
t ** = (4.19)
qp 2 f c h
v v2
Regin 2 v3
v1
Regin 1
t** t
c) Caso 2hS dd / tc q p
v3 ( v ,t )
P (Q p q p ) = hV ,T ( v, t ) dv dt (4.20)
0 0
50
v
v2
Regin 2
v3
v1
Regin 1
t
Figura 4-4: Regin de integracin para P ( Q p q p ) para cuenca tipo 1 con q p 2 f c h .
En este caso S2 < S3 < S1 y I 2 < I 3 < I1 , es decir, la magnitud relativa de pendientes e
interceptos es igual que en el caso q p < 2 f c h para las cuencas tipo 1. Luego, la regin de
t ** v3 ( v ,t ) v2 ( v ,t )
P (Q p q p ) = hV ,T ( v, t ) dv dt + hV ,T ( v, t ) dv dt (4.21)
0 0 t ** 0
51
v v1
v3
Regin 2
v2
Regin 1
t** t
c) Caso 2 f c h q p
interceptos es igual que en el caso 2hS dd tc q p para las cuencas tipo 1. Luego, la
t ** v2 ( v ,t ) v3 ( v ,t )
FQp ( q p ) =
2hS dd
hV ,T ( v, t ) dv dt + hV ,T ( v, t ) dv dt 2 fc h q p < (4.22)
0 0 t ** 0
tc
v3 ( v ,t )
FQp ( q p ) =
2hS dd
hV ,T ( v, t ) dv dt qp
0 0
tc
t ** v3 ( v ,t ) v2 ( v ,t )
FQp ( q p ) =
2hS dd
hV ,T ( v, t ) dv dt + hV ,T ( v, t ) dv dt q p < 2 fc h (4.23)
0 0 t ** 0
tc
v3 ( v ,t )
FQp ( q p ) = hV ,T ( v, t ) dv dt 2 fc h q p
0 0
calcula de la misma manera que en el caso del hidrograma propuesto por Guo y Adams
ya que esta situacin no depende de la forma de la respuesta de la cuenca, si no de la
profundidad de las depresiones superficiales de las zonas impermeables.
53
Sdi
Luego, P(Q p = 0 ) = P(v S di ) =
0 0
h ( v, t ) dv dt .
V ,T
las regiones A y B, delimitadas por las rectas de las ecuaciones (4.24), (4.25) y (4.26),
determinadas de acuerdo a la ecuacin (3.19) que describe la relacin funcional entre
Q p , v y t . La regin A corresponde a las combinaciones de ( v, t ) que se encuentran
bajo va y bajo vb , mientras que la regin B est ubicada sobre va pero bajo vb , donde:
va = Sil + f c t (4.24)
q p tc
vb = + S di (4.25)
1.1h
q p tc
vc = + Sd + f c (1 h ) t (4.26)
1.1
Para determinar las posiciones relativas de las rectas va , vb y vc , y por ende las regiones
evaluar. Sin embargo, la relacin entre las magnitudes relativas de los interceptos no es
tan directa. La diferencia entre los interceptos de va y vb est dada por:
q p tc q p tc
I a I b = Sil S di = Sdd (4.27)
1.1h 1.1h
54
Luego, si q p < 1.1hSdd / tc se cumple que I a > I b , mientras que cuando q p 1.1hSdd / tc
q p < 1.1hSdd / tc los interceptos cumplen con I a > I c y I c > I b . Por otro lado, cuando
vb
P ( Q p q p ) = hV ,T (v, t ) dv dt (4.28)
0 0
b) Caso q p 1.1hSdd / tc
t *** vc t *** vb
P ( Qp q p ) = hV ,T (v, t ) dv dt + h V ,T (v, t ) dv dt (4.29)
0 0 0 0
55
Donde,
1 q p tc
t *** = S dd (4.30)
fc 1.1h
v va
No hay Regin B
vc
vb
Regin A
t
Figura 4-6: Regin de integracin para P ( Q p q p ) cuando q p < 1.1hS dd tc .
v
va
vc
Regin B
vb
Regin A
t*** t
Sdi
FQp ( q p ) = h ( v, t ) dv dt
V ,T qp = 0
0 0
vb
FQp ( q p ) = hV ,T (v, t ) dv dt q p 1.1hSdd tc (4.31)
0 0
t *** vc t *** vb
FQp ( q p ) = h V ,T (v, t ) dv dt + h V ,T (v, t ) dv dt q p > 1.1hSdd tc
0 0 0 0
57
La primera cuenca se ubica en la ciudad de Chilln, VIII Regin. Para ella se utiliza la
informacin disponible en la consultora DP.ALL-27 (MOP, 2007), trabajo en que se
realiz una modelacin de la red drenaje de la ciudad de Chilln en el programa XP
SWMM-32 de la empresa CAICE para eventos de lluvias de diseo.
Las Figuras 5-1 y 5-2 muestran las probabilidades de transicin en funcin del nmero
de etapas para cada registro. En ellas se aprecia que a partir de un cierto valor de m P00
y P10 son prcticamente iguales a P0 , mientras que P01 y P11 a P1 , es decir, que las
probabilidades de transicin tienden a independizarse del estado inicial. Adoptando en
59
ambos casos un nivel de tolerancia = 0.001 se obtuvo para Chilln IETD = 18 horas
y para Santiago IETD = 30 horas.
0.8
Probabilidades
P00
0.6
P01
0.4 P10
P11
0.2
0
0 4 8 12 16 20 24 28
Etapas de transicin
0.8
Probabilidades
P00
0.6 P01
0.4 P10
P11
0.2
0
0 4 8 12 16 20 24 28 32 36 40
Etapas de transicin
Tabla 5-3: Parmetros estimados por mtodo de mxima verosimilitud para cada serie.
Volumen (mm) Duracin (hr) TET (hr)
Chilln
Exponencial, 0.066 0.056 0.012
Gama-2, 47.0 39.7 161.5
Gama-2, 0.32 0.45 0.50
Santiago
Exponencial, 0.065 0.055 0.003
Gama-2, 22.0 22.4 677.6
Gama-2, 0.70 0.81 0.58
61
1 1
0.8 0.8
0.6 0.6
F(v)
F(v)
0.4 Datos 0.4 Datos
0.2 Exp 0.2 Exp
Gama-2 Gama-2
0 0
0 40 80 120 160 200 0 40 80 120 160 200
Volumen (mm) Volumen (mm)
(a) (a)
1 1
0.8 0.8
0.6 0.6
F(t)
F(t)
0.4 Datos 0.4 Datos
0.2 Exp
0.2 Exp
Gama-2
0 Gama-2
0 40 80 120 160 200 0
Duracin (hr) 0 40 80 120 160 200
Duracin (hr)
(b)
(b)
1 1
0.8 0.8
0.6 0.6
F(b)
F(b)
Para evaluar la bondad de ajuste de los datos a las funciones de distribucin candidatas
se aplic el test 2 con un nivel de significancia = 0.05 a cada una de las series. En
todos los casos se obtuvo que la hiptesis nula no poda ser rechazada. Luego, para
determinar cul de las dos familias era preferible se aplic el Criterio de Informacin de
Akaike, eligiendo para cada caso el ajuste con menor AIC , definido segn la ecuacin
(2.15). La Tabla 5-4 muestra el valor crtico del estadgrafo 12 , gdl para cada variable y
el valor de prueba, mientras que la Tabla 5-5 muestra los valores de AIC calculados,
concluyndose que en todos los casos se selecciona la distribucin gama-2, cuyos
parmetros estimados son los de la Tabla 5-3.
Las funciones de densidad de probabilidad marginal de cada variable son las que se
muestran en la Tabla 5-6.
estimacin muestral y las Tablas 5-8 y 5-9 el parmetro estimado para cada cpula.
Para el caso de la funcin de probabilidad conjunta del volumen y duracin de tormentas
la familia Ali-Mikhail-Haq no fue ajustada debido a que la aplicacin de esta cpula no
se recomienda para variables con medidas de dependencia demasiado grandes. En
cuanto a la distribucin conjunta de la duracin y TET en Santiago, que presentan
correlacin negativa ( = -0.062 ), no fue posible ajustar la familia Cook-Johnson ni la
familia Gumbel-Hougaard por ser cpulas definidas para valores positivos de .
La Figura 5-5 y la Figura 5-6 muestran los K-Kplots de las cpulas ajustadas a las
variables v t de Chilln y Santiago respectivamente. Segn los grficos, se concluy
que para las variables de Chilln el mejor ajuste corresponde a la familia Cook-Johnson,
lo que se corrobor con el Criterio de Informacin de Akaike, pues segn los valores de
la Tabla 5-10 esta familia presenta el menor AIC . Para el caso de las cpulas ajustadas a
los datos v t de Santiago no fue posible realizar la eleccin basndose solo en los K-
Kplots, pues, aparentemente todas las familias se ajustan bien y ninguna presenta un
comportamiento sobresaliente respecto de las otras dos. Sin embargo, el menor valor de
AIC lo presenta la familia Gumbel-Hougaard, siendo esta la escogida para representar
la estructura de dependencia entre v y t en Santiago.
1 1
0.8 0.8
0.6 0.6
K
K
0.4 0.4
0.2 0.2
0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Kn Kn
(a) Cook-Johnson (a) Cook-Johnson
1 1
0.8 0.8
0.6 0.6
K
0.4 0.4
0.2 0.2
0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Kn Kn
(b) Frank (b) Frank
1 1
0.8 0.8
0.6 0.6
K
0.4 0.4
0.2 0.2
0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Kn Kn
(c) Gumbel-Houggard (c) Gumbel-Houggard
Figura 5-5: K-Kplots para las cpulas Figura 5-6: K-Kplots para las cpulas
ajustadas a las variables v - t de Chilln. ajustadas a las variables v - t de Santiago.
66
La Figura 5-7 muestra los K-Kplots de las cpulas ajustadas a las variables t b de
Chilln. Se observa que la familia Ali-Mikhail-Haq es la que presenta el mejor ajuste, lo
que concuerda con los valores de AIC que se muestran en la Tabla 5-11. Luego, esta es
la familia escogida para representar la estructura de dependencia de los datos en
cuestin.
1 1
0.8 0.8
0.6 0.6
K
K
0.4 0.4
0.2 0.2
0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Kn Kn
(a) Cook-Johnson (b) Frank
1 1
0.8 0.8
0.6 0.6
K
0.4 0.4
0.2 0.2
0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Kn Kn
(c) Gumbel-Houggard (d) Ali-Mikhail-Haq
Figura 5-7: K-Kplots para las cpulas ajustadas a las variables t - b de Chilln.
Finalmente, la Figura 5-8 muestra los K-Kplots de las cpulas ajustadas a las variables
t b de Santiago. En base a ellos, se observa claramente que la cpula Frank es la que
67
presenta el mejor ajuste. Sin embargo, la Tabla 5-11 muestra que el menor valor de AIC
corresponde a la familia Ali-Mikhail-Haq, por lo que existe una inconsistencia entre los
criterios. A pesar de esto, considerando que la diferencia entre los AIC calculados para
ambas familias es poco significativa y que el K-Kplot de la familia Frank es
notoriamente ms apropiado que el K-Kplot de la familia Ali.Mikhail-Haq, se eligi la
familia Frank para representar la FDA conjunta de b y t en la comuna de La Reina.
1 1
0.8 0.8
0.6 0.6
K
0.4 K 0.4
0.2 0.2
0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Kn Kn
(a) Frank (b) Ali-Mikhail-Haq
Figura 5-8: K-Kplots para las cpulas ajustadas a las variables t - b de Santiago.
As, las funciones de probabilidad conjunta para las caractersticas de las tormentas de
Chilln vienen dadas por las ecuaciones (5.1) y (5.2).
1
HV ,T (v, t ) = ( FT (t ) 1)
4.52 4.52
+ FV (v) 4.52 (5.1)
FT ( t )FB ( b )
H B ,T (b, t ) = (5.2)
1 0.631 FT ( t ) 1 FB ( b )
Y para Santiago,
1
2.34
(
HV ,T (v, t ) = exp ln ( FV ( v ) ) ) (
+ ln ( FT ( t ) ) )
2.34 2.34
(5.3)
anteriormente para cada localidad. En las siguientes figuras se muestran las FDAs
conjuntas ajustadas y empricas.
69
Las cuencas modeladas en este trabajo se encuentran dentro de las zonas de estudio
abarcadas en trabajos anteriores y la informacin fsica para su modelacin proviene
exclusivamente de ellos. Especficamente, para el caso de Chilln, la subcuenca
modelada se encuentra en un sector de la ciudad que, de acuerdo al anlisis de uso de
suelos hecho en la consultora DP.ALL-27 (MOP, 2007) presenta un uso
preponderantemente urbano, con un 50 % aprox. de superficie impermeable. La Figura
5-13 muestra una imagen general de la ciudad de Chilln, en ella se indica la ubicacin
de la cuenca modelada en este trabajo.
Figura 5-15: Imagen area de Google Earth de La Reina georreferenciada con calles de
la comuna. Fuente: Gonzlez (2008).
Para cada subcuenca se conoce el rea total, rea impermeable con y sin detencin,
ancho equivalente ( W ), pendiente ( S ), coeficiente de rugosidad de Manning para
75
k , R ). Para las calles se conoce su pendiente, largo, seccin transversal y material. Para
utilizar esta informacin en el modelo analtico, se deben encontrar los parmetros de la
cuenca agregada (excepto para el tiempo de concentracin), los que se calculan como el
promedio ponderado por rea (Quader y Guo, 2006), siguiendo la ecuacin (5.5).
A1M 1 + A2 M 2 + ......... + AN M N
M= (5.5)
A1 + A2 + ......... + AN
Donde,
M : Parmetro de la cuenca agregada.
M i : Parmetro de la subcuenca i .
Ai : rea de la subcuenca i .
N : Nmero de subcuencas.
La Tabla 5-13 muestra los parmetros agregados de las cuencas que corresponden a las
variables de entrada al modelo analtico. En el ANEXO A se encuentra la informacin
76
Las Tablas 5-17 y 5-18 muestran el tiempo de viaje estimado para cada calle segn la
ecuacin (3.24). Para todas se adopt un coeficiente de transporte Cv = 20 por tratarse
de calles pavimentadas.
Tabla 5-17: Tiempo de viaje por las calles de la cuenca ubicada en Chilln.
Calle S p (%) L p (m) V p (hr) t p (hr )
1 3.70 57.3 1.17 0.01
2 2.21 128.4 0.91 0.04
3 2.18 146.6 0.90 0.05
4 0.62 60.2 0.48 0.03
5 2.16 128.4 0.90 0.04
6 2.00 127.1 0.86 0.04
7 1.86 47.3 0.83 0.02
8 1.72 122.8 0.80 0.04
Tabla 5-18: Tiempo de viaje por las calles de la cuenca ubicada en la comuna de La
Reina.
Calle S p (%) L p (m) V p (hr) t p (hr )
1 0.90 142.6 0.58 0.07
2 1.18 121.0 0.66 0.05
3 1.67 109.4 0.79 0.04
4 1.12 95.3 0.64 0.04
5 0.98 88.1 0.60 0.04
6 0.55 117.3 0.45 0.07
De acuerdo a los esquemas las cuencas (Figura 5-13 y Figura 5-14) se calcul el tiempo
de viaje asociado a todas las rutas posibles que podra seguir el flujo y finalmente se
eligi el mayor valor, la Tabla 5-19 muestra el tiempo de concentracin estimado para
ambos casos y la ruta asociada, en el ANEXO C se muestra el tiempo calculado para
todas las posibles rutas.
79
5.3 Resultados
1
T= (5.6)
N (1 FX ( x ) )
Donde,
FX ( x ) : Es la funcin de probabilidad acumulada de una variable x cualquiera.
Para el anlisis de los resultados de SWMM se explor la serie continua de caudal vs.
tiempo obtenida de la simulacin. A partir de ella se calcul vr y se reconoci Q p
M
P= (5.7)
N +1
1
T= (5.8)
N P
80
Donde,
P : Probabilidad de excedencia.
M : Es el ranking del evento, ordenando la serie de manera descendente.
N : Nmero total de eventos de escorrenta.
Las Figuras 5-19 y 5-20 muestran las curvas vr vs. T obtenidas para la cuenca ubicada
en Chilln y la cuenca ubicada en la comuna de La Reina, respectivamente. En los
grficos se incluyen 2 curvas ms los resultados provenientes de la simulacin continua.
La curva (1) corresponde al modelo analtico que incluye la modelacin de la
dependencia entre la duracin y volumen de tormentas a travs de la teora de cpulas.
Mientras que la curva (2) corresponde a la curva de frecuencia del volumen de
escorrenta calculada con las ecuaciones desarrolladas por Guo y Adams, es decir, sin
considerar la dependencia entre v y t .
En ambos grficos se observa que para un mismo periodo de retorno los modelos
analticos subestiman el volumen de escorrenta generado por evento respecto de las
estimaciones provenientes de los resultados de simulacin continua. Sin embargo, en
ambas cuencas el modelo analtico que considera la dependencia de las variables v y t
se ajusta mejor a los resultados de SWMM, es decir, al incluir el efecto de la
dependencia se produce una mejora en los resultados. Cabe destacar que las mayores
diferencias entre los modelos analticos se observan en la ciudad de Chilln, lugar donde
la medida de dependencia entre las variables es mayor. Es decir, a medida que aumenta
la dependencia entre el volumen y la duracin de las tormentas se comenten mayores
errores en la estimacin de la frecuencia del volumen de escorrenta al ignorar este
efecto.
81
200
(1) v,t dep. gama-2
180 (2) v,t indep. exp
160 (3) Sim Cont
140
120
vr (mm)
100
80
60
40
20
0
0.01 0.1 1 10 100 1000
T (aos)
200
(1) v,t dep. gama-2
180 (2) v,t indep. exp
160 (3) Sim Cont.
140
120
vr (mm)
100
80
60
40
20
0
0.01 0.1 1 10 100 1000
T (aos)
En las Figuras 5-21 y 5-22 se muestran las curvas de frecuencia para el caudal mximo.
Para esta variable adems de cambiar la modelacin de las lluvias respecto del modelo
de Guo y Adams se contempl una variacin en la modelacin de la repuesta de la
cuenca. Por esta razn, en los grficos se observan 3 curvas ms los resultados
provenientes de simulacin continua. Cada curva corresponde a lo siguiente:
(1) Ecuaciones propuestas en esta tesis de acuerdo a que (v, t ) son variables
dependientes y que el hidrograma de respuesta es el del SCS.
(2) Ecuaciones desarrolladas por Guo y Adams, es decir (v, t ) variables independientes
y respuesta de la cuenca de acuerdo al hidrograma propuesto por ellos.
Tanto en la Figura 5-21 como en la 5-22, al comparar las curvas (2) y (4) que tienen el
mismo hidrograma de respuesta, se advierte que la estimacin del caudal mximo
cambia segn el modelo de lluvias adoptado. Se concluye que la modelacin de la
relacin de dependencia entre las variables (v, t ) incide en las estimaciones del periodo
de retorno del caudal mximo asociado a un evento.
Al comparar las curvas (2) y (4) con los resultados provenientes de la simulacin
continua se observa un resultado similar que en el caso del volumen de escorrenta. En
ambas localidades, la curva de frecuencia calculada incluyendo la dependencia de las
83
variables (v, t ) se ajusta mejor a los resultados de SWMM que las curvas que no
incluyen este efecto. A pesar de esta mejora, ambas curvas difieren.
La curva (1) se calcul para explorar la reaccin del modelo analtico frente a cambios
en la modelacin de la respuesta de la cuenca, en este caso el hidrograma de respuesta
propuesto por Guo y Adams se cambi por el hidrograma del SCS. Observando los
grficos se concluye que en ambos casos el ajuste del modelo mejora al cambiar el
hidrograma, especialmente en el caso de Chilln. En la cuenca de la comuna de La Reina
para periodos de retorno menores que 3 aos la curva (3) es la que mejor se ajusta a los
resultados de simulacin continua, mientras que para T > 3 la curva (2) es la que se
ajusta mejor. Sin embargo, en trminos globales la curva (1) reproduce mejor el
comportamiento de los resultados provenientes de la simulacin continua.
el hidrograma propuesto por Guo y Adams debera dar una estimacin del caudal
mximo menor que el entregado por el mtodo del SCS. Se analizaron las series de
duracin de tormentas y se encontr que en ambas localidades las tormentas tienden a
84
durar ms que 0.8tc con lo que se espera que el modelo de Guo y Adams tienda a
subestimar la prediccin del caudal mximo respecto a lo que entrega el hidrograma del
SCS. Por ejemplo, en el caso de Chilln 0.8tc es igual a 3.2 horas y el 62 % de las
tormentas tiene una duracin superior, por lo que es razonable que al aplicar el
hidrograma del SCS la prediccin de Q p se ajuste mejor a las estimaciones provenientes
30
(1) v,t dep. gama-2 SCS
25 (2) v,t indep. exp GA
(3) Sim. Cont.
20 (4) v,t dep. gama-2 GA
qp (mm/hr)
15
10
0
0.01 0.1 1 10 100
T (aos)
Figura 5-21: Periodo de retorno para el caudal mximo de la cuenca ubicada en Chilln.
85
30
(1) v,t dep. gama-2 SCS
25 (2) v,t indep. exp GA
(3) Sim. Cont
(4) v,t dep. gama-2 GA
20
qp (mm/hr)
15
10
0
0.01 0.1 1 10 100
T (aos)
El objetivo del modelo analtico no es entregar valores exactos y detallados del caudal
asociado a un periodo de retorno (o nivel de riesgo), sino entregar rdenes de magnitud
de los parmetros para la etapa de planificacin de proyectos. En este sentido, es
recomendable realizar el anlisis de sensibilidad propuesto. Por ejemplo, para el caso de
Chilln se estim un tiempo de concentracin de 4 horas y en la Figura 5-23 se observa
que los resultados obtenidos de la simulacin continua se ubican en una zona delimitada
por las curvas Q p = f (T ) correspondientes a tc = 2 horas y a tc = 5 , es decir, con una
30
Sim Cont
25 tc= 2 hr
tc= 3 hr
20 tc= 4 hr
qp (mm/hr)
tc= 5 hr
15 tc= 6 hr
10
0
0.01 0.1 1 10 100
T (aos)
30
Sim Cont
tc= 2 hr
25
tc= 3 hr
tc= 4 hr
20
tc= 5 hr
qp (mm/hr)
tc= 6 hr
15
10
0
0.01 0.1 1 10 100
T (aos)
6. CONCLUSIONES
En este trabajo se propuso un modelo analtico para estimar la curva de frecuencia del
volumen de escorrenta y caudal mximo de las crecidas generadas en una cuenca
urbana a partir de un modelo estocstico de lluvias. ste se desarroll siguiendo la teora
de cpulas para reproducir el efecto de la dependencia entre el volumen y la duracin de
las tormentas. El modelo se evalu en dos cuencas, con distintas caractersticas fsicas y
distintos registros de precipitacin de entrada. Para ambos casos las funciones de
distribucin marginal del volumen y la duracin de las tormentas se ajustaron a un
modelo gama-2, sin embargo la estructura de dependencia de estas variables es distinta
en cada localidad por lo que se adoptaron familias de cpulas diferentes para cada caso,
representando en cada lugar de la mejor manera posible el comportamiento bivariado de
las variables. A la luz de los resultados se comprob que las cpulas constituyen una
herramienta verstil para reproducir la estructura probabilstica de eventos hidrolgicos
bivariados.
Las curvas de frecuencia obtenidas para el volumen y caudal mximo se compararon con
las obtenidas por otro modelo analtico que no considera el efecto de la dependencia y
con los provenientes del anlisis estadstico de los resultados obtenidos con simulacin
continua en SWMM EPA 5.0. Para el caso del volumen de escorrenta se obtuvo que
incluir la dependencia en la modelacin de las lluvias incide directamente en la
estimacin del periodo de retorno. En ambas cuencas se observ que para un mismo
periodo de retorno el modelo de lluvias que incluye dependencia entrega estimaciones
de vr mayores que en el caso de no incluirla, ajustndose mejor a los resultados
obtenidos de la simulacin continua, sobre todo para eventos con periodo de retorno
menor que 1 aos, es decir para aquellos eventos habituales para los que generalmente
no se realizan anlisis de frecuencia (por ejemplo cuando se aplica simulacin por
eventos con lluvias de diseo).
89
BIBLIOGRAFA
Chen, J. Y. & Adams, B. J. (2005). Urban storm water control evaluation with
analytical probabilistic models. Journal of Water Resources Planning and
Management-Asce, 131(5), 362-374.
Chen, J. Y. & Adams, B. J. (2006). Urban stormwater quality control analysis with
detention ponds. Water Environment Research, 78(7), 744-753.
De Michele, C., Salvadori, G., Canossi, M., Petaccia, A. & Rosso, R. (2005).
Bivariate statistical approach to check adequacy of dam spillway. Journal of
Hydrologic Engineering, 10(1), 50-57.
92
Favre, A. C., El Adlouni, S., Perreault, L., Thiemonge, N. & Bobee, B. (2004).
Multivariate hydrological frequency analysis using copulas. Water Resources
Research, 40, W01101.
Genest, C. & Favre, A. C. (2007). Everything you always wanted to know about
copula modeling but were afraid to ask. Journal of Hydrologic Engineering, 12(4),
347-368.
Genest, C. & MacKay, J. (1986). The joy of copulas: Bivariate distributions with
uniform marginals. The American Statistician, 40(4), 280-283.
Goel, N. K., Kurothe, R. S., Mathur, B. S. & Vogel, R. M. (2000). A derived flood
frequency distribution for correlated rainfall intensity and duration. Journal of
Hydrology, 228(1-2), 56-67.
Haan, C. T. (1977). Statistical methods in hydrology (1a. ed.). Ames: Iowa State
University Press.
Huber, W.C. & Dickinson, R.E. (1992). Storm Water Management Model, Version
4: User's Manual. U.S. Environmental Protection Agency, Athens, Georgia, USA.
James, W., Huber, W. C., Dickinson, R. E. & James, R. C. (1998). Water systems
models hydrology. User guide to swmm4 runoff and supporting modules (rain,
temperature, combine and statistics). Guelph, Ontario, Canada: Computational
Hydraulics International.
Rivera, P., Girons, J., Montt, J. P. & Fernndez, B. (2005). An analytical model for
hydrologic analysis in urban watersheds, 10th International Conference on Urban
Drainage. Copenhagen, Dinamarca.
Urban Drainage and Flood Control District (2008). Urban storm drainage criteria
manual. (Vol. 1). Denver, Colorado.
ANEXOS
96
Tabla B.2.- Tiempo de concentracin de cada subcuenca de la cuenca ubicada en la comuna de La Reina.
Subcuenca Area (h) h W(m) Lp (m) Li (m) np ni iep (mm/hr) iei (mm/hr) S (%) tcp (hr) tci (hr) tcs (hr)
1 1.9563 0.7522 435.2 11.14 33.82 0.200 0.012 1.39 1.26 1.197 0.62 0.23 0.62
2 2.3612 0.7522 532.1 11.00 33.38 0.200 0.012 1.39 1.26 0.204 1.05 0.39 1.05
3 2.2938 0.7522 500.7 11.35 34.46 0.200 0.012 1.39 1.26 0.989 0.67 0.25 0.67
4 1.9473 0.7522 467.1 10.33 31.36 0.200 0.012 1.39 1.26 1.008 0.63 0.24 0.63
5 1.7725 0.7522 288.0 15.25 46.29 0.200 0.012 1.39 1.26 0.286 1.16 0.43 1.16
6 1.0472 0.7522 190.0 13.66 41.47 0.200 0.012 1.39 1.26 0.463 0.94 0.35 0.94
7 0.7032 0.7522 241.5 7.22 21.91 0.200 0.012 1.39 1.26 0.857 0.53 0.20 0.53
8 0.6411 0.7522 130.5 12.17 36.96 0.200 0.012 1.39 1.26 0.010 2.77 1.04 2.77
9 0.9238 0.7522 283.4 8.08 24.52 0.200 0.012 1.39 1.26 0.236 0.84 0.31 0.84
99
Tabla C-1: Tiempo de viaje asociado a cada posible ruta de la cuenca ubicada en
Chilln.
N Ruta Tiempo (hr)
1 S1 3.4
2 S2 1.3
3 S3 1.0
4 S4-C1 1.9
5 S5-C2-C1 2.6
6 S6-C3-C2-C1 3.8
7 S7-C4-C1 1.4
8 S8-C5-C4-C1 1.2
9 S9-C6-C5-C4-C1 1.4
10 S10-C7-C4-C1 3.1
11 S11-C8-C7-C4-C1 1.6
Mximo S6-C3-C2-C1 3.8
Tabla C-2: Tiempo de viaje asociado a cada posible ruta de la cuenca ubicada en la
comuna de La Reina.
N Ruta Tiempo (hr)
1 S1-C1 0.7
2 S2-C2-C6 1.2
3 S3-C3-C5-C6 0.8
4 S4-C4-C3-C5-C6 0.8
5 S5 1.2
6 S6-C6 1.0
7 S7-C5-C6 0.6
8 S8-C4-C3-C5-C6 3.0
9 S9-C5-C6 1.0
Mximo S8-C4-C3-C5-C6 3.0