No abstract

La creciente exigencia de agua por parte de los distintos usuarios supone aprovechar mejor el recurso disponible. Por ello, constantemente se desarrollan tecnologías para incrementar la eficiencia en su uso, sobre todo en los sistemas de conducción y distribución. En este trabajo se presenta una herramienta computacional desarrollada en lenguaje Visual C# para diseñar redes presurizadas (RedesUAZ), fundamentada en el análisis matricial de estructuras utilizando el método de rigideces. Aunque surge de la necesidad de tener universidades públicas que cuenten con recursos didácticos propios de libre acceso para la formación de los estudiantes, dicha herramienta es de utilidad para diseñar, en la práctica, redes presurizadas pequeñas. Para evaluar su rendimiento, se comparó con dos alternativas implementadas para el mismo fin (A1: Huddleston et al. [2004] / RedesUAZ; A2: EPANET / RedesUAZ), siendo los resultados hidráulicos equiparables entre sí. El análisis de las tres propuestas muestra diferencias relativas en caudales (A1: 6.01%, A2: 10.83%), velocidades (A2: 21.31%) y presiones (A2: 1.12%), por lo que el programa de cómputo propuesto resulta ser una alternativa viable en el dimensionamiento de sistemas hidráulicos que conducen agua a presión.

<p>The hydraulic head is an important variable to determine the functioning of water in the subsoil; however, its spatial characterization is complicated due to the variability it presents in an aquifer. Measuring hydraulic head in piezometers or observation wells involves costs, so in some cases there is little data available. To obtain reliable configurations of the hydraulic head spatial distribution in an aquifer, interpolation methods that require few measurements have been used. Ordinary kriging is one of the most widely used spatial interpolation algorithms in geostatistics, which employs a theoretical variogram (circular, exponential, Gaussian, etc.). The variogram is a function whose parameters (nugget, sill and range) must be optimized because the accuracy of the estimation depends on them. As far as it has been reviewed in the literature, the adjustment of theoretical variograms has been carried out by means of genetic algorithms considering bi-objective functions where only the error in the adjustment of the variogram and the difference between the measured values and the estimated values by means of ordinary kriging are taken into account. In this paper we propose the adjustment using a new multiobjective function, where simultaneously the variogram adjustment, the accuracy of the interpolation result and the estimation error variances are considered. This nonlinear optimization problem contains three secondary objectives. The first is to obtain the best fit between the experimental variogram and the theoretical variogram function. Secondly, the aim is to minimize the difference between the measured values and the ordinary kriging estimates (measured with the mean square error) and thirdly that the error variances in the estimation are well represented by the selected model (using the standard mean square error). The tests of the proposed procedure were carried out with data measured in El Palmar aquifer located in the northern part of the state of Zacatecas, Mexico. The performance of this procedure was evaluated for different weights assigned to each of the secondary objectives. In the models where only the variogram adjustment is considered, the mean squared error and the standardized mean squared error turned out to be very large, it was also observed that when the estimation error variance is not taken into account in the objective function, the standardized mean squared error ranges from 20.94 to 56.41. It was observed that when the estimation error variance is incorporated in the objective function (even when its weight is small) the estimation errors are very close to the minimum obtained and that the variances are very reliable (with the standardized mean square error between 0.65 and 1.35).</p>

Resumen: Los lisímetros de pesada son los equipos más precisos que existen en la actualidad para conocer el consumo de agua de los cultivos. Hasta el momento, estos equipos solo han estado disponibles en centros de investigación, ya que eran muy costosos y requerían de una gran infraestructura. Mediante modelos matemáticos y sensores calibrados a partir de los datos proporcionados por estos equipos, se ha intentado extrapolar los datos para ayudar a los agricultores a estimar las necesidades de agua de sus cultivos, aunque en la mayoría de los casos suelen diferir de las necesidades reales. En los últimos años, se han realizado enormes avances que están permitiendo incorporar esta tecnología en parcelas comerciales. Para ello, ha sido necesario reducir el tamaño de los equipos, además de abaratar enormemente los costes para que se amortice en poco tiempo. La medida del peso se lleva a cabo con células de carga. Cuando se pretende compensar la temperatura, las células de carga emplean cuatro galgas extensiométricas, las cuales se ubican a ambos lados del bloque metálico para conocer su deformación. La deformación producida es proporcional al peso aplicado, la cual se transforma en una señal eléctrica medible, conectando las galgas dentro de un puente de Wheatstone. Los cuatro hilos obtenidos del puente, dos de alimentación y dos de señal de salida, pueden conectarse directamente a un datalogger con suficiente resolución o a un indicador de pesada. El recipiente donde se aloja el cultivo, se apoya sobre 4 células de cargas, lo que implica disponer de: a) varios datalogger, b) un datalogger con multiplexor o c) 4 indicadores de pesada conectados a un datalogger. En los tres casos se realizaría la medida de forma individual y la suma por software. Otra forma de conocer el peso global del cultivo, utilizando un único datalogger o indicador de pesada, es mediante el empleo de un sumador electrónico. En los sumadores electrónicos se conectan todas las células de carga en paralelo y se regulan mediante potenciómetros de precisión. De esta forma conseguimos sumar todos los pesos y utilizar un único canal para la medida global del recipiente de cultivo (RC). Este sistema ha permitido resolver de una forma más económica y con la misma precisión, la medida del peso del RC.Palabras clave: adquisición de datos, datalogger, conexión de dispositivos IntroducciónUn conocimiento preciso de la evapotranspiración del cultivo (ETc), requerimiento hídrico del cultivo, es el punto de partida para mejorar la eficiencia del uso del agua y la optimización de la producción del cultivo [1,2,3]. Sin embargo, determinar la ETc de manera directa es complejo y difícil, por lo que métodos numéricos han sido desarrollados basados en información climática