Moody

UNIVERSIDAD NACIONAL DE LOJA
FACULTAD DE LA ENERGÍA, LAS INDUSTRIAS Y LOS RECURSOS NATURALES

NO RENOVABLES
INGENIERÍA ELECTROMECÁNICA
TÍTULO:
“DISEÑO DE UNA RED NEURONAL PARA LA PREDICCIÓN DE

VALORES DEL DIAGRAMA DE MOODY”
TESIS DE GRADO PREVIO A OPTAR

POR EL TÍTULO DE INGENIERO
ELECTROMECÁNICO.
Autor:
JOSÉ ANDRÉS MORENO MORENO
Director:
ING. DARWIN GIOVANNY TAPIA PERALTA, Mg. Sc.
LOJA-ECUADOR
2017
CERTIFICACIÓN
Ing. Darwin Giovanny Tapia Peralta, Mg. Sc.

DIRECTOR DE TESIS
CERTIFICA:
Haber dirigido, asesorado, revisado y corregido el presente trabajo de tesis de grado, en su

proceso de investigación cuyo tema versa en “DISEÑO DE UNA RED NEURONAL
PARA LA PREDICCIÓN DE VALORES DEL DIAGRAMA DE MOODY”, previa a
la obtención del título de INGENIERO ELECTROMECÁNICO, realizado por el señor
egresado: JOSÉ ANDRÉS MORENO MORENO, la misma que cumple con la
reglamentación y políticas de investigación, por lo que autorizo su presentación y posterior
sustentación y defensa.
Loja, 16 de febrero del 2017
Ing. Darwin Giovanny Tapia Peralta, Mg. Sc.

DIRECTOR DE TESIS
II
AUTORÍA
Yo, JOSÉ ANDRÉS MORENO MORENO, declaro ser autor del presente trabajo de tesis
y eximo expresamente a la Universidad Nacional de Loja y a sus representantes jurídicos de
posibles reclamos o acciones legales por el contenido de la misma.
Adicionalmente acepto y autorizo a la Universidad Nacional de Loja, la publicación de mi

tesis en el Repositorio Institucional – Biblioteca Virtual.
Firma:
Cédula: 0705602316
Fecha: 21 - 07- 2017
III
CARTA DE AUTORIZACIÓN DE TESIS POR PARTE DEL AUTOR, PARA LA
CONSULTA, REPRODUCCIÓN PARCIAL O TOTAL Y PUBLICACIÓN
ELECTRÓNICA DEL TEXTO COMPLETO
Yo, JOSÉ ANDRÉS MORENO MORENO, declaro ser autor de la tesis titulada:
“DISEÑO DE UNA RED NEURONAL PARA LA PREDICCIÓN DE VALORES
DEL DIAGRAMA DE MOODY”, como requisito para optar el grado de: INGENIERO
ELECTROMECÁNICO; autorizo al Sistema Bibliotecario de la Universidad Nacional de
Loja para que, con fines académicos, muestre al mundo la producción intelectual de la
Universidad, a través de la visibilidad de su contenido de la siguiente manera en el
Repositorio Digital Institucional:
Los usuarios pueden consultar el contenido de este trabajo en el RDI, en las redes de
información del país y del exterior, con los cuales tenga convenio la Universidad.
La Universidad Nacional de Loja, no se responsabiliza por el plagio o copia de la tesis que

realice un tercero.
Para constancia de esta autorización en la ciudad de Loja a los veintiún días del mes de
julio del dos mil diecisiete.
Firma:
Autor: José Andrés Moreno Moreno
Cédula: 0705602316
Dirección: Loja (Celi Román, Av. Manuel Carrión y José Riofrio)
Correo electrónico personal: [email protected]
Correo electrónico institucional: [email protected]
Teléfono: 072 909 243 Celular: 0990044455
DATOS COMPLEMENTARIOS
Director de tesis: Ing. Darwin Giovanny Tapia Peralta, Mg. Sc.
Tribunal de grado: Ing. Milton Amable León Tapia, Mg. Sc.
Ing. Byron Agustín Solórzano Castillo, Mg. Sc.
Ing. Jairo Darío Castillo Calderón, Mg. Sc.

IV
DEDICATORIA
La vida de todo ser humano, carecería de sentido, si el mismo no se

traza metas que cumplir, y al cumplir las mismas con éxito, debe
reconocer a los que le ayudaron a conseguir su gloria, sino de nada
habrá servido llegar a cumplirla.
Con mucha gratitud y cariño dedico este trabajo investigativo

principalmente a Dios por darme la vida y fortaleza que me permite
llegar a culminar mi carrera profesional. A mis padres José y
Esthela que me educaron de manera ejemplar sembrando en mi
buenos valores y costumbres; así como los deseos de superarme
cada día. A mis hermanos Junior, Xavier y Esthelita que siempre
han estado junto a mí apoyándome. A todos mis familiares que
estuvieron a mí lado en los buenos y malos momentos.
José Andrés Moreno Moreno
V
AGRADECIMIENTO
Al haber culminado el presente proyecto investigativo, expreso mis

más sinceros agradecimientos a mis padres y hermanos por haberme
brindado su apoyo incondicional para poder alcanzar una de mis
metas más importante en mi vida.
De igual manera quedo agradecido con todas las autoridades y

docentes de la carrera de Ingeniería Electromecánica de la Facultad
de la Energía, las Industrias y los Recursos Naturales no
Renovables de la Universidad Nacional de Loja por impartirme una
educación de calidad y generar el compromiso de trabajar por la
región Sur del Ecuador.
A los ingenieros Darwin Giovanny Tapia Peralta y Jairo Darío

Castillo Calderón, por su trabajo y esfuerzo para avanzar con el
presente proyecto de tesis.
José Andrés Moreno Moreno
VI
TABLA DE CONTENIDOS
CERTIFICACIÓN ................................................................................................................. II
AUTORÍA ............................................................................................................................ III
CARTA DE AUTORIZACIÓN DE TESIS POR PARTE DEL AUTOR ........................... IV
DEDICATORIA .................................................................................................................... V
AGRADECIMIENTO .......................................................................................................... VI
1. TÍTULO ........................................................................................................................... 1
2. RESUMEN ...................................................................................................................... 2
2.1. ABSTRACT .................................................................................................................... 3
3. INTRODUCCIÓN ........................................................................................................... 4
4. REVISIÓN DE LITERATURA ...................................................................................... 6
4.1. PROPIEDADES DE LOS FLUIDOS ........................................................................ 6
4.1.1. Definición de Fluido ................................................................................................... 6
4.1.2. Viscosidad................................................................................................................... 6
4.1.3. Densidad y Gravedad Específica ................................................................................ 7
4.2. FLUJO DE FLUIDOS EN TUBERÍAS .......................................................................... 8
4.2.1. Flujo laminar ............................................................................................................... 8
4.2.2. Flujo crítico ................................................................................................................. 8
4.2.3. Flujo turbulento .......................................................................................................... 8
4.2.4. Número de Reynolds .................................................................................................. 8
4.2.5. Pérdida de energía por fricción ................................................................................... 9
4.2.6. Coeficiente de fricción .............................................................................................. 10
4.2.7. Diagrama de Moody ................................................................................................. 11
4.3. REDES NEURONALES .......................................................................................... 13
4.3.1. Inteligencia Artificial ................................................................................................ 13
4.3.2. Introducción a las Redes Neuronales ........................................................................ 14
4.3.3. Elementos Básicos de una Red Neuronal ................................................................. 14
4.3.4. Características generales de una red neuronal .......................................................... 16
4.3.5. Función de Activación .............................................................................................. 20
4.3.6. Tipos de Redes Neuronales ...................................................................................... 23
4.3.7. Redes de Retro propagación (Backpropagation) ...................................................... 26
VII
4.3.8. Arquitectura de la Red Back-propagation ................................................................ 26
4.3.9. Algoritmo de Entrenamiento Backpropagation ........................................................ 27
4.3.10. Redes Neuronales Artificiales con Matlab ............................................................... 31
5. MATERIALES Y MÉTODOS ..................................................................................... 33
5.1. MATERIALES ......................................................................................................... 33
5.2. MÉTODOS ............................................................................................................... 33
5.2.1. Tabulación del diagrama de Moody ......................................................................... 33
5.2.2. Selección de la Arquitectura de la Red Neuronal ..................................................... 35
5.2.3. Selección de la Topología de la Red Neuronal ......................................................... 37
5.2.4. Implementación de la Red Neuronal en MATLAB .................................................. 37
5.2.5. Validación de la Red Neuronal ................................................................................. 39
6. RESULTADOS ............................................................................................................. 40
6.1. Conjunto de datos a tabular ...................................................................................... 40
6.2. Tabulación Diagrama de Moody .............................................................................. 41
6.3. Pre-procesamiento de la base de datos ..................................................................... 53
6.4. Resultados de selección de la Red Neuronal Óptima ............................................... 53
6.5. Diseño de Red Neuronal Propuesto .......................................................................... 54
6.6. Entrenamiento de la Red Neuronal ........................................................................... 56
6.7. Análisis Descriptivo de variable ............................................................................... 58
6.8. Validación y comprobación de la Red Neuronal ...................................................... 60
6.9. Uso de la Red Neuronal ............................................................................................ 75
7. DISCUSIÓN .................................................................................................................. 76
8. CONCLUSIONES ......................................................................................................... 78
9. RECOMENDACIONES ............................................................................................... 79
10. BIBLIOGRAFÍA ........................................................................................................... 80
11. ANEXOS ....................................................................................................................... 82
VIII
1. TÍTULO
“DISEÑO DE UNA RED NEURONAL PARA LA PREDICCION DE

VALORES DEL DIAGRAMA DE MOODY”
1
2. RESUMEN
El presente trabajo describe el diseño de una red neuronal, con el objeto de obtener el factor
de fricción en el diagrama de Moody, el mismo que está inmerso en la ecuación de Darcy-
Weisbach, que calcula las pérdidas por fricción en tuberías. En primera instancia, se revisa
y selecciona en la literatura disponible, temarios sobre mecánica de fluidos y redes
neuronales, que justifiquen técnicamente la investigación en cuestión.
Posteriormente se plantea una metodología para realizar la tabulación del diagrama de

Moody obteniendo una base de 724 datos de puntos notables. Luego se caracterizó una
arquitectura de red neuronal que mejor se ajuste a la aplicación de la investigación, la
misma que tiene como datos de entrada el número de Reynolds y la rugosidad relativa.
Se entrenó varios diseños de red neuronal tipo backpropagation y se seleccionó la que

presentó mejores resultados, eligiendo una topología 2-30-30-1 que exhibió un error
porcentual medio de 0.162%.
Finalmente, se validó y comprobó el comportamiento de la red neuronal para cada una de

las curvas del diagrama de Moody, demostrando que el diseño no se encuentra sobre
ajustado o bajo ajustado, corroborando que se tiene un buen desempeño fuera de la muestra
y es capaz de dar solución al problema.
2
2.1. ABSTRACT
The present work describes the design of a neural network, in order to obtain the friction
factor in the Moody diagram, which is immersed in the Darcy-Weisbach equation, which
calculates the friction losses in pipes. Firstly, it is reviewed and selected in the available
literature topics on fluid mechanics and neural networks, that technically justify the
research in question.
Subsequently, a methodology is proposed to perform the tabulation of the Moody diagram,

obtaining a base of 724 data of notable points. Then was characterized a neural network
architecture that best fits the application of the research, which has the input data Reynolds
number and relative rugosity.
Several backpropagation neural network designs were trained and was selected the one that
presented the best results, choosing a topology 2-30-30-1 that exhibited an average
percentage error of 0.162%.
Finally, the behavior of the neural network was validated for each of the curves of the
Moody diagram, showing that the design is not overfitting or underfitting, corroborating
that it has a good performance outside the sample and is able to give solution to the
problem.
3
3. INTRODUCCIÓN
La estimación de las pérdidas de carga debidas a la fricción en tuberías es una tarea

importante en la solución de muchos problemas prácticos en las diferentes ramas de la
ingeniería (Giles, 1975). El diseño hidráulico y el análisis de los sistemas de distribución de
agua son dos ejemplos principales. La ecuación de Darcy-Weisbach se utiliza para evaluar
las pérdidas de carga debido a la fricción, en la cual se encuentra inmerso el coeficiente de
fricción que se obtiene a través del diagrama de Moody o ecuaciones que resultan de uso
engorroso para flujo turbulento.
En la actualidad el Diagrama de Moody es el gráfico más conocido de la mecánica de

fluidos, fue creado en 1944 por Lewis Ferry Moody que creó relaciones entre el coeficiente
de fricción, el número de Reynolds y la rugosidad relativa de la tubería.
Por tal razón, el presente trabajo presenta una propuesta para la predicción del coeficiente
de fricción del diagrama de Moody, por medio de redes neuronales, utilizando Neural
Networks Toolbox de MATLAB®. En la actualidad, en nuestra región la evaluación del
coeficiente de fricción se la realiza de manera gráfica o de manera tradicional a través de
ecuaciones, lo que puede resultar lento y en consecuencia ineficiente.
En el primer capítulo del presente documento, se realiza una fundamentación teórica, donde
se plantea una introducción a la mecánica de fluidos. Además, se aborda la temática de
redes neuronales para comprender sus características, tipos y funcionamiento con la
finalidad de efectuar posteriormente un adecuado diseño de red.
En el segundo capítulo se describe, los materiales y métodos necesarios para poder cumplir
los objetivos del proyecto. En donde, se describe detalladamente la tabulación del diagrama
de Moody, la selección de arquitectura y topología de la red neuronal y la validación de su
comportamiento ante nuevas muestras de datos.
A continuación, en el tercer capítulo se describe los resultados alcanzados, tales como: la base
de datos del diagrama de Moody, el diseño de red neuronal propuesto en MATLAB®, un
análisis descriptivo de la variable del error porcentual entre la salida deseada y la salida de la
red neuronal y la validación de cada una de sus curvas.
4
Finalmente se expone la discusión, conclusiones y recomendaciones a las cuales se ha
llegado al culminar este proyecto.
Los objetivos planteados para este proyecto son los siguientes:
Objetivo general:
 Diseñar una red neuronal para la predicción de los valores del diagrama de Moody.
Objetivos específicos:
 Tabular los datos de valores de fricción del diagrama de Moody en una hoja de
cálculo.
 Diseñar la red neuronal artificial en Matlab, para la predicción de los valores del
Diagrama de Moody.
 Validar y comprobar el comportamiento de la red neuronal para la predicción de los
valores del diagrama de Moody.
5
4. REVISIÓN DE LITERATURA
4.1. PROPIEDADES DE LOS FLUIDOS
La ciencia de la ingeniería de la mecánica de fluidos se ha desarrollado gracias al
entendimiento de las propiedades de la mecánica de fluidos, a la aplicación de las leyes
básicas de la mecánica y la termodinámica y a una experimentación ordenada. (Streeter,
Wylie, & Bedford, 2000)
4.1.1. Definición de Fluido

Un fluido es una sustancia incapaz de resistir fuerzas o esfuerzos de corte, sin deformarse,
por pequeño que sea este esfuerzo (capaz de fluir). (Duarte & Niño, 2004)
Los fluidos se clasifican en líquidos y gases:
Los líquidos a una presión y temperatura determinadas ocupan un volumen determinado.

Introducido el líquido a un recipiente adopta la forma del mismo, pero llenando solo el
volumen que le corresponde. Si sobre el líquido reina una presión uniforme, por ejemplo, la
atmosférica, el líquido adopta, una superficie libre plana como la superficie de un lago o la
de un cubo de agua.
Los gases a una presión y temperatura determinada tienen también un volumen

determinado, pero puestos en libertad se expansionan hasta ocupar el volumen completo del
recipiente que lo contiene, y no presentan superficie libre. (Mataix, 2004)
4.1.2. Viscosidad
Es una medida de la resistencia del fluido al corte cuando el fluido esta en movimiento. Un
fluido no puede resistir esfuerzos de corte sin moverse, pero un sólido sí. La viscosidad de
debe principalmente a las interacciones de las moléculas de fluido. (Duarte & Niño, 2004)
Más concretamente, la viscosidad determina la velocidad de deformación del fluido cuando

se le aplica un esfuerzo cortante dado. Podemos movernos fácilmente a través del aire, que
tiene una viscosidad muy baja. El movimiento es más difícil en el agua, con una viscosidad
50 veces mayor; pero aún es más difícil en aceite SAE 30, que es 300 veces más viscoso
que el agua. Trate de deslizar su mano por glicerina, cinco veces más viscosa que el aceite
6
SAE 30, o por melaza, aún cinco veces más viscosa que la glicerina. Como puede verse, los
fluidos pueden tener un amplio rango de viscosidades. (White, 2013)
Según (Mott, 2006) existen dos tipos de viscosidades:
Viscosidad Dinámica
Conforme un fluido se mueve, dentro de él se desarrolla un esfuerzo cortante, cuya

magnitud depende de la viscosidad del fluido. Se define al esfuerzo cortante, denotado con
la letra griega τ, como la fuerza que se requiere para que una unidad de área de una
sustancia se deslice sobre otra. Entonces, τ es una fuerza dividida entre un área, y se mide
en las unidades de 𝑁/𝑚2 (Pa) o 𝑙𝑏/𝑝𝑖𝑒 2. En fluidos como el agua, el alcohol u otros
líquidos comunes, la magnitud del esfuerzo cortante es directamente proporcional al
cambio de velocidad entre las posiciones diferentes al fluido.
Viscosidad Cinemática
En hidrodinámica intervienen juntos con las fuerzas debidas a la viscosidad las fuerzas de
inercia, que dependen de la densidad. Por eso tiene un significado importante la viscosidad
dinámica referida a la densidad, o sea la relación de la viscosidad dinámica a la densidad,
que se denomina viscosidad cinemática. (Mataix, 2004)
4.1.3. Densidad y Gravedad Específica

La densidad se define como masa por unidad de volumen.
El recíproco de la densidad es el volumen específico v, el cual se define como volumen por

unidad de masa.
En general, la densidad de una sustancia depende de la temperatura y de la presión. La

densidad de la mayoría de los gases es proporcional a la presión e inversamente
proporcional a la temperatura. Por otro lado, los líquidos y sólidos en esencia son
sustancias incompresibles y la variación de su densidad con la presión suele ser
despreciable.
A veces, la densidad de una sustancia se da en relación con la densidad de una sustancia

conocida plenamente; entonces se le llama gravedad específica o densidad relativa, y se
7
define como la razón de la densidad de una sustancia a la densidad de alguna sustancia
estándar, a una temperatura especificada (por lo general, agua a 4°C, para la cual 𝜌𝐻2 𝑂 =
1000 𝑘𝑔⁄𝑚3. (Cengel & Cimbala, 2006)
4.2. FLUJO DE FLUIDOS EN TUBERÍAS

El método más universal para transportar fluidos de un lugar a otro es impulsarlo a través
de un sistema de tuberías. Las tuberías de sección circular son las más común, ya que esta
forma ofrece no sólo mayor resistencia estructural sino también mayor sección transversal
para el mismo perímetro exterior que cualquier otra forma.
Según (Giles, 1975) existen dos tipos de flujos permanentes en el caso de fluidos reales.
Estos son flujo laminar y flujo turbulento.
4.2.1. Flujo laminar

Las partículas se mueven en direcciones paralelas formando capas o láminas, el fluido es
uniforme y regular, es decir, la viscosidad domina el movimiento del fluido.
Se determina que hay flujo laminar cuando el número de Reynolds es menos a 2000.
4.2.2. Flujo crítico

Existe cuando el caudal se incrementa después de estar en flujo laminar hasta que las
láminas comienzan a ondularse y romperse en forma brusca y difusa.
Se determina cuando el número de Reynolds tiene valores entre 2000 y 4000.
4.2.3. Flujo turbulento

Existe a velocidades mayores que la crítica, cuando hay un movimiento irregular e
indeterminado de las partículas del fluido en direcciones transversales a la dirección
principal de flujo.
Es determinado cuando el número de Reynolds tiene valores mayores a 4000.
4.2.4. Número de Reynolds

Según (Mott, 2006) el comportamiento de un fluido, en particular en lo que se refiere a las
pérdidas de energía, depende de que el flujo sea laminar o turbulento. Por esta razón, se
8
necesita un medio para predecir el tipo de flujo sin tener que observarlo en realidad. Más
aún, la observación directa es imposible para fluidos que van por tubos opacos. Se
demuestra en forma experimental y se verifica de modo analítico, que el carácter del flujo
en un tubo redondo depende de cuatro variables: la densidad del fluido 𝜌, su viscosidad
dinámica 𝜂, el diámetro del tubo D y la velocidad promedio del flujo v, también, se la
puede reducir al equivalente de viscosidad cinemática 𝓇 que es igual a viscosidad dinámica
sobre densidad. Osborne Reynolds fue el primero en demostrar que es posible pronosticar
el flujo laminar o turbulento si se conoce la magnitud de un numero adimensional, al que
hoy se lo denomina número de Reynolds (𝑁𝑅 ). La ecuación siguiente muestra la definición
básica del número de Reynolds:
𝑣𝐷𝜌 𝑣𝐷
𝑁𝑅 = = Ecuación (1)
𝜂 𝓇
El número de Reynolds es la relación de la fuerza de inercia sobre un elemento de fluido a
la fuerza viscosa.
Los flujos tienen números de Reynolds grandes debido a una velocidad elevada y/o una
viscosidad baja y tienden a ser turbulentos. Aquellos fluidos con viscosidad alta y/o que se
mueven a velocidades bajas, tendrán números de Reynolds bajos y tenderán a comportarse
en forma laminar.
4.2.5. Pérdida de energía por fricción

También es llamada pérdida de carga, y es la energía necesaria para vencer los efectos del
rozamiento.
La ecuación de Darcy-Weisbach calcula las pérdidas por fricción, 𝐻𝐿 , tanto en régimen

laminar como turbulento.
𝐿 𝑣2
ℎ𝐿 = 𝑓 × × Ecuación (2)
𝐷 2𝑔
Donde
ℎ𝐿 = Pérdida de energía debido a la fricción (N·m/N, m, lb-pie/lb o pies)
𝐿 = Longitud de la corriente del flujo (m o pies)
9
𝐷 = Diámetro de la tubería (m o pies)
𝑣 = Velocidad promedio del flujo (m/s o pies/s)
𝑓 = Factor de fricción (adimensional)
4.2.6. Coeficiente de fricción

Basados en (Giles, 1975) se explica cómo interactúa el coeficiente de fricción para flujo
laminar y turbulento.
a) Para flujo laminar se puede deducir matemáticamente entre la relación conocida

como ecuación de Hagen-Poiseuille que involucra las propiedades del fluido en
cuanto a viscosidad y peso específico, las características geométricas de longitud y
diámetro de la tubería, y la dinámica del flujo caracterizada por la velocidad
promedio.
𝓇 𝐿 𝑣 2 64 𝐿 𝑣 2
ℎ𝐿 = 64 × × × = × × Ecuación (3)
𝑣𝐷 𝐷 2𝑔 𝑁𝑅 𝐷 2𝑔
Por tanto para flujo laminar, el valor de 𝑓 viene dado por
64
𝑓= Ecuación (4)
𝑁𝑅
b) Para flujo turbulento, existen algunas investigaciones para el cálculo de 𝑓 pero todas
son limitadas para cada caso es por eso que el Instituto Hidráulico de los Estados
Unidos consideran para la mayoría de tuberías la ecuación de Colebrook-White
como la más aceptable para el cálculo de 𝑓. La ecuación es
1 𝜀⁄ 2.51
= −2 log [ 𝐷 + ] Ecuación (5)
√𝑓 3.7 𝑁𝑅 (𝑓 0.5 )
Aunque la ecuación 5 es de resolución muy engorrosa, se ha creado diagramas que den

relaciones existente entre el coeficiente de fricción 𝑓, el numero de Reynolds 𝑁𝑅 y la
rugosidad relativa de la tubería 𝜀⁄𝐷 como es el diagrama de Moody.
10
4.2.7. Diagrama de Moody
Basados en (Mataix, 2004) el diagrama de Moody está construido en papel doblemente
logarítmico y es la representación gráfica de dos ecuaciones:
a) Expresión de la ecuación de Poiseuille (ecuación (4)): esta ecuación en papel

logarítmico es una recta. La prolongación dibujada a trazos es la zona crítica.
b) La ecuación de Colebrook-White (ecuación (5)): esta ecuación es función de dos
variables (𝑓 = 𝑓(𝑁𝑅 , 𝜀⁄𝐷)). Dicha ecuación se representa en el diagrama de
Moody por una familia de curvas, una para cada valor de rugosidad relativa.
En la figura 1 se presenta el diagrama de Moody.
Uso del diagrama de Moody
El diagrama de Moody se utiliza para ayudar a determinar el valor del factor de fricción 𝑓
para el flujo turbulento. Debe conocerse el valor del número de Reynolds y la rugosidad
relativa. (Mott, 2006)
El diagrama de Moody al tratarse de un método gráfico es recomendable seguir la siguiente

secuencia de pasos:
1. Calcular el valor del 𝑁𝑅 para determinar si el flujo es laminar o turbulento.

2. Calcular la rugosidad relativa.
3. Localizar 𝑁𝑅 en el eje de las x.
4. Localizar la rugosidad relativa en el eje vertical.
5. En el caso que no exista una curva del valor de rugosidad relativa calculado se debe
trazar una curva simétrica entre las curvas inmediata superior e inmediata inferior
considerando el valor de la rugosidad relativa.
6. Extender una línea vertical desde nuestro valor de 𝑁𝑅 hasta la curva de rugosidad
relativa y una vez intersectada, extender una línea horizontal hacia la izquierda en el
eje de “y” para determinar el coeficiente de fricción apropiado.
11
Figura 1. Diagrama de Moody
Fuente: (White, 2013)
12
4.3. REDES NEURONALES
4.3.1. Inteligencia Artificial
Aunque no existe una sola definición de inteligencia artificial se podría decir que es la rama
de las ciencias de la computación que estudia el software y hardware necesarios para
simular el comportamiento y comprensión humana, es decir, trata de simular la inteligencia
humana.
Según (Landau, 2016) la inteligencia artificial radica en el razonamiento, el aprendizaje y la

interacción de las máquinas con el mundo externo, sin que los humanos tengan que
programarlas específicamente.
Inteligencia artificial es un término general y, de manera específica se lo conoce como

aprendizaje automático que se refiere al conjunto de técnicas y herramientas que permiten
que las computadoras “piensen” mediante la creación de algoritmos matemáticos basados
en datos recopilados.
Según (Ponce Cruz, 2010) los métodos de inteligencia artificial son una respuesta al deseo
de aproximar el comportamiento y el pensamiento humano a diversos sistemas para la
solución de determinadas problemáticas. Por ello, no es de sorprender que actualmente se
tiene sistemas muy avanzados que pueden emular ciertas características humanas, sin
embargo, aún nos encontramos muy lejos de poder recrear algunas otras.
Existen varios métodos que componen la ciencia de la inteligencia artificial, dentro de los
cuales se pueden encontrar tres grandes ramas:
 Lógica difusa
 Redes neuronales artificiales
 Algoritmos genéticos
Cada una consta de características especiales, así como de una función específica. El
presente trabajo de investigación se centra en redes neuronales.
13
4.3.2. Introducción a las Redes Neuronales
Las redes neuronales artificiales (RNA) son modelos matemáticos inspirados en la
organización y el funcionamiento de la neurona biológica. (Pino Diez, De la Fuente Garcia,
Parreño Fernandez, & Priore, 2004). Es decir, es un intento de simular el cerebro humano.
Según (Uchechukwu & Sunday, 2016) las RNA son una herramienta de modelado que es
capaz de aprender relaciones de entrada-salida complejas y no lineales y reproducirlas de
un conjunto dado de ejemplos mediante el uso de neuronas. Además, no requiere ningún
conocimiento previo del mecanismo, principios o antecedentes que subyacen al proceso a
ser modelado.
4.3.3. Elementos Básicos de una Red Neuronal

Según (Ponce Cruz, 2010) los elementos básicos que conforman una red neuronal son:
 Conjuntos de unidades de procesamiento (neuronas).

 Conexiones entre unidades (asociado a cada conexión un peso o valor).
 Funciones de salida o activación para cada unidad de procesamiento.
El modelo de la neurona y la arquitectura de la red describen cómo esta última transforma

sus entradas en las salidas.
Basados en (Camacho Costumero, 2016) las redes neuronales artificiales constan de un

conjunto de elementos de procesamiento conectados entre sí y entre los que se envían
información a través de conexiones. Las neuronas de cada capa están conectadas con
neuronas de la capa anterior y de la posterior. Cada neurona obtiene la información. A
partir de la situación que ocupen en la red, se pueden distinguir los siguientes elementos:
 Capa de entrada: es la primera capa y la que recibe de forma directa la

información que proviene de fuentes externas a la red. Las neuronas de esta capa
son pasivas, es decir, no modifican los datos que reciben. A las neuronas de esta
capa no se les asigna ningún peso y su función de activación es lineal.
 Capas Ocultas: son las capas internas a la red, que se encuentran entre la capa de
entrada y la de salida y que no tienen un contacto directo con el exterior. El número
de capas ocultas puede ser muy variado, desde una hasta un número elevado.
14
El diseño de estas capas ocultas, tiene una gran importancia en el proceso de
aprendizaje, ya que determinan la complejidad del sistema. Y la forma de encontrar
el diseño correcto es variando los parámetros de las capas ocultas.
 Número de neuronas ocultas: el número de neuronas ocultas debe ser escogida

según cumpla los requerimientos establecidos.
Según (ESCOM, 2010) un número excesivo de neuronas en la capa oculta puede ser
causante de sobre ajuste (Overfitting) “pobre desempeño fuera de la muestra” y un
número demasiado pequeño de neuronas puede ser causante de bajo ajuste
(Underfitting) “no resuelve el problema”, es por eso que el número de neurona debe
ser suficiente para la realización correcta de la tarea, pero lo suficientemente bajo
para permitir la generalización.
 Capa de salida: es la capa encargada de transferir la información hacia la red
exterior.
Según (Valencia, Yáñez, & Sánchez, 2006) no se pueden dar reglas concretas para
determinar el número de neuronas o número de capas ocultas de una red para resolver un
problema concreto.
Respecto al número de capas de la red, en general tres capas son suficientes (entrada –
oculta - salida). Sin embargo, hay veces que un problema es fácil de resolver con más de
una capa oculta. El tamaño de las capas, tanto de entrada como de salida, suele estar
determinado por la naturaleza de la aplicación. En cambio, decidir cuántas neuronas debe
tener una capa oculta no suele ser tan evidente. No hay ninguna regla que indique el
número óptimo, en cada problema esto se determina a través de la experimentación.
Un esquema básico de una red neuronal artificial se observa en la figura 2, la cual presenta
las diferentes capas que tiene esta topología, que es una estructura que se conoce con el
nombre de feed-forward (hacia delante) debido al flujo de la información.
15
Figura 2. Esquema básico de una Red Neuronal Artificial
Fuente: (Ponce Cruz, 2010)
4.3.4. Características generales de una red neuronal

Según (Ochoa, 2003) existen cuatro aspectos que caracterizan una red neuronal: su
topología, el mecanismo de aprendizaje, tipo de asociación realizada entre la información
de entrada y salida, y la forma de representación de estas informaciones.
Topología de las Redes Neuronales
La topología o arquitectura de una red neuronal consiste en la organización y disposición de

las neuronas en la misma, formando capas o agrupaciones de neuronas más o menos
alejadas de la entrada y salida de dicha red.
Según (Matich, 2001) existen:
 Redes mono capa. – es aquella que establecen conexiones entre las neuronas que
pertenecen a la única capa que constituye la red. Las redes mono capas se utilizan
generalmente en tareas relacionadas con lo que se conoce como auto asociación
(regenerar información de entrada que se presenta a la red de forma incompleta o
distorsionada).
 Redes Multicapas. – Son aquellas que disponen de un conjunto de neuronas
agrupadas en varios niveles o capas. Una forma de distinguir la capa a la que
pertenece la neurona, consiste en fijarse en el origen de las señales que recibe a la
entrada y el destino de señal a la salida.
16
Normalmente, todas las neuronas de una capa reciben señales de entrada desde otra capa
anterior (la cual está más cerca a la entrada de la red), y envían señales de salida a una capa
posterior (que está más cerca a la salida de la red). A estas conexiones se las denomina
conexiones hacia adelante o feed-forward.
Sin embargo, en un gran número de estas redes también existe la posibilidad de conectar la
salida de las neuronas de capas posteriores a la entrada de capas anteriores; a estas
conexiones se las denomina conexiones hacia atrás o feed-back.
Mecanismo de Aprendizaje
El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en respuesta a
una información de entrada. Los cambios que se producen durante la etapa de aprendizaje
se reducen a la destrucción (el peso de la conexión toma el valor 0), modificación y
creación (el peso de la conexión toma un valor distinto de 0) de conexiones entre las
neuronas.
Existen dos tipos de mecanismo de aprendizaje el supervisado y el no supervisado:
Redes con aprendizaje supervisado. - Se caracteriza porque el proceso de aprendizaje se

realiza mediante un entrenamiento controlado por un agente externo (supervisor, maestro)
que determina la respuesta que debería generar la red a partir de una entrada determinada.
El supervisor comprueba la salida generada por el sistema y en el caso de que no coincida
con la esperada, se procederá a modificar los pesos de las conexiones.
En este tipo de aprendizaje se suelen distinguir a su vez tres formas de llevarlo a cabo:
 Aprendizaje por corrección de error: Consiste en ajustar los pesos de las

conexiones de la red en función de la diferencia entre los valores deseados y los
obtenidos en la salida.
 Aprendizaje por refuerzo: este tipo de aprendizaje es más lento que el anterior y
se basa en la idea de no disponer de un ejemplo completo del comportamiento
deseado; es decir, de no indicar durante el entrenamiento la salida exacta que se
desea que proporcione la red ante una determinada entrada. Aquí la función del
supervisor se reduce a indicar mediante una señal de refuerzo si la salida obtenida
17
en la red se ajusta a la deseada (éxito = +1 o fracaso = -1) y en función de ello se
ajustan los pesos basándose en un mecanismo de probabilidades.
 Aprendizaje estocástico: consiste básicamente en realizar cambios aleatorios en
los valores de los pesos y evaluar su efecto a partir del objetivo deseado y de
distribuciones de probabilidad.
Redes con aprendizaje no supervisado. – Estas no requieren de influencia externa para

ajustar los pesos de las conexiones entre sus neuronas. La red no recibe ninguna
información por parte del entorno que le indique si la salida generada en respuesta a una
determinada entrada es o no correcta; son capaces de auto organizarse. Estas redes deben
encontrar las características, regularidades, correlaciones o categorías que se pueden
establecer entre los datos de la entrada.
Los algoritmos de aprendizaje no supervisado suelen ser de dos tipos:
 Aprendizaje hebbiano: pretende medir la familiaridad o extraer características de

los datos de entrada. Este aprendizaje consiste básicamente en el ajuste de los pesos
de las conexiones de acuerdo con la correlación de los valores de activación
(salidas) de las dos neuronas conectadas.
 Aprendizaje competitivo y cooperativo: las neuronas compiten unas con otras con
el fin de llevar a cabo una tarea dada. Se pretende que cuando se presente a la red
cierta información, sólo una o un grupo de ellas se activen. Por tanto, las neuronas
compiten por activarse, quedando las perdedoras a sus valores de respuesta
mínimos.
El objetivo de este aprendizaje es categorizar los datos que se introducen en la red. De esta
forma, las informaciones similares son clasificadas formando parte de la misma categoría,
activando por tanto la misma neurona de salida.
Tipo de asociación entre las informaciones de entrada y salida
Las redes neuronales son sistemas que almacenan cierta información aprendida; esta se
registra de forma distribuida en los pesos asociados a las conexiones entre neuronas. Hay
que establecer cierta relación o asociación entre la información presentada a la red y la
salida ofrecida por esta. Esto se conoce como memoria asociativa.
18
Existen dos formas primarias de realizar esta asociación entrada/salida y que generan dos
tipos de redes:
 Redes heteroasociativas: La red aprende en parejas de datos [(A1, B1), (A2,

B2),....(An, Bn)], de tal forma que cuando se le presente determinada información
de entrada Ai responda con la salida correspondiente Bi. Al asociar informaciones
de entrada con diferentes informaciones de salida, precisan al menos de 2 capas, una
para captar y retener la información de entrada y otra para mantener la salida con la
información asociada. Si esto no fuese así se perdería la información inicial al
obtenerse la salida asociada; es necesario mantener la información de entrada puesto
que puede ser necesario acceder varias veces a ella, por lo que debe permanecer en
la capa de entrada. El aprendizaje de este tipo de redes puede ser con supervisión.
 Redes auto asociativas: La red aprende ciertas informaciones A1, A2, .., An de
forma que cuando se le presenta una información de entrada realizará una auto
correlación, respondiendo con uno de los datos almacenados, el más parecido al de
entrada. Este tipo de redes pueden implementarse con una sola capa de neuronas. El
tipo de aprendizaje utilizado habitualmente es el no supervisado y suelen utilizarse
en tareas de filtrado de información para la reconstrucción de datos, eliminando
distorsiones o ruido, explorar relaciones entre informaciones similares para facilitar
la búsqueda por contenido en bases de datos y para resolver problemas de
optimización.
Representación de la información de entrada y salida
Esta característica se clasifica en 3 tipos:
 Redes continuas: En un gran número de redes, tanto los datos de entrada como de
salida son de naturaleza analógica (valores reales continuos y normalmente
normalizados, por lo que su valor absoluto será menor que la unidad). En este caso
las funciones de activación de las neuronas serán también continuas, del tipo lineal
o sigmoidal.
 Redes discretas: Por el contrario, otras redes sólo admiten valores discretos [0,1] a
la entrada, generando también en la salida respuestas de tipo binario. La función de
activación en este caso es del tipo escalón.
19
 Redes híbridas: La información de entrada es continua, pero a la salida ofrecen
información binaria.
4.3.5. Función de Activación

Basados en (Ponce Cruz, 2010) estas también son conocidas como función de neurona y las
más utilizadas son las siguientes:
 Función escalón
La función de activación escalón se asocia a neuronas binarias en las cuales, cuando la

suma de las entradas es mayor o igual que el umbral de la neurona, la activación es 1; si es
menor, la activación es 0 o -1 como se observa en la figura 3.
Figura 3. Función de activación escalón

 Función lineal
Es la más sencilla. Se la llama función de identidad porque responde a la expresión

𝐹𝑘 (𝑢) = (𝑢). En realidad, esta función equivale a no aplicar función de salida. Como se
observa en la figura 4.
Figura 4. Función de activación lineal

20
 Función mixta
En las neuronas con función mixta, si la activación es menor que un límite inferior, la salida
es 0 (ó -1). Si la activación es mayor o igual que el límite superior, entonces la salida es 1.
Si la activación está entre los límites, la salida es una función lineal de la activación. Como
se observa en la figura 5.
Figura 5. Función de activación mixta

 Función tangente hiperbólica
La función de activación tangente hiperbólica se emplea en los casos que presentan

variaciones suaves de valores positivos y negativos de la señal a clasificar. Como se puede
ver en su descripción en la figura 6.
Debe tenerse cuidado de emplear esta función entre los umbrales positivos y negativos
antes de la saturación, de otra forma la salida siempre generara valores saturados iguales a 1
y -1.
21
Figura 6. Función tangente hiperbólica
Según (Ponce Cruz, 2010) es una de las funciones más empleadas en entrenamientos
supervisados, como en el caso de la red backpropagation.
 Función sigmoidal
Con la función sigmoidal el valor dado por la función es cercano a uno de los valores
asintóticos. Esto hace que, en la mayoría de los casos, el valor de salida esté comprendido
en la zona alta o baja del sigmoide. De hecho, cuando la pendiente es elevada, esta función
tiende a la función escalón. Sin embargo, la importancia de la función sigmoidal es que su
derivada siempre es positiva y cercana a cero para los valores grandes positivos o
negativos; además, toma su valor máximo cuando x = 0. Esto hace que se puedan utilizar
reglas de aprendizaje definidas para las funciones escalón, con la ventaja, respecto a esta
función, de que la derivada está definida en todo el intervalo (véase la figura 7).
Figura 7. Función sigmoidal

22
Según (Llano, Hoyos, Francisco, & Velásquez, 2007) la selección de funciones de
activación se realiza de acuerdo con el problema y a criterio del investigador, en ocasiones
por ensayo y error, debido a que no existe en la literatura una regla estándar para la
selección de estas funciones de activación en las redes neuronales.
4.3.6. Tipos de Redes Neuronales

Existen diferentes tipos de redes neuronales, en la tabla 1 se presenta una clasificación con
la descripción de las RNA más comunes y frecuentes en la mayoría de los simuladores
software de sistemas de computación neuronal.
Según (Basogain Olage, 2014) la selección de una red se realiza en función de las
características del problema a resolver. La mayoría de estos se pueden clasificar en
aplicaciones de Predicción, Clasificación, Asociación, Conceptualización, Filtrado y
Optimización.
En la tabla 1 las redes neuronales “Adaline y Madaline” y “Backpropagation” son

caracterizadas por realizar trabajos de predicción; sin embargo, la “Adaline y Madaline”
presenta limitaciones, puesto que está estructurado por una sola capa a comparación de la
red backpropagation que puede ser multicapa como precisamente, requiere la investigación
en cuestión. (Ponce Cruz, 2010)
23
Tabla 1. Clasificación de Redes Neuronales
Diseñador Año Tipo Características
Adaline y Madaline Bernard Widrow 1960 Predicción Técnicas de Adaptación para el Reconocimiento de Patrones.
Reconocimiento de Patrones y Modelo del Sistema

Adaptive Resonance Neuronal.
Carpenter, Grossberg 1960-1986 Conceptualización
Theory Networks
Concepto de Resonancia Adaptiva.
Solución a las limitaciones de su red predecesora el
BackPropagation Rumelhart y Parker 1985 Predicción
Perceptron.
Bi-Directional
Associative Memory Bart Kosko 1985 Asociación Inspiradas en la red ART.
(BAM) Networks
The Bolzmann Ackley, Hinton y

1985 Asociación Similar a la red Hopfield.
Machine Sejnowski
Brain-State-in a Box James Anderson 1970-1986 Asociación Red Asociativa Lineal.
Cascade-Correlation-
Fahhman y Lebiere 1990 Asociación Adición de nuevas capas oculta en cascada.
Networks
Counter-Propagation Hecht-Nielsen 1987 Clasificación Clasificación Adaptiva de Patrones.
Delta-Bar-Delta
Jacobb 1988 Clasificación Métodos Heurísticos para Acelerar la Convergencia.
(DBD) Networks
Digital Neural
Neural Semiconductor
Network Architecture 1990 Predicción Implementación Hardware de la función Sigmoid.
Inc.
(DNNA) Networks
24
Directed Random
Técnica de valores Random en el mecanismo de Ajustes de
Search (DRS) Maytas y Solis 1965-1981 Clasificación
Pesos.
Networks
Clasificación de vectores binarios utilizando la Distancia
Hamming Networks Lippman 1987 Asociación
Hamming.
Hopfield Networks Hopfield 1982 Optimización Concepto de la red en términos de energía.
Learning Vector
Quantization (LVQ) Kohonen 1988 Clasificación Red Clasificadora.
Networks
Perceptron Networks Rosenblatt 1950 Predicción Primer modelo de sistema Neuronal Artificial.
Probabilistic Neural
Spetcht 1988 Asociación Clasificación de Patrones utilizando métodos estadísticos.
Network (PNN)
Recirculation
Hinton y McClelland 1988 Filtrado Alternativa a la red Backpropagation.
Networks
Self-Organizing Maps
Kohonen 1979-1982 Conceptualización Aprendizaje sin supervisión.
(SOM)
Spatio.Temporal-
Pattern Recognition Grossberg 1960-1970 Asociación Red clasificadora Invariante en el espacio y tiempo.
(SPR)
Fuente: (Basogain Olage, 2014)
25
4.3.7. Redes de Retro propagación (Backpropagation)
La retro propagación del error es un entrenamiento supervisado que se emplea para redes
multicapa, donde se ajusta el valor de los pesos en función del error generado. Esta técnica
es muy empleada ya que permite tener un método de optimización que se encuentra al
definir el gradiente del error y minimizarlo con respecto a los parámetros de la red neural.
(Ponce Cruz, 2010)
Según (Matich, 2001) el nombre de Backpropagation resulta de la forma en que el error es

propagado hacia atrás a través de la red neuronal, en otras palabras, el error se propaga
hacia atrás desde la capa de salida. Esto permite que los pesos sobre las conexiones de las
neuronas ubicadas en las capas ocultas cambien durante el entrenamiento.
El cambio de los pesos en las conexiones de las neuronas además de influir sobre la entrada
global, influye en la activación y por consiguiente en la salida de una neurona. Por lo tanto,
es de gran utilidad considerar las variaciones de la función de activación al modificarse el
valor de los pesos. Esto se llama sensibilidad de la función activación, de acuerdo al
cambio en los pesos.
4.3.8. Arquitectura de la Red Back-propagation

Según (Basogain Olage, 2014) normalmente, la Red Backpropagation utiliza tres o más
capas de unidades procesadoras. La Figura 2 presentada anteriormente muestra una
topología Backpropagation típica de tres capas. La capa de la izquierda es la capa de
entrada, y se caracteriza por ser la única capa cuyas unidades procesadoras reciben entradas
desde el exterior. Sirven como puntos distribuidores, no realizan ninguna operación de
cálculo. La capa intermedia es la capa oculta, y sus unidades procesadoras individualmente
están interconectadas con su capa derecha y su capa de izquierda. La capa de la derecha es
la capa de salida que presenta la respuesta de la red.
Una unidad procesadora básica de la red Backpropagation se representa en la Figura 8. Las

entradas se muestran a la izquierda, y a la derecha se encuentran unidades que reciben la
salida de la unidad procesadora situada en el centro de la figura.
26
Figura 8. Unidad Procesadora Básica Backpropagation
Fuente: (Basogain Olage, 2014). Adaptación: El Autor
La unidad procesadora se caracteriza por realizar una suma ponderada de las entradas, en
esta unidad se llamara 𝑆𝑗 , la cual presenta una salida 𝑎𝑗 y tiene un valor 𝛿𝑗 asociado que se
utilizará en el proceso de ajuste de los pesos, esto se explicara en el siguiente apartado. El
peso asociado a la conexión desde la unidad i a la unidad j se representa por 𝑤𝑖𝑗 , y es
modificado durante el proceso de aprendizaje.
4.3.9. Algoritmo de Entrenamiento Backpropagation

Las redes Backpropagation tienen un método de entrenamiento supervisado. A la red se le
presenta parejas de patrones, un patrón de entrada emparejado con un patrón de salida
deseada. Por cada presentación los pesos son ajustados de forma que disminuya el error
entre la salida deseada y la respuesta de la red. (Basogain Olage, 2014)
Según (Ponce Cruz, 2010) para enseñarle a la red neuronal es necesario entrenar un
conjunto de datos, el cual consta de señales de entradas 𝑥1 y 𝑥2 asignadas con objetivos
correspondientes (salidas deseadas) denominados z. El entrenamiento es un proceso
iterativo. En cada iteración los pesos de los nodos se modiﬁcan usando nuevos datos del
conjunto para el entrenamiento. Las modificaciones de los pesos se calculan empleando el
siguiente algoritmo que se explica a continuación.
27
Cada paso del entrenamiento comienza al forzar ambas entradas del conjunto de
entrenamiento. Después es posible determinar los valores de salida de las señales de cada
neurona en cada capa de la red.
La figura 9 muestra dos ejemplos de cómo se propaga la señal a través de la red, donde los
pesos 𝑤𝑚𝑛 corresponden a la conexión de la salida de la neurona m con la entrada de la
neurona n en la capa siguiente.
Figura 9. Propagación de las señales hacia las neuronas

En el siguiente paso del algoritmo, la salida de la red es comparada con el valor objetivo
deseado. La diferencia se denomina error de la señal (δ = z - y). Es imposible conocer el
error en las neuronas de las capas internas directamente, debido a que se desconocen los
valores de salida de estas neuronas. El algoritmo de retro propagación propaga el error de
regreso a todas las neuronas, cuya salida fue la entrada de la última neurona, como se
muestra en la figura 10.
28
Figura 10. Retro propagación del error para 𝜹𝟒
Posteriormente el error se va propagando a las neuronas de capas anteriores, considerando

los pesos de las conexiones, según se aprecia en la figura 11.
Figura 11. Retro propagación del error para 𝜹𝟏

Cuando se calcula el error para cada neurona, los pesos de entrada pueden modificarse
según los ejemplos de la figura 12. Donde 𝜂 es el coeficiente de aprendizaje, que se
encuentra entre en un rango de 0 < 𝜂 < 1. Los coeficientes η afectan la velocidad de
aprendizaje y pueden seleccionarse por distintos métodos. Uno de ellos implica que al
inicio del proceso de entrenamiento se elige un valor grande, el cual va descendiendo
gradualmente conforme avanza el proceso. Otro método comienza con parámetros
pequeños que aumentan a medida que el proceso avanza y nuevamente disminuye en la
29
etapa final. Comenzar el proceso con un parámetro pequeño permite el establecimiento de
los signos de los pesos.
Figura 12. Actualización de los pesos

En la figura 13 se presenta un esquema de un diseño de red neuronal backpropagation en

diagrama de bloques. En él se muestra su estructura y la manera en cómo se lleva a cabo el
flujo de información en la neurona de la capa oculta.
30
Figura 13. Diagrama de bloques de un diseño de red neuronal backpropagation
4.3.10. Redes Neuronales Artificiales con Matlab

El software MATLAB® cuenta con una herramienta que permite trabajar con redes
neuronales denominada Neuronal Network Toolbox.
Neural Network Toolbox ofrece una amplia variedad de arquitecturas y funciones de

entrenamiento para modelizar complejos sistemas no lineales de un modo sencillo
utilizando redes neuronales. Las aplicaciones disponibles en Neural Network Toolbox
permiten diseñar, entrenar, visualizar y simular interactivamente la red para posteriormente
generar el código MATLAB equivalente y así automatizar el proceso.
31
Neural Network Toolbox soporta aprendizaje supervisado, no supervisado y reforzado
utilizando arquitecturas como: Perceptron, Perceptron multicapa, Adaline, Backpropagation
entre otras.
El objeto de entrenamiento de la red neuronal en MATLAB® consiste en presentarle

ejemplos de manera iterativa de las respuestas correctas. Lo fundamental del entrenamiento
es encontrar un conjunto de pesos entre las neuronas que determinan el mínimo global de la
función de error. A menos que el modelo esté sobre ajustado (overfitting), el conjunto de
pesos debería proporcionar una buena generalización.
El entrenamiento de la red neuronal que se plantea utilizar es la técnica del gradiente

descendente inmerso en el algoritmo de retro propagación (backpropagation). Este
entrenamiento se detendrá cuando ocurra cualquiera de las siguientes variantes:
1. El número de iteraciones excede del propuesto inicialmente.

2. Si la función de evaluación cae por debajo de la meta establecida (underfitting).
3. Si el error de validación se incrementa mientras que el de entrenamiento decrece
(overfitting)
En cualquier caso, los pesos y bias obtenidos son los encontrados en el mínimo error
medido por la función de evaluación.
32
5. MATERIALES Y MÉTODOS
5.1. MATERIALES
Los principales materiales que se emplearon en la ejecución del presente proyecto son los
siguientes:
 Fuentes bibliográficas e internet para obtener información acerca del tema de

investigación.
 Software de apoyo para el desarrollo del diseño:
 Paquete Office®
 IBM SPSS Statistics 22®
 Software para el desarrollo de la red neuronal, (MATLAB®).
5.2. MÉTODOS
Para el correcto desarrollo del proceso de diseño de red neuronal para predecir el
coeficiente de fricción del diagrama de Moody se estructuró y cumplió la siguiente
metodología.
5.2.1. Tabulación del diagrama de Moody

Para realizar la tabulación del diagrama de Moody se consultó bibliografía referente al tema
y se seleccionó la siguiente secuencia de pasos como técnica a aplicarse en la tabulación:
1. Localizar Re en el eje de las x.

2. Localizar la rugosidad relativa en el eje vertical.
3. Con el dato de rugosidad relativa se sigue la tendencia de la curva en el diagrama.
4. Extender una línea vertical desde el valor de Re hasta la curva de la rugosidad
relativa.
5. En el punto de intersección de Re con la curva de rugosidad relativa, extender una
línea horizontal hacia la izquierda en el eje de “y” para determinar el coeficiente de
fricción apropiado.
Al tratarse de un método gráfico que cuenta con un grupo grande de datos se tiene que
delimitar el conjunto de datos a utilizar, seleccionando los puntos notables en la escala de
33
número de Reynolds que interviene en cada una de las curvas, a continuación, se da un
ejemplo de cómo seleccionar el conjunto de datos en cada curva.
La curva de rugosidad relativa 0,05 intersecta en un rango de número de Reynolds de 4000

a 100000000 como se observa en el diagrama de Moody, seleccionando los puntos notables
presentes en el diagrama, considerando que se trata de una escala logarítmica se selecciona
los siguientes puntos:
Tabla 2. Selección de puntos notables de la curva de rugosidad relativa 0,05

Curva de Rugosidad
Número de Reynolds
Relativa
4000 - 5000 - 6000 - 7000 - 8000 - 9000 - 10000 - 20000 -
30000 - 40000 - 50000 - 60000 - 70000 - 80000 - 90000 -
100000 - 200000 - 300000 - 400000 - 500000 - 600000 -
0.05 7000000 - 800000 - 900000 - 1000000 - 2000000 - 3000000 -
4000000 - 5000000 - 6000000 - 7000000 - 8000000 - 9000000 -
10000000 - 20000000 - 30000000 - 40000000 - 50000000 -
60000000 - 70000000 - 80000000 - 90000000 - 100000000
Fuente: El Autor
El diagrama de Moody cuenta con un total de 20 curvas trazadas siendo la mayor la curva
de rugosidad relativa 0,05 y la menor de 0,000001, se consideró conveniente para un mejor
manejo enumerarlas de mayor a menor como se observa en la tabla 3.
Se realizó la tabulación de cada una de las 20 curvas presentes en el diagrama de Moody,

sin considerar el flujo laminar y el flujo crítico.
A manera de ejemplo, se presenta el desarrollo de la técnica de tabulación para la curva 20
en la cual se obtienen los siguientes puntos:
𝑅𝑢𝑔𝑜𝑠𝑖𝑑𝑎𝑑 𝑅𝑒𝑙𝑎𝑡𝑖𝑣𝑎 = 0,000001
→ 𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑓𝑟𝑖𝑐𝑐𝑖ó𝑛 = 0,0084
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑅𝑒𝑦𝑛𝑜𝑙𝑑𝑠 = 6000000



34
Tabla 3. Enumeración de curvas de mayor a menor
Rugosidad Relativa Curva
0,05 Curva 1
0,04 Curva 2
0,03 Curva 3
0,02 Curva 4
0,015 Curva 5
0,01 Curva 6
0,008 Curva 7
0,006 Curva 8
0,004 Curva 9
0,002 Curva 10
0,001 Curva 11
0,0008 Curva 12
0,0006 Curva 13
0,0004 Curva 14
0,0002 Curva 15
0,0001 Curva 16
0,00005 Curva 17
0,00001 Curva 18
0,000005 Curva 19
0,000001 Curva 20
Fuente: El Autor
5.2.2. Selección de la Arquitectura de la Red Neuronal

Para realizar la selección de la arquitectura se consultó diferentes investigaciones de redes
neuronales que se utilizan para la predicción del coeficiente de fricción.
Se realizó una clasificación detallada de la arquitectura de los bosquejos de red neuronal

con mejores rendimientos, para a través, de una ponderación de resultados brinden varios
criterios para el diseño. La matriz de ponderación permite seleccionar los parámetros más
óptimos para el diseño de la aplicación de red neuronal.
35
A manera, de ejemplo de la técnica usada se expone la siguiente tabla 4.
Tabla 4. Matriz de diferentes Tipos de Arquitecturas

Función
Función Número Función Función Error
Tipo de Base de de
De Topología de de de activ. Porcentual
Red datos activ.
entrenamiento datos rendimiento Salidas Medio
Ocultas
Error
(Shayya & Back- 2-14-14- Ecuación
- 1720 cuadrático - - 1.25%
Sablani, 1998) propagation 14-1 Colebrook
medio
(Uchechukwu Error
Back- Levenberg- Ecuación
& Sunday, 2-30-30-1 60000 cuadrático - - 0.004%
propagation Marquardt Colebrook
2016) medio
Error
(Fadare & Back- Levenberg- Ecuación
2-20-31-1 2560 cuadrático tansig purelin 0.68%
Ofidhe, 2009) propagation Marquardt Colebrook
medio
Error
(Yazdi & Bardi, Back- Levenberg- Fórmula 0.98%
2-20-25-1 2000 cuadrático tansig purelin
2011) propagation Marquardt Haaland 0.35%
medio
(Brkić & Back- Ecuación
- 2-50-1 90000 - - - 0.07%
Ćojbašić, 2016) propagation Colebrook
Fuente: El Autor
Con la matriz presentada se puede seleccionar los parámetros más óptimos para la presente
aplicación de la investigación tomando en cuenta que tienen el mismo rango de trabajo,
pero distinta obtención de la base datos ya que el presente trabajo aborda el diagrama de
Moody como método de obtención de base de datos.
Se concluye que para desarrollar una red neuronal de predicción del coeficiente de fricción
los parámetros más utilizados en la mayoría de los casos son los siguientes:
 Tipo de Red Neuronal: Backpropagation

 Función de entrenamiento: Levenberg-Marquardt
 Función de Rendimiento: Error cuadrático medio “MSE”
El índice de rendimiento por defecto usado por MATLAB para entrenar el modelo de red
neuronal es el error cuadrático medio.
2
∑𝑖=𝑁
𝑖=1 (𝑓𝐷𝑖𝑎𝑔𝑟𝑎𝑚𝑎 − 𝑓𝑝𝑟𝑒𝑑𝑖𝑐ℎ𝑜 )
𝑀𝑆𝐸 =
𝑁
Este índice distribuye el error total sobre los puntos de datos considerados. Sin embargo, no
proporciona ninguna información sobre el rendimiento de cada punto de datos individuales.
36
 Función de activación (capas ocultas): “tansig”
 Función de activación (capa de salida): “purelin”
5.2.3. Selección de la Topología de la Red Neuronal

Como ya se mencionó en las secciones anteriores la topología para cada diseño de red
neuronal es individual para cada caso, dependiendo del diseñador seleccionar cual es la más
óptima para su aplicación.
Para realizar la selección de la topología de la red neuronal más óptima, se intentarán varias
configuraciones en la que el número de capas ocultas se modificará de una a tres, y el
número de neuronas dentro de cada capa oculta variará de 5 a 40 con incremento de 5.
Se realizó una matriz de ponderación de resultados, para a través de una ponderación se

brinden criterios de selección.
Los criterios de evaluación tomados en cuenta son los siguientes:
 Coeficiente de correlación 𝑹𝟐 .- este criterio es una medida de relación entre los

datos reales y los pronosticados. La herramienta del software MATLAB® da el
valor de este coeficiente para cada diseño.
 Error porcentual medio. - este criterio brinda una visión general del rendimiento
del todo el diseño y se calcula con la ecuación (6):
|𝑓𝑑𝑖𝑎𝑔𝑟𝑎𝑚𝑎 − 𝑓𝑝𝑟𝑒𝑑𝑖𝑐ℎ𝑜 |
∑𝑖=𝑁
𝑖=1 𝑓𝑑𝑖𝑎𝑔𝑟𝑎𝑚𝑎 Ecuación (6)
𝐸𝑟𝑟𝑜𝑟 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙 𝑚𝑒𝑑𝑖𝑜 = × 100
𝑁
Donde:
𝑓𝑑𝑖𝑎𝑔𝑟𝑎𝑚𝑎 : coeficiente de fricción para un punto x
𝑓𝑝𝑟𝑒𝑑𝑖𝑐ℎ𝑜 : salida de la red neuronal para un punto x
N : número de datos utilizados
5.2.4. Implementación de la Red Neuronal en MATLAB®

Antes de empezar la implementación de la red neuronal se debe tener listas las variables en
MATLAB® que se utilizarán como entrada y salida deseada del diseño.
37
Para la implementación se basó en (Hudson Beale, Hagan, & Demuth, 2016) a continuación
se detalla los pasos a seguir:
Abrir el software MATLAB® y aplicar las siguientes líneas de programación:
>>load valoresred
Al aplicar esta línea de programación las variables de entrada y salida deseada previamente
guardadas se cargarán en el workspace.
>>nntool
Al aplicar este comando se carga el interfaz gráfico de usuario de Neural Network Toolbox;
es decir, el comando nntool abre la ventana Network / Data Manager, que permite importar,
crear, usar y exportar redes y datos neuronales, como se muestra en la figura 14.
Figura 14. Ventana Neural Network/Data Manager

Fuente: MATLAB®
Se debe importar las variables que se cargaron previamente en Workspace de la siguiente

manera: la entrada en Input Data y la salida deseada en Target Data, y se creará una nueva
red neuronal donde las propiedades de red serán las escogidas en la investigación.
38
Una vez seleccionado los parámetros se deben seleccionar el número de neuronas ocultas
en cada capa para proceder a entrenarla.
5.2.5. Validación de la Red Neuronal

Para realizar la validación de la red neuronal se planteó una comparación entre el diagrama
de Moody y el diseño de red neuronal diseñado, graficando los resultados de la red para
utilizarlos y sobreponerlos en cada una de las 20 curvas.
Para graficar la red neuronal primero se debió delimitar un conjunto de datos en donde
variará los números de Reynolds para los 20 valores de rugosidad relativa utilizando la
misma metodología que se utilizó anteriormente.
La comparación se la realizó individual para cada una de las 20 curvas con el fin de
analizar el comportamiento en el rango que aborda cada curva en el diagrama.
39
6. RESULTADOS
6.1. Conjunto de datos a tabular
Siguiendo la metodología planteada se delimitó el conjunto de puntos que se van a tabular,
seleccionando los puntos notables presentes en la tabla 5.
Tabla 5. Puntos Notables presentes en el Diagrama de Moody
PUNTOS NOTABLES CONSIDERADOS DEL DIAGRAMA DE MOODY
Curvas de Rugosidad
Número de Reynolds
Relativa
4000 - 5000 - 6000 - 7000 - 8000 - 9000 - 10000 - 20000 -

30000 - 40000 - 50000 - 60000 - 70000 - 80000 - 90000 -
0.05 - 0.04 - 0.03 -
100000 - 200000 - 300000 - 400000 - 500000 - 600000 -
0.02 - 0.015 - 0.01 -
7000000 - 800000 - 900000 - 1000000 - 2000000 - 3000000 -
0.008 - 0.006 - 0.004
4000000 - 5000000 - 6000000 - 7000000 - 8000000 - 9000000 -
- 0.002 - 0.001
10000000 - 20000000 - 30000000 - 40000000 - 50000000 -
60000000 - 70000000 - 80000000 - 90000000 - 100000000
30000 - 40000 - 50000 - 60000 - 70000 - 80000 - 90000 -
100000 - 200000 - 300000 - 400000 - 500000 - 600000 -
7000000 - 800000 - 900000 - 1000000 - 2000000 - 3000000 -
0.0008 - 0.0001
4000000 - 5000000 - 6000000 - 7000000 - 8000000 - 9000000 -
10000000 - 20000000 - 30000000 - 40000000 - 50000000 -
60000000 - 70000000 - 80000000 - 90000000 - 100000000
20000 - 30000 - 40000 - 50000 - 60000 - 70000 - 80000 - 90000
- 100000 - 200000 - 300000 - 400000 - 500000 - 600000 -
7000000 - 800000 - 900000 - 1000000 - 2000000 - 3000000 -
0.0006 - 0.0002
4000000 - 5000000 - 6000000 - 7000000 - 8000000 - 9000000 -
10000000 - 20000000 - 30000000 - 40000000 - 50000000 -
60000000 - 70000000 - 80000000 - 90000000 - 100000000
6000 - 7000 - 8000 - 9000 - 10000 - 20000 - 30000 - 40000 -
50000 - 60000 - 70000 - 80000 - 90000 - 100000 - 200000 -
300000 - 400000 - 500000 - 600000 - 7000000 - 800000 -
0.0004 900000 - 1000000 - 2000000 - 3000000 - 4000000 - 5000000 -
6000000 - 7000000 - 8000000 - 9000000 - 10000000 -
20000000 - 30000000 - 40000000 - 50000000 - 60000000 -
70000000 - 80000000 - 90000000 - 100000000
40
100000 - 200000 - 300000 - 400000 - 500000 - 600000 -
7000000 - 800000 - 900000 - 1000000 - 2000000 - 3000000 -
0.00005 4000000 - 5000000 - 6000000 - 7000000 - 8000000 - 9000000 -
10000000 - 20000000 - 30000000 - 40000000 - 50000000 -
60000000 - 70000000 - 80000000 - 90000000 - 100000000
500000 - 600000 - 7000000 - 800000 - 900000 - 1000000 -
2000000 - 3000000 - 4000000 - 5000000 - 6000000 - 7000000 -
0.00001 8000000 - 9000000 - 10000000 - 20000000 - 30000000 -
40000000 - 50000000 - 60000000 - 70000000 - 80000000 -
90000000 - 100000000
2000000 - 3000000 - 4000000 - 5000000 - 6000000 - 7000000 -
0.000005
8000000 - 9000000 - 10000000 - 20000000
0.000001 5000000 - 6000000 - 7000000 - 8000000 - 9000000 - 10000000
Fuente: El Autor
6.2. Tabulación Diagrama de Moody

Siguiendo lo planteado anteriormente se logró obtener la tabulación de cada una de las 20
curvas presentes en el diagrama de Moody, exponiendo la metodología, a manera de
ejemplo se explica en la curva 1 la tabla de tabulación de los puntos notables y se aplica de
manera similar en las curvas restantes.
CURVA 1
En la tabla 6 se presentan los valores tabulados del diagrama de Moody de la curva de

rugosidad relativa 0.05:
Tabla 6. Valores tabulados rugosidad relativa 0.05

Número de Rugosidad Coeficiente
Reynolds Relativa de Fricción
4000 0.05 0.0769
5000 0.05 0.0759
6000 0.05 0.0752
7000 0.05 0.0747
8000 0.05 0.0743
9000 0.05 0.074
10000 0.05 0.0738
20000 0.05 0.0736
30000 0.05 0.0733
40000 0.05 0.0731
50000 0.05 0.073
60000 0.05 0.0729
41
70000 0.05 0.0728
80000 0.05 0.0728
90000 0.05 0.0728
100000 0.05 0.0728
200000 0.05 0.0726
300000 0.05 0.0723
400000 0.05 0.0721
500000 0.05 0.072
600000 0.05 0.0719
700000 0.05 0.0718
800000 0.05 0.0718
900000 0.05 0.0718
1000000 0.05 0.0717
2000000 0.05 0.0716
3000000 0.05 0.0716
4000000 0.05 0.0716
5000000 0.05 0.0715
6000000 0.05 0.0715
7000000 0.05 0.0715
8000000 0.05 0.0715
9000000 0.05 0.0715
10000000 0.05 0.0715
20000000 0.05 0.0715
30000000 0.05 0.0715
40000000 0.05 0.0715
50000000 0.05 0.0715
60000000 0.05 0.0715
70000000 0.05 0.0715
80000000 0.05 0.0715
90000000 0.05 0.0715
100000000 0.05 0.0715
Fuente: El Autor
En la figura 15 se observa los valores de la tabulación de manera gráfica representando el

diagrama de Moody en una escala doblemente logarítmica:
42
0.1
Coeficiente de fricción
Curva 1
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds
Figura 15. Curva de rugosidad relativa 0.05

Fuente: El Autor
CURVA 2
En la Anexo 1 se presentan los valores tabulados del diagrama de Moody de la curva 2. En

la figura 16 se observa los resultados de la tabulación de manera gráfica representando el
0.1
Curva 2
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
43
CURVA 3

0.1
Curva 3
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
CURVA 4

0.1
Curva 4
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
44
CURVA 5

0.1
Curva 5
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
CURVA 6

0.1
Curva 6
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
45
CURVA 7

0.1
Curva 7
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
CURVA 8

0.1
Curva 8
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
46
CURVA 9

0.1
Curva 9
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
CURVA 10
0.1
Curva 10
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
47
CURVA 11
En la Anexo 10 se presentan los valores tabulados del diagrama de Moody de la curva 11.
En la figura 25 se observa los resultados de la tabulación de manera gráfica representando
el diagrama de Moody en una escala doblemente logarítmica:
0.1
Curva 11
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
CURVA 12
0.1
Curva 12
0.01
10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
48
CURVA 13
0.1
Curva 13
0.01
10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
CURVA 14
0.1
Curva 14
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
49
CURVA 15
0.1
Curva 15
0.01
10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
CURVA 16
0.1
Curva 16
0.01
10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
50
CURVA 17
0.1
Curva 17
0.01
10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
CURVA 18
0.1
Curva 18
0.01
0.001
10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
51
CURVA 19
0.1
Curva 19
0.01
0.001
10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
CURVA 20
0.1
Curva 20
0.01
0.001
1000000 10000000
Número de Reynolds

Fuente: El Autor
52
6.3. Pre-procesamiento de la base de datos
La base de datos en esta investigación es la recolectada de la tabulación del diagrama de
Moody, pero se debe dividir en dos variables una se llamará entrada en la cual se ingresara
una matriz 2 X 724 formada por los número de Reynolds y rugosidad relativa, estos serán
los datos que sirvan como entrada de la red neuronal artificial; la otra variable se llamará
objetivo, está contendrá una matriz 1 X 724 en la cual estarán los coeficiente de fricción y
estos datos serán la salida deseada de la red.
Debido a que se desea obtener la mayor precisión posible, se realiza una normalización de
los datos de entrada basados en las experiencias de (Shayya & Sablani, 1998),
(Uchechukwu & Sunday, 2016) y (Yazdi & Bardi, 2011) en la que recomiendan realizar
una normalización a la escala logarítmica a los datos de entrada, debido a que se encuentran
en un extenso dominio de números lo cual puede causar una mayor cantidad de error
porcentual después del entrenamiento de la red.
6.4. Resultados de selección de la Red Neuronal Óptima

Una vez seleccionado los parámetros de la arquitectura de la red neuronal se debe
seleccionar cual es la topología más óptima, para esto se implementó varios diseños de red
neuronal en la herramienta Neuronal Network Toolbox del software MATLAB® con
distintas topologías siguiendo la metodología planteada.
En la siguiente matriz de la tabla 7 se presentan los diferentes resultados de entrenamiento

de las diferentes topologías creadas:
En la tabla 7 se observa que las estructuras 2-30-30-1 y 2-25-25-25-1 tienen un error

porcentual de 0.162% y 0.2282% respectivamente, siendo las estructuras con mejores
resultados al tener ambas una correlación de 0.99999 se seleccionó la primera debido a que
cuenta con un error más bajo.
53
Tabla 7. Diseño de topologías creadas
N° de capas N° de neuronas en Error Porcentual
𝑅2
ocultas cada capa Medio (%)
5 0,7422 0,99985
10 0,5995 0,99993
15 0,4743 0,99994
20 0,4707 0,99995
1
25 0,6497 0,99991
30 0,447 0,99996
35 0,464 0,99994
40 0,4227 0,99995
5 0,5362 0,99992
10 0,4737 0,99996
15 0,3641 0,99996
20 0,3587 0,99997
2
25 0,2617 0,99998
30 0,162 0,99999
35 0,3248 0,99996
40 0,4675 0,99984
5 0,4722 0,99995
10 0,4588 0,99995
15 0,2591 0,99998
20 0,3169 0,99997
3
25 0,2282 0,99999
30 0,2936 0,99997
35 0,3581 0,9999
40 0,3858 0,99994
Fuente: El Autor
6.5. Diseño de Red Neuronal Propuesto

En la tabla 8 se presenta un resumen de la red neuronal implementada para la predicción del
coeficiente de fricción del diagrama de Moody.
54
Tabla 8. Resumen de Diseño de Red Neuronal
BASE DE DATOS PROCESADA 724
VARIABLE A PREDECIR COEFICIENTE DE FRICCIÓN
NÚMERO DE NEURONA DE ENTRADA 2
NÚMERO DE CAPAS OCULTAS 2
NÚMERO DE NEURONAS OCULTAS EN
30
CADA CAPA
NÚMERO DE NEURONA DE SALIDA 1
TIPO DE RED BACKPROPAGATION
ALGORITMO DE ENTRENAMIENTO LEVENBERG-MARQUARDT
FUNCIÓN DE ACTIVACIÓN (CAPAS
Tansig
OCULTAS)
FUNCIÓN DE ACTIVACIÓN (CAPA DE
purelin
SALIDA)
FUNCIÓN DE RENDIMIENTO ERROR CUADRATICO MEDIO
Fuente: El Autor
En la figura 35 se presenta la estructura de la red neuronal propuesta como la óptima para la

aplicación de la presente investigación.
55
1 1
2 2
Re 3 3
4 4
Ɛ/D ; Re f
Ɛ/D
30 30
Figura 35. Topología de la Red Neuronal
Fuente: Fuente: El Autor
6.6. Entrenamiento de la Red Neuronal

La red neuronal fue entrenada utilizando una red back-propagation con algoritmo de
entrenamiento de Levenberg-Marquardt. De forma predeterminada, el software
MATLAB® divide el conjunto de datos en 3 conjuntos:
 Conjunto de datos de entrenamiento (70%)

 Conjunto de datos de prueba (15%)
 Conjunto de datos de validación (15%)
Como ya se explicó en el marco teórico los criterios de parada se determinan generalmente

por los índices de error preestablecidos (como el error cuadrático medio, MSE) o cuando el
número de iteraciones llega a 1000 (ajuste predeterminado).
El proceso de entrenamiento fue truncado en sólo 91 iteraciones para una topología de red
2-30-30-1, habiendo alcanzado un valor MSE de 1.75 × 10−8 .
La Figura 36 muestra el desempeño de los conjuntos de datos de entrenamiento, pruebas y

validación en comparación con la salida deseada.
56
Figura 36. Rendimiento del entrenamiento de la Red diseñada
Fuente: El Autor
En la figura 37 se observa, el coeficiente de correlación de la red neuronal diseñada que es

igual a 𝑅 2 = 0.99999 el cual es muy cercano a 1 lo cual es una indicación de que el
modelo de red neuronal es capaz de generalizar con alta precisión. En la línea se indican los
puntos reales y los círculos negros representan los datos pronosticados.
57
Figura 37. Correlación entre los valores reales y pronosticados
Fuente: El Autor
6.7. Análisis Descriptivo de variable

En el siguiente apartado se efectúa el análisis descriptivo de la variable error porcentual
individual para los 724 datos. La ecuación (7) calcula el error porcentual entre la salida
deseada y la salida de la red neuronal, aplicada para cada dato.
|𝑓𝐷𝑖𝑎𝑔𝑟𝑎𝑚𝑎 − 𝑓𝑝𝑟𝑒𝑑𝑖𝑐ℎ𝑜 |
𝐸𝑟𝑟𝑜𝑟 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑎𝑙 = × 100 Ecuación (7)
𝑓𝐷𝑖𝑎𝑔𝑟𝑎𝑚𝑎
La tabla 9 exhibe los resultados del análisis descriptivo realizado en el software IBM SPSS
Statistics 22®. Como se observa, el universo de datos analizado es de 724. Se obtiene una
58
media del error porcentual de 0.16206% y una mediana de 0.072%. El error que más se
repite en el análisis es de 0.29%, con un total de 12 apariciones. Del análisis realizado se
desprende que el error mínimo es de 0% y un máximo es de 4.259%.
Tabla 9. Análisis Descriptivo del Error Porcentual

Error Porcentual (%)
N° de Variables 724
Media 0.16206
Mediana 0.072
Moda 0.029
Rango 4.259
Mínimo 0
Máximo 4.259
25% 0.03125
Percentiles 50% 0.072
75% 0.17575
Fuente: IBM SPSS Statistics 22®
El histograma que se muestra en la figura 38, indica que predomina un error menor al 1%.
Al analizar el primer percentil de la muestra, se tiene errores entre la salida deseada y la
salida de la red menores al 0.03125%; además, a partir del tercer percentil se obtienen
errores relativamente bajos, demostrando así, el análisis de percentiles, que el diseño de la
red neuronal es óptimo. Cabe mencionar, que existen datos rezagados, que son mayores al
1% de error, sin embargo, éstos representan apenas el 3% del total de la muestra.
59
Figura 38. Histograma del Error Porcentual
Fuente: IBM SPSS Statistics 22®
6.8. Validación y comprobación de la Red Neuronal

Siguiendo la metodología planteada se delimito el conjunto de datos que se van a predecir
utilizando la red neuronal, seleccionando los puntos presentes en la tabla 10.
60
Tabla 10. Puntos Notables para que prediga la Red Neuronal
PUNTOS NOTABLES CONSIDERADOS PARA PREDECIR
Curvas de Rugosidad
Número de Reynolds
Relativa
4000 – 4500 – 5500 – 6500 – 7500 – 8500 – 9500 – 15000 – 25000 –

35000 – 45000 – 55000 – 65000 – 75000 – 85000 – 95000 – 150000 –
0.05 - 0.04 - 0.03 -
250000 – 350000 – 450000 – 550000 – 650000 – 750000 – 850000 –
0.02 - 0.015 - 0.01 -
950000 – 1500000 – 2500000 – 3500000 – 4500000 – 5500000 –
0.008 - 0.006 - 0.004 -
6500000 – 7500000 – 8500000 – 9500000 – 15000000 – 25000000 –
0.002 - 0.001
35000000 – 45000000 – 55000000 – 65000000 – 75000000 –
85000000 – 95000000
25000 – 35000 – 45000 – 55000 – 65000 – 75000 – 85000 – 95000 –

150000 – 250000 – 350000 – 450000 – 550000 – 650000 – 750000 –
850000 – 950000 – 1500000 – 2500000 – 3500000 – 4500000 –
0.0008 - 0.0001
5500000 – 6500000 – 7500000 – 8500000 – 9500000 – 15000000 –
25000000 – 35000000 – 45000000 – 55000000 – 65000000 –
75000000 – 85000000 – 95000000
15000 – 25000 – 35000 – 45000 – 55000 – 65000 – 75000 – 85000 –

95000 – 150000 – 250000 – 350000 – 450000 – 550000 – 650000 –
750000 – 850000 – 950000 – 1500000 – 2500000 – 3500000 –
0.0006 - 0.0002
4500000 – 5500000 – 6500000 – 7500000 – 8500000 – 9500000 –
15000000 – 25000000 – 35000000 – 45000000 – 55000000 –
65000000 – 75000000 – 85000000 – 95000000
5500 – 6500 – 7500 – 8500 – 9500 – 15000 – 25000 – 35000 – 45000
– 55000 – 65000 – 75000 – 85000 – 95000 – 150000 – 250000 –
350000 – 450000 – 550000 – 650000 – 750000 – 850000 – 950000 –
0.0004 1500000 – 2500000 – 3500000 – 4500000 – 5500000 – 6500000 –
7500000 – 8500000 – 9500000 – 15000000 – 25000000 – 35000000 –
45000000 – 55000000 – 65000000 – 75000000 – 85000000 –
95000000
95000 – 150000 – 250000 – 350000 – 450000 – 550000 – 650000 –
750000 – 850000 – 950000 – 1500000 – 2500000 – 3500000 –
0.00005 4500000 – 5500000 – 6500000 – 7500000 – 8500000 – 9500000 –
15000000 – 25000000 – 35000000 – 45000000 – 55000000 –
65000000 – 75000000 – 85000000 – 95000000
450000 – 550000 – 650000 – 750000 – 850000 – 950000 – 1500000 –
2500000 – 3500000 – 4500000 – 5500000 – 6500000 – 7500000 –
0.00001
8500000 – 9500000 – 15000000 – 25000000 – 35000000 – 45000000
– 55000000 – 65000000 – 75000000 – 85000000 – 95000000
1500000 – 2500000 – 3500000 – 4500000 – 5500000 – 6500000 –
0.000005
7500000 – 8500000 – 9500000 – 15000000
0.000001 5000000 – 5500000 – 6500000 – 7500000 – 8500000 – 9500000
Fuente: El Autor
61
Con el conjunto de datos se procedió a validar y comprobar el comportamiento de la red
neuronal para cada una de las 20 curvas del diagrama de Moody.
CURVA 1
En la figura 39 se observa los resultados de los valores del coeficiente de fricción predichos
por la red neuronal diseñada, junto con los determinados en la tabulación del diagrama de
Moody para los valores de rugosidad relativa 0.05, se presentan de manera gráfica en una
escala doblemente logarítmica. Comprobando que la red neuronal predice con una gran
precisión.
0.1
Validación Curva 1
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds
Figura 39. Validación de la curva 1

Fuente: El Autor
CURVA 2
precisión.
62
0.1
Validación Curva 2
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

CURVA 3
precisión.
0.1
Validación Curva 3
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

63
CURVA 4
precisión.
0.1
Validación Curva 4
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

CURVA 5
precisión.
64
0.1
Validación Curva 5
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

CURVA 6
precisión.
0.1
Validación Curva 6
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

65
CURVA 7
precisión.
0.1
Validación Curva 7
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
CURVA 8
precisión.
66
0.1
Validación Curva 8
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

CURVA 9
precisión.
0.1
Validación Curva 9
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
67
CURVA 10
precisión.
0.1
Validación Curva 10
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
CURVA 11
precisión.
68
0.1
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
CURVA 12
precisión.
0.1
0.01
10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
69
CURVA 13
precisión.
0.1
0.01
10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
CURVA 14
precisión.
70
0.1
0.01
1000 10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
CURVA 15
precisión.
0.1
0.01
10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
71
CURVA 16
precisión.
0.1
0.01
10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
CURVA 17
Moody para los valores de rugosidad relativa 0.00005, se presentan de manera gráfica en
una escala doblemente logarítmica. Comprobando que la red neuronal predice con una gran
precisión.
72
0.1
0.01
10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
CURVA 18
precisión.
0.1
0.01
0.001
10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
73
CURVA 19
precisión.
0.1
0.01
0.001
10000 100000 1000000 10000000 100000000
Número de Reynolds

Fuente: El Autor
CURVA 20
precisión.
74
0.1
0.01
0.001
1000000 10000000
Número de Reynolds

Fuente: El Autor
6.9. Uso de la Red Neuronal

Para realizar la validación anterior se usó la red neuronal a continuación se presenta una
captura de pantalla de la utilización de la red neuronal para encontrar los valores de la curva
20 en la figura 59.
Figura 59. Uso de la red neuronal

Fuente: MATLAB®
75
7. DISCUSIÓN
En el presente trabajo se presenta una propuesta para la predicción del coeficiente de

fricción del Diagrama de Moody, por medio de redes neuronales, utilizando Neural
Networks Toolbox de MATLAB®.
La presente red neuronal desarrollada tiene como objetivo principal buscar una solución al
problema de la predicción del coeficiente de fricción, por lo que fue necesario realizar una
introducción a los modelos neuronales y su aplicabilidad en la predicción.
Para lograr los objetivos planteados se realizó una fase experimental, en donde se evaluaron
detalladamente las variables óptimas para el tipo de aplicación del proyecto.
Para la obtención de la base de datos se propuso una metodología de tabulación

considerando 724 puntos notables distribuidos en el rango de trabajo del flujo turbulento
del Diagrama de Moody, los cuales sirvieron para el entrenamiento de la red neuronal, la
misma que tiene como datos de entrada el Número de Reynolds y la rugosidad relativa, y
como salida deseada el coeficiente de fricción.
Debido a que se desea obtener la mayor precisión posible, se realiza una normalización de
los datos de entrada basados en las experiencias de (Shayya & Sablani, 1998),
(Uchechukwu & Sunday, 2016) y (Yazdi & Bardi, 2011) en las que se recomiendan realizar
una normalización a escala logarítmica de estos datos, debido a que se encuentran en un
extenso dominio de números lo cual puede causar una mayor cantidad de error porcentual
después del entrenamiento de la red.
Para la selección de la topología se realizó un análisis comparativo entre los resultados de

entrenamiento de cada estructura teniendo como criterio de evaluación la correlación y el
error porcentual medio, de donde se determinó que las estructuras 2-30-30-1 y la 2-25-25-
25-1 presentan mejores resultados ya que cuenta con una correlación de 0.99999 a
diferencia del resto de estructuras como se observó en la tabla 7, de estas dos estructuras se
seleccionó la primera debido a que cuenta con un error porcentual más bajo.
Se realizó un análisis descriptivo de frecuencia del error porcentual comparando el

Diagrama de Moody y la salida de la red neuronal seleccionada con el fin de conocer su
76
porcentaje en el rango de trabajo. Como se puede observar en el histograma (figura 38), el
error porcentual predominante es menor al 1%, ya que este abarca a más del 97% del total
de la muestra, teniendo casos puntuales que presentan un error mayor al 1% pero los
mismos solo representan apenas el 3% del total de la muestra siendo el máximo de 4.259%
de error.
Realizando la validación de las curvas del Diagrama de Moody se comprueba que el diseño
propuesto no se encuentra sobre ajustado (overfitting) o bajo ajustado (underfitting) debido
a que tiene un buen desempeño fuera de la muestra y es capaz de dar solución al problema.
Al efectuar una comparación entre el modelo desarrollado en este trabajo investigativo con
otros modelos similares, se concluye que el diseño propuesto exhibe mejores resultados que
los presentados por (Shayya & Sablani, 1998), (Fadare & Ofidhe, 2009) y (Yazdi & Bardi,
2011), pues estos cuentan con un error porcentual medio mayor, los mismos que tienen una
base de datos de 1720, 2560, 2000 y errores de 1.25%, 0.68% y 0.35% respectivamente, a
diferencia del propuesto que tiene una base de 724 datos y un porcentaje de error de
0.162%. Lo antes expuesto permite concluir que la aplicación desarrollada es satisfactoria,
puesto que con menor número de datos de obtiene un porcentaje de error menor al
presentado en investigaciones similares.
77
8. CONCLUSIONES
 Se tabuló y organizó los datos el diagrama de Moody, planteando una metodología

que aborda todo el rango de trabajo del régimen de flujo turbulento, obteniendo 724
puntos notables entre las 20 curvas disponibles del diagrama.
 Se diseñó en MATLAB, un modelo de red neuronal artificial tipo Backpropagation

óptimo para predecir el factor de fricción en el diagrama de Moody aplicado al
régimen de flujo turbulento. El modelo implica una red neuronal con una topología
de 2 neuronas en la capa de entrada, 2 capas ocultas con 30 neuronas en cada capa y
1 neurona de salida.
 Se obtuvo un error porcentual medio de 0.162%, con un error porcentual individual

máximo de 4.259%, alcanzando una confiabilidad del diseño mayor al 95% en el
modelo propuesto.
 Se validó y comprobó el comportamiento de la red neuronal para cada una de las 20

curvas presentes en el Diagrama de Moody, concluyendo que la actual red neuronal
diseñada no se encuentra sobre ajustada o bajo ajustada probando que tiene un buen
desempeño fuera de la muestra y es capaz de dar solución al problema.
78
9. RECOMENDACIONES
 Se recomienda ampliar el conjunto de datos utilizado para la tabulación del

Diagrama de Moody, con el fin de obtener mejores resultados en un nuevo diseño
de red neuronal.
 Utilizar una metodología para la selección de la topología que permita realizar un

mayor número de combinaciones de estructuras en las capas ocultas.
 Desarrollar un interfaz gráfica de usuario (GUI) en MATLAB®, aplicando el

diseño de red neuronal propuesto en la presente investigación, con el fin de mejorar
la presentación de la aplicación y que esta sea más amigable con los usuarios.
 Incluir el diseño de red neuronal en algoritmos de cálculos o aplicaciones de

pérdidas hidráulicas que se realicen en la plataforma de MATLAB®.
79
10. BIBLIOGRAFÍA
Basogain Olage, X. (01 de Febrero de 2014). Redes Neuronales Artificiales y sus

Aplicaciones. Obtenido de Universidad Nacional Abierta:
http://www.ciberesquina.una.edu.ve:8080/2014_2/350_E.pdf
Brkić, D., & Ćojbašić, Ž. (2016). Intelligent Flow Friction Estimation. Computer
Intelligence and Neuroscience.
Camacho Costumero, C. (2016). DESARROLLO DE UN SISTEMA DE
RECONOCIMIENTO DE HABLA BASADO EN REDES NEURONALES. Madrid:
Universidad Autonoma de Madrid.
Cengel, Y., & Cimbala, J. (2006). MECANICA DE FLUIDOS: Fundamentos y
Aplicaciones. Mexico: McGraw-Hill.
Duarte, A., & Niño, J. R. (2004). INTRODUCCION A LA MECANICA DE FLUIDOS.
Bogotá: UNIVERSIDAD NACIONAL DE COLOMBIA.
ESCOM. (2010). Slide Share. Obtenido de https://es.slideshare.net:
https://es.slideshare.net/mentelibre?utm_campaign=profiletracking&utm_medium=
sssite&utm_source=ssslideview
Fadare, D., & Ofidhe, U. (2009). Artificial Neural Network Model for Prediction of
Friction Factor in Pipe Flow. Journal of Applied Sciences Research, 662-670.
Giles, R. (1975). MECÁNICA DE LOS FLUIDOS E HIDRAULICA. McGraw-Hill.
Hudson Beale, M., Hagan, M., & Demuth, H. (2016). Neural Network Toolbox™ User's
Guide. Baston: MathWorks.
Landau, D. M. (1 de Septiembre de 2016). Intel iQ Latinoamérica. Obtenido de
https://iq.intel.la: https://iq.intel.la/inteligencia-artificial-y-aprendizaje-automatico-
como-aprenden-las-computadoras/
Llano, L., Hoyos, A., Francisco, A., & Velásquez, J. (2007). Comparación del Desempeño
de Funciones de Activación en Redes Feedforward para aproximar Funciones de
Datos con y sin Ruido. Avances en Sistemas e Informática, IV(2), 79-88.
Mataix, C. (2004). MECANICA DE FLUIDOS Y MAQUINAS HIDRAULICAS. Madrid:
Marcombo.
Matich, D. J. (2001). Redes Neuronales: Conceptos Básicos y Aplicaciones. Rosario:
Universidad Tecnológica Nacional.
Mott, R. (2006). Mecánica de fluidos. Mexico: PEARSON educación.
80
Ochoa, S. (2003). CARACTERÍSTICAS DE UNA RED NEURONAL. Obtenido de
UNIVERSIDAD EIA:
http://fluidos.eia.edu.co/hidraulica/articuloses/flujoentuberias/neuronal/neuronal_ar
chivos/page0002.htm
Pino Diez, R., De la Fuente Garcia, D., Parreño Fernandez, J., & Priore, P. (2004).
APLICACIÓN DE REDES NEURONALES ARTIFICIALES AL CÁLCULO DE
PREVISIONES A CORTO PLAZO EN EL MERCADO ELÉCTRICO ESPAÑOL.
Investigaciones Europeas de Dirección y Economia de la Empresa, X(2), 221-232.
Ponce Cruz, P. (2010). Inteligencia artificial con aplicaciones a la Ingeniería. Mexico:
Alfaomega Grupo Editor.
Shayya, W., & Sablani, S. (1998). An artificial neural network for non-iterative calculation
of the friction factor in pipeline flow. Computers and Electronics in Agriculture,
219-228.
Streeter, V., Wylie, B., & Bedford, K. (2000). MECANICA DE FLUIDOS. Santafé de
Bogotá: McGraw-Hill.
Uchechukwu, H. O., & Sunday, B. A. (2016). Artificial Neural Network Model for
Friction. Journal of Materials Science and Chemical Engineering, 77-83.
Valencia, M., Yáñez, C., & Sánchez, L. (2006). Algoritmo Backpropagation para Redes
Neuronales: conceptos y aplicaciones. Mexico: Instituto Politecnico Nacional.
White, F. (2013). Mecánica de fluidos. Madrid: McGraw-Hill.
Yazdi, M., & Bardi, A. (2011). Estimation of Friction Factor in Pipe Flow Using Artificial
Neural Networks. Canadian Journal on Automation, Control & Intelligent Systems,
II(4).
81
11. ANEXOS
Anexo 1: Valores tabulados rugosidad relativa 0.04

4000 0.04 0.0707
5000 0.04 0.0695
6000 0.04 0.0687
7000 0.04 0.0682
8000 0.04 0.0677
9000 0.04 0.0674
10000 0.04 0.0671
20000 0.04 0.0659
30000 0.04 0.0655
40000 0.04 0.0653
50000 0.04 0.0651
60000 0.04 0.0651
70000 0.04 0.065
80000 0.04 0.0649
90000 0.04 0.0649
100000 0.04 0.0649
200000 0.04 0.0648
300000 0.04 0.0647
400000 0.04 0.0647
500000 0.04 0.0647
600000 0.04 0.0647
700000 0.04 0.0647
800000 0.04 0.0647
900000 0.04 0.0647
1000000 0.04 0.0646
2000000 0.04 0.0646
3000000 0.04 0.0646
4000000 0.04 0.0646
5000000 0.04 0.0646
6000000 0.04 0.0646
7000000 0.04 0.0646
8000000 0.04 0.0646
9000000 0.04 0.0646
10000000 0.04 0.0646
20000000 0.04 0.0646
30000000 0.04 0.0646
82
40000000 0.04 0.0646
50000000 0.04 0.0646
60000000 0.04 0.0646
70000000 0.04 0.0646
80000000 0.04 0.0646
90000000 0.04 0.0646
100000000 0.04 0.0646
Fuente: El Autor

4000 0.03 0.0647
5000 0.03 0.0628
6000 0.03 0.0619
7000 0.03 0.0612
8000 0.03 0.0605
9000 0.03 0.06
10000 0.03 0.0596
20000 0.03 0.0581
30000 0.03 0.0579
40000 0.03 0.0579
50000 0.03 0.0577
60000 0.03 0.0576
70000 0.03 0.0576
80000 0.03 0.0575
90000 0.03 0.0575
100000 0.03 0.0574
200000 0.03 0.0573
300000 0.03 0.0572
400000 0.03 0.0572
500000 0.03 0.0572
600000 0.03 0.0572
700000 0.03 0.0572
800000 0.03 0.0572
900000 0.03 0.0572
1000000 0.03 0.0572
2000000 0.03 0.0571
3000000 0.03 0.0571
4000000 0.03 0.0571
83
5000000 0.03 0.0571
6000000 0.03 0.0571
7000000 0.03 0.0571
8000000 0.03 0.0571
9000000 0.03 0.0571
10000000 0.03 0.0571
20000000 0.03 0.0571
30000000 0.03 0.0571
40000000 0.03 0.0571
50000000 0.03 0.0571
60000000 0.03 0.0571
70000000 0.03 0.0571
80000000 0.03 0.0571
90000000 0.03 0.0571
100000000 0.03 0.0571
Fuente: El Autor

4000 0.02 0.0573
5000 0.02 0.056
6000 0.02 0.055
7000 0.02 0.0541
8000 0.02 0.0531
9000 0.02 0.0524
10000 0.02 0.0521
20000 0.02 0.0505
30000 0.02 0.0499
40000 0.02 0.0495
50000 0.02 0.0494
60000 0.02 0.0492
70000 0.02 0.0491
80000 0.02 0.0491
90000 0.02 0.049
100000 0.02 0.049
200000 0.02 0.0488
300000 0.02 0.0487
400000 0.02 0.0487
500000 0.02 0.0487
84
600000 0.02 0.0487
700000 0.02 0.0486
800000 0.02 0.0486
900000 0.02 0.0486
1000000 0.02 0.0486
2000000 0.02 0.0486
3000000 0.02 0.0486
4000000 0.02 0.0486
5000000 0.02 0.0486
6000000 0.02 0.0486
7000000 0.02 0.0486
8000000 0.02 0.0486
9000000 0.02 0.0486
10000000 0.02 0.0486
20000000 0.02 0.0486
30000000 0.02 0.0486
40000000 0.02 0.0486
50000000 0.02 0.0486
60000000 0.02 0.0486
70000000 0.02 0.0486
80000000 0.02 0.0486
90000000 0.02 0.0486
100000000 0.02 0.0486
Fuente: El Autor

4000 0.015 0.0531
5000 0.015 0.0515
6000 0.015 0.0508
7000 0.015 0.0501
8000 0.015 0.0495
9000 0.015 0.0485
10000 0.015 0.0481
20000 0.015 0.046
30000 0.015 0.0451
40000 0.015 0.0446
50000 0.015 0.0441
60000 0.015 0.0441
85
70000 0.015 0.0441
80000 0.015 0.0441
90000 0.015 0.0441
100000 0.015 0.0441
200000 0.015 0.044
300000 0.015 0.044
400000 0.015 0.044
500000 0.015 0.044
600000 0.015 0.044
700000 0.015 0.044
800000 0.015 0.044
900000 0.015 0.044
1000000 0.015 0.044
2000000 0.015 0.044
3000000 0.015 0.044
4000000 0.015 0.044
5000000 0.015 0.044
6000000 0.015 0.044
7000000 0.015 0.044
8000000 0.015 0.044
9000000 0.015 0.044
10000000 0.015 0.044
20000000 0.015 0.044
30000000 0.015 0.044
40000000 0.015 0.044
50000000 0.015 0.044
60000000 0.015 0.044
70000000 0.015 0.044
80000000 0.015 0.044
90000000 0.015 0.044
100000000 0.015 0.044
Fuente: El Autor

4000 0.01 0.0503
5000 0.01 0.0483
6000 0.01 0.0472
7000 0.01 0.0465
86
8000 0.01 0.0458
9000 0.01 0.0452
10000 0.01 0.0446
20000 0.01 0.0418
30000 0.01 0.0407
40000 0.01 0.04
50000 0.01 0.0392
60000 0.01 0.039
70000 0.01 0.0388
80000 0.01 0.0386
90000 0.01 0.0384
100000 0.01 0.0382
200000 0.01 0.0381
300000 0.01 0.0381
400000 0.01 0.038
500000 0.01 0.038
600000 0.01 0.0379
700000 0.01 0.0379
800000 0.01 0.0379
900000 0.01 0.0379
1000000 0.01 0.0379
2000000 0.01 0.0379
3000000 0.01 0.0379
4000000 0.01 0.0379
5000000 0.01 0.0379
6000000 0.01 0.0379
7000000 0.01 0.0379
8000000 0.01 0.0379
9000000 0.01 0.0379
10000000 0.01 0.0379
20000000 0.01 0.0379
30000000 0.01 0.0379
40000000 0.01 0.0379
50000000 0.01 0.0379
60000000 0.01 0.0379
70000000 0.01 0.0379
80000000 0.01 0.0379
90000000 0.01 0.0379
100000000 0.01 0.0379
Fuente: El Autor
87

4000 0.008 0.048
5000 0.008 0.0459
6000 0.008 0.0444
7000 0.008 0.0436
8000 0.008 0.0425
9000 0.008 0.042
10000 0.008 0.0415
20000 0.008 0.0388
30000 0.008 0.0377
40000 0.008 0.037
50000 0.008 0.0365
60000 0.008 0.0363
70000 0.008 0.0361
80000 0.008 0.036
90000 0.008 0.0359
100000 0.008 0.0358
200000 0.008 0.0355
300000 0.008 0.0354
400000 0.008 0.0353
500000 0.008 0.0353
600000 0.008 0.0353
700000 0.008 0.0352
800000 0.008 0.0352
900000 0.008 0.0352
1000000 0.008 0.0352
2000000 0.008 0.0352
3000000 0.008 0.0352
4000000 0.008 0.0352
5000000 0.008 0.0352
6000000 0.008 0.0352
7000000 0.008 0.0352
8000000 0.008 0.0352
9000000 0.008 0.0352
10000000 0.008 0.0351
20000000 0.008 0.0351
30000000 0.008 0.0351
40000000 0.008 0.0351
50000000 0.008 0.0351
88
60000000 0.008 0.0351
70000000 0.008 0.0351
80000000 0.008 0.0351
90000000 0.008 0.0351
100000000 0.008 0.0351
Fuente: El Autor

4000 0.006 0.046
5000 0.006 0.0431
6000 0.006 0.042
7000 0.006 0.0408
8000 0.006 0.04
9000 0.006 0.0391
10000 0.006 0.0388
20000 0.006 0.0358
30000 0.006 0.0347
40000 0.006 0.0341
50000 0.006 0.0337
60000 0.006 0.0334
70000 0.006 0.0332
80000 0.006 0.0331
90000 0.006 0.033
100000 0.006 0.0329
200000 0.006 0.0325
300000 0.006 0.0324
400000 0.006 0.0323
500000 0.006 0.0322
600000 0.006 0.0322
700000 0.006 0.0322
800000 0.006 0.0322
900000 0.006 0.0322
1000000 0.006 0.0322
2000000 0.006 0.0321
3000000 0.006 0.0321
4000000 0.006 0.0321
5000000 0.006 0.0321
6000000 0.006 0.0321
89
7000000 0.006 0.0321
8000000 0.006 0.0321
9000000 0.006 0.0321
10000000 0.006 0.0321
20000000 0.006 0.0321
30000000 0.006 0.0321
40000000 0.006 0.0321
50000000 0.006 0.0321
60000000 0.006 0.0321
70000000 0.006 0.0321
80000000 0.006 0.0321
90000000 0.006 0.0321
100000000 0.006 0.0321
Fuente: El Autor

4000 0.004 0.0441
5000 0.004 0.0416
6000 0.004 0.04
7000 0.004 0.0388
8000 0.004 0.0378
9000 0.004 0.0367
10000 0.004 0.036
20000 0.004 0.0326
30000 0.004 0.0313
40000 0.004 0.0308
50000 0.004 0.0301
60000 0.004 0.0296
70000 0.004 0.0294
80000 0.004 0.0291
90000 0.004 0.029
100000 0.004 0.0289
200000 0.004 0.0285
300000 0.004 0.0285
400000 0.004 0.0284
500000 0.004 0.0283
600000 0.004 0.0283
700000 0.004 0.0283
90
800000 0.004 0.0283
900000 0.004 0.0283
1000000 0.004 0.0283
2000000 0.004 0.0282
3000000 0.004 0.0282
4000000 0.004 0.0281
5000000 0.004 0.0281
6000000 0.004 0.0281
7000000 0.004 0.0281
8000000 0.004 0.0281
9000000 0.004 0.028
10000000 0.004 0.028
20000000 0.004 0.028
30000000 0.004 0.028
40000000 0.004 0.028
50000000 0.004 0.0279
60000000 0.004 0.0279
70000000 0.004 0.0279
80000000 0.004 0.0279
90000000 0.004 0.0279
100000000 0.004 0.0279
Fuente: El Autor

4000 0.002 0.0422
5000 0.002 0.0399
6000 0.002 0.0382
7000 0.002 0.0367
8000 0.002 0.0355
9000 0.002 0.0345
10000 0.002 0.034
20000 0.002 0.0301
30000 0.002 0.0285
40000 0.002 0.0276
50000 0.002 0.0269
60000 0.002 0.0264
70000 0.002 0.026
80000 0.002 0.0258
91
90000 0.002 0.0255
100000 0.002 0.0253
200000 0.002 0.0244
300000 0.002 0.0241
400000 0.002 0.0239
500000 0.002 0.0237
600000 0.002 0.0237
700000 0.002 0.0237
800000 0.002 0.0236
900000 0.002 0.0236
1000000 0.002 0.0235
2000000 0.002 0.0235
3000000 0.002 0.0235
4000000 0.002 0.0234
5000000 0.002 0.0234
6000000 0.002 0.0233
7000000 0.002 0.0233
8000000 0.002 0.0233
9000000 0.002 0.0233
10000000 0.002 0.0233
20000000 0.002 0.0233
30000000 0.002 0.0232
40000000 0.002 0.0232
50000000 0.002 0.0231
60000000 0.002 0.0231
70000000 0.002 0.0231
80000000 0.002 0.0231
90000000 0.002 0.0231
100000000 0.002 0.0231
Fuente: El Autor

4000 0.001 0.0417
5000 0.001 0.0382
6000 0.001 0.0368
7000 0.001 0.0352
8000 0.001 0.0339
9000 0.001 0.033
92
10000 0.001 0.0322
20000 0.001 0.0278
30000 0.001 0.0261
40000 0.001 0.0251
50000 0.001 0.0244
60000 0.001 0.0237
70000 0.001 0.0231
80000 0.001 0.023
90000 0.001 0.0227
100000 0.001 0.0226
200000 0.001 0.0213
300000 0.001 0.0208
400000 0.001 0.0206
500000 0.001 0.0203
600000 0.001 0.0202
700000 0.001 0.0201
800000 0.001 0.02
900000 0.001 0.02
1000000 0.001 0.0199
2000000 0.001 0.0198
3000000 0.001 0.0198
4000000 0.001 0.0198
5000000 0.001 0.0198
6000000 0.001 0.0198
7000000 0.001 0.0198
8000000 0.001 0.0198
9000000 0.001 0.0198
10000000 0.001 0.0198
20000000 0.001 0.0197
30000000 0.001 0.0197
40000000 0.001 0.0197
50000000 0.001 0.0197
60000000 0.001 0.0197
70000000 0.001 0.0197
80000000 0.001 0.0197
90000000 0.001 0.0197
100000000 0.001 0.0197
Fuente: El Autor
93

30000 0.0008 0.0256
40000 0.0008 0.0245
50000 0.0008 0.0235
60000 0.0008 0.0228
70000 0.0008 0.0225
80000 0.0008 0.0221
90000 0.0008 0.0219
100000 0.0008 0.0216
200000 0.0008 0.0204
300000 0.0008 0.02
400000 0.0008 0.0197
500000 0.0008 0.0195
600000 0.0008 0.0193
700000 0.0008 0.0192
800000 0.0008 0.0191
900000 0.0008 0.019
1000000 0.0008 0.0189
2000000 0.0008 0.0187
3000000 0.0008 0.0187
4000000 0.0008 0.0187
5000000 0.0008 0.0187
6000000 0.0008 0.0187
7000000 0.0008 0.0187
8000000 0.0008 0.0187
9000000 0.0008 0.0187
10000000 0.0008 0.0187
20000000 0.0008 0.0186
30000000 0.0008 0.0186
40000000 0.0008 0.0186
50000000 0.0008 0.0186
60000000 0.0008 0.0186
70000000 0.0008 0.0186
80000000 0.0008 0.0186
90000000 0.0008 0.0186
100000000 0.0008 0.0186
Fuente: El Autor
94

20000 0.0006 0.027
30000 0.0006 0.0251
40000 0.0006 0.024
50000 0.0006 0.0229
60000 0.0006 0.0223
70000 0.0006 0.0219
80000 0.0006 0.0214
90000 0.0006 0.021
100000 0.0006 0.0208
200000 0.0006 0.0193
300000 0.0006 0.0188
400000 0.0006 0.0184
500000 0.0006 0.0181
600000 0.0006 0.018
700000 0.0006 0.0179
800000 0.0006 0.0179
900000 0.0006 0.0178
1000000 0.0006 0.0178
2000000 0.0006 0.0175
3000000 0.0006 0.0174
4000000 0.0006 0.0174
5000000 0.0006 0.0174
6000000 0.0006 0.0174
7000000 0.0006 0.0174
8000000 0.0006 0.0174
9000000 0.0006 0.0174
10000000 0.0006 0.0174
20000000 0.0006 0.0174
30000000 0.0006 0.0174
40000000 0.0006 0.0174
50000000 0.0006 0.0174
60000000 0.0006 0.0174
70000000 0.0006 0.0174
80000000 0.0006 0.0174
90000000 0.0006 0.0174
100000000 0.0006 0.0174
Fuente: El Autor
95

6000 0.0004 0.0359
7000 0.0004 0.0345
8000 0.0004 0.0332
9000 0.0004 0.032
10000 0.0004 0.0314
20000 0.0004 0.027
30000 0.0004 0.0247
40000 0.0004 0.0234
50000 0.0004 0.0224
60000 0.0004 0.0219
70000 0.0004 0.0213
80000 0.0004 0.0208
90000 0.0004 0.0205
100000 0.0004 0.0203
200000 0.0004 0.0185
300000 0.0004 0.0177
400000 0.0004 0.0172
500000 0.0004 0.017
600000 0.0004 0.0168
700000 0.0004 0.0167
800000 0.0004 0.0166
900000 0.0004 0.0165
1000000 0.0004 0.0165
2000000 0.0004 0.0161
3000000 0.0004 0.0161
4000000 0.0004 0.016
5000000 0.0004 0.016
6000000 0.0004 0.0159
7000000 0.0004 0.0159
8000000 0.0004 0.0159
9000000 0.0004 0.0159
10000000 0.0004 0.0159
20000000 0.0004 0.0159
30000000 0.0004 0.0159
40000000 0.0004 0.0159
50000000 0.0004 0.0159
60000000 0.0004 0.0159
70000000 0.0004 0.0159
96
80000000 0.0004 0.0159
90000000 0.0004 0.0159
100000000 0.0004 0.0159
Fuente: El Autor

20000 0.0002 0.026
30000 0.0002 0.0241
40000 0.0002 0.0229
50000 0.0002 0.0219
60000 0.0002 0.0212
70000 0.0002 0.0207
80000 0.0002 0.0203
90000 0.0002 0.0198
100000 0.0002 0.0196
200000 0.0002 0.0176
300000 0.0002 0.0169
400000 0.0002 0.0164
500000 0.0002 0.0161
600000 0.0002 0.0159
700000 0.0002 0.0157
800000 0.0002 0.0155
900000 0.0002 0.0153
1000000 0.0002 0.0152
2000000 0.0002 0.0145
3000000 0.0002 0.0142
4000000 0.0002 0.0141
5000000 0.0002 0.0139
6000000 0.0002 0.0139
7000000 0.0002 0.0138
8000000 0.0002 0.0138
9000000 0.0002 0.0138
10000000 0.0002 0.0138
20000000 0.0002 0.0137
30000000 0.0002 0.0137
40000000 0.0002 0.0137
50000000 0.0002 0.0137
60000000 0.0002 0.0137
97
70000000 0.0002 0.0137
80000000 0.0002 0.0137
90000000 0.0002 0.0137
100000000 0.0002 0.0137
Fuente: El Autor

30000 0.0001 0.0237
40000 0.0001 0.0224
50000 0.0001 0.0213
60000 0.0001 0.0206
70000 0.0001 0.02
80000 0.0001 0.0195
90000 0.0001 0.0189
100000 0.0001 0.0185
200000 0.0001 0.0166
300000 0.0001 0.0158
400000 0.0001 0.0152
500000 0.0001 0.0147
600000 0.0001 0.0145
700000 0.0001 0.0143
800000 0.0001 0.014
900000 0.0001 0.0138
1000000 0.0001 0.0137
2000000 0.0001 0.0129
3000000 0.0001 0.0126
4000000 0.0001 0.0124
5000000 0.0001 0.0123
6000000 0.0001 0.0122
7000000 0.0001 0.0121
8000000 0.0001 0.0121
9000000 0.0001 0.012
10000000 0.0001 0.012
20000000 0.0001 0.0119
30000000 0.0001 0.0119
40000000 0.0001 0.0119
50000000 0.0001 0.0119
60000000 0.0001 0.0119
98
70000000 0.0001 0.0119
80000000 0.0001 0.0119
90000000 0.0001 0.0119
100000000 0.0001 0.0119
Fuente: El Autor

100000 0.00005 0.018
200000 0.00005 0.016
300000 0.00005 0.015
400000 0.00005 0.0143
500000 0.00005 0.0138
600000 0.00005 0.0135
700000 0.00005 0.0132
800000 0.00005 0.0129
900000 0.00005 0.0127
1000000 0.00005 0.0126
2000000 0.00005 0.0117
3000000 0.00005 0.0114
4000000 0.00005 0.0112
5000000 0.00005 0.0111
6000000 0.00005 0.011
7000000 0.00005 0.0109
8000000 0.00005 0.0109
9000000 0.00005 0.0108
10000000 0.00005 0.0108
20000000 0.00005 0.0107
30000000 0.00005 0.0106
40000000 0.00005 0.0106
50000000 0.00005 0.0106
60000000 0.00005 0.0106
70000000 0.00005 0.0106
80000000 0.00005 0.0106
90000000 0.00005 0.0106
100000000 0.00005 0.0106
Fuente: El Autor
99

500000 0.00001 0.0131
600000 0.00001 0.0127
700000 0.00001 0.0123
800000 0.00001 0.012
900000 0.00001 0.0118
1000000 0.00001 0.0117
2000000 0.00001 0.0107
3000000 0.00001 0.0102
4000000 0.00001 0.0099
5000000 0.00001 0.0096
6000000 0.00001 0.0095
7000000 0.00001 0.0094
8000000 0.00001 0.0092
9000000 0.00001 0.0091
10000000 0.00001 0.009
20000000 0.00001 0.0085
30000000 0.00001 0.0083
40000000 0.00001 0.0083
50000000 0.00001 0.0082
60000000 0.00001 0.0081
70000000 0.00001 0.0081
80000000 0.00001 0.0081
90000000 0.00001 0.008
100000000 0.00001 0.008
Fuente: El Autor
100

2000000 0.000005 0.0102

3000000 0.000005 0.0097
4000000 0.000005 0.0094
5000000 0.000005 0.0091
6000000 0.000005 0.0089
7000000 0.000005 0.0087
8000000 0.000005 0.0086
9000000 0.000005 0.0085
10000000 0.000005 0.0084
20000000 0.000005 0.008
Fuente: El Autor

5000000 0.000001 0.0086
6000000 0.000001 0.0084
7000000 0.000001 0.0083
8000000 0.000001 0.0082
9000000 0.000001 0.0081
10000000 0.000001 0.008
101

Moody

Cargado por

Copyright:

Formatos disponibles

Moody

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Moody

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE LOJA

FACULTAD DE LA ENERGÍA, LAS INDUSTRIAS Y LOS RECURSOS NATURALES

“DISEÑO DE UNA RED NEURONAL PARA LA PREDICCIÓN DE

TESIS DE GRADO PREVIO A OPTAR

ING. DARWIN GIOVANNY TAPIA PERALTA, Mg. Sc.

Ing. Darwin Giovanny Tapia Peralta, Mg. Sc.

Haber dirigido, asesorado, revisado y corregido el presente trabajo de tesis de grado, en su

Loja, 16 de febrero del 2017

Ing. Darwin Giovanny Tapia Peralta, Mg. Sc.

Adicionalmente acepto y autorizo a la Universidad Nacional de Loja, la publicación de mi

Fecha: 21 - 07- 2017

La Universidad Nacional de Loja, no se responsabiliza por el plagio o copia de la tesis que

Autor: José Andrés Moreno Moreno

Dirección: Loja (Celi Román, Av. Manuel Carrión y José Riofrio)

Correo electrónico personal: [email protected]

Correo electrónico institucional: [email protected]

Teléfono: 072 909 243 Celular: 0990044455

Director de tesis: Ing. Darwin Giovanny Tapia Peralta, Mg. Sc.

Tribunal de grado: Ing. Milton Amable León Tapia, Mg. Sc.

Ing. Byron Agustín Solórzano Castillo, Mg. Sc.

Ing. Jairo Darío Castillo Calderón, Mg. Sc.

La vida de todo ser humano, carecería de sentido, si el mismo no se

Con mucha gratitud y cariño dedico este trabajo investigativo

José Andrés Moreno Moreno

Al haber culminado el presente proyecto investigativo, expreso mis

De igual manera quedo agradecido con todas las autoridades y

A los ingenieros Darwin Giovanny Tapia Peralta y Jairo Darío

José Andrés Moreno Moreno

“DISEÑO DE UNA RED NEURONAL PARA LA PREDICCION DE

Posteriormente se plantea una metodología para realizar la tabulación del diagrama de

Se entrenó varios diseños de red neuronal tipo backpropagation y se seleccionó la que

Finalmente, se validó y comprobó el comportamiento de la red neuronal para cada una de

Subsequently, a methodology is proposed to perform the tabulation of the Moody diagram,

La estimación de las pérdidas de carga debidas a la fricción en tuberías es una tarea

En la actualidad el Diagrama de Moody es el gráfico más conocido de la mecánica de

Los objetivos planteados para este proyecto son los siguientes:

4.1.1. Definición de Fluido

Los fluidos se clasifican en líquidos y gases:

Los líquidos a una presión y temperatura determinadas ocupan un volumen determinado.

Los gases a una presión y temperatura determinada tienen también un volumen

Más concretamente, la viscosidad determina la velocidad de deformación del fluido cuando

Según (Mott, 2006) existen dos tipos de viscosidades:

Conforme un fluido se mueve, dentro de él se desarrolla un esfuerzo cortante, cuya

4.1.3. Densidad y Gravedad Específica

El recíproco de la densidad es el volumen específico v, el cual se define como volumen por

En general, la densidad de una sustancia depende de la temperatura y de la presión. La

A veces, la densidad de una sustancia se da en relación con la densidad de una sustancia

4.2. FLUJO DE FLUIDOS EN TUBERÍAS

4.2.1. Flujo laminar

4.2.2. Flujo crítico

Se determina cuando el número de Reynolds tiene valores entre 2000 y 4000.

4.2.3. Flujo turbulento

Es determinado cuando el número de Reynolds tiene valores mayores a 4000.

4.2.4. Número de Reynolds

4.2.5. Pérdida de energía por fricción

La ecuación de Darcy-Weisbach calcula las pérdidas por fricción, 𝐻𝐿 , tanto en régimen

ℎ𝐿 = Pérdida de energía debido a la fricción (N·m/N, m, lb-pie/lb o pies)

𝐿 = Longitud de la corriente del flujo (m o pies)

𝑣 = Velocidad promedio del flujo (m/s o pies/s)