Nuevo artículo en la línea de Análisis de Datos e Inteligencia Artificial
El artículo “Identification of Trends in Dam Monitoring Data Series Based on Machine Learning and Individual Conditional Expectation Curves” , cuyo autor es el Director de la línea de IA de ACIS2in, Miguel Ángel Fernández Centeno, ha sido publicado en versión open Access en la revista Water y propone una metodología para identificar tendencias en series de datos de comportamiento de presas mediante la identificación de la influencia de la variable tiempo en las predicciones proporcionadas por diferentes modelos de Machine Learning (ML). Se estudia el uso de curvas ICE (Individual Conditional Expectation Curves) y valores SHAP (Shapley Additive Explanations) para extraer la dependencia temporal. Las dependencias temporales encontradas se ajustan mediante un algoritmo GWO (Grey Wolf Optimiser) a diferentes características funcionales de procesos irreversibles en presas. La función que proporciona el mejor ajuste se selecciona como la más plausible.
Los resultados obtenidos permiten concluir que la metodología propuesta es capaz de obtener estimaciones de las tendencias más comunes que afectan a los movimientos en presas de hormigón con mayor precisión que los modelos estadísticos más utilizados para predecir el comportamiento de este tipo de variables. Estos resultados son prometedores para su aplicación general a otros tipos de series de datos de monitoreo de presas, dada la versatilidad demostrada para la identificación no supervisada de dependencias temporales.
El trabajo, que forma parte de la futura tesis doctoral de Miguel Ángel Fernández Centeno, se ha desarrollado en el ámbito del desarrollo del proyecto NEOTEC SNEO-20211264 “TECNOLOGÍA EFICIENTE PARA LA SEGURIDAD DE LAS INFRAESTRUCTURAS HIDRÁULICAS” , adjudicado por el CDTi y que ha servido para la financiación de las investigaciones en este campo en ACIS2in en los dos últimos años.