ARTÍCULOS

Modelos de resistencia al flujo en río de montaña: semiempíricos,

HEC-RAS y GEP
Flow resistance prediction models in Mountain River: Semiempirical, HEC-RAS
and GP

Rafael Guillermo Javier Poma Puente

1
Universidad Católica Sedes Sapientiae. Facultad de Ingeniería. Lima, Perú.
[email protected]
2
Universidad Católica Sedes Sapientiae. Facultad de Ingeniería Lima, Perú.
[email protected]
3
Universidad Católica Sedes Sapientiae. Facultad de Ingeniería. Lima, Perú.
[email protected]

* Autor de correspondencia: [email protected]

RESUMEN:

El valor de la resistencia al flujo es imprescindible para las evaluaciones de los modelos

hidrodinámicos y diseño de estructuras hidráulicas. Pero, existen una variedad de métodos para

la estimación e incertidumbre que dificulta la laboriosidad del ingeniero. En este artículo se

estimó la resistencia al flujo en río de montaña por tres modelos semiempíricos, numérico (HEC-

RAS) y Programación de Expresión Genética (GEP). Se aplicó el criterio estadístico del error

medio cuadrático (RMSE), el coeficiente de determinación (R2) y el diagrama de Taylor en el

software R para la calibración de los modelos. El modelo GEP es el más óptimo para su

utilización en las áreas relacionadas a la hidrología e hidráulica fluvial con un error menor a 5%.

En segundo lugar, el modelo HEC RAS cuando no se utiliza un archivo Shapefile con las capas

de la cobertura terrestre del n de Manning. Aunque, como principal hallazgo son las nuevas

formulaciones matemáticas para estimar el n de Manning. El modelo recomendado y el análisis

de la teoría de errores presentado en este documento es factible y confiable para la toma de

decisiones en la elaboración eficiente de mapas de riesgo hidrometeorológicos y obras

hidráulicas.

Palabras clave: altura de rugosidad, rugosidad de Manning, hidráulica fluvial, modelos

hidrodinámicos

ABSTRACT:

El valor de la resistencia al flujo es imprescindible para las evaluaciones de los modelos

hidrodinámicos y diseño de estructuras hidráulicas. Pero, existen una variedad de métodos
para la estimación e incertidumbre que dificulta la laboriosidad del ingeniero. En este artículo
se estimó la resistencia al flujo en río de montaña por tres modelos semiempíricos, numérico
(HEC-RAS) y Programación de Expresión Genética (GEP). Se aplicó el criterio estadístico del
error medio cuadrático (RMSE), el coeficiente de determinación (R 2) y el diagrama de Taylor en
el software R para la calibración de los modelos. El modelo GEP es el más óptimo para su
utilización en las áreas relacionadas a la hidrología e hidráulica fluvial con un error menor a 5%.
En segundo lugar, el modelo HEC RAS cuando no se utiliza un archivo Shapefile con las capas de
la cobertura terrestre del n de Manning. Aunque, como principal hallazgo son las nuevas
formulaciones matemáticas para estimar el n de Manning. El modelo recomendado y el análisis
de la teoría de errores presentado en este documento es factible y confiable para la toma de
decisiones en la elaboración eficiente de mapas de riesgo hidrometeorológicos y obras
hidráulicas.

Keywords: altura de rugosidad, rugosidad de Manning, hidráulica fluvial, modelos

hidrodinámicos
(Saltar una línea)
Recibido día de mes de 20## (estos campos serán completados por la Producción Editorial, en caso de ser aprobado el artículo)
Aceptado día de mes de 20##
(Saltar una línea)
INTRODUCCIÓN
Los ríos de montaña son caracterizados por el régimen hidrológico, geomorfología fluvial, la
hidráulica y el ecosistema. En ese mismo contexto, la variabilidad espacial y temporal de la
escorrentía en pendientes pronunciadas del río genera movilidad de sedimentos de calibre
finos y grueso que en efecto suministran resistencia al flujo. La resistencia al flujo en el río es
notablemente importante porque predice el caudal, velocidad del flujo, el nivel del agua
durante las inundaciones y uso en modelos hidrodinámicos para el diseño de estructuras
hidráulicas [1]. Unos de los métodos tradicionales para estimar el coeficiente de resistencia al
flujo es aplicar la fórmula de C de Chezy, n de Manning o f de Darcy-Weisbach. Aunque, el n de
Manning ha alcanzado mayor difusión en la práctica ingenieril [2]. Es complejo de predecir su
valor exacto en ríos de contornos erosionables, alta pendientes, materiales de lecho grueso y a
su vez, la existencia de múltiples implicaciones técnicas [3]. Existen numerosos aportes
científicos, pero sigue siendo un problema de sumo interés porque no se ha logrado establecer
con precisión el n de Manning para los diferentes escenarios que tienen lugar los ríos de
montaña. Además, las heterogéneas fórmulas empíricas y semiempírica de resistencia al flujo
disponibles, añadido a la elevada incertidumbre entre las mismas [4] hacen más complejo el
problema para seleccionar una convincente resolución del problema práctico [5].
Se plantea que las formulaciones matemáticas actuales para la estimación de la resistencia al
flujo poseen una incertidumbre desde el 30% al 66% en ríos de montaña [6]. La resistencia al
flujo se debe en particular a la altura de rugosidad (k), carga de fondo en lecho, forma de
trasportación de las partículas, la fracción viscosa y el esfuerzo cortante del lecho [7].
En cambio, las investigaciones científicas argumentan la utilidad del tamaño de los sedimentos
y sumersión relativa del flujo, pero no ha existido un consenso de opiniones. [8, 9] argumentan
que es más apropiado el uso d 90, en concordancia con Maynord [10] identifica que el uso de
tamaño de partícula d90 proporciona mejor resultados que el uso de d 50. Sin embargo, Huang
[11] plantea que al utilizar d 50 o d90 no tienen efecto en la precisión de la resistencia al flujo.
Bathurst et al. [12] expresan una relación entre el radio hidráulico o el nivel medio de la
superficie del agua y el diámetro característico d 50 o d84 en valores de inmersión relativa
superiores a 10. Bathurst [13] demostró relación semilogarítmica (8/f) 0,5 en función con el nivel
de la superficie del agua y el percentil d84 de la distribución granulométrica.
En cambio, el uso de modelos hidrodinámicos como HEC-RAS, IBER y DELFT3D para la
estimación de la resistencia al flujo han mostrado mejoras significativas. Su uso para la
calibración y validación han demostrado su factibilidad y confiabilidad [14, 15] que alcanzan
menos del 10% de error [16]. Por otro lado, los métodos de programación de expresión génica
(GEP) y Machine Learning (ML) son herramientas novedosas con elevada precisión para
predecir la resistencia al flujo en ríos naturales [17, 18]. La GEP estima la resistencia al flujo de
forma adecuada con ±10% de error en comparación con las fórmulas convencionales [19].
Por tanto, se plantea como hipótesis que, mediante un análisis de calibración rigurosa de los
métodos de estimación de la resistencia al flujo permitirá identificar el más preciso y con una
incertidumbre menor al ±5%. Mientras que, el objetivo de la investigación es la estimación y
calibración del coeficiente de resistencia al flujo del n de Manning por los métodos
semiempíricos, numérico HECRAS y la GEP para el diseño de las obras hidráulicas y la gestión de
los ríos.

Materiales y Métodos

Este estudio se realizó en un tramo de 1 km del río Collana en la cuenca hidrográfica del Valle

Collana, que se extiende sobre un área de 137,41 km2 y perímetro de 59,81 km en la Provincia de

Tarma, Departamento de Junín en Perú, figura 1. EL río es de flujo permanente y uno de los

principales afluentes del río Tarma. En los extremos del talud del río se desarrolla la zona urbana

y pequeños agricultores. Es caudal del río es monitoreado de forma periódica por ser propenso a

inundaciones en las épocas de lluvias. El flujo es casi uniforme, variando producto a la pendiente
y características geomorfológicas del río, así como los 3 puentes que intercepta en la longitud de

estudio. Para ello, se tomaron lectura de las variables hidráulicas en tres fechas del año. El

08/06/2021 como época seca (mayo-septiembre), el 15/11/2021 como época normal (octubre-

diciembre) y el 16/02/2022 como época húmeda (enero-abril).

Figura 1

Figura 1. Tramo de estudio del río Collana.

Muestreo y medición física de la velocidad

Se realizó el muestreo del material del lecho por tamizado de muestras volumétricas cada 20 m

en un tramo de 1km del río. Los 20 puntos de muestreos fueron cada 50 m como se muestra en la

figura 1. La medición de la velocidad del flujo cada 50 m se realizó con el Correntómetro Global

Water FP 111 de rango 0,1 a 6,1 m/s y precisión de 0,030 m/s. Para obtener la distribución de
velocidades se registró la velocidad puntual a diferentes niveles de la superficie del agua en cada

vertical. La velocidad media del flujo se determinó mediante la ecuación (1) como la relación de

las velocidades puntuales, nivel de la superficie del agua y área de las dovelas. Finalmente, se

determinó el caudal real de circulación mediante la ecuación (2).

[( ) ]
k−1
1 v j+1 + v j
v i= ∑
y i j=0 2
( d j+1−d j ) (1)

k
Q=∑ v i y i Δ wi (2)
j=1

vi es la velocidad media en la vertical, yi el nivel de la superficie del agua en la vertical, vj la

velocidad puntual en el j punto de medida de la vertical, dj la distancia medida desde el lecho al

punto de medido de la vertical, k el número total de puntos de registro de velocidad en la vertical.

Δwi es el ancho de la subsección.

Se supuso que la pendiente de la superficie del agua es equivalente a la pendiente del fondo del

río, por lo tanto, se calculó utilizando el nivel de la superficie de aguas arriba y aguas abajo entre

secciones mostradas en la figura 1. Las muestras granulométricas se procesaron en el Laboratorio

de Ingeniería Civil de la Universidad Católica Sedes Sapientiae de la Sede de Tarma.

Como criterios hidráulicos se ha establecido un flujo en régimen uniforme permanente y

turbulento de acuerdo a las observaciones físicas. A efecto, ésta se considera macroscópica con

formas geométricas regular, variación longitudinal de pendiente y granulometría. Los tramos de

registros presentan 3 zonas con una alineación parcialmente sinuosa y 3 estribos de puentes que

podrían provocar una pérdida de energía localizada.

Resistencia al flujo
La resistencia al flujo se cuantificó por la relación del radio hidráulico, la velocidad media de la

sección trasversal, y gradiente hidráulico expresado por la ecuación (3). El radio hidráulico de la

sección trasversal se consideró igual al nivel de la superficie del agua.

2/ 3 1 /2
R S (3)
v=
n

donde v es la velocidad media (m/s), n el coeficiente de rugosidad de Manning, S la pendiente de

la sección (sc); R el radio hidráulico (m).

Ecuaciones semiempíricas

A partir de una revisión detallada de la literatura se seleccionaron en términos de popularidad,

precisión y rango de datos las ecuaciones del n de Manning. Se clasificó en percentil

granulométrico en categoría 1 las ecuaciones (4), (5), (6), las exponenciales en categoría 2 las

ecuaciones (7), (8), (9) y logarítmicas en categoría 3 las ecuaciones (10), (11), (12) como se

muestra a continuación:

Categoría 1. Basada en el percentil granulométrico

1 1/ 6
[20] n= d (4)
21 , 1 50
 1 1 /6
[8] n= d 90 (5)
26

1 1 /6
[21] n= d (6)
21 , 14 75

Categoría 2. Sumersión relativa potencial

[ ( ) ]
0,1374
1 R 0,1112
[22] n= 1,893 s (7)
21 , 1 d50

[23] n=0 , 32 S0 , 38 R−0 ,16 (8)

1 /6
d50
n=
( )
1/ 7 ,3
[24] S (9)
12 , 38 R
d 50

Categoría 3. Sumersión relativa - logarítmica

1 /6
0,113 R
n=
[25]
0 ,35+2 , 0 log
( ) R (10)
d 50

1 /6
0,113 y
n=
[26]
1 , 09+2 , 2 log
( dy ) (11)
50
 1 /6
0,113 R
n=
[27]
0 ,79+1 , 98 log
( dy ) (12)
50

donde n el coeficiente de rugosidad de Manning, d 50, d75, d90 el percentil granulométrico, S la

pendiente de fricción (m/m), R el radio hidráulico (m); y el nivel de la superficie del agua en la

sección (m).

Modelo numérico HEC-RAS

Se aplicó el modelo numérico HEC-RAS versión 6.2 desarrollado por el Cuerpo de Ingenieros

del Ejército de los Estados Unidos para el análisis de sistemas de ríos de flujo unidimensional 1D

y bidimensional 2D. Para realizar la simulación hidráulica se necesitó la geometría del canal,

condiciones de borde, caudal y el n de Manning. La geometría se trazó a través de la interfaz

RAS Mapper que proporciona una visualización geoespacial enlazado con el ArcGIS pro 2.0. El

modelo digital de elevación (DEM) se tomó del satélite peruano PeruSAT-1 con tamaño de celda

de 5 x 5. Las condiciones de borde se establecieron normales porque el flujo en los tramos del río

era prácticamente uniforme casi constante. El caudal se estableció en el modelo para los tres

periodos, mientras que, el n de Manning fue modificado hasta que las variaciones entre nivel de

la superficie del agua observadas y simuladas alcanzaban el error relativo porcentual mínimo. En

la simulación el valor de n de Manning fue introducido a partir de 0,015 en incrementos de

0,005. El mínimo error porcentual representaría la calibración del modelo.

Programación de expresión genética (GEP)

Se planteó una base de datos experimentales y observacionales con la finalidad de obtener un

amplio conjunto de datos en diversas condiciones hidráulicas y un resultado confiable. En la

tabla 1 se muestra el rango de datos. Además, fue añadido los 60 datos obtenidos de la presente

investigación para un total de 9693 datos registrados.

Tabla 1. El rango de datos.

Parámetros [28] [29] [30]

0,002-0,208
y (m) 0,1-0,53 0,08-0,57

0,705-0,736
B (m) 0,700-4,000 0,700-5,800

A (m2) 0,002-0,147 0,04-1,200 0,08-1,63

R (m) 0,003-0,131 0,050-0,26 0,050-0,38

0,001-0,020
S (m/m) 0,015-0,200 0,015-0,208

V (m/s) 0,021-0,811 0,110-1,320 0,120-1,610

0,014-0,973
NF 0,102-0,684 0,130-0,920

0,005-46,721
Q (m3/s) 0,007-0,610 0,001-1,860

0,007-0,214
n de Manning 0,050-0,520 0,048-0,520

Total de datos 8127 531 495

El modelo se desarrolló como proceso de entrenamiento utilizando la base de datos

experimentales para entrenar el algoritmo GEP. El entrenamiento de los parámetros introducidos

son las variables predecibles (y, B, A, R, S, V, NF, Q), mientras n de Manning se introduce como
variable respuesta. Entre el conjunto de datos se reservaron el 20% para validación y los

restantes se usaron para calibrar el modelo. La estimación de la resistencia al flujo fue con la

función de aptitud (F) expresada en la ecuación (13) y (14).

1 (13)
F i=1000
1+ E i

Ei =P ij −O j (14)

Donde F es la función de aptitud, Pij el valor predicho por el cromosoma i individual para el caso

de aptitud j, Oj es el valor observado para el caso de aptitud j. Cuando Pij = Oij significa que Eij

= 0 es una solución perfecta sin error.

Se seleccionó como terminales los parámetros expuestos en la tabla 1. En cambio, los operadores

fueron aritméticos (+, -, *, /), logarítmicos (ln, log) y exponencial (sqrt, e x). Con respecto a los

cromosomas fueron de 30, tamaño 8 y número de genes desde 1 hasta 3. El modelo GEP

funcionó hasta que logró el valor máximo de la función aptitud y coeficiente de determinación.

Modelo de calibración

La calibración de la resistencia al flujo e incertidumbre de los modelos se realizó mediante el

criterio del error medio cuadrático (RMSE) y el coeficiente de determinación (R 2). En particular,

el desempeño de los modelos de regresión se evaluó a través del R 2. Se consideró que R2≥0,9

indica alta precisión, 0,75≤R2<0,9 buena precisión, 0,60≤R2<0,75 moderada precisión R2<0,6

baja precisión. El rendimiento predictivo se evaluó a través de RMSE definido por la ecuación
(15). También se utilizó, el diagrama de Taylor como herramienta única en su entorno y eficaz

para evaluar el rendimiento del modelo [31]. El diagrama proporciona las estadísticas del

rendimiento de tres parámetros, el coeficiente de correlación de Pearson (PCC), la desviación

estándar (σ) y el RMSE. Su representación es a través de la ecuación (16) y la Ley de los cosenos

reflejada en la ecuación (17) para el cual se utilizó el software R.

√
n
1
∑ X obs −X ¿ ) (15)
2
RMSE=
N i=1
(

=σ o +σ s −2 σ o σ s r (16)
´ ❑2 2 2
E

c =a + b −2 ab cos ϕ (17)
2 2 2

Donde RMSE es el error medio cuadrático, Xobs el valor observado; Xsim el valor simulado, i=1…n

el número de valores, N el tamaño de la muestra, r el coeficiente de correlación de Pearson

(PCC) entre los campos de prueba y de referencia, E' 2 es la diferencia RMSE centrada entre los

campos y σf2 y σr2 son las varianzas de la prueba y la referencia de campos, respectivamente, a, b

y c son las longitudes de los lados de un triángulo, Ø el ángulo opuesto al lado c.

Resultados y Discusión

Los resultados del análisis de los percentiles granulométricos fueron d 50 de 25,74 a 41,76 mm, d75

de 16,74 a 57,53 mm, d84 de 23,47 a 68,89 mm y d 90 de 24,35 a 68,4 mm con σ de 4,82; 9,13,
10,51 y 10,54 respectivamente. La clasificación de partículas de acuerdo al tamaño por la escala

de Udden-Wentworth proporciona la existencia de grava fina, mediana, gruesa y muy gruesa.

Aunque, más del 40% de las partículas se encuentran entre 32 a 64 mm como grava muy gruesa.

Por consiguiente, se está en presencia de un lecho gravo-arenosos unimodales de acuerdo con

Basile [32]. Factores que permiten visualizar el grado de resistencia al flujo y altura de la capa

activa de sedimentos del lecho.

Las variables hidráulicas observadas en las secciones del río Collana se muestran en la Tabla 2.

El caudal observado en las secciones tiene una elevada precisión con una σ inferior 0,29 y

coeficiente de variación menor a 9% que conforme con Gomes [33] presenta una categoría de

muy buena. Los caudales de circulaciones fueron 0,219 m 3/s, 5,133 m3/s, 8,411 m3/s para las

fechas del 08/06/21, 15/11/21 y 16/02/22 respectivamente. La escala del n de Manning fue

variable desde 0,013 hasta 0,066 producto a la irregularidad de las secciones, configuración

planimétrica, y lecho heterogéneo, así como las propias variaciones fluviales. Aunque, no se

aprecian pendientes fuertes que podrían elevar la resistencia al flujo [23]. En síntesis, el n de

Manning promedio para el periodo seco, normal y húmedo fue de 0,040, 0,031 y 0,028

respectivamente. Se clasificó la rugosidad en función de la sumergencia relativa (y/d 84) como

rugosidad intermedia – pequeña en concordancia con Bathurst [12].

Tabla 2. Rango de variables hidráulicas observadas.

Seco Normal Húmedo

Parámetros 08/06/21 15/11/21 16/02/22

Min Max σ Min Max σ Min Max σ

Q (m3/s) 0,204 0,237 0,008 4,198 5,393 0,260 8,003 8,967 0,291

V (m/s) 0,475 0,660 0,047 0,735 0,990 0,071 1,033 1,253 0,061
 n 0,022 0,066 0,013 0,026 0,035 0,003 0,013 0,042 0,008

A (m2) 0,320 0,470 0,037 4,350 6,938 0,653 7,015 7,853 0,281

B (m) 1,700 3,900 0,553 4,840 5,830 0,285 6,220 8,32 0,561

y (m) 0,118 0,168 0,016 0,471 0,857 0,112 1,025 1,625 0,171

R (m) 0,120 0,181 0,018 0,471 0,857 0,112 0,693 1,275 0,143

S (m/m) 0,186 2,599 0,706 0,08 0,23 0,038 0,022 0,250 0,061

Los resultados del desempeño de los modelos por las ecuaciones semiempíricas se muestran en

la tabla 3. La resistencia al flujo estimada por la categoría 2 como sumersión relativa potencial

presentan los modelos más precisos. Entre estos, el más preciso, es Brownlie [22], seguido de

Jarrett [23] y por último Bruschin [24] con precisión moderada. Los percentiles granulométricos

no tuvieron efecto en la precisión de la resistencia al flujo conforme con Huang [11], pero se

discrepa de Meyer-Peter y Muller [8] y Peng et al. [9]. Las posibles causas son que las pérdidas

de energía provocadas por los percentiles de la grava más gruesa de 64 mm no fueron sensibles

con respecto a los percentiles menores a consecuencia la baja explicación de la resistencia al

flujo.

Tabla 3.

Desempeño de los modelos semiempíricas.

Fuente Seco Normal Húmedo

Categoría 08/06/21 15/11/21 16/02/22

RMSE R2 RMSE R2 RMSE R2

1 [20] 0,019 0,270 0,004 0,205 0,008 0,307

 [8] 0,021 0,050 0,007 0,180 0,009 0,010

[21] 0,018 0,010 0,003 0,374 0,007 0,150

2 [22] 0,025 0,911 0,035 0,171 0,039 0,865

[23] 0,030 0,931 0,005 0,131 0,005 0,704

[24] 0,039 0,770 0,043 0,114 0,047 0,679

3 [25] 0,016 0,140 0,005 0,439 0,010 0,300

[26] 0,015 0,050 0,005 0,441 0,001 0,070

[27] 0,013 0,010 0,002 0,441 0,003 0,340

Sin embargo, en general todos los modelos no reflejaron resultados adecuados cuando los niveles

de agua fueron en condiciones normales para el día 15/11/21. Existen ecuaciones que tienen baja

la capacidad predictiva referido al RMSE que, con respecto a otras, pero tienen más sesgo sobre

la línea de concordancia perfecta, indicando una sobre predicción. Finalmente, las predicciones

de la resistencia al flujo menos precisas fueron hechas por la ecuación (4), (7), (8) y (10) de

Strickler [20], Meyer-Peter y Muller [8], Lane y Carlson [21] y Bray [20] respectivamente. Estos

resultados obtenidos demuestran que los modelos de las ecuaciones semiempíricas su uso debe

ser con extrema precaución [3].

Se planteó el análisis de regresión utilizando el algoritmo de Levenberg-Marquardt y el ajuste de

las curvas por el método de Gauss-Newton y como resultado se obtuvo la figura 2. Se observa

funciones exponenciales de buena predicción de la resistencia al flujo respecto al caudal del río

Collana. En particular, dicho resultados facilitaría la obtención del n Manning para futuros

trabajos ingenieriles conociendo el caudal de circulación del río. El modelo exponencial de

mejor ajuste fue el de Limerinos [25] con R2=0,851 seguido por Griffiths [27] con R2=0,845,
Bray [26] con R2= 0,814 finalmente el menos preciso el de Jarrett [23] con R2=0,742. Este

último, fue definido para intervalos de utilización del radio hidráulico y pendiente, las cuales se

ajustan moderadamente a los parámetros del río. Ji et al. [1] también mostraron funciones de

ajustes exponenciales cercanas a las expuestos, aunque para caudales superiores.

análisis de regresión utilizando el algoritmo de Levenberg-Marquardt y el ajuste de las curvas

por el método de Gauss-Newton en Rstudio

Figura 2. Predicción de la resistencia al flujo versus caudal observado

Se realizó la simulación del río por el modelo HEC-RAS hasta obtener el menor RMSE y R 2 de

acuerdo al nivel de la superficie del agua modelada y observadas, que, a su vez, proporcionaría el

n de Manning. Para ello, se utilizaron 7 valores de n de Manning a partir de 0,015 hasta 0,045.

En las figuras 3, 4 y 5 muestran los niveles de la superficie del agua para los caudales de 0.219

m3/s, 5,133 m3/s, 8,411 m3/s y un n de Manning de 0,040, 0,030 y 0,025 respectivamente. Las
cuales muestran un ascenso de las velocidades proporcional a los niveles de la superficie del

agua y los caudales.

.04
Legend

3102.6 EG PF 1

WS PF 1
3102.4
0.0 m/s
Elevation (m)

3102.2 0.2 m/s

3102.0 0.4 m/s

0.6 m/s
3101.8
0.8 m/s
3101.6 1.0 m/s

Ground
3101.4
Bank Sta
3101.2
3094 3096 3098 3100 3102
Station (m)

Figure 3. Nivel de la superficie del agua para n=0,040

.03
Legend

EG PF 1
3102.6 W S PF 1
Crit PF 1
3102.4
0.8 m/s
Elevation (m)

3102.2 1.0 m/s

1.2 m/s

3102.0 1.4 m/s

1.6 m/s

3101.8 1.8 m/s

2.0 m/s

3101.6 2.2 m/s

2.4 m/s
3101.4 Ground
Bank Sta
3101.2
3094 3096 3098 3100 3102
Station (m)

Figure 4. Nivel de la superficie del agua para n=0,030

.025
Legend

3102.6 EG PF 1

WS PF 1
3102.4
Crit PF 1
Elevation (m)

3102.2 1.5 m/s

3102.0 2.0 m/s

2.5 m/s
3101.8
3.0 m/s
3101.6 3.5 m/s

Ground
3101.4
Bank Sta
3101.2
3094 3096 3098 3100 3102

Station (m)

Figure 5. Nivel de la superficie del agua para n=0,025

A continuación, las figuras 6, 7 y 8 representan la validación de los niveles de la superficie del

agua observado y simulada para el n de Manning de menor RMSE. La figura 9 muestra modelo

de alta precisión en la validación de los datos con RMSE de 0,003 y R 2 de 0,959, lo cual explica

el 95,9% de la variabilidad de los datos con un n de Manning modelado de 0,040 y n de Manning

observado de 0,040. Sin embargo, el modelo menos preciso fue el de la figura 11 con R 2 de

0,904 para un n de Manning modelado de 0,025 y observado de 0,0281 que corresponde al

caudal más elevados. Las posibles causas, se deben a errores de recopilación de los datos

observados para los máximos caudales como lo fue en el día 16/02/22 y a consecuencia mayor

desviación estándar y coeficiente de variación. En definitiva, los niveles de la superficie del agua

observado y simulada alcanzan menos del 5% de error, razón por la cual el modelo HEC-RAS es

una herramienta de elevada exactitud para la predicción del n de Manning.

Figure 6. Calibración para n=0,040 Figure 7. Calibración para n=0,030

 Figure 8. Calibración para n=0,025

En concordancia, Abbas et al. [15] han obtenido discrepancia de los n de Manning y el HEC-

RAS cuando se presentan los máximos caudales. Boukhanef et al. [34] plantearon que es

necesario considerar la variabilidad del n de Manning en la etapa del caudal máximo que generan

hasta eventos de inundaciones para lograr mejorar la precisión del modelo de HEC-RAS. En

relación al río Collana presentó interferencias del flujo con los estribos de los puentes, maleza

arrastrada a causa de zonas inundades por la avenida máxima que a su vez generan pequeñas

obstrucciones en las obras de paso. Por lo tanto, produce pérdidas de energía no abordadas en la

investigación como coeficientes de expansión y contracción y pérdida de energía asociados por

puentes. En conjunto son factores importantes a considerar para la eficaz predicción de la

resistencia al flujo [14], [35]. Aunque, se pueden mejorar los resultados a partir de mayor

número de datos observados y menor amplitud de rango para el n de Manning a 0,002 en los

modelos hidrodinámicos como el HEC-RAS. Finalmente, se concluye que el modelo

hidrodinámico del HEC-RAS es una poderosa herramienta para estimar el n de Manning de

forma precisa para cuando se tienen los niveles de la superficie del agua y un DEM con tamaño
de celda inferior a 5 x 5.

En modelo GEP originó el árbol de expresión no lineal entre el n de Manning y variables de

entrenamiento principales (y, B, A, R, S, V, NF, Q) con alta precisión y error relativo bajo. Los

conjuntos de entrenamiento fueron con RSME de 0,0169, R2 de 0,961 y validación RSME de

0,011, R2 de 0,980. Una R2 superior a 0,9 se considera una valiosa predicción porque explica más

del 90% de la varianza en las variables independiente, que en el caso particular del modelo de

validación fue el más eficiente. Estos resultados prueban que el modelo propuesto mediante la

ecuación (18) puede predecir con elevada precisión el n de Manning.

s
n=

√ s (18)
( NF+ v ) ( v +4,199 )
R

donde n el coeficiente de rugosidad de Manning, S la pendiente en el tramo (m/m), R el radio

hidráulico (m), v la velocidad del flujo (m/s), NF el número de Froude.

Se planteó en la figura 12 la resistencia al flujo del n de Manning observado frente a al estimado

por la GEP. Se visualiza una función lineal de mejor ajuste con errores mínimos de RMSE de

0,021 y R2 de 0,945, que representa una excelente relación del modelo por expresión genética,

éste logra explicar el 94,5% de la varianza del n Manning observado. Aunque, los algoritmos

genéticos son una técnica de resolución de problemas de búsqueda y optimización que tienen

características de la búsqueda aleatoria proporcionan un esquema general para la resolución de

problemas. En el presente resultados, se observa que el modelo GEP del n de Manning tiene una

tendencia subestimar los valores para el río Collana. Para mejorar el modelo de predicción del

GEP será necesario incrementar la base de datos en condiciones hidráulicas observacional con
énfasis en el río Collana.

Figure 12. Calibración del modelo GEP

Una presentación integral del desempeño de los modelos para estimar el n de Manning fue

mediante el diagrama de Taylor como se muestra en la figura 13. Se resume de forma gráfica la

habilidad relativa mediante un conjunto de patrones. Cuando el valor obtenido por el modelo está

más cerca del valor observado en los ejes del PCC, σ y RMSE se puede esperar una predicción

más precisa para evaluar el rendimiento de los modelos. Se observa que el modelo de GEP posee

el mejor desempeño por el grado de correspondencia entre lo observado y modelado. El modelo

GEP tiene un PCC de 0,975, σ inferior a 0,005 y RMSE próximo a cero. Por el contrario,

Brischin [24], Limerino [25], Bray [26], Griffths [27] y modelo HEC-RAS poseen desempeño

inferior en una misma sección del diagrama de Taylor con PCC de 0,50, σ alrededor de 0,005 y

RMSE inferior a 0,01. El resto de los modelos no reflejados en el diagrama de Taylor no

garantiza una predicción del n de Manning aceptable para su utilización en modelos

hidrodinámicos o diseños de obras hidráulicas. Resultados que coinciden con los obtenidos por

Sihag et al. [36] para el modelo de Jarret [23].

 Figure 13. Diagrama de Taylor

En particular, el bajo desempeño del modelo HEC-RAS en el diagrama de Taylor es producto a

un n de Manning constante en sus secciones trasversales del río a pesar de obtener precisión

entre los niveles de la superficie del agua observado y simulado. Al respecto, para el modelo de

HEC- RAS se identificó que predomina en su presentación gráfica de Taylor un grado de

incertidumbre no visualizado en previos estudios de calibración [14, 15]. Esta incertidumbre, se

minimizaría con la herramienta de Ras Mapper del HEC-RAS mediante base de datos o creado

por el usuario, la cobertura terrestre en capas de Shapefile el n de Manning y calibrar los niveles

de la superficie del agua y el n de Manning observado y modelado respectivamente.

CONCLUSIONES

La presente investigación planteo la calibración de la resistencia al flujo en el río de Collana a

través de diferentes condiciones hidrológicas e hidráulicas y métodos de estimaciones. Para este

propósito, el n de Manning observado osciló entre 0,013 y 0,066 mientras que, el modelado de

0,012 a 0,110.

El modelo por las ecuaciones semiempíricas fueron las menos precisa para la predicción del n de

Manning. Aunque, las ecuaciones formuladas por la sumersión relativa potencial por Brownlie

[22], Jarrett [23] y Bruschin [24] mostraron una precisión óptima a moderada respectivamente.

En general, deben usarse con extrema precaución ya que tienden a sobre estimar los valores del n

de Manning.

Se determinó por el algoritmo de Levenberg-Marquardt y el método de Gauss-Newton cuatro

modelos exponenciales de mejor ajuste con una precisión aceptable para estimar el n de Manning

en el río Collana. Las ecuaciones fueron en función del caudal de circulación (figura 2) por

Jarrett [23], Limerinos [25], Bray [26] y Griffiths [27] con R2> 0,75.

El modelo numérico HEC-RAS y la GEP son las herramientas más poderosas para estimar y

calibrar el n de Manning. Aunque, el planteamiento de diagrama de Taylor mostró que el modelo

GEP es el más preciso de todos. Sus valores estimados son los más cercanos a los datos

observados con error menor al 5% del n de Manning.

En próximas investigaciones se recomienda incrementar la base de datos para mejorar la

predicción del modelo de GEP. Mientras que, el modelo de HEC-RAS utilizar la herramienta de

Ras Mapper y un archivo Shapefile con las capas de la cobertura terrestre del n de Manning para

minimizar la incertidumbre.

El análisis de este estudio permitirá orientar a los especialistas del agua y modeladores

hidráulicos para la toma de decisiones del método más preciso para estimar el n de Manning y,

en consecuencia, obtendrán mapas de vulnerabilidad, inundaciones y obras hidráulicas más

eficientes.
[1] K. Ji, S. Chan, K. Won and K. Yong. 2010: “Roughness coefficient and its uncertainty in a gravel-
bed river”. Water Science and Engineering. Vol. 3 N° 2, pp. 217-232. DOI: 10.3882/j.issn.1674-
2370.2010.02.010.
[2] S. Cedillo, E. C. Sánchez, L. Timbe, E. Samaniego and A. Alvarado. “Resistance Analysis of
Morphologies in Headwater Mountain Streams”. Water. Vol 13 N° 16:2207. 2021 DOI:
10.3390/w13162207
[3] G. Mendicino and F. Colosimo. “Analysis of flow resistance equations ingravel ‐bed rivers with
intermittent regimes: Calabrian fiumare data set”. Water Resources Research. N° 55. pp. 7294-
7319. 2019. DOI: 10.1029/2019WR024819.
[4] M. W. Burnham, and Davis, D.W. “Effects of data errors on computed steady-flows profiles”.
Journal of Hydraulic Engineering. Vol. 116 N° 7. pp. 914-929. 1990.
[5] H. Zhang, L. Zhang, H. Peng, R. Cai and L. Zhang. “Research on Cognition and Calculation
Method of Alluvial River Roughness”. Journal of Hydraulic Engineering. Vol. 51 N°07. pp. 774-
787. 2020. DOI: 10.13243/j.cnki.slxb.20200130.
[6] G. C. L. David, E. Wohl, S. E. Yochum and B. P. Bledsoe. “Controls on spatial variations in flow
resistance along steep mountain streams”. Water Resour. Res. Vol. 46. 2010.
DOI:10.1029/2009WR008134.
[7] V. Ferro, and P. Porto.2018). “Applying hypothesis of self ‐similarity for flow ‐resistance law in
Calabrian gravel‐bed rivers”. Journal of Hydraulic Engineering. Vol. 144 N° 2. 2018. DOI :
10.1061/(ASCE)HY.1943‐7900.0001385.
[8] E. Meyer-Peter and R. Muller. ”Formulas for bed-load transport”. In: Proceedings of the second
meeting of International Association for Hydraulic Research, vol 3. Stockholm, pp. 39–64. 1948.
[9] H. Peng, H. Q. Huang, G. Yu and H. Zhang. “Applicability of Flow Resistance Formulae for Sand-
Bed Channels: An Assessment Using a Very Large Data Set”. Frontiers in Environmental
Science. Vol. 10:840653. 2022. DOI: 10.3389/fenvs.2022.840653.
[10] D. I. Bray. 1979. “Estimating average velocity in gravel-bed rivers”. Journal of Hydraulic
Division. Vol. 105 N° 9. pp. 1103-1122. 1979.
[11] H. Q. Huang. “Reformulation of the Bed Load Equation of Meyer-Peter and Müller in Light of
The Linearity Theory for Alluvial Channel Flow”. Water Resources Res. Vol. 46 N° 9. pp. 161-
170. 2010.
[12] J.C. Bathurst, R. M. Li and D. B. Simons. “Resistance Equation for Large-Scale Roughness”.
Journal of the Hydraulic Division. Vol. 107 N° 12. pp.1593-1613. 1981.
[13] J. C. Bathurst. “Flow Resistance Estimation in Mountain Rivers”. Journal of Hydraulic
Engineering. Vol. 111 N° 4. pp. 625–643. 1985. DOI: 10.1061/(ASCE)0733-
9429(1985)111:4(625).
[14] M. Ardıçlıoğlu and A. Kuriqi. “Calibration of channel roughness in intermittent rivers using HEC-
RAS model: case of Sarimsakli creek, Turkey”. SN Applied Sciences. Vol. 1. N° 1080. 2019. DOI:
10.1007/s42452-019-1141-9.
[15] S. A. Abbas, A. Aboodi, Ali H. and T. I. Husham. “Identification of Manning’s Coefficient Using
HEC-RAS Model: Upstream Al-Amarah Barrage”. 2314-4904. Journal of Engineering Hindawi.
2020. DOI: 10.1155/2020/6450825.
[16] N. V. Serrano, F. H. Watson, I. A. Guzmán, L. P. Chavarría and F. A. Quesada. “Correction of
Empirical Equations Known as Strickler-Type for the Calculation of the Manning’s Roughness
Coefficient for Costa Rica’s Northern Pacific Conditions”. Hydrology. Vol. 9 N° 5:71. pp.2-12.
2022. DOI: 10.3390/hydrology9050071.
[17] P. Arpan, K. and Kishanjit. “Gene-Expression Programming to Predict Manning’s n in
Meandering Flows”. Journal: Canadian Journal of Civil Engineering. Vol 45 N°4. pp. 241-327.
2017. DOI: 10.1139/cjce-2016-056.
[18] K. Roushangar and S. Shahnazi. “Insights into the prediction capability of roughness coefficient
in current ripple bedforms under varied hydraulic conditions”. Journal of Hydroinformatics.
Vol. 23 N° 6. pp. 1182-1196. 2021. DOI: 10.2166/hydro.2021.161.
[19] H. M. Azamathulla, Z. Ahmad, and A. A. Ghani. “An expert system for predicting Manning’s
roughness coefficient in open channels by using gene expression programming”. Neural
Comput & Applic. Vol. 23. pp. 1343-1349. 2013. DOI: 10.1007/s00521-012-1078-z.
[20] A. Strickler. “Beitrage zur frage der geschwindigkeitsformel und der rauhigkeitszahlen fuer
stroeme kanaele und gesc hlossene leitungen“. Mitteilungen des eidgenossischen Amtes fuer
Wasserwirtschaft 16. Bern. 1923. Switzerland.
[21] E. W. Lane and E. S. Carlson. “Some factors affecting the stability of canals constructed in
course granular materials”. In Proceedings, Minnesota International Hydraulic Convention
IAHR/ASCE. pp. 37-88. 1953.
[22] W. R. Brownlie. “Flow depth in sand-bed channels.” Journal of Hydraulic Engineering, ASCE.
Vol. 109 N° 7. pp. 959-990. 1983.
[23] R. D. Jarrett. “Hydraulics of high-gradient streams”. ASCE, Journal of Hydraulic Engineering.
Vol. 110 N° 11. pp. 1519-1539. 1984
[24] J. Bruschin. “Discussion on Brownlie (1983): Flow Depth in Sand-bed Channels.” Journal of
Hydraulic Engineering. ASCE. Vol. 111. pp. 736-739. 1985.
[25] J. T. Limerinos. “Determination of the Manning Coefficient from Measured Bed Roughness in
Natural Channels”. U.S. Geological Survey. Geological Survey Water-Supply Paper 1898-B.
1970.
[26] D. I. Bray. “Estimating average velocity in gravel-bed rivers”. Journal of Hydraulic Division. Vol.
Vol. 105 N° 9. pp. 1103-1122. 1979.
[27] G. A. Griffths. “Flow resistance in coarse gravel bed rivers”. Proceedings of the American
Society of Civil Engineers. Journal of the Hydraulics Division 107(HY7). pp. 899-918. 1981.
[28] United States Army Corps of Engineers. “Studies of River Bed Materials and Their Movement
with Special Reference to the Lower Mississippi River”. Waterways Experiment Station.
Vicksburg. MS USA. Paper 17. pp. 161. 1935.
[29] S. E. Yochum, B. P. Bledsoe, G. C. L. David, and E. Wohl. “Velocity prediction in high-gradient
channels”. Journal of Hydrology. Vol. 424-425. Pp. 84-98. 2012. ISSN 0022-1694. DOI:
10.1016/j.jhydrol.2011.12.031
[30] S. E. Yochum, F. Comiti, E. Wohl, C. L. G. David, L. Mao. “Photographic Guidance for Selecting
Flow Resistance Coefficients in High-Gradient Channels”. Gen. Tech. Rep. RMRS-GTR-323. Fort
Collins, CO: U.S. Department of Agriculture, Forest Service, Rocky Mountain Research Station.
pp. 1-91. 2014.
[31] K.E. Taylor (2001). “Summarizing multiple aspects of model performance in a single diagram”.
J. Geophys. Res. Vol. 106 N° D7. pp. 7183-7192. 2001. DOI: 10.1029/2000JD900719.
[32] P. A. Basile. “Transporte de sedimentos y morfodinámica de ríos aluviales. 1ª Ed., Rosario: UNR
Editora. Editorial de la Universidad Nacional de Rosario. 2018.
[33] F. P. Gomes. “Curso de estatística experimental”. 13 ed. São Paulo: Nobel. 2000.
[34] I1. Boukhanef, A. Khadzhidi, A. Poddubsky, A. Novikov, A. Kastali, A. Zeroual, R. Gurina, V.
Sinenko, N. Khomenets, D. Kucher, A. Norezzine, and N. Y. Rebouh. “Calibration of Manning’s
Roughness coefficient during Floods using HEC-RAS model Case study: Allala River”, IJAST. Vol.
29 N° 11. pp. 2184-2197. 2020.
[35] J. Wang, and Z. Zhang. “Evaluating Riparian vegetation roughness computation methods
integrated within HEC-RAS”. Journal of Hydraulic Engineering. Vol. 145 N° 6. 2019 DOI:
10.1061/(ASCE)HY.1943-7900.0001597.
[36] P. Sihag, S. Balraj, B. Azlin, H. Said. “Azamathulla; Prediction of Manning's coefficient of
roughness for high-gradient streams using M5P”. Water Supply. Vol. 22 N°3. pp. 2707-2720.
2022. DOI: 10.2166/ws.2021.440.