CARRERA DE INGENIERÍA CIVIL

TEMA
CANALES DE RIEGOS OPTIMOS

CURSO :
HIDRAULICA DE CANALES
DOCENTE :
JOEL BELISARIO ORE IWANAGA
INTEGRANTE :
SALOMON ARCE, NATALY LUZ

Jueves 14 de Junio del 2018

 CANALES DE RIEGO ÓPTIMOS

En los Canales de riegos óptimos por Prabhata K. Swamee, indica que para un diseño de canales se
necesita reducir el área y perímetro de la sección, obteniendo así un menor costo. En el cual toma
por ejemplo las siguientes secciones (triangular, rectangular, trapezoidal y circular):

Donde indica que la pendiente óptima en una sección triangular es 1 y para la sección trapezoidal, la
pendiente óptima seria 3−0.5 , también que las dimensiones lineales están relacionadas con la
profundidad normal óptima (tirante), por ejemplo las bases óptimas del rectángulo es 2𝑦𝑛∗ , de la
2
sección trapezoidal es ( )𝑦𝑛∗ y el diámetro óptimo de la sección circular es 2𝑦𝑛∗ .
√3

También existieron otros investigadores sobre las secciones óptimas, donde Swamee los nombra y
son Chow que dio propiedades de este tema. Según Ven Te Chow:

“[…] Los elementos geométricos para seis secciones hidráulicas optimas se muestran en la tabla, pero
no siempre estás secciones son prácticas, debido a dificultades en la construcción y en el uso de
material. Una sección de canal debe diseñarse para cumplir con una eficiencia hidráulica optima pero
debe modificarse para tener en cuenta aspectos constructivos. Visto prácticamente la sección
hidráulica óptima es la sección que da el área mínima excavación. La sección con mínima excavación
ocurre sólo si el nivel del agua llega hasta el tope de las bancas. Para casos en que la superficie del
agua se encuentra por debajo del tope de las bancas, como ocurre a menudo, los canales más
angostos que aquéllos con la sección hidráulica óptima darán una excavación mínima. Si la superficie
del agua fluye por encima de las bancas y éstas coinciden con el nivel del terreno, canales más anchos
darán una excavación mínima”

, otro investigador es Monadjemi que para este tema hallo relaciones entre variables desconocidas y
llegando así a ecuaciones que no se pueden utilizar directamente, el investigador Bhatia que expresa
las dimensiones del canal optimo en términos de los coeficiente de caudal, rugosidad de manning y
pendiente del fondo del canal y por último el investigador Froelich que extendió este punto para el
ancho y tirante en las secciones trapezoidales.

La ecuación de la resistencia determina el flujo uniforme en un canal, y la más usada es la ecuación

de manning que es aplicable a un flujo turbulento áspero pero está limitado por la rugosidad relativa.
Para destensar estas restricciones Swamee dio una ecuación y es la de velocidad de flujo promedio,
donde involucra la viscosidad cinemática del agua, altura media de la aspereza de la superficie del
canal (𝜀) donde Henderson combina la ecuación de continuidad y halla así valores para varios
𝜀 0.221𝜈
materiales, radio hidráulico y gravedad específica 𝑉 = −2.45√𝑔𝑅𝑆𝑜 ln(12𝑅 + 𝑅√𝑔𝑅𝑆 )…(1); y
𝑜

𝜀 0.221𝜈
obteniendo así el caudal 𝑄 = −2.45𝐴√𝑔𝑅𝑆𝑜 ln(12𝑅 + 𝑅√𝑔𝑅𝑆 )… (2)
𝑜

Además, Swamee indica que para llegar a la forma óptima de un canal solo se tiene que reducir el
área (igualar la ecuación (2) a cero).

Pero En una sección triangular de Z=1 lo que se tiene que reducir es 𝑚𝑦𝑛2∗ , reemplazando así en (1) y
0.5 0.75
𝑚1.5 𝑦 2.5
∗ 𝜀∗ (1+𝑚2 ) (1+𝑚2 )
obteniendo 1.737 (1+𝑚2 )𝑛0.25 ln ( + 0.625𝜈∗ (𝑚𝑦𝑛∗ )1.5
) + 1 = 0, en el cual 𝑦𝑛∗ =
6𝑚𝑦𝑛∗
𝑔𝑆 𝑔𝑆
𝑦𝑛 ( 𝑄2𝑜 )0.2; 𝜀∗ = 𝜀( 𝑄2𝑜 )0.2 ; 𝜈∗ = 𝜈(𝑄 3 𝑔𝑆𝑜 )−0.2; y Para resolver dicha ecuación se aplica el método

de Lagrange donde se obtienen valores de 𝜀∗ y 𝜈∗ .

4.8
𝑄2 8𝜈𝑄 9.4 0.04
Por lo tanto la pendiente óptima es 1 y el tirante óptimo es 0.507L (𝐿 = (𝜀 (𝑔𝑆 ) + (𝑔𝑆 5.2 )
);
𝑜 𝑜)

la base óptima es 𝑏 ∗ = 𝑘𝑏 𝐿 ; 𝐷∗ = 𝑘𝐷 𝑙 ; 𝑦𝑛∗ = 𝑘𝑦 𝐿 ; el perímetro y área óptima es 𝑝∗ = 𝑘𝑝 𝐿; 𝐴∗ =

𝑘𝐴 𝐿2 y la velocidad promedio optima es 𝑉 ∗ = 𝑘𝑉 𝑄𝐿−2

Obteniendo así una tabla, donde la sección trapezoidal óptima tiene como inclinación lateral π/3
(esto no ocurre siempre debido a la estabilidad de la pendiente lateral) y llegando a las siguientes
 (1+𝑚2 )0.5 −𝑚
ecuaciones: 𝑏 ∗ = 0.930 𝐿; 𝑃∗ = 0.930(2(1 + 𝑚2 )0.5 − 𝑚)−0.375 𝐿 ; 𝐴∗ =
(2(1+𝑚2 )0.5 −𝑚)0.375

0.216(2(1 + 𝑚2 )0.5 − 𝑚)0.25 𝐿2

Comparación de secciones optimas

La mejor sección desde un punto de vista hidráulico será aquella que, para una sección, rugosidad y
pendiente dada, conduce un caudal máximo. Es decir, el caudal será máximo cuando el perímetro
mojado sea mínimo. Por ello la sección circular es la más económica, pero su ejecución tiene grandes
inconvenientes, por lo que no es usada para grandes canales. (Fuente: Escuela Universitaria de
Ingeniería Técnica Agrícola de Ciudad Real)

El método gráfico siguiente simple pero conservador para los resultados del diseño del canal que
indica Swamme: dibuje un semicírculo del diámetro 0.785 l con un diámetro como la superficie
libre; y dibuje la sección deseada.

 Sección trapezoidal optima

 El ángulo α óptimo es 60°, es decir, la sección es un semihexágono regular

 Sección rectangular de mínima resistencia

Se opera de igual forma que del trapezoidal, se obtiene una relación de h-L optima cuando l=
(2h)/0.3925, el perímetro 4*0.3925h y el radio hidráulico R=0.3925h/2

 Sección triangular de mínima resistencia

Tendrá un ángulo α

Criterios:

 Entre las superficies de igual perímetro la de mayor superficie es el círculo.

 De los polígonos de n lados, el de mayor superficie es el regular.
 De los polígonos de lados de longitud dada el de mayor superficie es el que se inscribe en un
círculo.
 De los polígonos de ángulos dados el de mayor área superficie es el que se circunscribe en un
círculo
Sección rectangular en Rioja – San Martin

Sección circular
Sección triangular

Sección trapezoidal – Proyecto Pampas verdes (dpto. Ayacucho)

 Sección Semicircular

TECNICA DE INVESTIGACION DE OPERACIONES

MULTIPLICADOR DE LAGRANGE

Historia:

El método lagrangian (también conocido como multiplicadores lagrangian) lo propuso Joseph Louis
Lagrange (1736-1813), un matemático nacido en Italia. Sus multiplicadores lagrangian tienen
aplicaciones en una variedad de campos, incluyendo el físico, astronomía y económica. La lectura de
una obra del astrónomo inglés Edmund Halley despertó su interés, y, tras un año de incesante
trabajo, era ya un matemático consumado. Nombrado profesor de la Escuela de Artillería, en 1758
fundó una sociedad, con la ayuda de sus alumnos, que fue incorporada a la Academia de Turín. En su
obra Miscellanea taurinensia, escrita por aquellos años, obtuvo, entre otros resultados, una ecuación
diferencial general del movimiento y su adaptación para el caso particular del movimiento rectilíneo,
y la solución a muchos problemas de dinámica mediante el cálculo de variantes.

Realizo un trabajo sobre el equilibrio lunar, donde razonaba la causa de que la Luna siempre mostrara
la misma cara, le supuso la concesión, en 1764, de un premio por la Academia de Ciencias de París o
En 1795 se le concedió una cátedra en la recién fundada École Normale, que ocupó tan solo durante
cuatro meses. Dos años más tarde, tras la creación de la École Polytechnique, Lagrange fue nombrado
profesor, y quienes asistieron a sus clases las describieron como «perfectas en forma y contenido».
Sus enseñanzas sobre cálculo diferencial forman la base de sus obras Teoría de las funciones
analíticas y Resolución de ecuaciones numéricas (1798). En 1810 inició una revisión de su Teoría, pero
sólo pudo concluir dos terceras partes antes de su muerte.

Método de Lagrange

El método de los Multiplicadores de Lagrange, es un procedimiento para encontrar los máximos y

mínimos de funciones de múltiples variables sujetas a restricciones. Este método reduce el problema
restringido con n variables a uno sin restricciones de n + k variables, donde k es igual al número de
restricciones, y cuyas ecuaciones pueden ser resueltas más fácilmente. El método dice que los puntos
donde la función tiene un extremo, condicionado con k restricciones, están entre los puntos
estacionarios de una nueva función sin restricciones construida como una combinación lineal de la
función y las funciones implicadas en las restricciones, cuyos coeficientes son los multiplicadores. La
demostración usa derivadas parciales y la regla de la cadena para funciones de varias variables. Se
trata de extraer una función implícita de las restricciones, y encontrar las condiciones para que las
derivadas parciales con respecto a las variables independientes de la función sean iguales a cero.

Visualizar algunas superficies cuádricas y curvas de nivel para distintos valores de la variable z.
Identificar, a través de los simuladores, los puntos (x,y) sobre la curva correspondiente a la función
restricción donde la función principal tiene extremos. Interpretar gráficamente los resultados
obtenidos empleando el método de multiplicadores de Lagrange. Aproximar las soluciones del
problema a partir de la observación en el simulador, de las curvas de nivel de la función principal y la
curva correspondiente a la función condicionante. Adquirir habilidad en la resolución de problemas
de optimización en un ambiente computacional.

El método de eliminación de variables no resulta operativo cuando el problema tiene muchas

restricciones o las restricciones son complejas, por lo que resulta muy útil éste método. Los
Multiplicadores de Lagrange es un método alternativo que además proporciona más información
sobre el problema. Todos los óptimos que verifiquen las condiciones de regularidad establecidas
tienen asociados los correspondientes multiplicadores. El teorema de Lagrange establece una
condición necesaria de optimalidad (bajo las condiciones de regularidad).
Aplicación

Existen en todas las ramas de la ciencia, en la Física, en la Matemática, en la Química, en la

Astronomía, en Biología, en Economía etc. Situaciones en las que conociendo un conjunto de datos
experimentales en un cierto intervalo de la variable independiente, esto es, conociendo una cierta
cantidad de datos tabulados, se hace preciso encontrar una función que verifique todos esos datos y
permita, por consiguiente, predecir la existencia de otros valores con la aproximación adecuada. El
método de la interpolación de Lagrange es de gran importancia en el análisis numérico.

Ejemplo:
METODO SIMPLEX

El método Simplex es un procedimiento iterativo que permite mejorar la solución de la función

objetivo en cada paso. El proceso concluye cuando no es posible continuar mejorando dicho valor,
es decir, se ha alcanzado la solución óptima (el mayor o menor valor posible, según el caso, para el
que se satisfacen todas las restricciones).

Partiendo del valor de la función objetivo en un punto cualquiera, el procedimiento consiste en

buscar otro punto que mejore el valor anterior. Como se verá en el método Gráfico, dichos puntos
son los vértices del polígono (o poliedro o polícoro, si el número de variables es mayor de 2) que
constituye la región determinada por las restricciones a las que se encuentra sujeto el problema
(llamada región factible). La búsqueda se realiza mediante desplazamientos por las aristas del
polígono, desde el vértice actual hasta uno adyacente que mejore el valor de la función objetivo.
Siempre que exista región factible, como su número de vértices y de aristas es finito, será posible
encontrar la solución.

El método Simplex se basa en la siguiente propiedad: si la función objetivo Z no toma su valor máximo
en el vértice A, entonces existe una arista que parte de A y a lo largo de la cual el valor de Z aumenta.

Será necesario tener en cuenta que el método Simplex únicamente trabaja con restricciones del
problema cuyas inecuaciones sean del tipo "≤" (menor o igual) y sus coeficientes independientes sean
mayores o iguales a 0. Por tanto habrá que estandarizar las restricciones para que cumplan estos
requisitos antes de iniciar el algoritmo del Simplex. En caso de que después de éste proceso
aparezcan restricciones del tipo "≥" (mayor o igual) o "=" (igualdad), o no se puedan cambiar, será
necesario emplear otros métodos de resolución, siendo el más común el método de las Dos Fases.

Tipo de Optimización

Como se ha comentado, el objetivo del método consistirá en optimizar el valor de la función objetivo.
Sin embargo se presentan dos opciones: obtener el valor óptimo mayor (maximizar) u obtener el
valor óptimo menor (minimizar).
Además existen diferencias en el algoritmo entre el objetivo de maximización y el de minimización
en cuanto al criterio de condición de parada para finalizar las iteraciones y a las condiciones de
entrada y salida de la base. Así:

 Objetivo de maximización

Condición de parada: cuando en la fila Z no aparece ningún valor negativo.

Condición de entrada a la base: el menor valor negativo en la fila Z (o el de mayor valor absoluto
entre los negativos) indica la variable Pj que entra a la base.

Condición de salida de la base: una vez obtenida la variable entrante, la variable que sale se
determina mediante el menor cociente P0/Pj de los estrictamente positivos.

 Objetivo de minimización

Condición de parada: cuando en la fila Z no aparece ningún valor positivo.

Condición de entrada a la base: el mayor valor positivo en la fila Z indica la variable Pj que entra a la
base.

Condición de salida de la base: una vez obtenida la variable entrante, la variable que sale se
determina mediante el menor cociente P0/Pj de los estrictamente negativos.

No obstante, es posible normalizar el objetivo del problema con el fin de aplicar siempre los mismos
criterios en lo referente a la condición de parada del algoritmo y a las condiciones de entrada y salida
de las variables de la base. De esta forma, si el objetivo es minimizar la solución, se puede cambiar el
problema a otro equivalente de maximización simplemente multiplicando la función objetivo por "-
1". Es decir, el problema de minimizar Z es equivalente al problema de maximizar (-1)·Z. Una vez
obtenida la solución será necesario multiplicarla también por (-1).

Algoritmo

El algoritmo simplex resuelve problemas de Programación Lineal por la construcción de una solución
admisible en vértice poliedro, y entonces corre a través de los vértices del poliedro que tienen valores
sucesivamente más altos de la función objetivo para encontrar el máximo. Aunque este algoritmo es
muy eficiente en la práctica, y está garantizado para encontrar un óptimo global si ciertas condiciones
para evitar los ciclos se toman, es débil en el peor de los casos: Usted puede construir un problema
de programación lineal práctico para los que el método simplex realiza un número exponencial de
pasos en relación con el tamaño de la emisión.De hecho, desde hace algún tiempo no se sabía si los
problemas de programación lineal fueron NP-completo o ha tenido solución en tiempo polinómico.

El primer algoritmo de programación lineal en el tiempo polinomio en el peor caso fue propuesto por
Leonid Khachiyan en 1979. Se basaba en optimización no lineal de Naum Shor, que es una
generalización del método de elipsoide Arkadi Nemirovski, uno de los ganadores del Premio de Teoría
John von Neumann en 2003 , y D. Yudin.

Sin embargo, el rendimiento práctico es decepcionante algoritmo Khachiyan: en general, el método

simplex es más eficiente. Su importancia es que fomenta la investigación de métodos de punto
interior.A diferencia de algoritmo simplex, que sólo avanza a lo largo puntos en el límite de la región
factible, los métodos de punto interior pueden moverse por el interior de la región factible.

En 1984 , Narendra Karmarkar propuso su método proyectivo, que se convirtió en el primer algoritmo
para un buen desempeño en la teoría y en la práctica: el peor de los casos es la complejidad
polinómica y los problemas prácticos de la experiencia muestra que es razonablemente eficiente en
comparación con el algoritmo simplex.

Dado que el método Karmarkar, se han propuesto y analizado muchos otros métodos de punto
interior. Un método popular es el método predictor-corrector de Mehrotra, cuya actuación tiene un
buen rendimiento en la práctica, aunque se sabe poco acerca de ello en teoría.

La última opinión entre los estudiosos es que la eficiencia de las buenas implementaciones de los
métodos basados en simplex y los puntos interiores son similares a la aplicación rutinaria de la
programación lineal.

La solución de programación lineal se están utilizando diversos problemas de optimización

generalizados en la industria, tales como la optimización del flujo de transporte, que puede
transformarse en problemas de programación lineal sin demasiadas dificultades.

Ejemplo:
Conclusiones:

 La sección que tenga menor perímetro mojado para un área determinada transportará mayor
caudal, entonces esa sección es la óptima hidráulicamente. Entre secciones de igual
superficie, el semicírculo tEiene el menor perímetro, por lo que es la forma geométrica más
eficiente desde el punto de vista hidráulico, como se observa la tabla 1 y lo que indica Swamee
en su investigación (según Ven Te Chow).
  También, entre las trapeciales el semihexágono regular, entre las rectangulares el semi
cuadrado, y entre las triangulares el triángulo isósceles de 45º.
 El principio de la sección optima se aplica sólo en el diseño de canales no erosionables, o sea
revestidos con hormigón o cualquier otro material, ya que Las secciones transversales en
canales naturales son irregulares, mientras que en los canales artificiales se proyectan de
formas geométricas regulares.
 La sección trapezoidal desde el punto de vista constructivo y económico es una de las
secciones más usadas por su rapidez constructiva y economía de materiales.
 Los canales revestidos permiten velocidades altas, disminuyen las filtraciones y requieren de
secciones transversales más reducidas que otro tipo de canales como el excavado etc. Sin
embargo, su costo y su duración dependen de la calidad del revestimiento y del manejo
adecuado que se le dé a las aguas sub superficiales.
 En conclusión, en los problemas de optimización, el método de los multiplicadores de
Lagrange, llamados así en honor a Joseph Louis Lagrange, es un procedimiento para encontrar
los máximos y mínimos de funciones de múltiples variables sujetas a restricciones. Este
método reduce el problema restringido con n variables a uno sin restricciones de n + k
variables, donde k es igual al número de restricciones, y cuyas ecuaciones pueden ser
resueltas más fácilmente.
 Además en optimización matemática, el término algoritmo simplex habitualmente se refiere
a un conjunto de métodos muy usados para resolver problemas de programación lineal, en
los cuales se busca el máximo de una función lineal sobre un conjunto de variables que
satisfaga un conjunto de inecuaciones lineales.

Bibliografía

 ECONOMIC CHANNEL SECTION (https://www.slideshare.net/VaibhavPathak33/economic-

channel-section)
 Ven Te Chow “Hidraulica de Canales Abiertos” (https://es.scribd.com/doc/33259919/Ven-
Te-Chow-Hidraulica-de-Canales-Abiertos)
 cátedra de Ingeniería Rural, Escuela Universitaria de Ingenieria Tecnica Agricola de Ciudad
Real (https://previa.uclm.es/area/ing_rural/Hidraulica/Temas/Tema14.pdf)
 Algoritmo Simplex (https://metodoss.com/simplex-algoritmo/)
 Método Simplex (https://es.slideshare.net/yesidariza/el-mtodo-simplex)
 KHANACADEMY (https://es.khanacademy.org/math/multivariable-calculus/applications-of-
multivariable-derivatives/constrained-optimization/a/lagrange-multipliers-single-constraint)