RIDNAIC_Vol. 19-20

● Se puede configurar y ejecutar un currículo estructurado para la capacitación de nuevos conductores y para algunas habilidades, transferencias a carreteras reales (Pollatsek et al., 2006). Desventajas ● Los choques simulados no tienen las mismas consecuencias que un choque real y puede afectar el comportamiento posterior. Los choques en un simulador pueden tener un impacto psicológico desconocido en los participantes. ● Las variables de confusión o interacción que ocurren en el mundo real también deben entenderse y, dado que no pueden recrearse completamente en simuladores, no son necesariamente susceptibles de prueba (todavía). Dicho de otra manera, comprender el comportamiento del conductor está en los detalles que interactúan en la simulación. ● Los escenarios reales nunca se pueden reproducir perfectamente (por ahora). ● Cada exposición de conducción afecta las respuestas a exposiciones posteriores. ● Los simuladores de alta gama requieren un hardware de altas especificaciones y el desarrollo de software para abordar un número limitado de preguntas de investigación. ● Los simuladores de bajo costo pueden ser imprecisos e inflexibles y, por lo tanto, abordar todas las preguntas de investigación que puedan surgir. ● Los conductores no creen en la autenticidad de la simulación. ● Los simuladores no pueden abordar preguntas sobre el comportamiento del conductor, ya que el conductor no conduce como lo hace en su propio vehículo (Evans, 2004). ● Se desconoce el grado de la experiencia y habilidades del conductor transferidas en la conducción en el simulador por lo tanto afecta la relación costo-efectividad de dichos programas (Jamson, 2001). Materiales y Métodos El material utilizado en este experimento se describe en el siguiente listado: ● Diadema “Neurosky MindWave mobile 2” utilizada para captar las ondas cerebrales. ● “Matlab” utilizada para grabar y registrar las señales captadas por la diadema “Neurosky”. ● “Forest Simulation”, programa para hacer la simulación de conducción. ● Equipo de simulación compuesto de: Simulador de autos estático: Procesador “Intel Core” I7 7700ATX – “Board” MSI-H110M - 16GB DDR4 - 1 TERA HDD-Unidad DVD-RW, Teclado y Mouse, Disco de estado sólido: Unidad SSD ADATA SPP550 - 240GB, Tarjeta gráfica: PNY GTX 1070 TI 8GB DDR5, “Bluetooth”, Timón y pedales Logitech modelo G29 con adaptador para timón de vehículo de calle, Chasis en tubería estructural, hecho en tubo cuadrado, con soporte de silla y corredera, timón pedales y caja con ajuste gradual y soporte de pantalla, sonido y acabado en pintura electro estática. ● Televisor LED SAMSUNG 32\" - UN32J4000DKXZL, Bocinas Logitech Z506 - 5.1 CH. Este simulador fue construido por el autor del proyecto para la realización de esta investigación doctoral. ● Celular marca Alcatel modelo U5. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 243

Las figuras 1, 2 y 3 muestran la diadema utilizada para la captura de la información, una imagen obtenida del simulador de conducción y el simulador construido para esta investigación. Figura 1: Diadema “Neurosky”. Figura 2: Escenario urbano en el simulador de conducción. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 244

Figura 3: Simulador construido para esta investigación. La muestra poblacional que participó en esta investigación cumplió ciertos criterios básicos, los cuales se presentan a continuación: ● Tener una licencia válida de conducción. ● Haber conducido al menos por más de 1 año. ● Haber conducido al menos durante 1 semana en el último año de la prueba. ● No presentar desordenes físicos ni cognitivos. ● No tener enfermedades del sistema nervioso central. ● No estar embarazada. ● No haber consumido bebidas alcohólicas ni sustancias alucinógenas antes de la prueba. La enfermedad del simulador es un fenómeno que se ve afectado por las especificaciones del simulador y características de los participantes. Produce síntomas similares, pero típicamente lo que presentan los participantes que conducen en el simulador de conducción es mareo, náuseas, incomodidad ocular y desorientación (Kennedy et al., 1993). Condiciones del área de conducción El escenario para ejecutar la prueba de conducción fue el mismo para los 167 participantes del experimento. Se condujo en una zona urbana, con tránsito de hora pico, entre las 6:00 PM y las 7:00 PM, en un ambiente dentro y fuera de zonas urbanas, con peatones y vehículos circulando en el escenario. La zona urbana presenta andenes, zonas comerciales, zonas de parqueo a la orilla de la vía, gasolineras, señales de tránsito y glorietas a lo largo del desarrollo de la ruta. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 245

Escenario de tránsito El efecto del flujo de tránsito y su efecto distractor mientras se conduce, es importante en esta investigación. La simulación del ambiente (por ejemplo, el comportamiento de otros vehículos en la simulación de la red vial del experimento) puede ser muy compleja en algunos casos. Es importante observar la simulación del comportamiento de no más de 1 o 2 vehículos en relación con el vehículo simulado en este experimento. La simulación del ambiente del tránsito es mucho más demandante que el modelo clásico de microsimulación de tránsito, por tal razón, el software tiene implementado un marco de movimiento similar que cuando se conduce de manera natural, de esta manera, el ambiente no es estático. La distribución de los participantes del experimento, por edad, género, estrato socioeconómico y grado de escolaridad. 39 participantes fueron mujeres y 128 fueron hombres, para un total de 167 personas. Distribución de los participantes por grupo y por edad La Tabla 1 muestra la distribución de los participantes por rango y edad, concentrándose la mayor población femenina en el rango de 31 a 40 años y la masculina de 21 a 30 años, seguida por el rango de 31 hasta los 60 años. Tabla 1: Distribución de participantes por grupo y rango de edad. Rango de edad Femenino Masculino Gran Total 0 a 20 2 15 17 21 a 30 8 28 36 31 a 40 15 23 38 41 a 50 7 23 30 51 a 60 3 23 26 61 a 70 2 7 9 71 a 80 1 6 7 81 a 90 1 3 4 Gran Total 39 128 167 Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 246

Participantes 30 25 20 15 Femenino Masculino 10 5 0 0 a 20 21 a 30 31 a 40 41 a 50 51 a 60 61 a 70 71 a 80 81 a 90 Rango de edad Figura 4: Distribución de participantes por grupo y rango de edad. El estrato socioeconómico es una clasificación de los inmuebles residenciales en Colombia para cobrar de manera diferencial por estratos los servicios públicos domiciliarios, subsidiando a los estratos más bajos (1 y 2) y cobrar impuestos a los estratos más altos (5 y 6). Por lo tanto, quienes reciben mayores ingresos económicos, deben pagar más por los servicios públicos domiciliarios y se subsidian a los estratos más bajos. Tabla 2: Distribución de participantes por estrato socioeconómico. Estrato socioeconómico Femenino Masculino Gran Total 1 5 5 2 7 30 37 3 28 71 99 4 3 17 20 5 5 5 6 1 1 39 128 Gran Total 167 Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 247

Participantes 80 Femenino 70 Masculino 60 2345 50 Estrato socioeconómico 6 40 30 20 10 0 1 Figura 5: Distribución de participantes por estrato socioeconómico. Tabla 3: Distribución de participantes por nivel de escolaridad. Nivel educativo Femenino Masculino Gran Total Primaria 1 9 10 10 33 43 Bachillerato 12 26 38 Tecnológico 12 52 64 4 5 9 Pregrado 3 3 Maestría 39 128 167 Doctorado Gran Total Se escogió como escenario la penumbra (de 6:00 PM a 7:00 PM) en un entorno urbano, con un lapso de tiempo de 10 minutos de conducción. Condiciones climáticas secas. Al conductor se le preguntó si desea conducir el vehículo con transmisión mecánica o transmisión automática. Esta información es necesaria para configurar el software del simulador. Al conductor se le instala la diadema “Neurosky” en la cabeza y la información que se obtenga de la misma será registrada vía “bluetooth” al computador, en el cual con el programa SDK de “Neurosky” y el desarrollo del programa en “Matlab”, se va grabando la información en tiempo real del grado de concentración del conductor durante la prueba. Además el programa del simulador va grabando los errores cometidos por el conductor durante la prueba. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 248

Al terminar el escenario, los datos del sujeto son grabados tanto los obtenidos con la diadema, como los procesados por el simulador, entre otros la hora de inicio y final de la prueba y el tiempo en segundos de cada uno de los errores cometidos en la conducción. Figura 6: Participante utilizando el simulador de conducción. RESULTADOS La información de estudios de transporte generalmente es modelada utilizando dos tipos de aproximaciones: la estadística clásica y la inteligencia artificial. En la estadística, se recolecta, organiza e interpreta la información numérica con herramientas matemáticas, particularmente cuando esta información está relacionada con características de la población como la inferencia de una muestra (Glymour et al., 1997). Los modelos estadísticos tienen bases y fundamentos matemáticos muy robustos ampliamente aceptados y suministran ideas acerca de los mecanismos de la creación de datos. Sin embargo, con frecuencia fallan cuando se trata de datos complejos y altamente no lineales. La inteligencia artificial combina conceptos de aprendizaje, adaptación, evolución y lógica difusa para crear modelos que son “inteligentes en el sentido que la estructura surge de un comienzo no estructurado (Engelbrecht, 2007; Sadek et al., 2003). Las redes neuronales son una clase extremadamente popular de la inteligencia artificial y han sido ampliamente utilizados en diferentes problemas de transporte, particularmente porque son modelos matemáticos muy genéricos, precisos y convenientes, capaces de simular fácilmente componentes numéricos de un modelo. Las redes neuronales presentan una propensión inherente a almacenar conocimiento empírico y pueden usarse en cualquiera de las tres maneras básicas (Haykin, 1999): i. Como modelos de sistemas nerviosos biológicos; ii. Como procesadores/ controladores de señal adaptativos en tiempo real; iii. Como métodos analíticos de datos. En las investigaciones de transporte, las redes neuronales se han utilizado principalmente como métodos de análisis de datos debido a su capacidad de trabajar con grandes volúmenes de datos multidimensionales, su flexibilidad de modelado, su aprendizaje, su capacidad de adaptación y predicción que es buena en general. (Karlaftis y Vlahogianni, 2010). Con bastante frecuencia, los investigadores que dominan uno de los dos enfoques, discuten fervientemente en apoyo de su método elegido. La selección del enfoque de análisis es uno de los temas más debatidos en las reuniones y publicaciones de investigación y aunque estos argumentos proporcionan interesantes debates científicos, logran Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 249

confundir completamente a los investigadores más jóvenes, en particular a profesionales que están más interesados en el modelo que deberían usar en lugar de concentrarse en los fundamentos filosóficos o matemáticos de los enfoques. (Karlaftis y Vlahogianni, 2010). En la etapa experimental del proyecto, se registraron datos de 167 sujetos distribuidos en 39 mujeres y 128 hombres, cumpliendo los rangos de edad de la muestra poblacional y con diferentes tipos de escolaridad y estrato socioeconómico. El volumen de información total de todo el experimento se resume con la siguiente operación matemática: 167 sujetos x 30 errores de conducción x 28000 registros = 140.280.000 datos promedio. Se observa que la cantidad de datos es muy alta, sin embargo, este tipo de datos no se clasifican como Big. Data, ya que para serlo se deben cumplir los siguientes criterios ● Volumen de la información. ● Frecuencia de la información. ● Variabilidad de la información Se obtienen muchos datos de múltiples fuentes pero la frecuencia es muy corta por la duración del experimento de cada sujeto que solo fueron 10 minutos. Si fuera “Big Data”, la información que se recibiría constantemente en el tiempo. El simulador entregó después de la prueba, 30 parámetros, los cuales se encuentran codificados de acuerdo a un número y que se puede ver en el archivo de errores de conducción o “types” que suministra el desarrollador del “software”. Estos parámetros son errores o situaciones que se presentan mientras el sujeto está conduciendo en el lapso de tiempo de la prueba. Con los datos de los 167 sujetos y los 30 parámetros, se procede a hacer una matriz de 167 filas por 30 columnas y se parametrizan los valores obtenidos entre cero (0) y uno (1), para ser procesado por la red neuronal. Estos datos parametrizados entre cero (0) y uno (1) son los grados de concentración de los sujetos durante la ejecución de la prueba. ● Se calculó la media aritmética de cada uno de los eventos y se multiplicó por el tiempo de ocurrencia de cada uno de los eventos. Se usó este tipo de medida por ser más sensible a los cambios de las variables. ● Si el error de conducción ocurre al inicio del experimento, puede ser un error del sujeto. ● Si el error ocurre al final del experimento, el sujeto no está concentrado en la conducción del simulador. ● Se calcula el promedio del tiempo por el evento, para convertir toda la información en un solo dato, con el fin de procesarlo más adelante con la inteligencia artificial. ● Se calculó la derivada a la variable concentración para determinar la variación de la misma, para cada uno de los sujetos. Si es positivo el valor, el sujeto se encontró concentrado y si es negativo, se encontró desconcentrado. ● Se normalizaron los valores obtenidos, en un rango de 0 a 1, para poder procesar la información en la red neuronal. ● Se obtienen los errores más comunes cometidos por los sujetos de la prueba. Estos errores son suministrados por el programa del simulador y tienen el nombre de “types”. Durante la ejecución de este experimento, se presentaron 30 errores de conducción recurrentes en los 167 sujetos del experimento. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 250

● El peso se obtiene introduciendo la matriz de 167 x 30 en “Matlab’ y luego es recalculado con el entrenamiento de la red neuronal. ● Los pesos son multiplicados por los errores de conducción más recurrentes y como resultado se obtiene la concentración de cada sujeto que ejecutó la prueba. Figura 7: Diagrama de flujo el proceso de análisis de datos en la red neuronal. Figura 8: Modelo de la red neuronal utilizada. 251 Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1)

Una vez se ha analizado toda la información, se procede a observar cual es la función de activación la cual representa de manera simultánea la salida de datos de la neurona y el estado de activación. De igual manera, al ejecutar la red neuronal, la misma calcula el valor del umbral en el cual se discriminan los valores relevantes tanto del eje positivo como el eje negativo del modelo matemático, presentando una ecuación como se expone a continuación: ������ = ������������ ������ [������������������������] (1) Donde: Wi matriz de pesos de la capa de entrada, ponderación que asigna la red neuronal a las entradas. Xi son los datos de entrada. Ws es la matriz de pesos o ponderación que asigna la red neuronal a la capa de salida o a las entradas procesadas. Como el umbral es una función escalonada, el modelo de comportamiento planteado en esta investigación doctoral está dado por la siguiente ecuación: ������ = ������(������) = {������������������������������������������������������������������ ∀ [������ . ������]. ������_������ ≥ ������ ������������������������������������������������������������������������������������ ∀ [������ . ������]. ������_������ < ������ (2) Siendo la pendiente, los pesos W, de los errores de conducción del experimento y b el umbral calculado por la red neuronal. El modelo que permite predecir si la persona está concentrada o no y en consecuencia si existe probabilidad de accidente está descrito por la ecuación (1). Uso de “Auto Machine Learning” Al aplicar un modelo de regresión “Stepwise Forward”, utilizando “Auto Machine Learning”, ejecutando regresiones logísticas, se obtuvieron los siguientes valores, donde se hizo una relación entre el intercepto y la concentración, encontrando una asociación significativa o “p-value” de 0.0211, encontrando que la concentración es un factor que explica la accidentalidad. De la misma manera, se muestra la significancia del modelo y se observa con el “p-value” Para ello se utilizó el “software Real Statistics” V.7.0 de Marzo 2020 el cual es el software R V.3.2.6 de Marzo 2020 para Excel. La Tabla 4 contiene los valores explicados anterior y adicionalmente el intervalo de confianza (“lower y upper”). Tabla 4: “Stepwise Forward”: probabilidad de accidentalidad. “coeff b” “s.e.” “wald” “p-value” OR “lower” “upper” “Intercept” 1.18 0.26 21.25 0.000 3.25 “Conc. Norm.” 1.05 0.45 5.37 0.021 2.85 1.17 6.90 Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 252

En la Tabla 5 se observan los valores obtenidos de, X2, “p-value”, el área bajo la curva y la precisión del modelo. Tabla 5: Valores de para el modelo de concentración. 5.84 Chi-Sq 0.016 p-value 0.87 AUC 0.83 Accuracy La ecuación obtenida para este modelo se presenta a continuación al igual que la Figura 9 muestra el área bajo la curva para este modelo obtenido. Esta ecuación representa la curva del modelo planteado en esta investigación, donde se obtiene una precisión el modelo del 83% con el 87% de los datos totales obtenidos. p=1+������−1.118−1,05������ (3) Y la ecuación correspondiente al modelo de concentración es determinada por Y= 1.18x1+ 1.05x2 (4) Curva Accidente: Concentración True Positive Rate 1 p=1+������ 1 0.9 0.8 −1.18−1,05������ 0.7 0.6 0.2 0.4 0.6 0.8 1 0.5 False Positive Rate 0.4 0.3 0.2 0.1 0 0 Figura 9: Área bajo la curva del modelo obtenido. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 253

CONCLUSIONES El objetivo principal de esta investigación consiste en el desarrollo de un modelo de comportamiento por medio del uso de inteligencia artificial, en el cual se evaluaron las conductas riesgosas mientras los sujetos de la prueba conducían en el simulador de conducción, evaluando los errores y creando un modelo que determina a partir de un umbral, si el conductor en la prueba se encuentra concentrado o desconcentrado al momento de conducir en el simulador. Adicionalmente, se evaluó si el incremento del riesgo choques incide por la distracción del conductor. La ecuación de este modelo de comportamiento está definida por la siguiente expresión: (5) Y= 1.18x1+ 1.05x2 Esta ecuación es el resultado de haber podido medir el factor más importante del comportamiento humano y es la conducta, a través de la atención y concentración de los conductores que participaron en el experimento. Se clasificaron y caracterizaron las conductas riesgosas de conductores al ser sometidos a un factor distractor, sin importar el género ni la edad y que de alguna manera influyeron en el comportamiento al momento de conducir el escenario recreado. Se observó que los conductores que hicieron el experimento con vehículo con transmisión mecánica presentaron mayores dificultades y por ende, se distraen más fácilmente, al momento de recibir mensajes de “Whatsapp” por el celular, cometiendo equivocaciones más recurrentes que los conductores que prefieren la transmisión automática. Se observó que las personas mayores de 50 años, tienden a no revisar el celular mientras están conduciendo, mientras que las personas entre el rango de 18 a 45 años revisan el celular y en varias ocasiones, contestan los mensajes mientras están conduciendo, afectando el grado de concentración al momento de la prueba y presentando errores de conducción y choques de manera más recurrente. El modelo matemático obtenido, depende del grado de concentración de los conductores y varía, dependiendo del escenario, condiciones climáticas, tipo de carretera, hora en la que se conduce, tipo de vehículo y tipo de transmisión del vehículo. REFERENCIAS BIBLIOGRÁFICAS American Association of State Highway and Transportation Officials (AASHTO, 2004). A Policy on Geometric Design of Highways and Streets, Washington, D.C., USA. Af Wåhlberg, A.E. (2012). \"Changes in driver acceleration behavior over time: Do drivers learn from collisions?\" Transportation Research Part F: Traffic Psychology and Behaviour, 15(5), pp.471–479. Alonso G. et al. (2004). Entrenamiento de una red neuronal artificial usando el algoritmo simulated annealing, Revista Scientia et Technica, Año X, No 24, Mayo 2004. UTP. ISSN 0122-1701. Alicea, L. (2004). \"Analysis and Evaluation of Crashes Involving Pedestrians in Puerto Rico\", Tesis de Maestría, Departamento de Ingeniería Civil, Universidad de Puerto Rico, Recinto Universitario de Mayagüez. Alonso, M. (2016). La integración del factor humano en el ámbito técnico de la gestión de las carreteras y la seguridad vial: Un enfoque investigativo. Disponible en: http://roderic.uv.es/handle/10550/51943. Arias, W., Colucci, B. (2006). \"Road Safety Audit\", 19(3), p.28. Benekohal, R.F., Hashmi, A.M. (1992). \"Procedures for estimating accident reductions on two-lane highways\", Journal of Transportation Engineering, 118 (1), pp. 111-129. Engelbrecht, A.P. (2007). Computational Intelligence. An Introduction, Second Edition, Wiley, Nueva York, Estados Unidos. Evans, L. (2004). Traffic safety. Bloomfield Hills, MI: Science Serving Society. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 254

Ferrer, A., Smith, R. & Cuellar, M. (2013). Análisis de la Capacidad de Gestión de la Seguridad Vial. Banco Mundial, pp.92–93. Figueroa, A. (2005). \"Speed factors on four lane highways in free flow conditions\", Tesis doctoral, Purdue University, Indiana, Estados Unidos. Figueroa, A., Kong, S., Tarko A. (2005). \"Roadway and Driver Factors of Risk Perception on Four-Lane Highways, International: Road Safety on Four Continents\", Warsaw, Poland. Figueroa, A., Colucci, B. Arias, W. (2006). Sistema de Gerencia en Seguridad Vial: Integrando la Planificación, el Diseño Geométrico y la Auditoria de las Carreteras Primera cumbre puertorriqueña de seguridad vial, San Juan, Puerto Rico, 2006. Gibson, J.J. (1986). The ecological approach to visual perception, Hillsdale, NJ: Lawrence Erlbaum. Glymour, C., Madigan, D., Pregibon, D., Smyth, P. (1997). Statistical themes and lessons for data mining, Data Mining and Knowledge Discovery 1 (1), 11–28. Haykin, S. (1999). Neural Networks: A Comprehensive Foundation, Macmillan, Nueva York. Horberry, T., Anderson, J., Regan, M.A., Triggs, T.J., Brown, J. (2006). \"Driver distraction: The effects of concurrent in-vehicle tasks, road environment complexity and age on driving performance\", Accident Analysis and Prevention, Número 38, pp.185-191. Jamson, A.H. (2001). \"Image characteristics and their effect on driving simulator validity\", Proceedings of the first international driving symposium on human factors in driver assessment, training and vehicle design, Aspen, CO. (pp.190-195). Karlaftis, M.G, Vlahogianni E.I. (2010). \"Statistical methods versus neural networks in transportation research: Differences, similarities and some insights\", Transportation Research Part C, Volumen 19, Número 3, pp. 387-399. Kesting, A., Trieber, M. Helbing, D. (2009). Agents for traffic Simulation, Uhrmacher A. & Weyns, D. (Ed.), Multi- agent systems, Simulation and applications, pp. 325-356. MATLAB, User’s Manual, Mathworks Inc, 2017. National Center for Statistics and Analysis (NCSA). 2006a. \"Race and Ethnicity in Fatal Motor Vehicle Traffic Crashes 1999-2004\", National Highway Traffic Safety Administration, Washington, D.C. National Center for Statistics and Analysis (NCSA). 2006. \"Puerto Rico Toll of Motor Vehicle Crashes, 2005\", National Highway Traffic Safety Administration, Washington, D.C. National Center for Statistics and Analysis (NCSA). 2005. \"Traffic Safety Facts 2004\", National Highway Traffic Safety Administration, Washington, D.C. Pollatsek, A., Fisher, D.L., Pradhan, A.K. (2006). \"Identifying and remediating failures of selective attention in younger drivers\", Current directions in Psychological Science, pp. 255-259. Rumar, K. (1985). The Role of Perceptual and Cognitive Filters in Observed Behavior. En: Human Behavior in Traffic Safety, Evans and Schwing, Plenum Press. Sadek, A.W., Spring, G., Smith, B.L. (2003). \"Toward more effective transportation applications of computational intelligence paradigms\", Transportation Research Record, Journal of the Transportation Research Board, 1836, 57–63 Vaa, T. (1997). \"Increased police enforcement: effects on speed\", Accident Analysis and Prevention, Volumen 29, Número 3, pp. 373-85. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 255

RESEÑA DE AUTORES Ingeniero Civil en la Pontificia Universidad Javeriana, Bogotá, Colombia y Topógrafo en la Universidad Distrital Francisco José de Caldas, Colombia. Obtuvo su doctorado en Ingeniería Civil con énfasis en Ingeniería de Transporte en la UNAL-Colombia y su maestría de Ciencias de Ingeniería Civil con énfasis en Transportación en la Universidad de Puerto Rico, Recinto de Mayagüez. Fue Conferencista a nivel nacional e internacional del Curso “Crash Accidents” en Las Vegas Nevada, Estados Unidos. Además es Reconstructor de accidentes de tránsito a nivel nacional e internacional. W. Arias-Rojas J. Córdoba- Ingeniero Civil en la Universidad Nacional de Colombia (UNAL-Col.) y Maquilón Psicólogo en la Universidad Católica del Norte (UCN), Colombia. Obtuvo su Doctorado en Ingeniería de Sistemas en la UNAL-Col.; Estancia postdoctoral en la Universidad de California Berkeley, Estados Unidos; Pasantía doctoral en la Universidad de Cagliari-Italia, Universidad Católica de Chile, y en Instituto Politécnico “Rensselaer\" (RPI), Estados Unidos. Obtuvo su Maestría en Ingeniería, Infraestructura y Sistema de Transporte con especialización en Vías y Transporte en la UNAL- Col. Diplomado en docencia Universitaria Contemporánea; internacional de investigación en el Politécnico Colombiano Jaime Isaza Cadavid (PJIC-Col). Además, es Conferenciante del Curso “Discrete Choice Analysis, Ecole Polytechnique Fedarale de Lausanne, Suiza”. G. Hernández- Profesor Asociado en el Departamento de Ingeniería de Sistemas y Pérez Computación de la Universidad Nacional de Colombia, Bogotá, Colombia. Allí lidera el Grupo de Investigación en Algoritmos y Combinatoria \"Algos\" y el Grupo de Investigación en \"Algorithmic Trading\", Finanzas Computacionales y \"Algotrade\". German también es socio de \"Algocodex\", una empresa de comercio algorítmico. Tiene un Doctorado en Matemáticas con Concentración en Ciencias de Computadora y una Maestría en Ciencias de Computadora de la Universidad de Memphis. En adición, tiene una Maestría en Matemáticas; en Estadística y Bachillerato en Informática e Ingeniería de Sistemas de la Universidad Nacional de Colombia. También ha sido profesor adjunto en el Departamento de CS en la Universidad de Memphis. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 256

UN CONCEPTO NO CONVENCIONAL BASADO EN “FLUTTER” PARA COSECHAR ENERGÍA1 Martín E. Pérez Segura2, Emmanuel Beltramo2, Bruno A. Roccia2,3, Marcelo F. Valdéz4, Marcos L. Verstraete3, Luis R. Ceballos3 y Sergio Preidikman2 RESUMEN: La cosecha de energía ha adquirido un papel preponderante en la actualidad debido a su creciente aplicación en la alimentación de dispositivos de muy baja potencia, tales como sensores inalámbricos, transceptores de radiofrecuencia, dispositivos de carga y cámaras. Entre otras alternativas, la cosecha de energía eólica a partir de fenómenos aeroelásticos desempeña un papel fundamental en el suministro de energía para el funcionamiento prolongado de dichos dispositivos, reduciendo o anulando el uso de baterías. En este artículo se presenta un concepto que explora la posibilidad de recolectar energía del flujo de aire a partir de un arreglo de dispositivos cosechadores dispuestos en tándem, construidos mediante alas multifuncionales de gran alargamiento, y que experimentan movimientos oscilatorios bajo la acción del viento. La eficiencia de estos sistemas depende, de manera combinada, de fenómenos inherentemente no-lineales y de la sinergia aerodinámica entre los cosechadores y entre estos y sus estelas. Además, se presenta un estudio preliminar que analiza la factibilidad del concepto mediante técnicas de co-simulación que permiten investigar la interacción entre el fluido y las estructuras deformables. Los resultados del presente trabajo son alentadores ya que evidencian el potencial tanto del concepto propuesto como de la combinación de estas nuevas tecnologías con métodos de diseño y análisis aeroelástico para crear una nueva generación de cosechadores de energía. Palabras clave: cosecha de energía, energía eólica, “flutter”, piezoaeroelasticidad, vibraciones inducidas por flujo A FLUTTER-BASED NON-CONVENTIONAL CONCEPT FOR ENERGY HARVESTING ABSTRACT: Energy harvesting has currently taken a central role due to its application to feed low power devices, such as wireless sensors, radio-frequency transceivers, charging devices and cameras. Among other alternatives, wind energy harvesting based on aeroelastic phenomena plays a pivotal role in providing sufficient power for extended operation of such devices with little or no battery replacement. In this article, a concept that explores the possibility of harvesting wind energy using an array of harvesting devices is presented. Each device is built as a long span multifunctional wing that exhibits oscillatory motions under the action of the wind. The efficiency of these systems depends on inherently non-linear phenomena, as well as on the aerodynamic synergy between the harvesters, and between them and their wakes. In addition, a preliminary study of the feasibility of the concept is conducted through co- simulation techniques that allow one to investigate the fluid-structure interaction. The results of this effort are encouraging since they highlight the potential not only of the proposed concept but also of the combination of these new technologies with aeroelastic analysis and design methods to create a new generation of power harvesters. Keywords: energy harvester, flow-induced vibrations, flutter, piezo-aeroelasticity, wind energy 1 Artículo recibido el 24 de noviembre de 2020 y aceptado para publicación el 12 de diciembre de 2020. 2 Universidad Nacional de Córdoba—CONICET. Instituto de Estudios Avanzados en Ingeniería y Tecnología (IDIT), Córdoba, Córdoba 5000, Argentina; Emails: [email protected]; [email protected]; [email protected] 3 Grupo de Matemática Aplicada, Facultad de Ingeniería, Universidad Nacional de Río Cuarto, Río Cuarto, Córdoba X5804BYA, Argentina; Emails: [email protected] ; [email protected]; [email protected] 4 Universidad Nacional de Salta—CONICET. Facultad de Ingeniería and Instituto de Investigaciones en Energía no Convencional (INENCO), Salta, Salta 4400, Argentina; Email: [email protected] Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 257

INTRODUCCIÓN La energía extraída del viento ha sido, y posiblemente seguirá siendo una fuente vital de energía renovable. Tradicionalmente, la transformación de la energía cinética del viento en energía mecánica o eléctrica se ha realizado (casi exclusivamente) mediante el uso de turbinas eólicas estratégicamente dispuestas en parques eólicos, con el fin de maximizar el aprovechamiento del potencial eólico disponible. Estas turbinas permiten una producción de energía más eficiente y reducen los costos de electricidad, a tal punto que se proyectan más de 1000 gigavatios de capacidad eólica acumulada para el año 2050 (Gorini et al., 2019). Recientemente, los nuevos diseños de turbinas buscan reducir su tamaño con el fin de poder instalarlas en infraestructuras urbanas y suburbanas. Sin embargo, todavía existe cierta preocupación respecto a estos desarrollos, fundamentalmente en lo que refiere a la generación de ruido y vibraciones, a la rentabilidad, y a la seguridad. Consecuentemente, mientras continúan los impactos de la pandemia de coronavirus en la salud, la política, la economía y la sociedad, y a medida que se desarrollan los planes de recuperación, esta coyuntura representa una oportunidad para ponernos en el camino hacia el desarrollo sostenible. En lo que concierne a los efectos del viento, una estructura flexible sometida a la acción de cargas provenientes del flujo de aire puede experimentar varios tipos de respuestas, como bifurcaciones (Abdelkefi et al., 2012), oscilaciones de ciclo límite (Eskandary et al., 2011), oscilaciones autoexcitadas (Gendelman, 2011), resonancias internas (Gilliatt et al., 2003), y movimientos caóticos (Afonso et al., 2017). De entre los fenómenos de origen aerodinámico, tales como oscilaciones inducidas por vorticidad, “buffeting”, y “galloping”, el flameo (“flutter” en inglés) es el que reviste de interés en este trabajo y consiste en oscilaciones autoexcitadas experimentadas por una estructura cuando la velocidad del viento supera un valor crítico. Estos fenómenos pueden dar lugar a vibraciones no deseadas y, muchas veces, excesivas. Por lo tanto, los campos de la ingeniería civil y aeronáutica se han concentrado en minimizar estas vibraciones en diversos sistemas, tales como edificios, puentes, aeronaves, cañerías, y líneas de transmisión, con el fin de predecir y evitar posibles fallas y/o el colapso de estas estructuras. En efecto, la comunidad científica ha clasificado al flutter como un fenómeno destructivo, altamente no-lineal, y de naturaleza no estacionaria. Últimamente, ha surgido una nueva perspectiva que propone a los fenómenos aeroelásticos asociados con no linealidades estructurales y/o aerodinámicas como mecanismo no convencional de generación de energía (McCarthy et al., 2016; Wang et al., 2020), especialmente para alimentar sistemas de bajo consumo eléctrico (Daqaq et al., 2014). En este contexto, la cosecha de energía se define como el proceso por el cual la energía presente en el entorno de un sistema es convertida en una forma utilizable de energía con el fin de, por ejemplo, alimentar sensores, actuadores, u otros dispositivos electrónicos. Investigaciones recientes han explorado la posibilidad de desarrollar cosechadores de energía que utilizan vibraciones mecánicas causadas por inestabilidades aeroelásticas como fuente principal de energía de entrada. En este sentido, la conversión de las vibraciones en energía aprovechable puede realizarse mediante mecanismos de transducción electromagnéticos (Carneiro et al., 2020), electrostáticos (Khan and Qadir, 2016), inteligentes (“smart materials”) (Batra and Alomari, 2017) o piezoeléctricos (Elahi et al., 2018). Particularmente en el campo de la aeroservoelasticidad, los materiales piezoeléctricos han sido históricamente empleados para controlar o modificar el comportamiento aeroelástico de distintos sistemas y, más recientemente, han sido utilizados para generar/cosechar energía (Safaei et al., 2019), debido principalmente a su gran versatilidad y eficiencia en un amplio intervalo de frecuencias. La mayor parte de los estudios relativos a la cosecha de energía basada en flutter mediante transductores piezoeléctricos embebidos se concentran en el diseño del cosechador de energía como un dispositivo aislado, y en determinar la influencia de distintos parámetros (geometría, velocidad del viento, etc.) sobre la velocidad lineal de flutter. No obstante, el potencial de la cosecha de energía basada en la respuesta no lineal de un arreglo de cosechadores aeropiezoelásticos dispuestos horizontalmente o en tándem, por ejemplo, no ha sido aún explorado (Roccia et al., 2020; M. L. Verstraete et al., 2018). Desde este punto de vista, el presente trabajo introduce un concepto de diseño novedoso para un dispositivo adaptativo de cosecha de energía eólica utilizando materiales piezoeléctricos, basado en el fenómeno de flutter. El concepto consiste en un arreglo de cosechadores, construidos mediante alas multifuncionales de gran alargamiento dispuestas en tándem, como el mostrado en la Figura 1. Además, se explora la posibilidad de maximizar la cosecha de energía en distintos escenarios mediante la adaptación de la separación entre los dispositivos para sintonizar el sistema de acuerdo a la velocidad del viento. De esta manera, se considera que la alternativa propuesta satisface las exigencias de robustez, compactibilidad, adaptabilidad, transportabilidad y escalabilidad requeridas para los sistemas de generación de energía en pequeña escala. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 258

Para evaluar el comportamiento del sistema, se presenta un esquema numérico, basado en técnicas de co-simulación, que combina un modelo estructural de parámetros concentrados con una versión bidimensional del Método de Red Vórtice No-lineal e Inestacionario (UVLM). En este análisis, cada una de las alas que conforman el arreglo posee transductores piezoeléctricos como parte de su estructura. Además, el flujo de aire que rodea el arreglo, causante de sus vibraciones no lineales asociadas a inestabilidades de naturaleza aeroelástica, es considerado como la única fuente de energía externa. El acoplamiento del sistema resulta débil, debido a que sólo proviene del fenómeno de interacción aerodinámica. Figura 1: Esquema ilustrativo de un arreglo en tándem de cosechador de energía basado en “flutter”. En cuanto a la organización del artículo, las características de diseño más relevantes del concepto propuesto se presentan en la segunda sección. La tercera y la cuarta sección describen brevemente los modelos utilizados, el modelo piezoelástico (MPE) y el modelo aerodinámico (MA), respectivamente. A continuación, se presenta el método de interacción entre el MPE y el MA. En la sección siguiente se exponen y se analizan detalladamente los resultados obtenidos en las simulaciones numéricas. Finalmente, se exponen las conclusiones más importantes de este trabajo. EL DISEÑO CONCEPTUAL En esta sección se presenta el diseño conceptual no convencional del dispositivo para la recolección de energía. El diseño propuesto consiste en un arreglo de seis cosechadores con la posibilidad de servocontrolar sus posiciones relativas con el fin de maximizar su eficiencia bajo múltiples condiciones de trabajo. Para ejemplificar esto, en las Figura 2 (a) y (b) se presentan dos configuraciones diferentes de arreglo, aunque se excluyen datos y detalles de los dispositivos electrónicos, cableados y de sus correspondientes alojamientos. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 259

De acuerdo con lo mostrado en la Figura 2(c), para el armado del sistema se usan tres tipos de subsistemas o conjuntos: el marco, el dispositivo separador y los cosechadores per se. El marco da soporte rígido a todo el arreglo, contiene a los otros conjuntos mencionados, conduce el movimiento traslacional de los cosechadores y, adicionalmente, podría dar soporte estructural total o parcial en distintas aplicaciones (edificios, puentes, estaciones meteorológicas, anidado de varios arreglos, etc.). El dispositivo separador gobierna la posición relativa de los cosechadores y es utilizado para “sintonizar” el arreglo. Consiste en un conjunto de actuadores lineales paso a paso incorporados dentro de un único contenedor robusto y, para garantizar el correcto desplazamiento de los cosechadores, se utilizan dos dispositivos separadores, uno a cada lado del marco. El conjunto cosechador se compone de un perfil alar, generador de cargas aerodinámicas, y de dos dispositivos generadores de potencia eléctrica (ver Figura 2(c)). Cada dispositivo generador contiene en su interior un resorte de torsión, una viga piezoeléctrica flexible y un parche piezocerámico, y, además, el contenedor o carcasa del generador sirve como empotramiento rígido de la viga (ver Figura 1). Además de cumplir con los aspectos funcionales necesarios para lograr un sistema robusto para la extracción de energía, el diseño prevé un montaje simple y que, estando desmontado, resulte en un conjunto compacto que contribuya a obtener un eficiente factor de ocupación de transporte, entendido como la relación entre el valor de la carga y la capacidad de transportación. Estas dos características favorecen a que estos dispositivos puedan ser fácil y económicamente transportados, y desplegados aún en zonas de muy difícil acceso y con condiciones climáticas totalmente adversas y hostiles, como por ejemplo en las regiones continentales del sur argentino o en la Antártida Argentina (ver Figura 3). Figura 2: Configuraciones del arreglo con cosechadores igualmente separados. (a) Mínimas y (b) máximas separaciones admitidas en el diseño. (c) Denominación de los conjuntos. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 260

Figura 3: Concepto de una granja de arreglos de múltiples cosechadores (Edición utilizando la imagen recuperada de https://www.pxfuel.com/es/free-photo-jdxxm). MODELO PIEZOELÁSTICO En este trabajo se considera un arreglo de cosechadores compuesto por N dispositivos piezoaeroelásticos; cada uno de ellos idealizado como un perfil alar 2D simétrico y rígido. Las propiedades elásticas de cada cosechador son modeladas por medio de un enfoque de parámetros concentrados, donde la rigidez torsional es representada por un resorte de torsión y la rigidez a flexión es modelada por medio de un resorte lineal (Erturk et al., 2010). Adicionalmente, se considera que el piezoeléctrico es excitado únicamente por el desplazamiento traslacional de cada cosechador (ver Figura 4). Bajo estas hipótesis, el espacio de configuración (“c-space”) para el k-ésimo cosechador puede ser descripto por χk = R2 × SO (2), donde SO (2) es el grupo especial ortogonal en dos dimensiones. Debido a la ausencia de restricciones en el sistema dinámico, el número de grados de libertad por cosechador es igual a la dimensión del c-space, nDOF = dim (χk) = 3; por lo tanto, el número de grados de libertad para el sistema dinámico completo es NDOF = NnDOF. El vector de coordenadas generalizadas puede ser expresado finalmente como, qk (t)  h(t)  (t) V (t ) T (1) k Donde h(t) es el desplazamiento traslacional del perfil, θ(t) es el ángulo de cabeceo del perfil, y V(t) es el voltaje generado por el sistema eléctrico a través del piezoeléctrico. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 261

Figura 4: (a) Arreglo de cosechadores de energía, (b) modelo piezoaeroelástico 2D de un cosechador. Como se mencionó, el piezoeléctrico es excitado únicamente por el desplazamiento traslacional del perfil alar. Este hecho se traduce en un acoplamiento lineal entre h(t) y V(t) a través del coeficiente de acoplamiento electromecánico λ. Las ecuaciones de movimiento (EdM) para el k-ésimo cosechador se obtienen modificando las ecuaciones aeroelásticas clásicas para una sección típica provista por (Hodges & Pierce, 2011); esto es, m  mf mx b  h(t )   dh 0   h(t )   kh 0  h(t)    V (t )   MLaa((tt))  , (t  d  (t  k    l    mx b IP  ) k  0  ) k  0  (t ) k k  k     0 k   h(t )  C eqV (t )  1 V (t )   0,  R  k (2) Donde m y mf son las masas por unidad de longitud del perfil y de su soporte, kh (kθ) es la constante elástica asociada al resorte lineal (torsional), dh (dθ) es el coeficiente de amortiguamiento asociado al grado de libertad traslacional (rotacional), b es la semicuerda del perfil, IP es el momento de inercia (másico) del perfil por unidad de longitud con respecto al punto de referencia (anclaje de los resortes), l es la envergadura del ala 3D, xθ es la distancia adimensional entre el punto de referencia y el centro de masa, xs es la distancia adimensional entre el borde de ataque del perfil y el punto de referencia, R es la resistencia de carga, Ceq es la capacidad equivalente de la lámina de material piezoeléctrico, y el punto sobre las variables indica derivada con respecto al tiempo. Adicionalmente, La (t) es la fuerza de sustentación por unidad de longitud aplicada sobre el punto de referencia, y Ma (t) es el momento aerodinámico por unidad de longitud con respecto al mismo punto. Las cargas La (t) y Ma (t) son computadas por medio del modelo aerodinámico descrito más adelante. El sistema de ecuaciones diferenciales ordinarias mostrado en la ecuación gobierna la evolución temporal del cosechador k. Finalmente, las EdM para los N dispositivos piezoaeroelásticos se obtienen ensamblando las EdM para cada cosechador. Se debe enfatizar que no existe acoplamiento estructural entre los múltiples dispositivos piezoaeroelásticos que componen el arreglo de cosechadores. Sin embargo, ellos están débilmente acoplados a través de las cargas aerodinámicas (lado derecho de la ecuación). Este hecho implica que las EdM resultantes posean una estructura diagonal por bloques. Para una descripción detallada del modelo estructural aquí presentado el lector puede consultar a Roccia et al. (2020). MODELO AERODINÁMICO En el contexto del presente trabajo, el MA tiene por propósito principal estimar cargas aerodinámicas capturando la interacción que existe entre los cosechadores que forman parte del dispositivo. Para ello, se adopta una versión Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 262

bidimensional del ampliamente difundido UVLM, ya que proporciona un balance razonable entre precisión y costo computacional, en relación con otros métodos de la dinámica de fluidos computacional. Según una de las hipótesis fundamentales del UVLM, el flujo alrededor de los cuerpos sólidos es no viscoso e incompresible. Bajo esta hipótesis, la distribución de vorticidad es suficientemente compacta como para considerar dos zonas bien definidas en el dominio fluido: i) una porción pequeña que incluye el flujo rotacional con vorticidad no nula (capas límites y estelas); y ii) la parte restante del dominio infinito que es irrotacional. Luego, las capas límites y las estelas de los cuerpos se idealizan como dos tipos de sábanas (láminas o superficies) vorticosas: las sábanas adheridas (SVAs) y las sábanas libres (SVLs), ∂F. Las SVAs modelan las capas límites adyacentes a las superficies sólidas inmersas en el fluido y se mueven siguiendo la dinámica de estas; por lo tanto, a través de ellas se desarrolla un salto finito de presión. Por su parte, las SVLs, que modelan las estelas, ocupan posiciones libres de fuerza en todo momento ya que se trasladan y deforman sin restricciones siguiendo la velocidad local del fluido. Las SVLs son creadas por medio de la convección de vorticidad desde los bordes afilados de los cuerpos, definidos a priori como los puntos donde la separación de flujo tiene lugar. En este trabajo, dado que los cosechadores se asumen delgados, las sábanas vorticosas en ambas superficies del sólido colapsan en una única SVA. Debido a que el fluido fuera de las capas límites y las estelas se asume incompresible e irrotacional, existe una función potencial de velocidad Ψ (r; t) que describe el flujo y satisface la ecuación de Laplace (Katz y Plotkin 2004). Esta ecuación se complementa con un conjunto de condiciones de contorno. En primer lugar, el campo de velocidades del fluido V(r; t) debe satisfacer en cada instante de tiempo la condición de no penetración sobre las superficies sólidas ∂B. Esta condición se expresa como sigue: V(r;t)  VS (r;t) nˆ(r;t)  0 r B, (3) Donde nˆ (r; t) es el vector unitario normal a la superficie sólida en la ubicación r y VS (r; t) es la velocidad de la superficie sólida en el mismo punto. En segundo lugar, el campo de velocidad V (r; t) debe satisfacer la condición de regularidad en el infinito, esto es, que las perturbaciones introducidas al flujo por la presencia de los cuerpos sumergidos tiendan a cero, a medida que la distancia a los mismos tiende al infinito. Adicionalmente, la vorticidad debe satisfacer la condición de Kelvin que establece que la circulación alrededor de una curva material que encierra en todo instante a un cuerpo y a sus estelas debe permanecer constante. Para obtener la distribución de presión sobre las superficies sólidas se emplea la ecuación de Bernoulli no estacionaria para flujos incompresibles e irrotacionales (Katz y Plotkin 2004). Finalmente, las cargas aerodinámicas resultantes, La (t) y Ma (t) sobre cada cuerpo, se calculan integrando la distribución de presión. En el UVLM, las SVAs a la superficie de cada cuerpo delgado se discretizan mediante grillas aerodinámicas (GAs), de acuerdo a lo mostrado en la Figura 5: i) la superficie del cuerpo Bm se divide en un número Nm de elementos rectos de longitud Δsi; ii) en cada elemento se coloca un vórtice puntual de intensidad ΔΓi y un punto de control, a una distancia de un cuarto y tres cuartos de la longitud del elemento medidas desde su borde de ataque, respectivamente; iii) en cada paso de tiempo k, se coloca sobre la extensión del borde de fuga un vórtice adicional de intensidad  Fm k que, en este trabajo, modela la separación de flujo. En virtud de la discretización, la condición de no penetración sobre el cuerpo Bm sólo puede satisfacerse en un número finito Nm de puntos de control. Luego, al imponer la condición de no penetración en todos los puntos de control del dominio y la condición de Kelvin para cada cuerpo y su estela, se obtiene el siguiente sistema algebraico de ecuaciones: Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 263

  A11    A1N    ij ij            1j  RHSi1           AiNj 1   ANN       0 ij   RHSiN        11  0N   0N       0 1N  N   01 j  01  (4) Donde [ Akm ]  RNl Nm 1 y cada uno de sus elementos Alm es el coeficiente de influencia aerodinámico del vórtice ij ij puntual j de intensidad mj adherido al cuerpo Bm sobre el punto de control ������ en la superficie del cuerpo Bl; { m }  j RNm 11 ; y [0]m  R1Nm 1 , [1]m  R1Nm 1 son filas con ceros y unos respectivamente. Además, {RHSik } RNl 1 y cada uno de sus elementos es RHSik  (VS  V  VF )ik  nˆ k , siendo VF la velocidad sobre el punto de control i del cuerpo i k asociada a la vorticidad de las estelas ∂F. Finalmente, las últimas N ecuaciones en corresponden a la imposición de la condición de Kelvin para cada cuerpo. Todas las velocidades asociadas al campo de vorticidad se calculan a partir de la versión bidimensional de la ecuación de Biot-Savart (Katz y Plotkin, 2004) y se utiliza un método de regularización (Krasny, 1987) para suavizar posibles singularidades. En la ecuación se distinguen dos tipos de acoplamiento aerodinámico entre los cosechadores, que se representan en la Figura 5: i) el acoplamiento cuasiestacionario capturado por las matrices o bloques fuera de la diagonal [ Alm ] ij con l  m , que surge de la influencia de la SVA del cuerpo Bm sobre cuerpo Bl; ii) el acoplamiento no estacionario, incluido en los términos RHSik que surge de la influencia de la estela de un cuerpo Bm sobre otro cuerpo Bl. Figura 5: Representación esquemática de la discretización, y de la interacción aerodinámica entre dos cuerpos y su correspondencia con la matriz de interacción aerodinámica y el lado derecho de la ecuación. INTERACCIÓN ENTRE MODELOS La aplicación de una estrategia de co-simulación (Roccia et al., 2017; Verstraete et al., 2019) permite la implementación de un enfoque particionado que divide el sistema dinámico en dos subsistemas representados por modelos distintos y con entornos de simulación propios: el MPE y el MA. En este sentido, la interacción entre ambos modelos es una pieza fundamental para la simulación piezoaeroelástica ya que combina la respuesta del MPE con las cargas aerodinámicas provenientes del MA. A pesar de que ambos modelos son independientes, el acoplamiento entre ellos se caracteriza como fuerte dado que, a medida que la solución avanza en el tiempo, la interacción bidireccional se realiza con un paso de tiempo que Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 264

es compartido por ambos entornos de simulación. La Figura 6 esquematiza el intercambio de información a nivel global para el paso de tiempo j. El MA acopla aerodinámicamente los cosechadores entre sí, dado que las cargas aerodinámicas sobre un cosechador no solo dependen de su propia SVA y SVL, sino que también de todas las SVAs y SVLs del arreglo. Las cargas estimadas son transferidas al MPE que, luego de la integración de las EdM, actualiza las posiciones, velocidades y aceleraciones de los cosechadores. En el esquema propuesto, el proceso de interacción se simplifica debido a que la estructura que representa a cada cosechador se supone rígida. La Figura 7 muestra el procedimiento para calcular la solución en el paso de tiempo j correspondiente al cosechador k del arreglo, donde tienen lugar a las siguientes etapas: i) La configuración de las SVLs de los cosechadores es actualizada y, una vez alcanzada la posición actual, las SVLs permanecen inalteradas hasta finalizar el paso de tiempo. ii) Considerando la posición actualizada de las SVLs, el MA es utilizado para estimar las cargas aerodinámicas sobre los puntos de control de cada cosechador en su posición actual. iii) Las cargas aerodinámicas se convierten en un sistema mecánicamente equivalente de cargas generalizadas (La (t) y Ma (t)) sobre el punto de referencia del MPE. iv) Las cargas generalizadas son incorporadas en las EdM para, luego de la integración numérica, obtener los desplazamientos y velocidades del punto de referencia. v) A partir de las coordenadas generalizadas, se actualizan las posiciones de los nodos y las velocidades de los puntos de control bajo la hipótesis de cuerpo rígido. vi) Los pasos ii, iii, iv y v se repiten iterativamente, manteniendo inalteradas las SVLs, hasta alcanzar la convergencia. vii) Luego de alcanzada la convergencia, los valores finales de posición y velocidades sobre la GA se almacenan como estado inicial para dar lugar al paso siguiente j+1. Figura 6: Esquema de la interacción global entre modelos en el paso de tiempo j. Figura 7: Esquema del intercambio de información para el cosechador ������ en el paso de tiempo ������. RESULTADOS NUMÉRICOS En esta sección se presenta una serie de resultados numéricos obtenidos por medio de la implementación computacional del modelo piezoaeroelástico introducido anteriormente. Primero, se presentan resultados concernientes a la verificación y validación de la plataforma de co-simulación utilizada. Luego, se utiliza la herramienta numérica desarrollada para estudiar el comportamiento aeroelástico y la potencia de salida del sistema propuesto (Figura 2). Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 265

Verificación de la plataforma de co-simulación El modelo numérico presentado en este trabajo ha sido verificado utilizando los resultados experimentales y numéricos reportados por Erturk et al. (2010) para un cosechador aislado. Para su estudio experimental, Erturk y colaboradores utilizaron un perfil alar soportado por vigas de acero y láminas piezoeléctricas PZT-5A. Este estudio fue complementado por un modelo analítico bidimensional de parámetros concentrados que les permitió predecir la velocidad de flutter y la potencia generada por el cosechador. Los parámetros del modelo piezoaeroelástico propuesto por Erturk et al. se listan en la Tabla 1. La velocidad de flutter obtenida VF, para una discretización de 30 vórtices sobre el perfil alar, es de 9.451 m/s. Si bien el valor de VF obtenido por medio de simulaciones numéricas es levemente menor al valor analítico de 9.56 m/s reportado por Erturk et al. (2010), el error relativo es solo del 1.14%. Se debe mencionar que la discretización utilizada para la SVA proviene de un estudio de convergencia realizado con antelación, el cual muestra que la utilización de mallas aerodinámicas cada vez más densas permiten reducir este error sustancialmente (Roccia et al., 2020). Por otro lado, la VF experimental reportada por Erturk et al. es de 9.3 m/s, lo cual representa una excelente correspondencia con el valor predicho numéricamente (error relativo del 1.6%). Más detalles sobre el proceso de verificación y validación de la plataforma numérica utilizada se pueden encontrar en Roccia et al. (2020). Estudio del diseño conceptual En esta subsección se presentan resultados numéricos que tienen como objetivo revelar ciertas características del comportamiento piezoaeroelástico del diseño conceptual propuesto en el presente trabajo (Figura 2). En las simulaciones se utilizaron los parámetros geométricos y propiedades piezoelásticas expuestas en la Tabla 1 para cada cosechador del arreglo. Adicionalmente, se debe destacar que el número de vórtices usados en la discretización de cada perfil aerodinámico se redujo de 30 a 15 con el objetivo de disminuir el costo computacional. A pesar de reducción en la densidad de la malla, la fidelidad de la solución numérica obtenida no se ve sensiblemente afectada, por lo que se obtiene una excelente relación entre tiempo de cómputo y precisión. Tabla 1: Parámetros del sistema. Parámetro Valor Parámetro Valor Parámetro Valor m 1.779 kg/m dh 9.6110 x 10-1 Ns/m2 mf 2.8425 kg/m l 0.5 m dθ 1.32504 x 10-2 Ns Ip 7.06445 x 10-3 kg m R b λ 1.55 mN/V Ceq 100 kΩ xθ 0.125 m 120 nF 0.260 kh 4.6808 x 103 N/m2 kθ 1.67540 N Roccia et al. (2020) han mostrado que la separación entre los cosechadores en un arreglo tiene una fuerte influencia sobre la velocidad de flutter del sistema, como así también, en el comportamiento postcrítico del mismo. En este sentido, un estudio detallado del diseño conceptual aquí propuesto debe involucrar necesariamente configuraciones con diferentes separaciones entre cosechadores. Sin embargo, en esta primera etapa se adoptó como caso de estudio un arreglo de cosechadores separados a una distancia de 4 semicuerdas (ver Figura 8(a)). Para esta configuración se determinó que la velocidad de flutter es VF = 8.75 m/s. Asimismo, se analizó el efecto de diferentes condiciones iniciales (CIs) en la condición de flutter, siempre considerando una perturbación de 5º en el grado de libertad θ(t) de cada cosechador (ver Figura 8(b)). En todos los casos, se encontró que los cosechadores se sincronizan para alcanzar una misma forma de vibrar (modo de flutter) que resulta antisimétrica (ver Figura 9). Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 266

Figura 8: (a) Arreglo de 6 cosechadores de energía, (b) diferentes condiciones iniciales consideradas. Por debajo de la velocidad VF todas las respuestas en el tiempo se amortiguan, y como consecuencia de ello no se puede extraer energía de manera sostenida. A modo de ejemplo en la Figura 10(a) se incluye la respuesta temporal del cosechador 1 (identificado en la Figura 9) para V∞ = 8.7 m/s donde se puede ver que las respuestas de todos sus grados de libertad (h, θ, V), y por ende la potencia generada, decaen en el tiempo. En este caso, la potencia eléctrica instantánea P(t) de cada cosechador se computa como P(t)  V 2 (t) / R. Para velocidades superiores a la velocidad de flutter (estado postcrítico), el sistema alcanza un estado de vibraciones autosostenidas en el que se puede extraer energía de la corriente de aire. La Figura 10(b) muestra la respuesta temporal de los grados de libertad y la potencia generada por el cosechador 1 para una velocidad de corriente libre de V∞ = 9 m/s. En flutter, la solución bifurca de un foco estable a una oscilación de ciclo límite (LCO); fenómeno conocido como bifurcación de Hopf. Una vez superada la velocidad de flutter, la forma y amplitud de las LCOs dependen de la velocidad de corriente libre. En la Figura 11(a) se presenta el diagrama de bifurcación que muestra la amplitud de la LCO asociado al desplazamiento traslacional h(t) del cosechador 1. Para este caso, la amplitud de la LCO se ha calculado utilizando el procedimiento descrito en Roccia et al. (2020). Cuando V∞ se incrementa levemente por encima de VF, la amplitud de vibración de h(t) cambia drásticamente y alcanza un máximo a V∞ = 9 m/s. Esta pronunciada pendiente obtenida en el diagrama de bifurcación se atribuye a la no-linealidad débil introducida las cargas aerodinámicas. Por último, resulta importante mencionar que las amplitudes asociadas a los grados de libertad de cabeceo, θ(t), y voltaje, V(t) tienen un comportamiento cualitativo similar al de h(t). Figura 9: Forma de vibrar de los cosechadores durante el inicio del flutter (V∞ = 8.75 m/s) y evolución de las estelas (SVLs). Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 267

Figura 10: Respuesta del cosechador 1 (a) velocidad subcrítica V∞ = 8.7 m/s, (b) velocidad supercrítica V∞ = 9.0 m/s. En la Figura 11(b) se presenta la potencia media, Pm, generada por el cosechador 1 en función de la velocidad de corriente libre. En este caso, la potencia media se calcula como Pm(t) 1 tiT P(t)dt. (5) T ti Siendo ti un tiempo de referencia, en el que se considera que la solución ha alcanzado el estado estacionario, y T indica el período de la señal considerado como el tiempo transcurrido entre dos picos sucesivos. La Figura 11(b) muestra que es posible extraer potencia eléctrica para valores de V∞ superiores a VF. En este caso se encuentra que la potencia máxima que genera el cosechador 1 es de 270.66 mW. Teniendo en cuenta que cada uno de los cosechadores genera la misma potencia media, el arreglo de 6 cosechadores produce una potencia media de Pm,max = 1.624 W a una velocidad próxima a V∞ = 8.9 m/s. Es interesante destacar que la velocidad de flutter para el sistema de 6 cosechadores es un 7,4% menor que la velocidad de flutter para un cosechador aislado. Este hecho permite inferir que, dada la marcada influencia de la interacción aerodinámica entre los cosechadores sobre la velocidad de flutter, la distancia de separación entre ellos alterará el valor de la velocidad crítica. En este sentido, la distancia entre cosechadores puede ser ajustada con el objetivo de inducir vibraciones autosostenidas para distintos valores de V∞ y, por lo tanto, generar energía en un amplio rango de escenarios. Figura 11: (a) Potencia media en el cosechador inferior en función de V∞, (b) amplitud de LCO de ℎ(������) para el cosechador 1 en función de V∞. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 268

CONCLUSIONES El presente esfuerzo tuvo como motivación principal explorar el potencial de la cosecha de energía basada en la respuesta no lineal de un arreglo de cosechadores piezoaeroelásticos. Tal necesidad se origina en una nueva perspectiva que pone a los fenómenos aeroelásticos asociados con no linealidades estructurales y/o aerodinámicas en el centro de las investigaciones relacionadas con fuentes alternativas de generación de energía, especialmente para sistemas de pequeña escala cuyos consumos de energía varían en la escala de microvatios y milivatios. En este sentido, se propuso un concepto de diseño novedoso para un dispositivo adaptativo de cosecha de energía eólica utilizando materiales piezoeléctricos, basado en el fenómeno aeroelástico de flutter. El sistema consta de una serie de cosechadores conformados por alas multifuncionales de gran alargamiento con la posibilidad de servocontrolar sus posiciones relativas, proporcionando así la versatilidad para operar eficientemente bajo múltiples condiciones externas. Adicionalmente, se presentó un modelo computacional, basado en el paradigma de co- simulación multifísica, para evaluar numéricamente la respuesta del sistema. Este análisis se realizó combinando un modelo estructural de parámetros concentrados con una versión bidimensional del Método de Red Vórtice No-lineal e Inestacionario. En primera instancia, la correcta implementación y el funcionamiento del modelo computacional fueron verificados reproduciendo estudios reportados por otros investigadores. Esta instancia de verificación y validación consistió en obtener la velocidad de flutter para un cosechador aislado y compararla con resultados analíticos y experimentales publicados en la literatura. Las predicciones obtenidas con el método propuesto mostraron estar en concordancia, exhibiendo errores menores al 2%, con aquellas utilizadas como referencia. En cuanto al análisis del concepto aquí presentado, se adoptó como caso de estudio una configuración de seis cosechadores separados a una distancia de 4 semicuerdas, a la cual se aplicaron varias alternativas de condiciones iniciales. Se encontró que, independientemente de las condiciones iniciales impuestas al arreglo, cuando la corriente alcanza la velocidad crítica los cosechadores se sincronizan en un modo de flutter antisimétrico. En relación a la velocidad de flutter del sistema, se encontró que ésta es inferior a la velocidad de un cosechador aislado, lo que se atribuye a la marcada influencia de la interacción aerodinámica entre los cosechadores que, a su vez depende de la distancia de separación entre ellos. De este modo, se confirmó que, controlando inteligentemente la distancia entre cosechadores, el sistema puede adaptarse para recolectar energía de manera sostenida para distintas velocidades de la corriente libre. El comportamiento postcrítico del dispositivo está caracterizado por una bifurcación de Hopf. Una vez superada la velocidad de flutter, la respuesta dinámica del sistema exhibe LCOs cuya amplitud y frecuencia dependen de la velocidad de la corriente libre. Para valores crecientes de esta velocidad, las amplitudes de las LCO crecen con una pendiente pronunciada hasta alcanzar un punto máximo y luego decaen levemente. Algo cualitativamente similar ocurre con la potencia eléctrica media obtenida por el dispositivo, ya que luego de un crecimiento brusco alcanza un valor máximo. En este caso, el máximo de potencia media representa la condición de operación óptima del sistema. Las conclusiones del presente artículo resultan prometedoras en la búsqueda de soluciones innovadoras relacionadas a la cosecha de energía en pequeña escala. En efecto, la combinación de nuevas tecnologías estructurales con métodos de diseño y análisis aeroelástico pueden originar la sinergia necesaria para crear una nueva generación de cosechadores de energía, que puedan integrarse a distintas infraestructuras, con gran eficiencia energética, más amigables con el medio ambiente, intensificando su efectividad y capacidad a través de la consolidación del tamaño y del peso de la estructura sin sacrificar los requerimientos de performance. Por último, existen numerosos aspectos que no fueron explorados en el presente esfuerzo y representan líneas de trabajo interesantes para futuros desarrollos, a saber: evaluar mediante técnicas de optimización otras distribuciones en la posición relativa y el número de cosechadores, incorporar dispositivos mecánicos y/o electromecánicos que acoplen de manera estructural los cosechadores, analizar mecanismos alternativos y/o complementarios que permitan incrementar el volumen de energía cosechada, entre otros. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 269

AGRADECIMIENTOS Queremos expresar nuestro más profundo y sincero agradecimiento a nuestro mentor, maestro y querido amigo, el profesor Dean T. Mook, quien falleció el 19 de junio de 2020, por su apoyo, contribuciones a nuestra educación, amistad y por darnos a todos nosotros la oportunidad de trabajar en este maravilloso tema. El profesor Mook hizo importantes contribuciones al desarrollo de la mecánica aplicada en nuestro país a través de interacciones personales con muchos colegas y estudiantes argentinos. Hemos tenido la suerte de tener al Dr. Mook en nuestras vidas; trabajar con él y aprender de él, así como de poder transmitir sus enseñanzas a través de nuestra propia investigación y la tutoría de otros. Se le extrañará más de lo que las palabras puedan expresar. REFERENCIAS Abdelkefi, A., Vasconcellos, R., Marques, F. D., & Hajj, M. R. (2012). \"Bifurcation analysis of an aeroelastic system with concentrated nonlinearities\". Nonlinear Dynamics, 69(1–2), 57–70. https://doi.org/10.1007/s11071- 011-0245-6 Afonso, F., Vale, J., Oliveira, É., Lau, F., & Suleman, A. (2017). \"A review on non-linear aeroelasticity of high aspect- ratio wings\". Progress in Aerospace Sciences, 89, 40–57. https://doi.org/10.1016/j.paerosci.2016.12.004 Batra, A. K., & Alomari, A. (2017). Power Harvesting via Smart Materials. SPIE. https://doi.org/10.1117/3.2268643 Carneiro, P., Soares dos Santos, M. P., Rodrigues, A., Ferreira, J. A. F., Simões, J. A. O., Marques, A. T., & Kholkin, A. L. (2020). \"Electromagnetic energy harvesting using magnetic levitation architectures: a review\". Applied Energy, 260, 114191. https://doi.org/10.1016/j.apenergy.2019.114191 Daqaq, M. F., Masana, R., Erturk, A., & Dane Quinn, D. (2014). \"On the Role of Nonlinearities in Vibratory Energy harvesting: a critical review and discussion\". Applied Mechanics Reviews, 66(4). https://doi.org/10.1115/1.4026278 Elahi, H., Eugeni, M., & Gaudenzi, P. (2018). \"A review on mechanisms for piezoelectric-based energy harvesters\". Energies, 11(7). https://doi.org/10.3390/en11071850 Erturk, A., Vieira, W. G. R., De Marqui, C., & Inman, D. J. (2010). \"On the energy harvesting potential of piezoaeroelastic systems\". Applied Physics Letters, 96(18). https://doi.org/10.1063/1.3427405 Eskandary, K., Dardel, M., Pashaei, M. H., & Kani, A. M. (2011). \"Effects of aeroelastic nonlinearity on flutter and limit cycle oscillations of high-aspect-ratio wings\". Applied Mechanics and Materials, 110–116, 4297–4306. https://doi.org/10.4028/www.scientific.net/AMM.110-116.4297 Gendelman, O. V. (2011). \"Targeted energy transfer in systems with external and self-excitation\". Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, 225(9), 2007– 2043. https://doi.org/10.1177/0954406211413976 Gilliatt, H. C., Strganac, T. W., & Kurdila, A. J. (2003). \"An investigation of internal resonance in aeroelastic systems\". Nonlinear Dynamics, 31(1), 1–22. https://doi.org/https://doi.org/10.1023/A:1022174909705 Gorini, R., Gielen, D., Wagner, N., & Gallina, G. (2019). \"Deployment, investment, technology, grid integration and socio-economic aspects\". IRENA. Hodges, D. H., & Pierce, G. A. (2011). Introduction to Structural Dynamics and Aeroelasticity. Cambridge University Press. https://doi.org/10.1017/CBO9780511997112 Katz and, J., & Plotkin, A. (2004). \"Low-speed aerodynamics, second edition\". Journal of Fluids Engineering, 126(2), 293–294. https://doi.org/10.1115/1.1669432 Khan, F. U., & Qadir, M. U. (2016). \"State-of-the-art in vibration-based electrostatic energy harvesting\". Journal of Micromechanics and Microengineering, 26(10), 103001. https://doi.org/10.1088/0960-1317/26/10/103001 Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 270

Krasny, R. (1987). \"Computation of vortex sheet roll-up in the trefftz plane\". Journal of Fluid Mechanics, 184. https://doi.org/10.1017/S0022112087002830 McCarthy, J. M., Watkins, S., Deivasigamani, A., & John, S. J. (2016). \"Fluttering energy harvesters in the wind: a review\". Journal of Sound and Vibration, 361, 355–377. https://doi.org/https://doi.org/10.1016/j.jsv.2015.09.043 Roccia, B. A., Preidikman, S., & Balachandran, B. (2017). \"Computational dynamics of flapping wings in hover flight: a co-simulation strategy\". AIAA Journal, 55(6), 1806–1822. https://doi.org/10.2514/1.J055137 Roccia, B. A., Verstraete, M. L., Ceballos, L. R., Balachandran, B., & Preidikman, S. (2020). \"Computational study on aerodynamically coupled piezoelectric harvesters\". Journal of Intelligent Material Systems and Structures, 31(13), 1578–1593. https://doi.org/10.1177/1045389X20930093 Safaei, M., Sodano, H. A., & Anton, S. R. (2019). \"A review of energy harvesting using piezoelectric materials: state- of-the-art a decade later (2008-2018)\". Smart Materials and Structures, 28(11). https://doi.org/10.1088/1361- 665X/ab36e4 Verstraete, M. L., Roccia, B. A., Ceballos, L. R., & Preidikman, S. (2018). \"Modelo aero-electro-elástico para un arreglo de cosechadores de energía\". Mecánica Computacional, XXXVI, 2013–2022. Verstraete, Marcos L., Roccia, B. A., Mook, D. T., & Preidikman, S. (2019). \"A co-simulation methodology to simulate the nonlinear aeroelastic behavior of a folding-wing concept in different flight configurations\". Nonlinear Dynamics, 98(2), 907–927. https://doi.org/10.1007/s11071-019-05234-9 Wang, J., Geng, L., Ding, L., Zhu, H., & Yurchenko, D. (2020). \"The state-of-the-art review on energy harvesting from flow-induced vibrations\". Applied Energy, 267, 114902. RESEÑA DE AUTORES Ingeniero Aeronáutico graduado en 2014 de la Universidad Nacional de Córdoba (Argentina), obteniendo en 2018 el título de Magister en Ciencias de la Ingeniería Mención Aeroespacial en la misma institución, y actualmente en curso del Doctorado en Ciencias de Ingeniería. Desde 2017 a la actualidad, becario de Investigación en el Instituto de Estudios Avanzados en Ingeniería y Tecnología (IDIT) del Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET) en Córdoba, Argentina. Además, desde 2018, Profesor Asistente del Departamento de Estructuras de la Facultad de Ciencias Exactas Físicas y Naturales (FCEFyN) de la Universidad Nacional de Córdoba, Argentina. M. Pérez- Segura Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 271

RESEÑA DE AUTORES (CONT.) Profesor Asistente en el departamento de Estructuras de la Facultad de Ciencias Exactas, Físicas y Naturales de la Universidad Nacional de Córdoba. Se graduó en el 2015 de Ingeniero Mecánico en la Universidad Nacional de Córdoba, Argentina. Desde 2017 me encuentro cursando el Doctorado en Ciencias de la Ingeniería en la misma Universidad. Además, es becario de investigación en el Instituto de Estudios Avanzados en Ingeniería y Tecnología (IDIT) del Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). E. Beltramo B. Roccia Profesor Asociado en la FCEFyN de la Universidad Nacional de Córdoba, Profesor Adjunto en la Facultad de Ingeniería de la Universidad Nacional de Río Cuarto (UNRC). Estudió Ingeniería Mecánica en la UNRC. En 2009 obtuvo una Maestría en Ciencias de la Ingeniería por la misma Universidad y en 2013 el grado de Doctor en Ciencias de la Ingeniería por la Universidad Nacional de Córdoba (UNC), Argentina. Desde 2015 se desempeña como investigador en el Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET) de Argentina. Su área de investigación incluye el estudio de sistemas aeronáuticos/mecánicos altamente flexibles inmersos en flujos subsónicos (turbinas eólicas, cosecha de energía no convencional, “morphing wings”, etc). Profesor Roccia también mantiene vínculos con universidades extranjeras con las cuales lleva adelante tareas de investigación en tópicos tales como aeroelasticidad computacional, aerodinámica no estacionaria, dinámica de sistemas multicuerpos flexibles y dinámica no lineal. Actualmente es director del Grupo de Matemática Aplicada en la UNRC. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 272

RESEÑA DE AUTORES (CONT.) Ingeniero Aeronáutico, graduado de la Universidad Nacional de Córdoba y obtuvo su Doctorado en Ingeniería Mecánica, graduado de la Universidad de Maryland en “College Park”, Estados Unidos. Actualmente es Investigador Asistente del Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET) y Profesor Asistente en la Universidad Nacional de Salta, Argentina. Sus áreas de especialidad son la Mecánica de Fluidos, la Aerodinámica, la Mecánica de Sólidos y la interacción Fluido-Estructura desde el punto de vista computacional. Su interés se centra en el desarrollo de herramientas computacionales para la simulación y estudio de problemas aplicados de ingeniería, incluyendo la extracción de energía del viento, la determinación de cargas de vientos en paneles fotovoltaicos, entre otros. M. Valdéz Docente en la Universidad Nacional de Rio Cuarto (UNRC) desde 2013. En la misma Universidad estudió Ingeniería Mecánica, también, obtuvo una Maestría en Ciencias de la Ingeniería (2013) y el grado de Doctor en Ciencias de la Ingeniería (2016). Su campo de investigación está orientado al desarrollo de modelos numéricos para estudiar sistemas aeronáuticos/mecánicos inmersos en flujos subsónicos (turbinas eólicas, cosecha de energía no convencional, morphing wings, entre otros). M. Verstraete Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 273

RESEÑA DE AUTORES (CONT.) Docente en la Facultad de Ingeniería de la Universidad Nacional de Río Cuarto (UNRC) desde el año 2004 y desde el año 2013 es miembro del Grupo de Matemática Aplicada de esa Facultad. Se graduó en la misma Universidad de Ingeniero Mecánico en el año 2004. También, obtuvo una Maestría en Ciencias de la Ingeniería en el año 2010. Se doctoró por la Universidad Nacional de Córdoba en el año 2017.Sus intereses de investigación incluyen a la mecánica computacional y al desarrollo de turbinas eólicas de eje horizontal, generadores eólicos aerotransportados y cosechadores de energía. L. Ceballos Ingeniero Mecánico-Aeronaútico por la Universidad Nacional de Córdoba. Luego se mudó a Mayagüez, Puerto Rico, donde obtuvo su grado de Master en Ingeniería Civil, y posteriormente en Blacksburg, USA, obtuvo su doctorado de la “Virginia Polytechnic Institute and State University”. Actualmente se desempeña como Profesor Titular Plenario en la Universidad Nacional de Córdoba, profesor visitante en la Universidad de Maryland y es investigador independiente en el Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET) de Argentina. Su principal campo de investigación está relacionado con sistemas de generación de energía eólica, turbinas eólicas y morphing wings, entre otros. Adicionalmente, Profesor Preidikman, dirige un grupo de investigación en tópicos específicos tales como aeroelasticidad computacional, aerodinámica no estacionaria, dinámica no lineal y computación científica. S. Preidikman Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 274

EVALUACIÓN DE PRECIPITACIONES MENSUALES ESTIMADAS CON TRMM PARA SU USO EN ESTUDIOS DE SEGUÍAS METEOROLÓGICAS1 Leticia del Valle Vicario2, 3, Carlos Marcelo García3, Francina Domínguez4 RESUMEN: La precipitación es considerada la variable principal a tener en cuenta para la evaluación del fenómeno extremo de la sequía meteorológica a nivel de cuenca. A su vez, como las sequías son consideradas fenómenos de distinta escala espacial, para analizar su evolución en el espacio es conveniente contar con registros de precipitaciones simultáneos en el tiempo y en distintas localizaciones, dependiendo del tamaño de la cuenca y de la variabilidad de las características dentro de la misma. En Argentina, específicamente en la región central, la disponibilidad de información sobre la variabilidad espacial de las precipitaciones no es habitual, por lo que los estudios de sequías en esta región son limitados. Debido a esto es conveniente validar la información pluviométrica obtenida a través de misiones satelitales. En el presente trabajo se evalúa la validez y aplicabilidad de los datos de precipitaciones mensuales estimadas a través de TRMM, en las localizaciones de diez estaciones de superficie ubicadas en la cuenca del río Carcarañá dentro de la región central de Argentina y su posterior aplicación a estudios de sequías meteorológicas a través de un índice representativo (SPI). Para este análisis se utilizaron parámetros estadísticos tales como el coeficiente de concordancia, el coeficiente de correlación y el sesgo. Se observó una variación significativa de los parámetros respecto de la altura en la que se encuentran emplazadas las estaciones y en general, se notó que los coeficientes mejoraron para las estaciones emplazadas en llanura, respecto de las ubicadas en zonas serranas. Palabras clave: cuenca de la región central de Argentina, sequía meteorológica, precipitación mensual, validación TRMM EVALUATION OF MONTLY RAINFALL CALCULATED WITH TRMM FOR METEOROLOGICAL DROUGHT STUDIES ABSTRACT: Precipitation is considered the main variable for the evaluation of meteorological drought in a basin. Droughts are phenomena of different spatial scale, so that is convenient to have simultaneous rainfall records in time and in different locations, in order to analyze their evolution in space, depending on the size and the variability of the characteristics in the basin. In Argentina, specifically in the central region, the availability of information on the spatial variability of rainfall is not usual, so drought studies in this region are limited. Due to this it is convenient to validate the rainfall information obtained through satellite missions. The present work evaluates the validity and applicability of monthly rainfall data estimated through TRMM in ten stations in the basin of the Carcarañá River in the central region of Argentina and its subsequent application to studies on meteorological droughts through a representative index (SPI). Statistical parameters such as the concordance coefficient, the correlation coefficient and the bias were used for this analysis. There was a significant variation of the parameters with respect to the height. Was observed better coefficients in stations located in plain compared with stations located in mountainous areas. Keywords: basin of the central region of Argentina, meteorological drought, monthly precipitation, validation TRMM 1 Artículo recibido el 8 de enero de 2020 y aceptado para publicación el 2 de octubre de 2020. 2 Profesora Adjunta, Cátedra de Hidrología y Procesos Hidráulicos en las carreras de Ingeniería Civil e Ingeniería Ambiental, Facultad de Ciencias Exactas Físicas y Naturales, Universidad Nacional de Córdoba, Av. Vélez Sarsfield 1463, Córdoba, Argentina 0351-4682782. Email: [email protected] 3 Investigador. Carrera del investigador científico y tecnológico del CONICET, en FCEFyN de la Universidad Nacional de Córdoba. Av. Vélez Sarsfield 1463, Córdoba, Argentina. Email: [email protected] 4 Profesora del Departamento de Ciencias Atmosféricas. Universidad de Illinois. 1301 W. Green Street Urbana, IL 61801. EEUU. Email: [email protected] Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 275

INTRODUCCIÓN Para el caso de evaluación y monitoreo del fenómeno extremo de la sequía meteorológica a nivel de cuenca, la precipitación es considerada la variable principal a tener en cuenta para lo cual es conveniente contar con series de datos históricos consecutivos sin datos faltantes y con una longitud de registro considerable. A su vez, como las sequías son consideradas fenómenos de distinta escala espacial, para analizar su evolución en el espacio es conveniente contar con una amplia cobertura de puntos de monitoreo con registros simultáneos en el tiempo y en distintas localizaciones, dependiendo en este caso, del tamaño de la cuenca y de la variabilidad en las características climáticas y topográficas dentro de la misma, entre otras características. En Argentina, los antecedentes relacionados a la sequía tienen, predominantemente, un enfoque climático y agrícola (Scian y Donnari, 1997; Hartmann et al., 2003; Havrylenko et al., 2013) o bien, forman parte de un estudio con otros ejes temáticos (Scarpati y Capriolo, 2013). En la región pampeana de Argentina, es posible observar trabajos de sequías meteorológicas con la finalidad de obtener resultados útiles para la actividad socieconómica (Ravelo, 2000) o principalmente locales, donde se analizan periodos cortos de tiempo (D´Ambrosio et al., 2013) o que finalizan en décadas anteriores (Carbone y Píccolo, 2004). Específicamente en la región central, la disponibilidad de información sobre la variabilidad espacial de las precipitaciones no es habitual, por lo que los estudios de sequías en esta región son limitados. Para avanzar y profundizar el análisis sobre este fenómeno crítico extremo con características complejas de definir y debido a la precariedad de información en el área de interés, existen obstáculos y limitaciones que requieren de un esfuerzo mayor interdisciplinario. Sobre la base de la escasa información disponible, Vicario et al. (2015), desarrolla un análisis regional en el área central de Argentina de la información de estaciones pluviométricas existentes, para identificar zonas hidrometeorológicamente homogéneas e identificar periodos de sequías meteorológicas a través de índices. Aun así, se destaca la importancia de estudiar y buscar nuevas herramientas de estimación de datos de precipitaciones a nivel de cuenca, ya sea a través de nuevas tecnologías y/o derivados de instrumentos de distintas características. El uso de información remota registrada por satélites es una alternativa que a priori presenta un gran potencial. En noviembre de 1997 comenzó la misión satelital TRMM (por sus siglas en inglés de la Misión Tropical de Medición de Precipitaciones) desarrollada en forma conjunta entre la NASA y la agencia japonesa de exploración aeroespacial: JAXA, con el fin de estudiar las precipitaciones para investigaciones climatológicas. La misión TRMM finalizó en abril del año 2015, ofreciendo alrededor de 17 años de información para la investigación y mejora del conocimiento sobre el clima y las precipitaciones. Estos datos admiten aplicaciones para la evaluación de la dinámica hidrológica, por ejemplo, en la llanura pampeana (Campos et al., 2014). En general, los valores de lluvia estimados a través de satélites presentan errores de distinto tipo y por distintas causas (Semiere et al., 2012). Rasmussen et al., (2013) mostró que es necesario examinar el sesgo de los valores obtenidos por TRMM ya que puede afectar la percepción de la climatología y de la hidrología en regiones relativamente áridas. Previamente otros autores, sugirieron y revisaron el algoritmo de estimación de precipitación de la TRMM, ya que observaron incertidumbres en las estimaciones respecto de los valores superficiales de lluvia en tormentas convectivas (Iguchi, et al., 2009) siendo este tipo de tormentas, características en Sudamérica (Zipser, et al., 2006). A pesar de estas evaluaciones generales, es conveniente que dicha variable se valide según el objetivo de estudio y la metodología que será implementada. Por ejemplo, Ramos Fernández (2013) realizó el estudio sobre la validación de lluvia estimada por satélite para modelación hidrológica, pero los antecedentes sobre su uso para la estimación de índices de sequías en Argentina, tales como los realizados por Naumann et al. (2012) en distintas cuencas de África o Li, et al. (2013) en China, son escasos. En el presente trabajo se evalúa la validez y aplicabilidad de los datos de precipitaciones mensuales estimadas a través de TRMM, en una cuenca de la región central de la República Argentina y con la finalidad de aplicarlas a estudios que evalúen la evolución temporal de las sequías meteorológicas a través de un índice representativo. Las validaciones de las estimaciones de precipitaciones realizadas con TRMM se realizan sobre los valores de profundidad de precipitación mensual y sobre los índices de sequías SPI. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 276

MATERIALES Y MÉTODOS Cuenca de estudio La cuenca del río Carcarañá se ubica en la región pampeana (principalmente ocupada por llanuras) de la Argentina, en el centro-sudeste de la provincia de Córdoba y atraviesa el sur la provincia de Santa Fe para desembocar en el río Paraná. El río Carcarañá, drena un área de aproximadamente 60000 km2 (Figura 1) y sus nacientes se desarrollan en zona serrana. Esta cuenca posee tres grandes subcuencas, las mismas pertenecen a los ríos Tercero (o Ctalamochita), Saladillo y el arroyo Tortugas. Información utilizada La cuenca del río Carcarañá posee una gran extensión y puede considerarse de macroescala espacial. Esto es importante para que la resolución de TRMM permita caracterizar la variabilidad espacial dentro de la cuenca. Para su cuenca media y baja se analizan en este trabajo dos series de datos pluviométricos de una longitud suficientemente extensa en la zona de llanura, denominadas estación Marcos Juárez y estación Río Cuarto (1980-2009). Además, se analizan en este trabajo ocho estaciones cuyos datos utilizados, a los fines comparativos con el inicio de la TRMM, son desde 1998 hasta el 2014 en la región serrana (cuenca alta) del río Carcarañá. Dichas estaciones se detallan en la Tabla 1 y su ubicación se muestra en la Figura 2. Figura 1: Ubicación de la cuenca del río Carcarañá en la República Argentina. (Fuente: Subsecretaría de Recursos Hídricos de la Nación). Tabla 1: Coordenadas y altura de las estaciones pluviométricas seleccionadas en la cuenca del río Carcarañá. Estación Latitud Coordenadas geográficas (en decimales) Altura (msnm) -32,23 Longitud El Durazno -32,13 -64,78 1095 Cerro Blanco -32,37 -64,92 2106 El Manzano -64,88 1813 Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 277

La Puerta -32,33 -64,78 1259 Lutti -32,30 -64,73 1037 -32,13 -64,82 1185 Pampichuela -32,10 -64,75 1132 Yacanto -32,85 -64,95 1455 -32,42 -62,1 114 Las Tapias -33,07 -64,1 421 Marcos Juárez Río Cuarto Figura 2: Ubicación de las estaciones pluviométricas en la cuenca del río Carcarañá. Se utilizaron valores de precipitaciones estimadas a través de la TRMM en las mismas ubicaciones geográficas (definidas por coordenadas) correspondientes a las estaciones con registros en superficie. Se obtiene datos de precipitaciones diarias en cada punto a partir del año 1998 hasta el año 2014, las cuales fueron procesadas y agregadas en paso de tiempo mensual. Para obtener las series de índices de sequía meteorológica se utiliza el índice estandarizados de precipitaciones, SPI (por sus siglas en inglés: “Standarized Precipitation Index”) propuesto por McKee et al. (1993). El SPI fue diseñado para mejorar la detección del comienzo de la sequía y para el monitoreo de la misma; el mismo se fundamenta en las probabilidades de ocurrencia de precipitación para un período dado. La Organización Meteorológica Mundial (2012) indica que el cálculo del SPI para una localidad se basa en el registro de precipitaciones a largo plazo para un período deseado, sin considerar otras variables tales como las condiciones del suelo o la evapotranspiración. Dicho registro a largo plazo se ajusta a una distribución de probabilidades y a continuación se transforma en una distribución normal de modo que el SPI medio para la localidad y el período deseado sea cero (Edwards y McKee, 1997). Los valores de clasificación para el SPI se presentan en la Tabla 2. Se define una sequía cuando el SPI es continuamente negativo y alcanza un valor de 1.0 o inferior, y continúa hasta que el SPI se torna positivo. La duración de la sequía es definida por el intervalo entre el comienzo y el final del período. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 278

Tabla 2: Valores característicos del índice estandarizado de precipitación (SPI) (McKee et al., 1993). Valor SPI Categoría de sequía Extremadamente húmedo >2,00 Muy húmedo 1,99 a 1,50 Moderadamente húmedo 1,49 a 1,00 Normal 0,99 a -0,99 -1,00 a -1,49 Sequía moderada -1,50 a -1,99 Sequía severa Sequía extrema <-2,00 Validación de estimaciones de lluvia y de índice SPI realizadas con TRMM Para la validación de los datos de lluvia y del índice SPI estimados con TRMM se utilizó el coeficiente de concordancia estadística que es un coeficiente que muestra cuán acordes son un grupo de observaciones respecto de otro, siendo que ambos identifican el mismo fenómeno. Uno de los grupos se establece como patrón de referencia. Para el caso de observaciones continuas y para mejorar otras metodologías estadísticas (Vigiak y Bende-Michl, 2013), Lin (1989) determinó el Coeficiente de Correlación Concordancia (CCC) el cual se define como: A2+B2−C2A2+B2+D2 Donde: A2: Varianza del grupo A (valor de lluvia o índice SPI calculado con información de superficie) B2: Varianza del grupo B (valor de lluvia o índice SPI calculado con información de TRMM) C2: diferencia de la varianza entre los grupos A y B D2: Diferencia del promedio de los dos grupos Mediante el uso de este coeficiente se califica la concordancia entre los valores de los dos grupos de observaciones como sustancial si CCC es mayor a 0,95; moderada si está entre los valores de 0,90 y 0,95 y pobre si el CCC es inferior a 0,90. Este coeficiente contempla en sí mismo diferentes características del acuerdo entre los dos grupos como son la correlación (precisión) y sesgo (exactitud). Para conocer la contribución a la concordancia de la correlación o el sesgo se determinaron y se detallan ambos por separado. El Coeficiente de Correlación (CC) cuantifica la relación lineal entre dos series de datos, mediante los valores entre los umbrales –1 a +1, y se evalúa en este trabajo a través del método de Pearson. El sesgo, por definición, hace referencia a la valoración de las observaciones de una muestra, respecto de las observaciones de otra muestra, en referencia a las discrepancias entre sus distribuciones marginales. La metodología empleada para evaluar el sesgo es descriptiva pero no informan acerca si es o no significativa. Para el caso del presente trabajo, se determinó el sesgo relativo (Sot) con base en la diferencia entre los promedios de las series de precipitaciones observadas (Xo) y la media de la serie de precipitaciones obtenidas por TRMM (Xt) como S= (Xo – Xt) /Xt. De tal manera que si S es positivo, se visualiza una subestimación en un porcentaje determinado de las precipitaciones obtenidas por TRMM respecto de los valores observados. RESULTADOS Y DISCUSIÓN Los principales resultados obtenidos de la validación de estimaciones de precipitaciones realizadas con TRMM respecto de las observadas, se muestran en la Tabla 3. En la Figura 3 se muestran las series temporales de precipitaciones mensuales observadas en superficie y estimadas con TRMM para cada una de las estaciones. A través de estos parámetros se observa que, en la cuenca media y baja, específicamente para las estaciones de Marcos Juárez y Río Cuarto, los datos obtenidos de TRMM poseen una concordancia moderada respecto de los datos observados, están significativamente correlacionados y sobreestiman las precipitaciones levemente. Mientras que, las Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 279

estaciones que se encuentran en la región serrana de la cuenca, a pesar que las correlaciones podrían considerarse aceptables, en todos los casos, la concordancia es menor y se observa una subestimación de las precipitaciones del TRMM respecto de las observadas, que varían entre el 16% y 36%, aproximadamente. Lo cual, en zonas serranas no sería recomendable establecer análisis puntuales de precipitaciones con datos obtenidos de la TRMM, no siendo así para los casos de llanuras. En la Figura 4 se muestran los gráficos representativos del índice de concordancia de los dos grupos de datos para las estaciones utilizadas. En los resultados reportados se observa una variación significativa de los parámetros de contraste respecto de la altura en la que se encuentran emplazadas las estaciones. Este efecto se muestra claramente en la Figura 5 donde se grafica la evolución de cada uno de los parámetros respecto de dicha característica topográfica. Tabla 3: Parámetros estadísticos calculados entre las series de precipitaciones observadas y obtenidas através de TRMM para las localizaciones en la cuenca del río Carcarañá. El Cerro El La Lutti Pampi- Yacanto Las Marcos Río Durazno Blanco Manzano Puerta chuela Tapias Juárez Cuarto Concord. 0,78 0,54 0,73 0,7 0,78 0,76 0,78 0,77 0,91 0,93 CC 0,88 0,67 0,85 0,83 0,85 0,89 0,88 0,81 0,92 0,93 Sesgo 26,26 35,84 28,09 29,38 19,8 30,53 27,2 16,59 -12,22 -0,94 (%) Figura 3: Precipitaciones mensuales observadas (líneas de punto) y obtenidas a través de TRMM (línea continua) para el periodo 1998-2009 en las estaciones: (a) El Durazno, (b) Cerro Blanco, (c) El Manzano, (d) La Puerta, (e) Lutti, (f) Pampichuela, (g) Yacanto, (h) Las Tapias, (i) Marcos Juárez y (j) Río Cuarto. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 280

Figura 4: Concordancia entre los valores de precipitación mensual observada y estimada con TRMM, línea de acuerdo perfecto (45º) y de tendencia lineal para para el periodo 1998-2009 en estaciones: (a) El Durazno, (b) Cerro Blanco, (c) El Manzano, (d) La Puerta, (e) Lutti, (f) Pampichuela, (g) Yacanto, (h) Las Tapias, (i) Marcos Juárez y (j) Río Cuarto. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 281

Figura 5: Coeficientes de concordancia, correlación y sesgo entre las series de precipitaciones observadas y obtenidas de TRMM en las estaciones seleccionadas, ordenadas según su altura topográfica (m.s.n.m. Para cuantificar los impactos de las diferencias observadas en estudios de sequías meteorológicas, se calcularon las series temporales del índice SPI (12 meses), sobre la base de precipitaciones observadas y estimadas con TRMM. Los gráficos se muestran en las Figuras 6, respectivamente. Debido al índice seleccionado, al estar el valor de la media en el entorno del cero, se observó que el sesgo promedio de la serie tiende a cero y debido a esto los coeficientes de concordancia y de correlación son similares. En la Tabla 4 se muestran los coeficientes de correlación entre las series de los índices SPI calculados a partir de precipitaciones observadas y obtenidas por TRMM en las estaciones analizadas. La mejor correlación se observa para los casos de las estaciones de llanura. Si bien el sesgo promedio entre las series de SPI tiende a cero, para casos puntuales se observa una marcada diferencia. En la Figura 6 se presentan los valores máximos observados (%) de sobreestimación y de subestimación entre las series de los índices calculados a partir de TRMM respecto de los que fueron calculados con datos observados de precipitaciones, en cada una de las estaciones utilizadas. Se observa que en general, las diferencias máximas son menores en las dos estaciones de llanura (Marcos Juárez y Río Cuarto). Tabla 4: Coeficientes de Correlación (CC) entre las series de índice SPI calculados a partir de recipitaciones observadas y obtenidas con TRMM en las estaciones utilizadas en la cuenca del río Carcarañá. El Cerro El La Lutti Pampi Las Marcos Río Durazno Blanco Manzano Puerta - Tapias Juárez Cuarto CC 0,49 0,79 0,76 0,73 Yacanto 0,79 0,85 0,85 chuela 0,71 0,73 0,62 Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 282

Figura 6: Valores máximos de sobreestimación y subestimación (%) de los índices SPI calculados con precipitaciones obtenidas a partir de TRMM, respecto de los SPI calculados con precipitaciones observadas en las estaciones utilizadas de la cuenca del río Carcarañá. CONCLUSIONES En la cuenca del río Carcarañá se puede observar que a medida que las estaciones se encuentran en emplazamientos más elevados el sesgo entre las precipitaciones mensuales observadas y las obtenidas con TRMM aumenta; es decir que, las estimaciones mensuales de precipitaciones de TRMM son menos confiables en zonas de altura (o serrana) respecto de las áreas de llanura, con lo cual se debe estudiar detalladamente su validez para casos locales. Se observó que al calcular el índice SPI por la metodología en sí misma, el sesgo promedio entre las series tiende a cero, aunque para casos puntuales el sesgo es relevante. En general, en las dos estaciones de llanura el sesgo máximo observado está dentro de los valores menores y el coeficiente de correlación mejora respecto de las estaciones ubicadas en la zona serrana. REFERENCIAS Campos, A. N, Figueroa Schibber, E. y García, A. G. (2014). Evaluación de la información satelital para el estudio de la dinámica hidrológica de la Llanura Pampeana. 2° Encuentro de Investigadores en Formación en Recursos Hídricos. Instituto Nacional del Agua. Buenos Aires, Argentina. Edwards, D. C. and McKee T. B. (1997). “Characteristics of 20th century drought in the United States at multiple time scales”, “Climatology Report 97-2”, Departamento de Ciencia Atmosférica, Universidad del Estado de Colorado, Fort Collins, Colorado. Iguchi, T., Kozu, T., Kwiatkowski, J., Meneghini, R., Awaka, J., Okamoto and K. (2009). “Uncertainties in the Rain profiling algorithm for the TRMM Precipitation Radar”, Journal of the Meteorological Society of Japan, 87A, 1-30. Rasmussen, K. L., Choi, S. L., Zuluaga, M. D., y and Houze, R. A. Jr. (2013). “TRMM precipitation bias in extreme storms in South America, Geophysical Research Letters, 40, 3457–3461, doi:10.1002/grl.50651. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 283

Li, X., Zhang, Q. and Ye, X. (2013). “Dry/Wet Conditions Monitoring Based on TRMM Rainfall Data and Its Reliability Validation over Poyang Lake Basin China”, Water 2013, 5, 1848-1864; doi:10.3390/w5041848 Lin, L. (1989). “A concordance correlation coefficient to evaluate reproducibility”, Biometrics Vol. 45, pp. 255-268. McKee, T.B., N. J. Doesken, and J. Kliest. (1993). “The relationship of drought frequency and duration to time scales”, In Proceedings of the 8th Conference of Applied Climatology, 17-22 January, Anaheim, CA. American Meterological Society, Boston, MA. 179-184. NASA Homepage (2015). Recuperado de: http://trmm.gsfc.nasa.gov/ (consulta: Marzo 2016) Naumann, G., Barbosa, P. and Carrao, H. (2012). “Monitoring drought conditions and their uncertainties in África using TRMM data”, Journal of Applied Meteorology and Climatology, 51, 1867–1874. Organización Meteorológica Mundial. (2012). Índice normalizado de precipitación, Guía del usuario © OMM-No 1090. ISBN 978-92-63-31090-3. Ramos Fernández, L. (2013). “Estudio de la utilidad de la lluvia estimada de satélite en la modelación hidrológica distribuida”, Tesis Doctoral, Universidad Politécnica de Valencia, 216 pp. Semiere F. A., Mohd –Mokhtar R., Ismail W., Mohamad N. and Mandeep, J.S. (2012). “Ground validation of space- borne satellite rainfall products in Malasya”, Advances In Space Research 50: 1241-1249. Subsecretaría de Recursos Hídricos de la Nación. Recuperado de: http://www.hidricosargentina.gov.ar. (Consultada hasta agosto 2016). Vicario, L., García, C.M., Teich, I., Bertoni, J.C., Ravelo, A. y Rodríguez, A. (2015). “Caracterización de las sequías meteorológicas en la región central de la Argentina”, Revista Tecnología y Ciencias del Agua. ISSN 2007- 2422. Instituto Mexicano de Tecnología del Agua, 6 (1), 155-167. Vigiak, O. and Bende-Michl, U. (2013). “Estimating bootstrap and Bayesian prediction intervals for constituent load rating curves”, Water Resources Research, 49, 8565–8578, doi:10.1002/2013wr013559 Zipser, E. J., Cecil, D., Liu, C.; Nesbitt, S. and Yorty, D. (2006). “Where are the most intense thunderstorms on earth?”, Bulletin of the American Meteorological Society, 87, 1057–1071. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 284

RESEÑA DE AUTORES Ingeniera Civil en la Universidad Tecnológica Nacional, Facultad Regional Córdoba; Magister en Ciencias de la Ingeniería con mención en Recursos Hídricos y Doctora en Ciencias de la Ingeniería de la Facultad de Ciencias Exactas, Físicas y Naturales. Profesora Adjunta en la Cátedra de Hidrología y Procesos Hidráulicos en las carreras de Ingeniería Civil e Ingeniería Ambiental de la Facultad de Ciencias Exactas Físicas y Naturales en la Universidad Nacional de Córdoba, Argentina. Investigadora en Hidrología en el Instituto Nacional del Agua de Argentina. Profesora de cursos de posgrado en distintas carreras de Maestría y Doctorado. Directora de pasantías y becas para la formación de Recursos Humanos en L. Vicario temáticas relacionadas a los Recursos Hídricos. Directora, responsable o integrante de diversos proyectos provinciales, nacionales e internacionales relacionados a las distintas áreas de los Recursos Hídricos. La Dra. Vicario también es miembro de Comité organizador y/o evaluador de congresos, revistas y proyectos científicos, además de autora y coautora de publicaciones científicas en revistas, libro y congresos nacionales e internacionales. Ingeniero Civil e Investigador Independiente, Carrera del investigador científico y tecnológico en el Instituto de Estudios Avanzados en Ingeniería y Tecnología, Centro Científico Tecnológico CONICET, Córdoba, Argentina. Doctorado del Dpto. de Ingeniería Civil y Ambiental, Universidad de Illinois en Urbana, Champaign, Estados Unidos. Docente-Investigador, Facultad de Ciencias Exactas, Físicas y Naturales. Universidad Nacional de Córdoba (FCEFyN – UNC). Su área de interés es Métodos experimentales y análisis de procesos en Hidrometeorología, Hidrología e Hidráulica. C. Marcelo Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 285

RESEÑA DE AUTORES (CONT.) Profesora Asociada, Departamento de Ciencias Atmosféricas, Escuela de Tierra, Sociedad y Medio Ambiente, Facultad de Ciencias y Artes Liberales, en la Universidad de Illinois en Urbana, Champaign, Estados Unidos. Obtuvo su Bachillerato en Ingeniería Civil en la Universidad de los Andes, Bogotá, Colombia y Maestría y Doctorado en Ingeniería Civil y Ambiental en la Universidad de Illinois en Urbana, Champaign, Estados Unidos. Su trabajo se centra en las interacciones entre la tierra y la atmósfera, y más específicamente, en los cambios en la hidrología y el clima debido a la modificación humana de la superficie F. Domínguez terrestre y las emisiones de gases de efecto invernadero. Las dos líneas principales de investigación de su grupo analizan la interacción tierra-atmósfera desde dos perspectivas: el efecto de la variabilidad y el cambio climático, principalmente los eventos extremos, en la hidrología superficial y el efecto de los cambios en la hidrología superficial en el clima. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol. 19-20 (1) 286

CONGRESOS Y SEMINARIOS 2021 International Road Federation (IRF) Online Trainings. La Federación Internacional de Carreteras (IRF) anuncia su programa de seminarios en línea hasta mayo de 2021. Para más información y registro, favor dirigirse al siguiente enlace: www.IRF.global/events. 2021 American Society of Civil Engineering (ASCE) Conferences. La Sociedad Americana de Ingenieros Civiles (ASCE) anuncia su programa de conferencias de forma virtual y presencial para el año 2021. Para más información y registro, favor dirigirse al siguiente enlace: www.asce.org › conferences. Institute of Transportation Engineers (ITE). El Instituto de Ingenieros de Transportación anuncia su programa de seminarios en línea hasta el mes de marzo de 2021. Uno de los temas de interés es “Seguridad de Usuarios Vulnerables en las Vías Públicas en Intersecciones Señalizadas” (02/23/21). Este seminario en línea destacará la aplicación de contramedidas en las intersecciones señalizadas para mejorar la seguridad de los usuarios vulnerables en las vías públicas, en particular, peatones y ciclistas. Otro tema de interés es el seminario en línea “Manejo de Tráfico para Eventos Planeados, No Planeados y de Emergencias” (03/02/21). Éste proporcionará ejemplos de la coordinación y la toma de deciciones durante emergencias reales y eventos especiales, incluidas las lecciones aprendidas. Para más información y registro de estos y futuros seminarios y eventos en línea, favor dirigirse al siguiente enlace: https://www.ite.org/events-meetings/event-calendar/. Common Sense Solutions for Intersection Problems. Este curso, libre de costo, es auspiciado por el Programa de Asistencia Técnica Local (LTAP) de New Jersey. El curso cubrirá conceptos básicos en probabilidad y estadística y su aplicación en el diseño de control de tráfico. La presentación será ofrecida los días 2, 3 y 4 de marzo de 2021 virtualmente. Para más información y registro, favor dirigirse al siguiente enlace: https://cait.rutgers.edu/event/njltap-common-sense-solutions-for-intersection-problems/. 2021 American Concrete Institute (ACI) Events. El Instituto Americano de Concreto (ACI) anuncia su programa de adiestramientos en línea y su Convención Anual que se llevará a cabo en Baltimore, Maryland, USA del 28 de marzo al 1 de abril de 2021. Para más información sobre estos eventos y registro, favor dirigirse al siguiente enlace: https://www.concrete.org/events/eventscalendar.aspx. Earthquake Engineering Research Institute (EERI) 73rd Annual Meeting. El Instituto de Investigación de Ingeniería Sísmica (EERI) anuncia su septuagésima tercera reunión anual que se llevará a cabo virtualmente del 23-25 de marzo de 2021. Para más información sobre el evento, favor dirigirse al siguiente enlace: https://www.eeri.org/2020/12/call-for-abstracts-2021-eeri-annual-meeting/. 19th LACCEI International Multi-Conference of Engineering, Education and Technology. El Consorcio LACCEI (Latin American and Caribbean Consortium of Engineering Institutions) anuncia la realización de su decimonovena conferencia anual en la ciudad de Buenos Aires, Argentina del 21-23 de julio de 2021. Información adicional se encuentra disponible en el siguiente enlace: www.LACCEI.org/conference/. National Hurricane Conference. La Conferencia Nacional de Huracanes es el foro nacional de educación y capacitación profesional en preparación para huracanes y desastres. La Conferencia 2021 se llevará a cabo los días 14-17 de junio de 2021 en el Hilton Riverside New Orleans en New Orleans, Luisiana. Para más información y registro, favor dirigirse al siguiente enlace: https://hurricanemeeting.com/. National Oceanic and Atmospheric Administration (NOAA). La Administración Nacional Oceánica y Atmosférica anuncia una serie de campañas sobre seguridad nacional. Para más información, favor dirigirse al siguiente enlace: https://www.weather.gov/safety/events_calendar. American Society of Highway Engineers (ASHE). La Sociedad Americana de Ingenieros de Carreteras, anuncia su Conferencia Nacional del año 2021. La Conferencia se llevará a cabo de forma virtual los días 25-27 de mayo de 2021. Para más información y registro, favor dirigirse al siguiente enlace http://2021conference.ashe.pro/. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil. Vol.19-20 (1) 287

NORMAS PARA PUBLICACIÓN DE ARTÍCULOS TÉCNICOS Las siguientes son las normas básicas a las que se deben ajustar los autores al enviar sus artículos en la revisión final: 1. Los artículos deben estar escritos en español, inglés o portugués. 2. Los artículos deben ser escritos en letra Times New Roman, tamaño 10. 3. El título del artículo debe proveerse en español (o portugués) y en inglés. 4. El artículo debe tener un resumen de no más de 250 palabras, el cual debe estar escrito en español (o portugués) y en inglés. 5. Se debe adjuntar un máximo de cinco palabras claves, las cuales deben estar escritas en español (o portugués) e inglés, en orden alfabético en cada idioma, y en minúsculas. 6. Las diferentes secciones y subsecciones del artículo no deben estar enumeradas. 7. El nombre de las secciones debe ir todo mayúscula, en negrilla y tamaño 10. 8. El nombre de las subsecciones debe ir en mayúscula y minúsculas, en negrilla y tamaño 10. 9. La indentación de la primera línea de párrafos debe ir a 0.2”. 10. Las figuras y fotografías no deben presentarse en colores claros. 11. El nombre de las tablas debe estar ubicado en la parte superior, en negrilla y escrito de la siguiente manera: Tabla #: Nombre de la tabla. Sólo la primera letra de la primera palabra va en mayúscula. 12. El nombre de las figuras debe estar ubicado en la parte inferior, en negrilla y escrito de la siguiente manera: Figura #: Nombre de la figura. Sólo la primera letra de la primera palabra va en mayúscula. 13. Las tablas deben estar hechas con Word. 14. En el texto, al referirse a una figura o a una tabla, la primera letra debe ser escrita en mayúscula: la Figura, la Tabla. 15. Las ecuaciones deben ser escritas con el editor de ecuaciones de Word, o con MathType. Deben ser escritas en letra Times New Roman y en un tamaño de Font 10. Las ecuaciones deben estar numeradas entre paréntesis y justificadas a la derecha. 16. En el texto, al hacer referencia a una ecuación, el número debe estar en paréntesis y debe escribirse la palabra completa en minúscula: ecuación (#). 17. Las palabras o frases en inglés deben escribirse entre comillas dobles (por ejemplo, ensayo “down-hole”).

NORMAS PARA PUBLICACIÓN DE ARTÍCULOS TÉCNICOS 18. Las referencias deben ser indentadas 0.5 pulgadas (12.7 mm) a partir de la segunda línea y escritas de la siguiente manera: ● En el caso de un libro, el nombre debe estar en itálica: Chopra, A. K. (2006). Dynamics of Structures, Theory and Applications to Earthquake Engineering, 3rd edition, Prentice Hall, New Jersey. ● Publicación en una revista técnica (“journal”). Se debe incluir el volumen, número y las páginas del artículo. El título debe estar entre comillas y el nombre de la revista en itálica. Solo la primera letra del título debe estar en mayúscula. La forma correcta de escribir este tipo de referencia es: Liang, R.Y. y Choy, F. (1992). “Theoretical study of crack – induced eigen frequency changes on beam structures”, Journal of Engineering Mechanics, Vol. 118, No. 2, pp. 384-396. ● Para los reportes técnicos, tesis o disertaciones se debe adoptar el siguiente formato: Schultz, A. (1986). “An experimental and analytical study of the earthquake response of R/C frames with yielding columns”, Ph.D. dissertation, Department of Civil Engineering, University of Illinois at Urbana-Champaign, Illinois. Bergman, D.M. y Goel, S.C. (1987). “Evaluation of Cyclic Testing of Steel-Plate Devices for Added Damping Dissipators”, Report UMCE 87-10, Civil Engineering Department, University of Michigan, Ann Arbor, Michigan. 19. Todas las referencias en la lista deben citarse al menos una vez en el texto principal del artículo. 20. Incluir la dirección postal completa y la dirección electrónica, al menos del autor que servirá de contacto. 21. Al referirse en el texto a un trabajo en la lista de referencia, debe citarse el mismo como: (Apellido, año), (Apellido 1 y Apellido 2, año), o (Apellido et al., año), dependiendo si hay uno, dos o más autores. 22. En el caso de que dos o más referencias vayan seguidas deben colocarse en el mismo paréntesis separadas por punto y coma: (Apellido, año; Apellido 1 y Apellido 2, año). 23. No se deben usar abreviaturas en las referencias. Aquellos autores interesados en recibir un archivo electrónico con un artículo típico preparado en el formato de la Revista deben escribir a [email protected].

INFORMACIÓN PARA SUBSCRIPTORES La Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil es una publicación científica y técnica que comenzó a publicarse a partir de mediados del año 2001, bajo el auspicio del Departamento de Ingeniería Civil y Agrimensura del Recinto Universitario de Mayagüez de la Universidad de Puerto Rico. Inicialmente se están publicando dos números de la revista por año y se espera que el número de volúmenes por año aumente en los próximos años. La revista está disponible en la Internet en: https://www.scipedia.com/sj/ridnaic. Dirección Postal de la revista: Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil, Departamento de Ingeniería Civil y Agrimensura, UPR-Recinto Universitario de Mayagüez, Mayagüez, PR 00681-9000. Teléfono: (1-787) 832-4040, Exts.3815, 3393. Dirección de correo electrónico: [email protected] ALCANCE TEMÁTICO El alcance de esta publicación comprende los sistemas de ingeniería que dan apoyo y sirven para el diseño de la infraestructura civil, y a los desastres naturales y accidentes de origen humano que pueden afectar esa infraestructura. La revista publica contribuciones que se refieran a la conjunción de más de una de las áreas temáticas definidas en el título, o a una de ellas. El término infraestructura civil se usa aquí para designar al conjunto de instalaciones físicas que permiten movilizar o almacenar bienes, materias primas, agua, residuos, energía, información o personas. En general, se incluyen aquí puentes, puertos, canales, aeropuertos, ferrocarriles, sistemas de tránsito urbano, carreteras, líneas de comunicación y energía, tuberías, represas, plantas de tratamiento de aguas, tanques, silos, etc. El énfasis en desastres naturales está en el estudio de acciones de huracanes, tornados, terremotos, inundaciones, sequías, fuego, deslizamientos, maremotos. Asimismo, la revista publica temas relacionados con accidentes y eventos producidos por causas humanas, incluyendo fallas por diseño o construcción, colisiones, explosiones, entre otras. INFORMACIÓN PARA AUTORES La revista está abierta a contribuciones de profesionales e investigadores de cualquier nacionalidad y lugar de trabajo. Los idiomas de preferencia para la publicación de artículos es español, inglés o portugués. Para mantener la calidad de las contribuciones que publique la revista, los artículos se someten a un proceso de revisión por pares. Los manuscritos deben someterse utilizando MS Word, en letra tipo Times New Roman. No se admitirán contribuciones que utilicen otros procesadores de texto. Si bien la transferencia al formato oficial de la revista es responsabilidad de los Editores, el esfuerzo de los autores para enviar su trabajo siguiendo el formato de la revista es apreciado, en especial en lo que respecta a las Referencias y a su cita. Las instrucciones para los autores son muy similares a las que se utilizan en las publicaciones periódicas de la “American Society of Civil Engineers” (ASCE), con la diferencia que la revista usa el formato de una columna. Aquellos autores interesados en consultar un ejemplar anterior disponible deben escribir a [email protected].

La Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil (RIDNAIC) es publicada por el Departamento de Ingeniería Civil y Agrimensura del Recinto Universitario de Mayagüez de la Universidad de Puerto Rico. Las opiniones, hallazgos o recomendaciones vertidos en esta edición de RIDNAIC son las del Editor y la Comisión Editorial, no necesariamente reflejan las de la Universidad de Puerto Rico y el Recinto de Mayagüez.