Dissertações

URI Permanente desta comunidade

https://dspace.mackenzie.br/handle/10899/3683

Navegar

Navegando Dissertações por Autor "Martinelli Neto, Cavour"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Dissertação
    Avaliação do comportamento de um reservatório de água segundo a perspectiva da indústria 4.0 e da inteligência artificial
    Martinelli Neto, Cavour (2024-02-05)

    Faculdade de Computação e Informática (FCI)

    A pesquisa realizada avaliou o desempenho dos algoritmos de aprendizagem de máquina para prever o comportamento de um reservatório de água. Para isso, foram estimados o Indice de Qualidade da Água (IQA) das bacias hidrográficas do estado de Minas Gerais, a vazão do aproveitamento hidrelétrico de Porto Primavera, localizado na bacia do Rio Paraná e a temperatura da água de um reservatório de pequena escala. A aprendizagem de máquina foi utilizada como alternativa aos métodos de controle de processos e modelos numéricos baseados na transferência de massa e no balanço energético. Os métodos de controle de processos apresentam limitações em prever o comportamento da variável controlada. Já os modelos numéricos utilizam equações que dependem de longas series temporais de dados meteorológicos e hidrológicos, os quais nem sempre estão disponíveis. Por outro lado, os avanços tecnológicos relacionados aos recursos computacionais e a Inteligência Artificial podem contribuir para aperfeiçoá-los. A análise dos resultados demonstrou que o modelo de florestas aleatórias pode estimar o ´Indice de Qualidade da ´Água (IQA) com um Erro Absoluto Médio (EAM) de 2,07 e um Erro Percentual Absoluto Médio (EPAM) de 4,30%. As Redes Neurais Artificiais (RNA) foram capazes de detectar padrões específicos no comportamento da vazão de água ao longo do tempo e realizar previsões para auxiliar a opera，c˜ao de Usinas Hidrelétricas. Os tipos memoria longa de curto prazo (LSTM) e Gated Recurrent Unit (GRU) apresentaram os melhores resultados para estimar os valores de vazão em um e nove dias, respectivamente. Os valores do Erro Absoluto Médio (EAM) e do Erro Percentual Absoluto Médio (EPAM) foram de 105,20 m³/s e 2,02% para um e de 527,00 m³/s e 9,26% para nove dias de previsão. Finalmente, os valores de temperatura da ´água do reservatório de pequena escala estimados pelo modelo de máquina de vetores de suporte para trˆes horas consecutivas apresentou um Erro Absoluto Médio (EAM) de 0,01 °C e um Erro Percentual Absoluto Médio (EPAM) de 0,05%. Considerando um intervalo de seis horas consecutivas, o mesmo modelo indicou um Erro Absoluto Médio (EAM) de 0,04 °C e um Erro Percentual Absoluto Médio (EPAM) de 0,18%. Para doze horas consecutivas, o modelo de florestas aleatórias apresentou o melhor desempenho com um Erro Absoluto Médio (EAM) de 0,07 °C e um Erro Percentual Absoluto Médio (EPAM) de 0,31%.