Avaliação do comportamento de um reservatório de água segundo a perspectiva da indústria 4.0 e da inteligência artificial
Tipo
Dissertação
Data de publicação
2024-02-05
Periódico
Citações (Scopus)
Autores
Martinelli Neto, Cavour
Orientador
Silva, Leandro Augusto da
Título da Revista
ISSN da Revista
Título de Volume
Membros da banca
Vallim Filho, Arnaldo Rabello de Aguiar
Souza, Alexandra Aparecida de
Souza, Alexandra Aparecida de
Programa
Computação Aplicada
Resumo
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%.
Descrição
Palavras-chave
aprendizagem de máquina , internet das coisas , redes neurais artificiais , sistemas de gestão da água , índice de qualidade da água