Avaliação do comportamento de um reservatório de água segundo a perspectiva da indústria 4.0 e da inteligência artificial

Página do item simplificado
dc.contributor.advisorSilva, Leandro Augusto da
dc.contributor.authorMartinelli Neto, Cavour
dc.date.accessioned2025-02-25T15:52:58Z
dc.date.available2025-02-25T15:52:58Z
dc.date.issued2024-02-05
dc.description.abstractA 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%.
dc.description.sponsorshipMackPesquisa - Fundo Mackenzie de Pesquisa
dc.identifier.urihttps://dspace.mackenzie.br/handle/10899/40046
dc.language.isopt_BR
dc.subjectaprendizagem de máquina
dc.subjectinternet das coisas
dc.subjectredes neurais artificiais
dc.subjectsistemas de gestão da água
dc.subjectíndice de qualidade da água
dc.titleAvaliação do comportamento de um reservatório de água segundo a perspectiva da indústria 4.0 e da inteligência artificial
dc.typeDissertação
local.contributor.advisorLatteshttp://lattes.cnpq.br/1396385111251741
local.contributor.advisorOrcidhttps://orcid.org/0000-0002-8671-3102
local.contributor.authorLatteshttp://lattes.cnpq.br/1514897724952006
local.contributor.board1Vallim Filho, Arnaldo Rabello de Aguiar
local.contributor.board1Latteshttp://lattes.cnpq.br/2511892257148568
local.contributor.board1Orcidhttps://orcid.org/0000-0003-4100-4975
local.contributor.board2Souza, Alexandra Aparecida de
local.contributor.board2Latteshttp://lattes.cnpq.br/1119774618311172
local.description.abstractenThe research carried out assessed the performance of the machine learning algorithms to predict the behavior of a water reservoir. To this end the Water Quality Index (WQI)of the watersheds in the state of Minas Gerais, the flow rate of Porto Primavera Hydroelectric Potential located in the Paran´a River basin and the temperature of a small-scale reservoir were predicted. Machine learning algorithms were applied as an alternative to process control and numerical models based on mass transfer and energy balance. Process control methods have limitations in predicting the behavior of the target variable. Numerical models use equations that depend on long time series of meteorological and hydrological data, which are not always available. On the other hand, technological progress related to computational resources and Artificial Intelligence can contribute to improve them. The result analysis showed that random forest model was able to estimate the Water Quality Index (WQI) with a Mean Absolute Error (MAE) of 2,07 and a Mean Absolute Percentage Error (MAPE) of 4,30%. The Artificial Neural Networks (ANN) were able to detect specific patterns in the behavior of the flow rate over time and make predictions to support the operation of Hydroelectric Power Plants. Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) architectures presented the best results to predict the flow rate values for one and nine days, respectively. The values of the Mean Absolute Error (MAE) and the Mean Absolute Percentage Error (MAPE) were 105,20 m³/s and 2,02% for one and 527,00 m³/s and 9,26% for nine days forecast. Finally, the water temperature values of the small-scale reservoir predicted by the support vector machine model for three consecutive hours presented a Mean Absolute Error (MAE) of 0,01 °C and a Mean Absolute Percentage Error (MAPE) of 0,05%. For six consecutive hours the same model showed a Mean Absolute Error (MAE) of 0,04 °C and a Mean Absolute Percentage Error (MAPE) of 0,18%. In order to predict twelve consecutive hours, random forest model overcame the other machine learning models with a Mean Absolute Error (MAE) of 0,07 °C and a Mean Absolute Percentage Error (MAPE) of 0,31%.
local.keywordsmachine learning
local.keywordsinternet of things
local.keywordsartificial intelligence
local.keywordsartificial neural networks
local.keywordswater management systems
local.keywordswater quality index
local.publisher.departmentFaculdade de Computação e Informática (FCI)
local.publisher.programComputação Aplicada
local.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
CAVOUR MARTINELLI NETO_TCM - VERSÃO FINAL - protegido.pdf
Tamanho:
9.98 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
2.22 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Computação Aplicada (Mestrado Profissional) - Dissertações - FCI Higienópolis