MODELOS RNA COMO FERRAMENTAS DE PREVISÃO DE AFLUÊNCIAS E DE NÍVEIS DE ÁGUA EM AHE

Autores

  • Nelio Moura de Figueiredo
  • Claudio José Cavalcante Blanco

DOI:

https://doi.org/10.26512/ripe.v2i9.15037

Resumo

Resumo. Neste trabalho, modelos baseados em arquiteturas RNA foram utilizados na transformação de chuva em afluências a reservatórios de Aproveitamentos Hidroenergéticos ”“ AHE e na simulação de níveis de água a jusante de barramentos hidrelétricos para a verificação de condições de navegabilidade. Um estudo de caso foi desenvolvido para a bacia do rio Tapajós com dados que serviram de suporte a concepção do AHE de São Luiz do Tapajós. Foram empregadas RNA tipo Multi-Layer Perceptron (MLP) com algoritmo Backpropagation (MLP-BP). No modelo chuva-vazão foram treinadas, validadas e testadas 20 RNA, com 5, 8, 10 e 15 neurônios na camada escondida, com vetor de entrada contendo dados de precipitação, de evapotranspiração e de vazões defasadas. Para o modelo de previsão de
níveis de água, foram usadas 4 RNA, com 5, 8, 10 e 15 neurônios. Os modelos chuva-vazão aferiram R² de 0,97 e RMSE de 0,08 e os de simulação de níveis de água R² de 0,98 e RMSE de 0,09. Com base nos desempenhos aferidos em sua distribuição temporal, constata-se que os modelos são ferramentas de fundamental importância na previsão de afluências e na simulação
de níveis de água em AHE.


Palavras-chave: Modelo chuva-vazão, previsão de níveis de água, navegabilidade.

Downloads

Não há dados estatísticos.

Referências

Agência Nacional de Águas ”“ ANA, 2002. A Evolução da Gestão dos Recursos Hídricos no Brasil / The Evolution of Water Resources Management in Brazil. Brasília: ANA.

Agência Nacional de Águas ”“ ANA, 2014. Conjuntura dos recursos hídricos no Brasil (2013). Agência Nacional de Águas. Brasília: ANA, 2013. 432 p.: II. ISBN 978-85-882100-15-8.

Agência Nacional de Águas ”“ ANA. Sistema de Informações Hidrológicas ”“ HidroWeb (2014). Disponível em: http://hidroweb.ana.gov.br/HidroWeb.asp?TocItem=1070&TipoReg =7& MostraCon=false&CriaArq=false&TipoArq=1&SerieHist=false. Acessado em outubro de 2014.

Alok, A., Patra K.C., and Das S.K., 2013. Prediction of Discharge with Elman and Cascade Neural Networks. Research Journal of Recent Sciences, Vol. 2, 279-284.

Alves, A.; Kobiyama, M. Silva, R. V. Checchia, T., 2006. Análise de dados hidrológicos na região de município de Alfredo Wagner/SC. In: Simpósio de Recursos Hídricos do Sul, I, 2006, Curitiba. Anais, Porto Alegre, Associação Brasileira de Recursos Hídricos;

Bertoni, J. C., Tucci, C. E. M., 2007. Precipitação. In: Tucci, C. E. M. Hidrologia: Ciência e Aplicação. Porto Alegre: UFRGS, 2007. P. 177-241.

CHEN, W., and CHAU, K. W., 2006. Intelligent manipulation and calibration of parameters for hydrological models. International Journal of Environment and Pollution, 28(3-4), 432-447. [doi:10.1504/IJEP.2006.011221].

Demirel, M.C., Venancio, A., Kahya, E., 2009. Flow forecast by SWAT model and ANN in Pracana basin, Portugal. Adv. Eng. Softw. 40, 467”“473;

Dounia, M.; Sabri, D.; Yassine, D., 2014. Rainfall- Rain off Modeling Using Artificial Neural Network, APCBEE Procedia 10 251 ”“ 256, ICESD 2014: February 19-21, Singapore.

Elsanabary, M. and Gan, T., 2015. Weekly Streamflow Forecasting Using a Statistical Disaggregation Model for the Upper Blue Nile Basin, Ethiopia. Journal of Hydrologic Engineering, Vol. 20, May, 04014064.

Elshorbagy, A., Corzo, G., Srinivasulu, S., and Solomatine, D. P., 2010. Experimental investigation of the predictive capabilities of data driven modeling techniques in hydrology ”“ Part 2: Application, Hydrol. Earth Syst. Sci., 14, 1943”“1961, doi:10.5194/hess-14-1.

Figueiredo, N. M., Blanco, C. J. C., 2014. Simulação de Vazões e Níveis de Água |Médios Mensais para o Rio Tapajós Usando Modelos ARIMA; RBRH ”“ Revista Brasileira de Recursos Hídricos V. 19 nº 3 ”“ Jul/Set, 111-126.

Haykin, S., 2005. Neural Networks: A Comprehensive Foundation, 9th Ed. Upper Saddle River, NJ, USA: Prentice Hall PTR.

Hidayat, H., 2014. Prediction of discharge in a tidal river using artificial neural networks. Journal of Hydrologic Engineering, 19 (8).

Instituto Nacional de Meteorologia ”“ INMET, 2014. Banco de Dados Meteorológicos para Ensino e Pesquisa ”“ BDMEP (2014). Disponível em: http://www.inmet.gov.br/portal/ index.php?r =bdmep/bdmep. Acessado em outubro de 2014.

Johnston, R., Smakhtin, V., 2014. Hydrological Modeling of Large River Basins: How Much is Enough, Water Resources Management, 2014, 2695-2730, DOI: 10.1007/s11269-014-0637-8.

Khan, M. Y. A., Hasan, F., Panwar, S. And Chakrapani, G. J., 2015. Neural network model for discharge and water level prediction for Ramganga river catchment of Ganga Basin, India, Hydrological Sciences Journal, 08/2015; DOI: 10,1080 / 02626667.2015.1083650.

Pruski, F. F.; Pereira, S. B., Novaes, L. F.; Silva, D. D.; Ramos, M. M., 2004. Precipitação média anual e vazão específica média de longa duração, na Bacia do São Franscisco. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 8, n. 2/3, p. 247-253.

Tingsanchali, T., Gautam, M. R., 2000. Application of tank, NAM, ARMA and neural network to flood forecasting. Hydrol. Process. 14, 2473”“2487.

Wu, C.L.; Chau, K.W., 2010. Data-driven models for monthly streamflow time series prediction, Engineering Applications of Artificial Intelligence, Volume 23, Issue 8, December 2010, Pages 1350-1367, ISSN 0952-1976, 10.1016 /j. engappai.2010.04.003.

Downloads

Publicado

2017-01-25

Como Citar

de Figueiredo, N. M., & Blanco, C. J. C. (2017). MODELOS RNA COMO FERRAMENTAS DE PREVISÃO DE AFLUÊNCIAS E DE NÍVEIS DE ÁGUA EM AHE. Revista Interdisciplinar De Pesquisa Em Engenharia, 2(9), 110–123. https://doi.org/10.26512/ripe.v2i9.15037