Predição de vazão afluente da barragem de Jucazinho utilizando técnicas de aprendizado de máquina

• Ano de defesa: 2024
• Autor(a) principal: SILVA, Erickson Johny Galindo da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco; UFPE; Brasil; Programa de Pos Graduacao em Engenharia Civil e Ambiental
• Palavras-chave em Português: Máquina de vetores de suporte; Redes neurais (Computação); Modelagem hidrológica; Chuvas; Vazão
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/56908

A história secular da construção de barragens, desde a Barragem Saad el-Kafara até a expansão global na década de 1950, destaca a importância dessas estruturas na gestão dos recursos hídricos. A Barragem de Jucazinho, construída em 1998, surgiu como resposta à escassez de água no Agreste, em Pernambuco. Embora tenha enfrentado colapso em 2016, a barragem se recuperou em 2020 após intervenções da concessionária de água local. Nesse contexto, a confiabilidade de modelos de predição de vazão afluente em barragens torna-se crucial para os gestores. Este estudo propôs um modelo hidrológico baseado em inteligência artificial com o objetivo de gerar séries de vazão e avaliar a adaptabilidade desses modelos na operação da Barragem de Jucazinho. A metodologia adotada utilizou o Python 3.7.13 no ambiente Jupyter Notebook 6.4.12, aproveitando a clareza, simplicidade e extensa biblioteca da linguagem. A normalização dos dados entre 0 e 1 foi aplicada para evitar o predomínio de variáveis com valores elevados. O modelo, baseado em aprendizado de máquina, empregou máquinas de vetores de suporte (MVS), floresta aleatória (FA) e redes neurais artificiais (RNA) fornecidas pela biblioteca Sklearn. A seleção das estações de monitoramento ocorreu por meio do portal HIDROWEB, da Agência Nacional de Águas e Saneamento (ANA), utilizando a correlação de Spearman para identificar a relação entre precipitação e vazão. A avaliação do desempenho dos modelos envolveu análise gráfica e critérios estatísticos como o coeficiente de eficiência do modelo de Nash-Sutcliffe (NSE), o Percentual de Viés (PBIAS), o Coeficiente de Determinação (R2) e a Razão do Desvio Padrão da Raiz da Média (RSR). Os resultados dos coeficientes estatísticos para os dados de teste indicaram um desempenho insatisfatório para as previsões de longo prazo (8, 16 e 32 dias à frente), revelando uma tendência de queda na qualidade do ajuste com o aumento do horizonte de previsão. O modelo de MVS destacou-se, obtendo os melhores índices de NSE, PBIAS, R2 e RSR. Os resultados gráficos dos modelos MVS mostraram uma subestimação dos valores de vazão com o aumento do horizonte de previsão, devido à sensibilidade da MVS a padrões complexos nas séries temporais. Por outro lado, os modelos de FA e RNA mostraram uma hiperestimação dos valores de vazão à medida que o número de dias previstos aumentou, atribuído principalmente ao overfitting. Em síntese, este estudo destaca a relevância da inteligência artificial na previsão de vazão para a gestão eficiente de barragens, especialmente em cenários de escassez hídrica. A escolha adequada dos modelos e a garantia de dados de entrada confiáveis são cruciais para a obtenção de previsões precisas, contribuindo para a segurança hídrica e a operação efetiva de barragens como a de Jucazinho.