Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.ufc.br/handle/riufc/75332
Tipo: | TCC |
Título : | Avaliação de modelos de previsão de vazão baseados em aprendizagem de máquinas - Reservatório Fronteiras, Crateús-CE |
Autor : | Araújo, José Kerlly Soares de |
Tutor: | Alexandre, Alan Michell Barros |
Palabras clave en portugués brasileño: | Previsão de vazão;Índices TSM;Aprendizado de máquina;Redes neurais artificiais;Regressão linear |
Áreas de Conocimiento - CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA CIVIL |
Fecha de publicación : | 2023 |
Citación : | ARAÚJO, José Kerlly Soares de. Avaliação de modelos de previsão de vazão baseados em aprendizagem de máquinas - Reservatório Fronteiras, Crateús-CE. 2023. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Civil) - Campus de Crateús, Universidade Federal do Ceará, Crateús, 2023. Disponível em: http://repositorio.ufc.br/handle/riufc/75332 .Acesso em: |
Resumen en portugués brasileño: | O semiárido do Nordeste brasileiro é uma área caracterizada por condições climáticas e hidrológicas adversas, como baixa pluviosidade e irregularidade das chuvas. Esses fatores, juntamente com a geologia local, dificultam perenização natural dos rios e a recarga de aquíferos. Como resposta, a construção de reservatórios artificiais, exemplificada pelo açude Fronteiras no Ceará, é crucial para a sustentabilidade hídrica da região. Dessa forma, a capacidade de previsão de vazões afluentes aos reservatórios é um elemento central para a gestão eficiente dos recursos hídricos, na qual as previsões e incertezas devem ser analisadas no funcionamento e planejamento do sistema. Em função disso, o presente trabalho tem como objetivo principal avaliação da previsibilidade do regime vazão anual afluente ao Reservatório Fronteiras, a partir da variabilidade dos índices de Temperatura de Superfície do Mar (TSM) utilizando técnicas de redes neurais artificiais e modelos de regressão linear. Para isso foram utilizados como períodos preditores os trimestres Setembro-Outubro-Novembro (SON), JunhoJulho-Agosto (JJA), Março-Abril-Maio (MAM) e Dezembro-Janeiro-Fevereiro (DJF), em que os diferentes índices TSM são ranqueados por ordem de relevância através de técnicas de aprendizado de máquinas (Random Forest, Select K Best e XGBoost). Em seguida foram definidos modelos de previsão utilizando os métodos Multilayer Perceptron (MLP), Long Short-Term Memory (LSTM), Regressões Lasso, Ridge e Regressão Linear Múltipla (RLM). Na análise dos resultados, os fatores mais significativos identificados foram o Dipolo do Atlântico Tropical (TAD) e as anomalias de TSM associadas a ele, especificamente o Atlântico Tropical Norte e o Atlântico Tropical Sul. Os modelos mais eficazes para prever a vazão pertencem ao período preditor SON, destacando-se como melhor modelo o MLP-M7, que obteve um NSE (Nash-Sutcliffe Efficiency) de 0,329 e uma correlação de 0,638 durante a fase de validação. Por fim, apesar dos modelos apresentarem correlações satisfatórias, os valores de NSE foram considerados moderadamente baixos. |
Abstract: | The semi-arid region of Northeastern Brazil is characterized by challenging climatic and hydrological conditions, such as low rainfall and irregular rain patterns. These factors, combined with the local geology, hinder the natural perennial flow of rivers and the recharge of aquifers. In response, the construction of artificial reservoirs, exemplified by the Fronteiras reservoir in Ceará, is crucial for the region's water sustainability. Consequently, predicting inflow to these reservoirs is a key element in the efficient management of water resources, where forecasts and uncertainties must be analyzed for system operation and planning. This study primarily aims to evaluate the predictability of the annual inflow regime to the Fronteiras Reservoir, based on the variability of Sea Surface Temperature (SST) indices using artificial neural networks and linear regression models. Predictor periods such as September- October-November (SON), June-July-August (JJA), March-April-May (MAM), and DecemberJanuary-February (DJF) were used, ranking different SST indices by relevance using machine learning techniques (Random Forest, Select K Best, and XGBoost). Prediction models were then defined using Multilayer Perceptron (MLP), Long Short-Term Memory (LSTM), Lasso and Ridge Regressions, and Multiple Linear Regression (MLR). In the results, the most significant factors identified were the Tropical Atlantic Dipole (TAD) and SST anomalies associated with it, specifically the North and South Tropical Atlantic. The most effective models for predicting flow belong to the SON predictor period, with the MLP-M7 model standing out, achieving a Nash-Sutcliffe Efficiency (NSE) of 0.329 and a correlation of 0.638 during the validation phase. Finally, despite satisfactory correlations, the NSE values were considered moderately low. |
URI : | http://repositorio.ufc.br/handle/riufc/75332 |
Derechos de acceso: | Acesso Aberto |
Aparece en las colecciones: | ENGENHARIA CIVIL - CRATEÚS - Monografias |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
2023_tcc_jksaraujo.pdf | 1,89 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.