01 - Doutorado - Engenharia Civil

URI Permanente para esta coleção

http://repositorio.uel.br/handle/123456789/204

Navegar

Navegando 01 - Doutorado - Engenharia Civil por Autor "Bolonhez, Bruna Forestieri"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Modelagem híbrida com redes neurais por ensemble para predição de precipitação decendial
    (2025-06-09) Bolonhez, Bruna Forestieri; Pinheiro, Hemerson Donizete; Silva, Marcelo Augusto de Aguiar e; Medeiros Filho, Dante Alves; Martins, Jorge Alberto; Centeno, Jorge Antonio Silva
    A predição das precipitações, suas intensidades e durações é fundamental para a gestão dos recursos hídricos e mitigação de riscos para as obras de engenharia civil e as infraestruturas urbanas. Com os avanços das técnicas de aprendizado de máquina, surgiram novas possibilidades para aprimorar a modelagem de séries hidrológicas, incluindo o uso de métodos de associação (ensembles) entre os modelos. Esta pesquisa avaliou o desempenho de estratégias de associação aplicadas a predição da precipitação decendial (10 dias), combinando a decomposição da série pelo método STL (Seasonal-Trend Decomposition using LOESS) e o uso de múltiplas arquiteturas de redes neurais recorrentes (RNN, LSTM e GRU). Foram desenvolvidos cinco modelos híbridos com associação (H1 a H5) e múltiplos modelos comparativos baseados em redes isoladas (B1 a B3) e na recomposição direta das componentes (R1 a R4). As avaliações, realizadas para duas estações pluviométricas do Paraná (Maringá e Colônia Vitória), indicaram que as estratégias de associação não proporcionaram ganhos relevantes frente aos modelos individuais ou à recomposição direta das componentes. Em Maringá, o melhor modelo híbrido (H3) apresentou R² inferior ao modelo GRU direto (B3), e as séries previstas apresentaram perda de variabilidade e compressão dos extremos. Já para a Estação Colônia Vitória, o desempenho dos modelos foi ainda mais limitado, com R² negativos na maioria dos casos. Durante as modelagens, as estratégias com decomposição e associação demandaram tempos de processamento significativamente superior, sem reflexo positivo no desempenho preditivo. Os resultados reforçam que a eficácia das associações depende fortemente das características da série e da qualidade dos modelos-base, sendo que, para o contexto avaliado, a hipótese de ganhos com a associação não se confirmou.