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 - 2 de 2
  • 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.
  • Nenhuma Miniatura disponível
    Item
    Modelagem híbrida de vazões fluviais com MGB-IPH e redes neurais artificiais
    (2026-06-29) Silva, André Rodrigues da; Pinheiro, Hemerson Donizete; Bolonhez, Bruna Forestieri; Benatti, Cláudia Telles; Nitsche, Pablo Ricardo; Martins, Jorge Alberto
    A modelagem hidrológica é imprescindível para o planejamento e gestão dos recursos hídricos, para a previsão de vazões em hidrelétricas e para o controle de inundações em cidades e mitigação de secas que afetam a agricultura. As técnicas de inteligência artificial têm ganhado destaque por sua capacidade de identificar padrões complexos em grandes volumes de dados, mesmo quando a formulação física dos processos é incerta ou incompleta. Este trabalho teve como objetivo propor, desenvolver e avaliar um modelo híbrido integrando o Modelo de Grandes Bacias (MGB-IPH) a Redes Neurais Artificiais do tipo Multilayer Perceptron (MLP) para aprimorar a previsão de vazões diárias, aliado a um framework de quantificação de incertezas. A área de estudo foi a bacia hidrográfica do rio Ivaí (Paraná, Brasil), utilizando uma série temporal de 45 anos (1975 a 2019), sendo 1975 a 2011 o período de calibração e 2012 a 2019 o período de validação. O MGB-IPH foi calibrado e teve sua incerteza avaliada por meio do desenvolvimento de uma rotina computacional baseada no algoritmo SUFI-2, e suas saídas serviram de entrada para a rede neural. A incerteza da rede neural foi quantificada pelo método de Monte Carlo Dropout com até 10.000 simulações, gerando o envelope probabilístico 95PPU (95% Prediction Uncertaint). Foram avaliadas duas arquiteturas: MGB-ANN-1 (vazões de 11 sub-bacias como entrada) e MGB-ANN-2 (vazões de 11 sub-bacias e 83 séries de precipitação). Os resultados confirmaram a hipótese da pesquisa: o modelo híbrido MGB-ANN-1 superou o MGB-IPH isolado, aumentando a Eficiência de Nash-Sutcliffe (NSE) de 0,69 para 0,84 e a Eficiência de Nash-Sutcliffe Logarítmica (NSlog) de 0,89 para 0,90 na validação, e reduzindo o viés percentual (PBIAS) de -8,08% para -5,20%. Constatou-se que a inserção da precipitação (MGB-ANN-2) não resultou em ganhos significativos e ampliou a largura da banda de incerteza (com aumento do d-factor de 0,46 para 0,58 no teste com 10.000 simulações de Monte Carlo Dropout) devido ao ruído inerente aos dados pluviométricos. Apesar da melhora, a arquitetura MLP demonstrou dificuldade em reduzir a incerteza durante as cheias históricas (como as de 1983 e 2013) em virtude da escassez de eventos dessa magnitude para o treinamento do algoritmo.