Modelagem híbrida de vazões fluviais com MGB-IPH e redes neurais artificiais

Página do item simplificado
dc.contributor.advisorPinheiro, Hemerson Donizete
dc.contributor.authorSilva, André Rodrigues da
dc.contributor.bancaBolonhez, Bruna Forestieri
dc.contributor.bancaBenatti, Cláudia Telles
dc.contributor.bancaNitsche, Pablo Ricardo
dc.contributor.bancaMartins, Jorge Alberto
dc.coverage.extent114 p.
dc.coverage.spatialLondrina
dc.date.accessioned2026-08-28T12:21:12Z
dc.date.available2026-08-28T12:21:12Z
dc.date.issued2026-06-29
dc.description.abstractA 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.
dc.description.abstractother1Hydrological modeling is essential for the planning and management of water resources, for streamflow forecasting in hydroelectric plants, and for flood control in cities and the mitigation of droughts that affect agriculture. Artificial intelligence techniques have gained prominence due to their ability to identify complex patterns in large volumes of data, even when the physical formulation of processes is uncertain or incomplete. This study aimed to propose, develop, and evaluate a hybrid model integrating the Large Basins Model (MGB-IPH) with Multilayer Perceptron (MLP) Artificial Neural Networks to improve daily streamflow forecasting, integrated with an uncertainty quantification framework. The study area was the Ivaí River Basin (Paraná, Brazil), using a 45-year time series (1975 to 2019), with 1975 to 2011 as the calibration period and 2012 to 2019 as the validation period. The MGB-IPH was calibrated, and its uncertainty was evaluated through the development of a computational routine based on the SUFI-2 algorithm, and its outputs served as inputs for the neural network. The neural network’s uncertainty was quantified using the Monte Carlo Dropout method with up to 10,000 simulations, generating the 95PPU probabilistic envelope (95% Prediction Uncertaint). Two architectures were evaluated: MGB-ANN-1 (streamflows from 11 sub-basins as input) and MGB-ANN-2 (streamflows from 11 sub-basins and 83 precipitation series). The results confirmed the research hypothesis: the hybrid model MGB-ANN-1 outperformed the standalone MGB-IPH, increasing the Nash-Sutcliffe Efficiency (NSE) from 0.69 to 0.84 and the Logarithmic Nash-Sutcliffe Efficiency (NSlog) from 0.89 to 0.90 in the validation period and reducing the percent bias (PBIAS) from -8.08% to -5.20%. It was found that the insertion of precipitation (MGB-ANN-2) did not yield significant gains and widened the uncertainty band (with an increase in the d-factor from 0.46 to 0.58 in the testing phase with 10,000 Monte Carlo Dropout simulations) due to the noise inherent in the pluviometric data. Despite the overall improvement, the MLP architecture demonstrated difficulties in reducing uncertainty during historical extreme streamflows (such as those of 1983 and 2013) due to the scarcity of events of this magnitude for algorithm training.
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/19723
dc.language.isopor
dc.relation.departamentCTU - Departamento de Construção Civil
dc.relation.institutionnameUniversidade Estadual de Londrina - UEL
dc.relation.ppgnamePrograma de Pós-Graduação em Engenharia Civil
dc.subjectAnálise de incerteza
dc.subjectModelagem hidrológica
dc.subjectEventos extremos
dc.subjectRecursos hídricos
dc.subjectModelo de Grandes Bacias
dc.subjectRedes neurais artificiais
dc.subject.capesEngenharias - Engenharia Civil
dc.subject.cnpqEngenharias - Engenharia Civil
dc.subject.keywordsUncertainty analysis
dc.subject.keywordsHydrological modeling
dc.subject.keywordsExtreme events
dc.subject.keywordsWater resources
dc.subject.keywordsLarge Basin Model
dc.subject.keywordsArtificial neural networks
dc.titleModelagem híbrida de vazões fluviais com MGB-IPH e redes neurais artificiais
dc.title.alternativeHybrid modeling of streamflow using MGB-IPH and artificial neural networks
dc.typeTese
dcterms.educationLevelDoutorado
dcterms.provenanceCentro de Tecnologia e Urbanismo

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Nenhuma Miniatura disponível
Nome:
EN_CCI_Dr_2026_Silva_André_R.pdf
Tamanho:
13.78 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo ID. 195668 Embargado até 29/06/2028
Baixar
Nenhuma Miniatura disponível
Nome:
EN_CCI_Dr_2026_Silva_André_R_TERMO.pdf
Tamanho:
315.75 KB
Formato:
Adobe Portable Document Format
Descrição:
Termo de autorização
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
555 B
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

01 - Doutorado - Engenharia Civil