Aplicação de redes neurais artificiais em modelos de previsão de demanda de água: estudo de caso no município de Joinville, (SC)

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Estrada, André Vitisin
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: https://repositorio.udesc.br/handle/UDESC/15561
Resumo: O consumo de água crescente no Brasil e as problemáticas relacionadas à falta de água em centros urbanos são temas presentes nos debates ligados à segurança hídrica das cidades e suas populações. O objetivo dessa pesquisa consiste em aplicar redes neurais para previsão de demanda de água no sistema de abastecimento da cidade de Joinville, no Sul do Brasil. Para isso, foram estuda dos vinte e quatro modelos de previsão de demanda de curto prazo englobando:modelos de demanda com defasagem, modelos de demandas com defasagem e variáveis independentes, modelos de demanda se variáveis independentes defasadas e modelos de variáveis independentes defasadas, para cada categoria de demanda estudada (residencial, comercial, industrial, pública e total). Os modelos foram aplicados à rede neural artificial do tipo multlayer perceptron com estrutura de uma e duas camadas ocultas, submetidas aos métodos de treino Backpropagation(BP) e Resilient Backpropagation(RPROP).Na análise exploratória foi constatado que o consumo de água na cidade é crescente e o seu uso no ambiente urbano corresponde a 80,06% no setor residencial; 10,28% no comercial; 5,33% no industrial;e 4,33% para o uso público. As redes neurais com duas camadas ocultas treinadas pelo algoritmo RPROP apresentaram maior acurácia nas previsões nas categorias residencial, industrial, pública e total e as redes treinadas pelo BP são mais acuradas na categoria comercial. Os modelos que englobaram as demandas passadas e as variáveis independentes (precipitação acumulada, número de matrículas e temperatura máxima e mínima) apresentaram melhores resultados. A rede neural da categoria total obteve valores mais assertivos, seguidos da categoria residencial, comercial, industrial e pública.