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. |