| dc.description.abstract | A demanda por um melhor controle e gerenciamento de recursos hídricos é crescente. No caso de rios, o
principal componente a ser estimado é a vazão em um determinado local do curso de água. Uma boa esti -
mativa da vazão pode ser obtida através de um modelo chuva-vazão que correlaciona parâmetros climáti -
cos locais, principalmente precipitação, com a vazão observada no local de interesse. A obtenção de tal
modelo depende de registros históricos destes parâmetros que, em muitos rios da América Latina, são es -
cassos. Uma alternativa para lidar com esta problemática é o emprego de Redes Neurais Artificiais
(RNAs) para a construção de modelos empíricos de chuva-vazão. A principal vantagem no emprego de
RNAs frente técnicas de modelagem conceituais é seu baixo custo de implementação, pois elas necessi -
tam de pouca informação dos processos físicos envolvidos e, assim, demandam baixos cursos de análise.
Neste trabalho, apresentam-se dois estudos de caso de modelagem chuva-vazão empregando RNAs. Mais
especificamente, emprega-se RNAs para a obtenção de modelos empíricos que estimem a vazão média
mensal e diária no Rio Jangada, afluente às margens esquerdas do Rio Iguaçu, localizado entre as cidades
de Porto União (SC) e União da Vitória (PR). Para o desenvolvimento, utilizou-se o Yapy, pacote compu -
tacional para a modelagem de problemas utilizando RNAs. O Yapy é desenvolvido na UNILA (Universi -
dade Federal da Integração Latino-Americana) e implementado em linguagem orientada a objetos C++.
Atualmente, o pacote possui as as redes Hebb, Perceptron e Perceptron Multicamadas e estão disponíveis
os algorítimos de treinamento Backpropagation Clássico, Backpropagation Momentum, Backpropagation
Delta-bar-Delta e Levenberg-Maquardt. É importante ressaltar que as implementações dos algoritmos
Momentum e Delta-bar-Delta foram realizadas, validadas e utilizadas neste trabalho. Para os modelos
construídos utilizou-se 7 postos pluviométricos e 1 posto fluviométrico. Obtivemos bons resultados na
modelagem chuva-vazão mensal, o erro de norma máxima no treinamento foi 26,2m3/s e na validação de
17,6m3/s, conseguindo então uma correlação de 89,69 e 90,13 respectivamente. Na modelagem chuva-
vazão diária alcançamos um erro de norma máxima de 24,4m3/s e no treinamento e de 22,1m3/s na valida -
ção, conseguindo assim uma correlação de 96,0 e 95,0 respectivamente. Comparando os resultados e ana-
lisando conjuntamente todo o processo, chegou-se a conclusão que a modelagem diária é mais eficiente e
fácil de ser realizada, fato que se deve ao menor período de tempo entre dados consecutivos. Devido a
isso, podemos afirmar que a vazão em uma bacia é melhor explicada pelos processos ocorridos em uma
escala diária do que por processos ocorridos em uma escala mensal. | pt_BR |
