dc.contributor.advisor | Konzen, Pedro Henrique de Almeida | |
dc.contributor.author | Oliveira, José Maria Souza de | |
dc.contributor.author | Garrido Arrate, Juan de Diós | |
dc.contributor.author | Roloff, Glaucio | |
dc.date.accessioned | 2017-02-10T13:42:31Z | |
dc.date.available | 2017-02-10T13:42:31Z | |
dc.date.issued | 2012-06-05 | |
dc.identifier.uri | http://dspace.unila.edu.br/123456789/761 | |
dc.description | Anais do I Encontro de Iniciação Científica e de Extensão da Unila - Sessão de Ciência da Computação e Matemática - 05/06/12 - 08h00 às 12h00 - Unila-Centro - Sala 15 - 3o Piso | pt_BR |
dc.description.abstract | Este trabalho apresenta um teste de modelagem chuva-vazão, que busca a previsão e/ou estimativa da va -
zão a partir de dados hidrológicos e climáticos, feitos na bacia do Rio Ibicuí, localizado no Rio Grande do
Sul. O teste foi realizado utilizando Redes Neurais Artificiais (RNAs) que são sistemas paralelos distribu -
ídos compostos por unidades de processamento simples (nodos) que calculam determinadas funções ma -
temáticas (normalmente não-lineares). Mais especificamente, empregou-se uma rede Multi-Layer Percep -
tron (MLP) com algoritmo de treinamento Levenberg-Marquardt. Para os cálculos utilizamos o pacote
computacional Yapy que é desenvolvido na Universidade Federal da Integração Latino-Americana (UNI -
LA) e que foi, para este trabalho, otimizado e expandido. Buscamos treinar uma RNA para correlacionar
dados fluviométricos e pluviométricos com a vazão do Rio Ibicuí medina na estação Passo Mariano Pinto.
A comparação entre os resultados levou em consideração o erro via norma do máximo e o erro em volu -
me dos dados de validação. O treinamento ocorreu a partir de uma quantidade definida de épocas (entre
100 e 5000) entretanto a rede mostrou não necessitar de muitas épocas para convergir. Utilizamos estrutu -
ras de rede com as camadas intermediárias variando entre 3 e 30. A melhor RNA obtida possui uma ar -
quitetura de 4 camadas, sendo 4 estações fluviométricas e 3 pluviométricas como entrada, 8 neurônios na
primeira camada intermediária, 8 neurônios na segunda camada intermediária e 1 neurônio de saída. Obti -
vemos erro máximo relativo de aproximadamente 15% tanto nos dados de treinamento como nos dados
de validação. Ainda, o modelo obtido é robusto pois apresenta erro em volume menor que 1%. Analisan -
do o estudo de caso concluímos que nossa implementação do algoritmo Levenberg-Marquardt está nos
proporcionando bons resultados e que a metodologia empregada é uma boa alternativa para modelagem
chuva-vazão. | pt_BR |
dc.description.sponsorship | Universidade Federal da Integração Latino-Americana (UNILA) | pt_BR |
dc.language.iso | por | pt_BR |
dc.rights | openAccess | |
dc.subject | Redes neurais artificiais | pt_BR |
dc.subject | Algoritmo Levenberg-Marquardt | pt_BR |
dc.subject | Modelagem computacional | pt_BR |
dc.subject | Hidrologia | pt_BR |
dc.subject | Matemática | |
dc.title | Otimização e expanção do pacote computacional Yapy para a modelagem chuva-vazão - Estudo de caso: Rio Ibicuí | pt_BR |
dc.type | conferenceObject | pt_BR |