Konzen, Pedro Henrique de AlmeidaOliveira, José Maria Souza deGarrido Arrate, Juan de DiósRoloff, Glaucio2017-02-102017-02-102012-06-05https://dspace.unila.edu.br/handle/123456789/761Anais 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 PisoEste 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.poropenAccessRedes neurais artificiaisAlgoritmo Levenberg-MarquardtModelagem computacionalHidrologiaMatemáticaconferenceObject