TEMPORAL MODELLING OF THE WATER DISCHARGES MEASUREMENTS ON FUNIL DAM (RJ) USING NEURAL NETWORK AND STATISTICAL METHODS
COORDENAÇÃO DE APERFEIÇOAMENTO DO PESSOAL DE ENSINO SUPERIOR === Em obras de maior porte e grande responsabilidade (portos, barragens, usinas nucleares, etc.), a quantidade de instrumentações pode se tornar suficiente para permitir a construção de modelos de variabilidade temporal das propriedade...
| Main Author: | |
|---|---|
| Other Authors: | |
| Language: | Portuguese |
| Published: |
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO
2005
|
| Online Access: | http://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=7060@1 http://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=7060@2 |
| Summary: | COORDENAÇÃO DE APERFEIÇOAMENTO DO PESSOAL DE ENSINO SUPERIOR === Em obras de maior porte e grande responsabilidade (portos,
barragens,
usinas nucleares, etc.), a quantidade de instrumentações
pode se tornar suficiente
para permitir a construção de modelos de variabilidade
temporal das propriedades
de interesse com base em redes neurais artificiais. No caso
de barragens, o
monitoramento através da instalação de um sistema de
instrumentação
desempenha um papel fundamental na avaliação do
comportamento destas
estruturas, tanto durante o período de construção quanto no
período de operação.
Neste trabalho empregou-se a técnica de redes neurais
temporais (RNT) para
análise, modelagem e previsão dos valores de vazão na
barragem Funil, do
sistema Furnas Centrais Elétricas, a partir dos dados de
instrumentações
disponíveis no período compreendido entre 02/09/1985 e
25/02/2002. As redes
neurais temporais empregadas foram: RNT com arquitetura
feedforward associada
a técnica de janelamento, RNT recorrente Elman, RNT FIR e
RNT Jordan.
Adicionalmente, foram utilizadas duas técnicas para análise
das séries temporais:
os modelos de Box & Jenkins (1970) e métodos
geoestatísticos, com a finalidade
de comparar com o desempenho das RNT´s. Nesta pesquisa
estuda-se ainda a
geração de intervalos de confiança para RNT e para métodos
geoestatísticos. As
previsões de vazão analisadas neste trabalho, envolvendo o
comportamento da
barragem Funil, apresentaram resultados satisfatórios tanto
os obtidos pelos
modelos de redes neurais temporais como pelos de Box &
Jenkins e métodos
geoestatísticos. === In works of great responsibility (ports, dams, nuclear
power, etc.), the
amount of instrumentation data may allow the construction
of models for the
temporary variability of the properties of interest based
on neural network
techniques. In case of dams, the monitoring through the
installation of an
instrumentation system plays a fundamental part in the
evaluation of the behavior
of these structures, during the construction period as well
as in the operation
period. In this work the technique of temporal neural
networks (TNN) was used
for analysis, modeling and forecast of the water discharges
values in the Funil
dam, from Furnas Centrais Elétricas system, starting from
the data of available
instrumentation in the period between 02/09/1985 and
25/02/2002. The temporal
neural networks used in this research were the following:
TNN with feedforward
architecture and the windowing technique, recursive TNN
Elman, TNN FIR and
TNN Jordan. Two additional techniques (Box & Jenkins and
geostatistical
models) were employed for analysis of the time series with
the purpose to
compare the results obtained with neural networks. In this
research the generation
of confidence intervals for TNN and geostatistical methods
were also investigated.
The discharge values forecasts analyzed in this work for
the Funil dam presented
satisfactory results, with respect to the neural network,
Box & Jenkins and
geostatistical methods. |
|---|