Modelagem chuva-vazao mensal utilizando redes neurais artificiais

Orientadora: Miriam Rita Moro MineCo-orientador: Eloy KaviskiInclui apendicesDissertaçao (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduaçao em Recursos Hídricos e Ambientais. Defesa: Curitiba, 2005Inclui bibliografiaÁrea de concentraçao: Engenharia hidrológicaResumo: Avaliar de maneira precisa o processo de transformação de chuva em vazão é importante para um melhor gerenciamento dos recursos hídricos. Para tal podem ser utilizados modelos chuva-vazão. Modelos que simulam o ciclo hidrológico descrevendo matematicamente suas diversas fases são ditos modelos conceituais. Estes modelos apresentam bons resultados, no entanto, a calibragem dos parâmetros é demorada e subjetiva e em certos casos são dependentes de levantamento de dados em campo. Uma alternativa aos modelos conceituais são modelos empíricos que relacionam entrada e saída através de uma função matemática sem relação com as características físicas do processo chuva-vazão. O objetivo desta pesquisa foi modelar a relação entre chuva e vazão através de uma técnica conhecida por redes neurais artificiais (RNA). As RNA são modelos empíricos com funcionamento semelhante ao funcionamento do cérebro humano. Nesta pesquisa foi avaliada a capacidade das RNA modelarem o processo chuva-vazão em base mensal. Foi considerado durante o treinamento das RNA as influências da arquitetura da rede, do número de epochs (épocas), da inicialização dos pesos e da extensão das séries de dados. Foi desenvolvido um algoritmo computacional que ao final do processo de treinamento gerou 1296 resultados. As três RNA que produziram os melhores resultados foram confrontados com os resultados do modelo conceitual IPHMEN. Os resultados foram muito satisfatórios. Palavra-chave: Redes Neurais Artificiais, modelos chuva-vazão.Abstract: The precise evaluation of the rainfall-runoff process is an important aspect to improve the water resoures management. To perform this task usually rainfall-runoff models are used. One class of this models, called conceptual models, simulate the hydrological cycle using a mathematical description of the main hydrologic processes. These models usually present good result, however often the adjustment of paramenters is time consuming and depending on personal judgment. They also depend, in certain cases on additional field data surveys. An alternative to conceptual models are empirical or black-box models which relate input and output by an mathematical fuction without any relationship with the characterisitics of the real rainfall-runoff process. The objetive of this research is to establish a rainfall-ruonff relationship by means of the artificial neural network (ANN) technique. The ANN are empirical models operating similar to the human brain. In this research the ability of ANN to model the rainfall-ruonff process has been analysed on a monthly time step basis. During the training of the ANN the influence of network architecture, the number of epochs, weight incialization and data series length were considered. A computational algorithm which generated 1296 results has been developed. The three ANN that generated the best results were confronted with the results of a conceptual model called IPHMEN. The results were very satisfactory. Keys-words: Artificial Neural Network, rainfall-runoff relantionship