Análise e predição das deformações do concreto em dados de instrumentação utilizando um método híbrido

Abstract

Resumo: Este estudo apresenta um método híbrido, denominado SARIMAX-NEURAL, aplicado a séries temporais sazonais univariadas. O método proposto representa uma combinação linear dos modelos autorregressivos integrado de médias móveis (metodologia Box & Jenkins), como modelo de predição das deformações corrigidas do concreto influenciadas pela temperatura ambiente, e de redes neurais artificiais como modelo de predição dos resíduos obtidos da modelagem Box & Jenkins. Tratase de uma metodologia estatística para predição de séries temporais com estrutura de auto dependência linear dos dados e que é aplicada em diversas áreas da ciência. As redes neurais artificiais são eficientes para modelagem de predição de séries temporais com estrutura de auto dependência não linear nos dados. O método híbrido SARIMAX-NEURAL foi proposto nesta tese como combinação linear ou soma dos modelos Box & Jenkins e dos modelos de redes neurais Deep Learning com arquitetura Long Short-Term Memory, que representa a modelagem de predição de séries temporais sazonais univariadas com estrutura de dependência linear e não linear. As séries temporais das deformações corrigidas do concreto foram obtidas a partir de dados históricos medidos por rosetas de deformímetro instaladas em um bloco de contraforte da barragem da usina hidrelétrica de Itaipu. O método híbrido proposto, que considerou o efeito da temperatura ambiente sobre as deformações do concreto, apresentou resultados eficientes na comparação com os métodos individuais em que não foi considerado o efeito da temperatura ambiente. Os ganhos de precisão preditiva ficaram entre 29% e 37%. Palavras-chave: Séries temporais. Redes neurais Deep Learning. Modelos Box & Jenkins.

Abstract: This study presents a hybrid method, called SARIMAX-NEURAL, applied to univariate seasonal time series. The proposed method is a linear combination of autoregressive integrated moving average models (Box & Jenkins methodology) as predict the corrected concrete deformation influenced by ambient temperature model, and artificial neural networks as prediction model of the residuals obtained from Box & Jenkins modeling. This is a statistical methodology for the prediction of time series with a linear self-dependency structure of the data and that is applied in several areas of science. Artificial neural networks are efficient for modeling prediction of time series with nonlinear dependence structure in the data. The hybrid method SARIMAX-NEURAL was proposed in this thesis as a linear combination or sum of the Box & Jenkins models and the Deep Learning neural network models with Long Short-Term Memory architecture, which represents the prediction modeling of univariate seasonal time series with linear dependence structure and non-linear. The time series of the corrected deformation of concrete were obtained from historical data measured by rosettes strains installed on a dam buttress block the hydroelectric plant of Itaipu. The proposed hybrid method, which considered the effect of the ambient temperature on the deformations of the concrete, presented efficient results in comparison with the individual methods in which the effect of the ambient temperature was not considered. Predictive accuracy gains were between 29% and 37%. Key-words: Times series. Artificial neural networks RBF. Box & Jenkins models.