Previsão das séries temporais dos deslocamentos horizontais dos blocos da Barragem de Itaipu por meio de redes neurais recorrentes do tipo LSTM

Abstract

Resumo : O monitoramento da saúde estrutural da barragem é um dos assuntos de maior importância no âmbito da segurança das mesmas. Dados como temperatura, deslocamento, nível da água são vitais para o correto planejamento dos trabalhos de manutenção. Neste trabalho foram obtidas as previsões dos dados de deslocamento horizontal dos blocos F05, F13, e F19 nos eixos X (na direção do fluxo do rio) e Y (perpendicular ao fluxo do rio), obtidos pelos pêndulos diretos instalados na estrutura da Usina Hidrelétrica da Itaipu Binacional por meio do uso de redes neurais artificiais recorrentes do tipo Long Short Term Memory (LSTM). Este tipo de redes permite melhor utilização dos dados passados para a previsão, devido a seu caráter recorrente e o uso de células de memória. Com isto, um modelo foi proposto com uma busca por grade para refinar melhor os hiperparâmetros. Os resultados obtidos demonstram a eficiência da técnica quando utilizada nas referidas séries temporais quando comparada com técnicas como ARIMA e Redes Neurais MLP. Finalmente, pode-se concluir que as redes neurais recorrentes são promissoras para a área de previsões das séries temporais e o modelo proposto deve ser testado em mais dados de séries temporais.

Abstract : The monitoring of the structural health of the dam is one of the most critical issues in dam safety. Data such as temperature, displacements, water level, among others are vital to the correct planning of maintenance. In this work, data from direct pendulums installed inside Itaipu Hydroelectric Power Plant is used to forecast horizontal displacement of F05, F13 and F19 blocks in the X-axes (in the direction of river flow) and Y-axes (perpendicular to river flow) with recurrent neural networks of the type Long Short Term Memory (LSTM). This type of network allows better use of the data due to its recurrent character and the use of memory cells. A model architecture was proposed with a grid search to tune its hyperparameters. The forecast results demonstrate the efficiency of the technique for these particular time series when compared to ARIMA and MLP. Finally, we conclude that using recurrent neural networks for time series is promising, and the proposed model should be tested with more time series data.