Investigação da aplicabilidade do uso de modelos hidrológicos e redes neurais na propagação de vazões

Abstract

Resumo: Essencialmente, a propagação de vazões é um problema de escoamento não permanente em canais, equacionado por Barré de Saint-Venant em 1871 através de um sistema de duas equações diferenciais parciais que levam o seu nome. No caso de cheias naturais em rios, certos termos das equações de Saint-Venant podem ser negligenciados. Além disso, uma das equações é frequentemente substituída por relações puramente empíricas o que simplifica o método e reduz sobremaneira a quantidade de dados necessários. Modelos de propagação que seguem esta linha, isto é, usam apenas a equação da continuidade e uma relação empírica entre armazenamento e vazões, são denominados modelos hidrológicos. Já os modelos que utilizam as duas equações de Saint-Venant completas (equação da conservação de massa e da quantidade de movimento) são denominados modelos hidrodinâmicos. Nos últimos anos um novo tipo de enfoque tem sido dado a problemas que envolvem fenômenos complexos e de difícil modelagem - o uso de Redes Neurais Artificiais (Artificial Neural Networks - ANN). Redes neurais artificiais podem ser entendidas como uma reunião de várias unidades de processamento distribuídas e interconectadas, cujo funcionamento é inspirado na estrutura neural de organismos inteligentes. Essa rede de elementos tem a capacidade de armazenar informações e aprender com o ambiente em que está situado. O principal objetivo desse trabalho é verificar a aplicabilidade de modelos hidrológicos e redes neurais artificiais na propagação de vazões em rios. São, para isso, revisados os conceitos básicos do fenômeno da propagação de vazões, sua formulação matemática, e analisados modelos hidrológicos usuais, redes neurais e um modelo hidráulico completo. Através dos resultados obtidos verificar-se-á se o uso de modelos hidrológicos simples e de redes neurais artificiais, fornecem resultados suficientemente precisos e confiáveis a ponto de serem utilizados em problemas reais de propagação de vazões em rios. Os resultados obtidos indicam que as diferenças encontradas, nas comparações entre modelos hidrodinâmicos, hidrológicos e redes neurais, são pequenas. Porém para todos os modelos é necessário que se disponha de uma estimativa razoavelmente precisa da vazão incremental ao trecho estudado, sempre que esta seja significativa.

Abstract: Flow routing is essentially a problem of unsteady flow in open channels, with the purpose of predicting the magnitude, and shape of a flood wave as a function of time and space along a watercourse. In 1871, Barré de Saint Venant derived the basic equations for one dimensional analysis of gradually varied unsteady flow in open channels. However, during almost 100 years owing to the mathematical complexity of the Saint Venant equations, simplifications were necessary to obtain solutions for practical problems. This resulted in the development of many simplified flow routing methods. Two general approaches are commonly used: hydrology methods, based on mass conservation and empirical relations between storage and flow; and hydraulic methods, based on the principles of mass and momentum conservation. Recently, a new approach called Artificial Neural Networks - ANN have been successfully used in hydrology related areas such as rainfall-runoff modeling, streamflow forecasting, water quality and hydrology time series. An ANN is a massive parallel-distributed information processing system that has certain performance characteristics resembling biological neural networks of the human brain. The main purpose of this dissertation is to verify the applicability of some simple hydrology models, hydraulic models and ANN for the routing of natural floods at Iguaçu River. The results show that much more detailed models, such as a complete hydrodynamic model (DAMBREAK), are only slightly better than some classical hydrology models using a very simplified approach and very few field data. However, an accurate estimate of the lateral inflow is crucial for all models in order to get reliable results.