RESUMO Este trabalho teve como objetivo desenvolver um novo método híbrido de calibração de rugosidades absolutas em redes de distribuição de água, com base na combinação do método iterativo do gradiente hidráulico alternativo (Migha) com uma rede neural artificial (RNA) do tipo Perceptron Multicamadas. Foram testadas diferentes configurações para o modelo, em vários cenários que diferiam quanto ao número de pressões observadas utilizadas. Os resultados encontrados sugerem que a combinação dos métodos foi favorável à calibração das rugosidades, com erros absolutos médios inferiores a 0,016 mm no modelo que calculava apenas um valor por material para o parâmetro. A boa performance também ficou evidente quando analisadas as pressões e vazões retornadas pela simulação da rede calibrada, as quais apresentaram erros relativos médios de 0,12 e 0,36%, respectivamente, no cenário com 14% dos nós com pressões conhecidas, erros consideravelmente inferiores àqueles obtidos pela configuração inicial da rede e pelo uso exclusivo do Migha.
A detecção de vazamentos em redes de abastecimento é de suma importância para combater o desperdício de água potável, assim como melhorar a eficiência dos sistemas de distribuição de água. Neste trabalho foi desenvolvida uma rotina, utilizando como base o Método do Gradiente Hidráulico Alternativo (MIGHA), para calibrar as vazões de uma rede e posteriormente utilizar os resultados da calibração para detectar possíveis pontos de vazamentos. Os resultados obtidos mostram que o método consegue identificar os nós e os trechos onde os vazamentos possam estar localizados. Em relação ao cálculo da localização dos vazamentos nos trechos, os resultados foram satisfatórios quando o vazamento não possuía influência de outros vazamentos próximos. Palavras-chave: Calibração. Vazamentos. MIGHA.
A manutenção da qualidade da água em reservatórios é imprescindível para garantir o atendimento às demandas para o abastecimento da população. A modelagem da concentração de fósforo é necessária como auxílio à execução de medidas para prevenção de efeitos maléficos a qualidade da água, como a eutrofização. Neste trabalho foi realizada a calibração do coeficiente de decaimento de fósforo do reservatório Banabuiú-CE, que foi utilizado para modelar o Índice de Estado Trófico (IET) deste a partir da concentração de fósforo total e clorofila a. Os valores encontrados utilizando o coeficiente de decaimento do fósforo k calibrado por meio da metodologia exposta neste trabalho foram mais representativos do que as equações presentes na literatura para estimar o k por meio do tempo de residência da água em reservatórios. O IET encontrado para o reservatório Banabuiú-CE durante o período analisado foi predominantemente o hipereutrófico. Palavras-chave: Reservatório. Concentração de fósforo. Clorofila a. Modelagem da qualidade.
Estudos que apresentam previsões climatológicas têm crescido em importância, na medida em que o aumento da demanda de água e energia cria uma necessidade de se obter informações sobre o comportamento futuro das fontes naturais. Este artigo apresenta dois modelos de previsão de vazões médias do Rio Parnaíba, na altura da Usina Hidrelétrica de Boa Esperança, para os períodos de outubro a dezembro e de janeiro a abril, épocas que apresentam os maiores valores médios para essa variável hidrológica no local. Como preditores, foram utilizados índices climáticos relacionados a temperatura da superfície do mar, os quais foram escolhidos através da análise de teleconexões já conhecidas da literatura e das correlações calculadas entre as vazões observadas e os valores médios dos índices com diferentes defasagens. Em seguida, foram construídas Redes Neurais Artificias do tipo Perceptron Multicamadas para realizar as regressões para os dois cenários. O Modelo Out-Dez apresentou bons resultados, com coeficientes de Nash-Sutcliffe e Kling-Gupta de 0,64 e 0,71, respectivamente, para a fase de teste. Já o Modelo Jan-Abr, apesar de retornar um coeficiente de Nash-Sutcliffe menor, de 0,56, também apresentou um desempenho satisfatório, com Kling-Gupta de 0,73. Deste modo, os modelos constituem ferramentas que podem ser de grande valia para a operação da usina e para o planejamento do setor hídrico local. Seasonal Streamflow Forecast for the Hydroelectric Power Plant of Boa Esperança-PI using Artificial Neural Networks A B S T R A C TStudies presenting climatological forecasts have grown in importance, as the increase in the demand for water and energy creates a need to obtain information about the future behavior of natural sources. This paper presents two models of forecasting the average streamflow of the Parnaíba River, at the Boa Esperança Hydroelectric Power Plant, for the periods from October to December and from January to April, times that present the highest average values for this hydrological variable on site. As predictors, climatic indices related to sea surface temperature were used, which were chosen through the analysis of teleconnections already known in the literature and the correlations calculated between the observed streamflows and the average values of the indices with different lags. Then, Artificial Neural Networks of Multilayer Perceptrons type were built to perform the regressions for these two scenarios. The Oct-Dec Model showed good results, with Nash-Sutcliffe and Kling-Gupta coefficients of 0.64 and 0.71, respectively, for the test phase. The Jan-Apr Model, in spite of returning a smaller Nash-Sutcliffe coefficient, of 0.56, also presented a satisfactory performance, with Kling-Gupta of 0.73. In this way, the models are tools that can be of great value for the operation of the plant and for the planning of the local water sector.Keywords: Streamflow Forecast. Artificial Neural Network. Climate Index. Boa Esperança Hydroelectric Power Plant.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.