Análise de modelos machine learning para previsão e otimização do comportamento de redes de abastecimento de água

• Autor(a) principal: Bastos, Nelson Kévin das Neves
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10773/32168
• topic: Sistemas de abastecimento de água; Machine learning; Modelação; Otimização; Redução custos operacionais

Fornecer água em quantidade, qualidade e pressão adequada a toda a população tem sido um dos grandes desafios da história da humanidade. Por serem sistemas vitais ao funcionamento da sociedade, os sistemas de abastecimento de água (SAA) focaram-se na eficácia do transporte de água para todas as casas e indústria, não dando a devida importância aos custos energéticos resultantes desse processo. Porém, com o contínuo crescimento populacional registado nos últimos anos e consequente aumento dos consumos, tornou-se essencial otimizar o sistema. Atualmente, as bombas são colocadas em funcionamento quando os depósitos responsáveis pelo abastecimento atingem um valor mínimo, sendo desligadas posteriormente quando estes atingem um determinado valor máximo. Este funcionamento é pouco eficiente, pois não tem em conta as variações do custo das tarifas de energia ao longo do dia. Ao longo das últimas décadas várias técnicas de simulação e simuladores têm sido desenvolvidos de modo a otimizar os SAA. De todos, o simulador mais comum é o software de simulação hidráulica EPANET. Apesar de ser amplamente utilizado e de obter excelentes resultados, o EPANET apresenta um processo de calibração extremamente complexo e pouco funcional. Nesta dissertação é apresentada uma solução para tornar os SAA mais eficientes, eliminando todo o processo de calibração associado ao EPANET. São utilizados métodos de aprendizagem automática (Machine Learning) na simulação e otimização de SAA de modo a garantir um padrão de funcionamento das bombas ideal, resultando no menor custo do consumo de energia possível. Para isso, são utilizados dois algoritmos com arquiteturas diferentes: ANN e XGBoost. São também testados dois modelos diferentes: um modelo diferencial e um modelo com os valores obtidos no final de cada variação temporal. Os resultados indicam que todos os modelos utilizados são capazes de prever com precisão o comportamento do sistema, principalmente o XGBoost diferencial que apresentou constantemente os melhores resultados. Assim, os modelos ML utilizados apresentam-se como uma excelente alternativa na modelação e otimização de sistemas de abastecimento de água reais.