Modelos robustos de previsão de vazão baseados em Wavelets e redes neurais artificiais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPB |
Texto Completo: | https://repositorio.ufpb.br/jspui/handle/123456789/26404 |
Resumo: | O desenvolvimento econômico de qualquer região pode estar diretamente ligado à quantidade e qualidade de seus recursos hídricos. Um gerenciamento adequado destes recursos é capaz de minimizar os efeitos de vários fenômenos naturais, tais como as secas que afetam diretamente o setor energético, o que recentemente têm provocado apagões no Brasil. Modelos de previsão são comumente usados para prover um melhor planejamento e operação de sistemas de abastecimento de água. Entretanto, procedimentos que consideram a previsão de curto a longo prazo ainda são escassos na literatura, principalmente no que diz respeito ao nordeste brasileiro. Desta forma, o objetivo deste trabalho foi o desenvolvimento de modelos robustos de previsão de vazão para diferentes horizontes (diários, mensais e anuais). Foram desenvolvidos dezoito modelos, sendo seis para previsão diária (RNAdQ→Q, RNAdP→Q, RNAdPQ→Q, WRNAdQ→Q, WRNAdP→Q e WRNAdPQ→Q); seis para previsão mensal (RNAmQ→Q, RNAmP→Q, RNAmPQ→Q, WRNAmQ→Q, WRNAmP→Q e WRNAmPQ→Q); além de seis para previsão anual (RNAaQ→Q, RNAaP→Q, RNAaPQ→Q, WRNAaQ→Q, WRNAaP→Q e WRNAaPQ→Q), os quais foram testados para previsão das vazões afluentes ao reservatório de Xingó. A eficiência desses modelos foi testada e foi comparada com a dos modelos tradicionais baseados em redes neurais artificiais (RNAdX, RNAmX e RNAaX), que são modelos que usam dados de vazão antecedente no reservatório de Xingó para prever a vazão futura no mesmo reservatório. A eficiência também foi testada e comparada com a dos modelos híbridos wavelet-redes neurais artificiais (WRNAdX, WRNAmX e WRNAaX), que são modelos que usam dados de vazão antecedente tratados através da transformada wavelet para prever a vazão futura no mesmo reservatório. Os resultados mostraram que os modelos híbridos (WRNA) foram superiores àqueles utilizando apenas redes neurais artificiais (RNA). De forma específica, para previsões diárias, o melhor modelo foi o híbrido WRNAdQ→Q, que utiliza as vazões transformadas dos reservatórios a montante, bem como a combinação destas vazões, como entrada no modelo para a previsão da vazão no reservatório de Xingó. Para previsões mensais e anuais, os modelos ideais foram os híbridos WRNAmPQ→Q e WRNAaPQ→Q, respectivamente, os quais utilizam a precipitação transformada ocorrida na bacia do reservatório de Três Marias e a vazão transformada no reservatório de Xingó como entrada em cada modelo para a previsão da vazão no reservatório de Xingó. |
id |
UFPB-2_0ce470b8376e6e10be889e1cd9827257 |
---|---|
oai_identifier_str |
oai:repositorio.ufpb.br:123456789/26404 |
network_acronym_str |
UFPB-2 |
network_name_str |
Repositório Institucional da UFPB |
repository_id_str |
|
spelling |
2023-03-07T19:29:12Z2022-05-232023-03-07T19:29:12Z2019-03-26https://repositorio.ufpb.br/jspui/handle/123456789/26404O desenvolvimento econômico de qualquer região pode estar diretamente ligado à quantidade e qualidade de seus recursos hídricos. Um gerenciamento adequado destes recursos é capaz de minimizar os efeitos de vários fenômenos naturais, tais como as secas que afetam diretamente o setor energético, o que recentemente têm provocado apagões no Brasil. Modelos de previsão são comumente usados para prover um melhor planejamento e operação de sistemas de abastecimento de água. Entretanto, procedimentos que consideram a previsão de curto a longo prazo ainda são escassos na literatura, principalmente no que diz respeito ao nordeste brasileiro. Desta forma, o objetivo deste trabalho foi o desenvolvimento de modelos robustos de previsão de vazão para diferentes horizontes (diários, mensais e anuais). Foram desenvolvidos dezoito modelos, sendo seis para previsão diária (RNAdQ→Q, RNAdP→Q, RNAdPQ→Q, WRNAdQ→Q, WRNAdP→Q e WRNAdPQ→Q); seis para previsão mensal (RNAmQ→Q, RNAmP→Q, RNAmPQ→Q, WRNAmQ→Q, WRNAmP→Q e WRNAmPQ→Q); além de seis para previsão anual (RNAaQ→Q, RNAaP→Q, RNAaPQ→Q, WRNAaQ→Q, WRNAaP→Q e WRNAaPQ→Q), os quais foram testados para previsão das vazões afluentes ao reservatório de Xingó. A eficiência desses modelos foi testada e foi comparada com a dos modelos tradicionais baseados em redes neurais artificiais (RNAdX, RNAmX e RNAaX), que são modelos que usam dados de vazão antecedente no reservatório de Xingó para prever a vazão futura no mesmo reservatório. A eficiência também foi testada e comparada com a dos modelos híbridos wavelet-redes neurais artificiais (WRNAdX, WRNAmX e WRNAaX), que são modelos que usam dados de vazão antecedente tratados através da transformada wavelet para prever a vazão futura no mesmo reservatório. Os resultados mostraram que os modelos híbridos (WRNA) foram superiores àqueles utilizando apenas redes neurais artificiais (RNA). De forma específica, para previsões diárias, o melhor modelo foi o híbrido WRNAdQ→Q, que utiliza as vazões transformadas dos reservatórios a montante, bem como a combinação destas vazões, como entrada no modelo para a previsão da vazão no reservatório de Xingó. Para previsões mensais e anuais, os modelos ideais foram os híbridos WRNAmPQ→Q e WRNAaPQ→Q, respectivamente, os quais utilizam a precipitação transformada ocorrida na bacia do reservatório de Três Marias e a vazão transformada no reservatório de Xingó como entrada em cada modelo para a previsão da vazão no reservatório de Xingó.The economic development could be related to the quantity and quality of its water resources. Proper management of these resources is able to minimize the effects of various natural phenomena, such as droughts that directly affect the energy sector, which have recently led to blackouts in Brazil. Forecasting models are commonly used to provide better planning and operation of water supply systems. However, procedures that consider the short- to long-term forecast are still scarce in the literature, especially in the northeastern Brazil. In this way, the aim of this work was the development of robust streamflow forecasting models for different horizons (daily, monthly and annual). Eighteen models were developed, six for daily forecasting (RNAdQ→Q, RNAdP→Q, RNAdPQ→Q, WRNAdQ→Q, WRNAdP→Q e WRNAdPQ→Q); six for monthly forecasting (RNAmQ→Q, RNAmP→Q, RNAmPQ→Q, WRNAmQ→Q, WRNAmP→Q e WRNAmPQ→Q); and six for anual forecasting (RNAaQ→Q, RNAaP→Q, RNAaPQ→Q, WRNAaQ→Q, WRNAaP→Q e WRNAaPQ→Q), which were tested for streamflow forecasting to the Xingó reservoir. The efficiency of these models were tested and compared to the efficiency of the traditional models based on artificial neural networks (RNAdX, RNAmX and RNAaX), which are models that use antecedent streamflow data into Xingó reservoir to forecast future streamflow in the same reservoir. The efficiency was also tested and compared to the efficiency of the hybrid wavelet-artificial neural network models (WRNAdX, WRNAmX and WRNAaX), which are models that use antecedent streamflow data treated through the wavelet transform to forecast future streamflow in the same reservoir. The results showed that the hybrid models (WRNA) were superior to those using only artificial neural networks (RNA). Specifically, for daily forecastings, the best model was the WRNAdQ→Q hybrid model, which uses the transformed streamflows from the upstream reservoirs, as well as the combination of these streamflows, as input into the model for the streamflow forecasting in Xingó reservoir. For monthly and annual forecastings, the ideal models were the WRNAmPQ→Q and WRNAaPQ→Q hybrid models, respectively, which use the transformed precipitation over the Três Marias reservoir basin and the transformed streamflow into Xingó reservoir as input for each model to forecast the streamflow into Xingó reservoir.Submitted by Fernando Augusto Alves Vieira (fernandovieira@biblioteca.ufpb.br) on 2023-03-02T11:56:13Z No. of bitstreams: 2 license_rdf: 805 bytes, checksum: c4c98de35c20c53220c07884f4def27c (MD5) PaulaKareninaDeMacedoMachadoFreire_Tese.pdf: 23421558 bytes, checksum: 58c2097492e29c53a4c4a57a5ee9eb8f (MD5)Approved for entry into archive by Biblioteca Digital de Teses e Dissertações BDTD (bdtd@biblioteca.ufpb.br) on 2023-03-07T19:29:12Z (GMT) No. of bitstreams: 2 license_rdf: 805 bytes, checksum: c4c98de35c20c53220c07884f4def27c (MD5) PaulaKareninaDeMacedoMachadoFreire_Tese.pdf: 23421558 bytes, checksum: 58c2097492e29c53a4c4a57a5ee9eb8f (MD5)Made available in DSpace on 2023-03-07T19:29:12Z (GMT). No. of bitstreams: 2 license_rdf: 805 bytes, checksum: c4c98de35c20c53220c07884f4def27c (MD5) PaulaKareninaDeMacedoMachadoFreire_Tese.pdf: 23421558 bytes, checksum: 58c2097492e29c53a4c4a57a5ee9eb8f (MD5) Previous issue date: 2019-03-26NenhumaporUniversidade Federal da ParaíbaPrograma de Pós-Graduação em Engenharia Civil e AmbientalUFPBBrasilEngenharia Civil e AmbientalAttribution-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nd/3.0/br/info:eu-repo/semantics/openAccessCNPQ::ENGENHARIAS::ENGENHARIA CIVILEngenharia Civil e AmbientalPrevisão de vazãoRedes Neurais Artificiais (RNA)Transformada Wavelet Discreta (TWD)Civil and Environmental EngineeringFlow forecastArtificial Neural Networks (ANN)Discret Wavelet Transform (DWT)Modelos robustos de previsão de vazão baseados em Wavelets e redes neurais artificiaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisSantos, Celso Augusto Guimarãeshttp://lattes.cnpq.br/422385953757044205632432440http://lattes.cnpq.br/3230082264468123Freire, Paula Karenina de Macedo Machadoreponame:Repositório Institucional da UFPBinstname:Universidade Federal da Paraíba (UFPB)instacron:UFPBTEXTPaulaKareninaDeMacedoMachadoFreire_Tese.pdf.txtPaulaKareninaDeMacedoMachadoFreire_Tese.pdf.txtExtracted texttext/plain388589https://repositorio.ufpb.br/jspui/bitstream/123456789/26404/4/PaulaKareninaDeMacedoMachadoFreire_Tese.pdf.txt8d963c6e48b40d24d461e5d6ec3719d6MD54LICENSElicense.txtlicense.txttext/plain; charset=utf-82390https://repositorio.ufpb.br/jspui/bitstream/123456789/26404/3/license.txte20ac18e101915e6935b82a641b985c0MD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repositorio.ufpb.br/jspui/bitstream/123456789/26404/2/license_rdfc4c98de35c20c53220c07884f4def27cMD52ORIGINALPaulaKareninaDeMacedoMachadoFreire_Tese.pdfPaulaKareninaDeMacedoMachadoFreire_Tese.pdfapplication/pdf23421558https://repositorio.ufpb.br/jspui/bitstream/123456789/26404/1/PaulaKareninaDeMacedoMachadoFreire_Tese.pdf58c2097492e29c53a4c4a57a5ee9eb8fMD51123456789/264042023-05-22 09:28:23.243QVVUT1JJWkHDh8ODTyBFIExJQ0VOw4dBIERFIERJU1RSSUJVScOHw4NPIE7Dg08tRVhDTFVTSVZBCgpBdXRvcml6byBlIGVzdG91IGRlIGFjb3JkbywgbmEgcXVhbGlkYWRlIGRlIHRpdHVsYXIgZG9zIGRpcmVpdG9zIGRlIGF1dG9yIGRhIHB1YmxpY2HDp8OjbyBhdXRvLWRlcG9zaXRhZGEsIGNvbmZvcm1lIExlaSBuwrogOTYxMC85OCwgb3Mgc2VndWludGVzIHRlcm1vczoKIApEYSBEaXN0cmlidWnDp8OjbyBuw6NvLWV4Y2x1c2l2YSAKTyBhdXRvciBkZWNsYXJhIHF1ZTogCmEpIE8gZG9jdW1lbnRvIGVudHJlZ3VlIMOpIHNldSB0cmFiYWxobyBvcmlnaW5hbCwgZSBxdWUgZGV0w6ltIG8gZGlyZWl0byBkZSBjb25jZWRlciBvcyBkaXJlaXRvcyBjb250aWRvcyBuZXN0ZSB0ZXJtby4gRGVjbGFyYSB0YW1iw6ltIHF1ZSBhIGVudHJlZ2EgZG8gZG9jdW1lbnRvIG7Do28gaW5mcmluZ2UsIHRhbnRvIHF1YW50byBsaGUgw6kgcG9zc8OtdmVsIHNhYmVyLCBvcyBkaXJlaXRvcyBkZSBxdWFscXVlciBvdXRyYSBwZXNzb2Egb3UgZW50aWRhZGUuIApiKSBTZSBvIGRvY3VtZW50byBlbnRyZWd1ZSBjb250w6ltIG1hdGVyaWFsIGRvIHF1YWwgbsOjbyBkZXTDqW0gb3MgZGlyZWl0b3MgZGUgYXV0b3IsIGRlY2xhcmEgcXVlIG9idGV2ZSBhdXRvcml6YcOnw6NvIGRvIGRldGVudG9yIGRvcyBkaXJlaXRvcyBkZSBhdXRvciBwYXJhIGNvbmNlZGVyIGEgVW5pdmVyc2lkYWRlIEZlZGVyYWwgZGEgUGFyYcOtYmEgb3MgZGlyZWl0b3MgcmVxdWVyaWRvcyBwb3IgZXN0ZSB0ZXJtbywgZSBxdWUgZXNzZSBtYXRlcmlhbCBjdWpvcyBkaXJlaXRvcyBzw6NvIGRlIHRlcmNlaXJvcyBlc3TDoSBjbGFyYW1lbnRlIGlkZW50aWZpY2FkbyBlIHJlY29uaGVjaWRvIG5vIHRleHRvIG91IGNvbnRlw7pkbyBkbyB0cmFiYWxobyBlbnRyZWd1ZS4gCmMpIFNlIG8gZG9jdW1lbnRvIGVudHJlZ3VlIMOpIGJhc2VhZG8gZW0gdHJhYmFsaG8gZmluYW5jaWFkbyBvdSBhcG9pYWRvIHBvciBvdXRyYSBpbnN0aXR1acOnw6NvIHF1ZSBuw6NvIGEgVW5pdmVyc2lkYWRlIEZlZGVyYWwgZGEgUGFyYcOtYmEgZGVjbGFyYSBxdWUgY3VtcHJpdSBxdWFpc3F1ZXIgb2JyaWdhw6fDtWVzIGV4aWdpZGFzIHBlbG8gcmVzcGVjdGl2byBjb250cmF0byBvdSBhY29yZG8uCmQpIENvbSBhIGFwcmVzZW50YcOnw6NvIGRlc3RhIGxpY2Vuw6dhLCB2b2PDqiAobyBhdXRvciAoZXMpIG91IG8gdGl0dWxhciBkb3MgZGlyZWl0b3MgZGUgYXV0b3IpIGNvbmNlZGUgYW8gUmVwb3NpdMOzcmlvIEluc3RpdHVjaW9uYWwgZGEgVUZQQiBvIGRpcmVpdG8gZGUgcmVwcm9kdXppciwgdHJhZHV6aXIsIGUvb3UgZGlzdHJpYnVpciBhIHN1YSBwdWJsaWNhw6fDo28gKGluY2x1aW5kbyBvIHJlc3VtbykgcG9yIHRvZG8gbyBtdW5kbyBubyBmb3JtYXRvIGltcHJlc3NvIGUgZWxldHLDtG5pY28gZSBlbSBxdWFscXVlciBtZWlvLCBpbmNsdWluZG8gb3MgZm9ybWF0b3Mgw6F1ZGlvIG91IHbDrWRlby4KZSkgVm9jw6ogY29uY29yZGEgcXVlIG8gUmVwb3NpdMOzcmlvIEluc3RpdHVjaW9uYWwgZGEgVUZQQiBwb2RlLCBzZW0gYWx0ZXJhciBvIGNvbnRlw7pkbywgdHJhbnNwb3IgYSBzdWEgcHVibGljYcOnw6NvIHBhcmEgcXVhbHF1ZXIgbWVpbyBvdSBmb3JtYXRvIHBhcmEgZmlucyBkZSBwcmVzZXJ2YcOnw6NvLgpmKSBWb2PDqiBjb25jb3JkYSBxdWUgbyBSZXBvc2l0w7NyaW8gSW5zdGl0dWNpb25hbCBkYSBVRlBCIHBvZGUgbWFudGVyIG1haXMgZGUgdW1hIGPDs3BpYSBkZSBzdWEgcHVibGljYcOnw6NvIHBhcmEgZmlucyBkZSBzZWd1cmFuw6dhLCBiYWNrdXAgZSBwcmVzZXJ2YcOnw6NvLgoKRG9zIEVtYmFyZ29zIGUgUmVzdHJpw6fDtWVzIGRlIEFjZXNzbwpPIGVtYmFyZ28gcG9kZXLDoSBzZXIgbWFudGlkbyBwb3IgYXTDqSAxICh1bSkgYW5vLCBwb2RlbmRvIHNlciBwcm9ycm9nYWRvIHBvciBpZ3VhbCBwZXLDrW9kbywgY29tIGEgbmVjZXNzaWRhZGUgZGUgYW5leGFyIGRvY3VtZW50b3MgY29tcHJvYmF0w7NyaW9zLiBPIHJlc3VtbyBlIG9zIG1ldGFkYWRvcyBkZXNjcml0aXZvcyBzZXLDo28gZGlzcG9uaWJpbGl6YWRvcyBubyBSZXBvc2l0w7NyaW8gSW5zdGl0dWNpb25hbCBkYSBVRlBCLgpPIGRlcMOzc2l0byBkbyB0cmFiYWxobyDDqSBvYnJpZ2F0w7NyaW8sIGluZGVwZW5kZW50ZSBkbyBlbWJhcmdvLgpRdWFuZG8gZW1iYXJnYWRvLCBvIHRyYWJhbGhvIHBlcm1hbmVjZXLDoSBpbmRpc3BvbsOtdmVsIGVucXVhbnRvIHZpZ29yYXIgYXMgcmVzdHJpw6fDtWVzLiBQYXNzYWRvIG8gcGVyw61vZG8gZG8gZW1iYXJnbywgbyB0cmFiYWxobyBzZXLDoSBhdXRvbWF0aWNhbWVudGUgZGlzcG9uaWJpbGl6YWRvIG5vIFJlcG9zaXTDs3JpbyBJbnN0aXR1Y2lvbmFsIGRhIFVGUEIuIAo=Repositório InstitucionalPUB |
dc.title.pt_BR.fl_str_mv |
Modelos robustos de previsão de vazão baseados em Wavelets e redes neurais artificiais |
title |
Modelos robustos de previsão de vazão baseados em Wavelets e redes neurais artificiais |
spellingShingle |
Modelos robustos de previsão de vazão baseados em Wavelets e redes neurais artificiais Freire, Paula Karenina de Macedo Machado CNPQ::ENGENHARIAS::ENGENHARIA CIVIL Engenharia Civil e Ambiental Previsão de vazão Redes Neurais Artificiais (RNA) Transformada Wavelet Discreta (TWD) Civil and Environmental Engineering Flow forecast Artificial Neural Networks (ANN) Discret Wavelet Transform (DWT) |
title_short |
Modelos robustos de previsão de vazão baseados em Wavelets e redes neurais artificiais |
title_full |
Modelos robustos de previsão de vazão baseados em Wavelets e redes neurais artificiais |
title_fullStr |
Modelos robustos de previsão de vazão baseados em Wavelets e redes neurais artificiais |
title_full_unstemmed |
Modelos robustos de previsão de vazão baseados em Wavelets e redes neurais artificiais |
title_sort |
Modelos robustos de previsão de vazão baseados em Wavelets e redes neurais artificiais |
author |
Freire, Paula Karenina de Macedo Machado |
author_facet |
Freire, Paula Karenina de Macedo Machado |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Santos, Celso Augusto Guimarães |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/4223859537570442 |
dc.contributor.authorID.fl_str_mv |
05632432440 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/3230082264468123 |
dc.contributor.author.fl_str_mv |
Freire, Paula Karenina de Macedo Machado |
contributor_str_mv |
Santos, Celso Augusto Guimarães |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA CIVIL |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA CIVIL Engenharia Civil e Ambiental Previsão de vazão Redes Neurais Artificiais (RNA) Transformada Wavelet Discreta (TWD) Civil and Environmental Engineering Flow forecast Artificial Neural Networks (ANN) Discret Wavelet Transform (DWT) |
dc.subject.por.fl_str_mv |
Engenharia Civil e Ambiental Previsão de vazão Redes Neurais Artificiais (RNA) Transformada Wavelet Discreta (TWD) Civil and Environmental Engineering Flow forecast Artificial Neural Networks (ANN) Discret Wavelet Transform (DWT) |
description |
O desenvolvimento econômico de qualquer região pode estar diretamente ligado à quantidade e qualidade de seus recursos hídricos. Um gerenciamento adequado destes recursos é capaz de minimizar os efeitos de vários fenômenos naturais, tais como as secas que afetam diretamente o setor energético, o que recentemente têm provocado apagões no Brasil. Modelos de previsão são comumente usados para prover um melhor planejamento e operação de sistemas de abastecimento de água. Entretanto, procedimentos que consideram a previsão de curto a longo prazo ainda são escassos na literatura, principalmente no que diz respeito ao nordeste brasileiro. Desta forma, o objetivo deste trabalho foi o desenvolvimento de modelos robustos de previsão de vazão para diferentes horizontes (diários, mensais e anuais). Foram desenvolvidos dezoito modelos, sendo seis para previsão diária (RNAdQ→Q, RNAdP→Q, RNAdPQ→Q, WRNAdQ→Q, WRNAdP→Q e WRNAdPQ→Q); seis para previsão mensal (RNAmQ→Q, RNAmP→Q, RNAmPQ→Q, WRNAmQ→Q, WRNAmP→Q e WRNAmPQ→Q); além de seis para previsão anual (RNAaQ→Q, RNAaP→Q, RNAaPQ→Q, WRNAaQ→Q, WRNAaP→Q e WRNAaPQ→Q), os quais foram testados para previsão das vazões afluentes ao reservatório de Xingó. A eficiência desses modelos foi testada e foi comparada com a dos modelos tradicionais baseados em redes neurais artificiais (RNAdX, RNAmX e RNAaX), que são modelos que usam dados de vazão antecedente no reservatório de Xingó para prever a vazão futura no mesmo reservatório. A eficiência também foi testada e comparada com a dos modelos híbridos wavelet-redes neurais artificiais (WRNAdX, WRNAmX e WRNAaX), que são modelos que usam dados de vazão antecedente tratados através da transformada wavelet para prever a vazão futura no mesmo reservatório. Os resultados mostraram que os modelos híbridos (WRNA) foram superiores àqueles utilizando apenas redes neurais artificiais (RNA). De forma específica, para previsões diárias, o melhor modelo foi o híbrido WRNAdQ→Q, que utiliza as vazões transformadas dos reservatórios a montante, bem como a combinação destas vazões, como entrada no modelo para a previsão da vazão no reservatório de Xingó. Para previsões mensais e anuais, os modelos ideais foram os híbridos WRNAmPQ→Q e WRNAaPQ→Q, respectivamente, os quais utilizam a precipitação transformada ocorrida na bacia do reservatório de Três Marias e a vazão transformada no reservatório de Xingó como entrada em cada modelo para a previsão da vazão no reservatório de Xingó. |
publishDate |
2019 |
dc.date.issued.fl_str_mv |
2019-03-26 |
dc.date.available.fl_str_mv |
2022-05-23 2023-03-07T19:29:12Z |
dc.date.accessioned.fl_str_mv |
2023-03-07T19:29:12Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpb.br/jspui/handle/123456789/26404 |
url |
https://repositorio.ufpb.br/jspui/handle/123456789/26404 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal da Paraíba |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Civil e Ambiental |
dc.publisher.initials.fl_str_mv |
UFPB |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Engenharia Civil e Ambiental |
publisher.none.fl_str_mv |
Universidade Federal da Paraíba |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPB instname:Universidade Federal da Paraíba (UFPB) instacron:UFPB |
instname_str |
Universidade Federal da Paraíba (UFPB) |
instacron_str |
UFPB |
institution |
UFPB |
reponame_str |
Repositório Institucional da UFPB |
collection |
Repositório Institucional da UFPB |
bitstream.url.fl_str_mv |
https://repositorio.ufpb.br/jspui/bitstream/123456789/26404/4/PaulaKareninaDeMacedoMachadoFreire_Tese.pdf.txt https://repositorio.ufpb.br/jspui/bitstream/123456789/26404/3/license.txt https://repositorio.ufpb.br/jspui/bitstream/123456789/26404/2/license_rdf https://repositorio.ufpb.br/jspui/bitstream/123456789/26404/1/PaulaKareninaDeMacedoMachadoFreire_Tese.pdf |
bitstream.checksum.fl_str_mv |
8d963c6e48b40d24d461e5d6ec3719d6 e20ac18e101915e6935b82a641b985c0 c4c98de35c20c53220c07884f4def27c 58c2097492e29c53a4c4a57a5ee9eb8f |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
|
repository.mail.fl_str_mv |
|
_version_ |
1777562284700205056 |