Deriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, Brazil
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Outros Autores: | , , |
Tipo de documento: | Artigo |
Idioma: | eng |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/233996 |
Resumo: | Reservatórios são operados de acordo com políticas específicas, condicionadas por condições hidrológicas e estruturais. Em simulações hidrológicas de sistemas hídricos antropizados com reservatórios, a incorporação de regras operacionais é fundamental para melhorar a capacidade de modelagem. No entanto, regras de operação nem sempre estão disponíveis ou são fáceis de identificar em sistemas multirreservatórios de grande escala, onde a operação deriva de um grande número de variáveis e restrições, em vez de uma função objetivo local bem definida. Este estudo aplica Redes Neurais Artificiais (RNAs) com o objetivo de analisar se variáveis locais (vazão, armazenamento e evaporação) de um subsistema parte de um sistema multirreservatório integrado de grande escala são preditores suficientes do seu comportamento operacional (decisões de despacho) em um intervalo de tempo diário. O subsistema inclui os reservatórios de Luiz Gonzaga e Sobradinho. Os resultados apontaram para um coeficiente de eficiência Nash-Sutcliffe (NS) de 0,67 a 0,74 e um coeficiente de determinação (r2) de 0,75, mostrando que podemos prever o comportamento operacional do subsistema na maior parte do tempo, mas com alguns picos de vazão não previstos. |
id |
UFRGS-2_cab7c56b37e1aa4d31822c0d4fa4aa57 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/233996 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Dalcin, Ana PaulaPedrollo, Olavo CorreaFinck, Juliano SantosMarques, Guilherme Fernandes2022-01-12T04:36:55Z20211806-4051http://hdl.handle.net/10183/233996001129781Reservatórios são operados de acordo com políticas específicas, condicionadas por condições hidrológicas e estruturais. Em simulações hidrológicas de sistemas hídricos antropizados com reservatórios, a incorporação de regras operacionais é fundamental para melhorar a capacidade de modelagem. No entanto, regras de operação nem sempre estão disponíveis ou são fáceis de identificar em sistemas multirreservatórios de grande escala, onde a operação deriva de um grande número de variáveis e restrições, em vez de uma função objetivo local bem definida. Este estudo aplica Redes Neurais Artificiais (RNAs) com o objetivo de analisar se variáveis locais (vazão, armazenamento e evaporação) de um subsistema parte de um sistema multirreservatório integrado de grande escala são preditores suficientes do seu comportamento operacional (decisões de despacho) em um intervalo de tempo diário. O subsistema inclui os reservatórios de Luiz Gonzaga e Sobradinho. Os resultados apontaram para um coeficiente de eficiência Nash-Sutcliffe (NS) de 0,67 a 0,74 e um coeficiente de determinação (r2) de 0,75, mostrando que podemos prever o comportamento operacional do subsistema na maior parte do tempo, mas com alguns picos de vazão não previstos.Reservoirs are operated following specific policies, constrained by hydrological and structural conditions. When modeling anthropized water systems with reservoirs, the incorporation of existing operating policies is important to improve model capability. However, operating policies are not always available or easy to identify within large-scale multi-reservoir systems, where operation derives from large number of variables and constraints rather than a clear-cut local objective function. This study applies Artificial Neural Networks (ANNs) with the objective of analyzing if local variables (inflow, storage level, and evaporation) of a sub-system part of a large-scale coordinated multi-reservoir system are sufficient predictors of the operational behavior (release decisions) in a daily time step. The sub-system includes the Luiz Gonzaga and Sobradinho reservoirs. Results pointed to a Nash–Sutcliffe efficiency coefficient (NS) of 0.67 to 0.74 and a coefficient of determination (r2) of 0.75, showing that we can predict the subsystem operational behavior most of the time but with some outflow peaks under predicted.application/pdfengRega : revista de gestión del agua de America Latina. Vol. 18, n.1 (jan./dez. 2021), 17 p.Gestão de recursos hídricosOperação de reservatóriosSimulaçãoRedes neurais artificiaisReservoir operating policyReservoir operation emulationAnthropized water systems simulationDeriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, BrazilAnálise do comportamento operacional de reservatórios com redes neurais artificiais : caso de Luiz Gonzaga, Brasilinfo:eu-repo/semantics/articleinfo:eu-repo/semantics/otherinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001129781.pdf.txt001129781.pdf.txtExtracted Texttext/plain43648http://www.lume.ufrgs.br/bitstream/10183/233996/2/001129781.pdf.txtd442b97a1fe41b65376d3fe2c7ddea77MD52ORIGINAL001129781.pdfTexto completo (inglês)application/pdf1961992http://www.lume.ufrgs.br/bitstream/10183/233996/1/001129781.pdfb8401644ec2aa5ae9ec772b631307015MD5110183/2339962022-09-28 04:40:53.038915oai:www.lume.ufrgs.br:10183/233996Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2022-09-28T07:40:53Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Deriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, Brazil |
dc.title.alternative.pt.fl_str_mv |
Análise do comportamento operacional de reservatórios com redes neurais artificiais : caso de Luiz Gonzaga, Brasil |
title |
Deriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, Brazil |
spellingShingle |
Deriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, Brazil Dalcin, Ana Paula Gestão de recursos hídricos Operação de reservatórios Simulação Redes neurais artificiais Reservoir operating policy Reservoir operation emulation Anthropized water systems simulation |
title_short |
Deriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, Brazil |
title_full |
Deriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, Brazil |
title_fullStr |
Deriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, Brazil |
title_full_unstemmed |
Deriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, Brazil |
title_sort |
Deriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, Brazil |
author |
Dalcin, Ana Paula |
author_facet |
Dalcin, Ana Paula Pedrollo, Olavo Correa Finck, Juliano Santos Marques, Guilherme Fernandes |
author_role |
author |
author2 |
Pedrollo, Olavo Correa Finck, Juliano Santos Marques, Guilherme Fernandes |
author2_role |
author author author |
dc.contributor.author.fl_str_mv |
Dalcin, Ana Paula Pedrollo, Olavo Correa Finck, Juliano Santos Marques, Guilherme Fernandes |
dc.subject.por.fl_str_mv |
Gestão de recursos hídricos Operação de reservatórios Simulação Redes neurais artificiais |
topic |
Gestão de recursos hídricos Operação de reservatórios Simulação Redes neurais artificiais Reservoir operating policy Reservoir operation emulation Anthropized water systems simulation |
dc.subject.eng.fl_str_mv |
Reservoir operating policy Reservoir operation emulation Anthropized water systems simulation |
description |
Reservatórios são operados de acordo com políticas específicas, condicionadas por condições hidrológicas e estruturais. Em simulações hidrológicas de sistemas hídricos antropizados com reservatórios, a incorporação de regras operacionais é fundamental para melhorar a capacidade de modelagem. No entanto, regras de operação nem sempre estão disponíveis ou são fáceis de identificar em sistemas multirreservatórios de grande escala, onde a operação deriva de um grande número de variáveis e restrições, em vez de uma função objetivo local bem definida. Este estudo aplica Redes Neurais Artificiais (RNAs) com o objetivo de analisar se variáveis locais (vazão, armazenamento e evaporação) de um subsistema parte de um sistema multirreservatório integrado de grande escala são preditores suficientes do seu comportamento operacional (decisões de despacho) em um intervalo de tempo diário. O subsistema inclui os reservatórios de Luiz Gonzaga e Sobradinho. Os resultados apontaram para um coeficiente de eficiência Nash-Sutcliffe (NS) de 0,67 a 0,74 e um coeficiente de determinação (r2) de 0,75, mostrando que podemos prever o comportamento operacional do subsistema na maior parte do tempo, mas com alguns picos de vazão não previstos. |
publishDate |
2021 |
dc.date.issued.fl_str_mv |
2021 |
dc.date.accessioned.fl_str_mv |
2022-01-12T04:36:55Z |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/other |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/233996 |
dc.identifier.issn.pt_BR.fl_str_mv |
1806-4051 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001129781 |
identifier_str_mv |
1806-4051 001129781 |
url |
http://hdl.handle.net/10183/233996 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.relation.ispartof.pt_BR.fl_str_mv |
Rega : revista de gestión del agua de America Latina. Vol. 18, n.1 (jan./dez. 2021), 17 p. |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/233996/2/001129781.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/233996/1/001129781.pdf |
bitstream.checksum.fl_str_mv |
d442b97a1fe41b65376d3fe2c7ddea77 b8401644ec2aa5ae9ec772b631307015 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801225048603754496 |