Comparação do Algoritmo de Monte Carlo, algoritmos genéticos e redes neurais artificiais para calibração de redes de abastecimento de água utilizando o epanet2toolkit

Resumo

Uma comparação de três algoritmos de calibração de rede de água foi realizada usando a biblioteca R epanet2toolkit. Este acoplamento permite explorar os potenciais de simulação e avaliação hidráulica do EPANET e análise de dados em R, tendo como principal resultado do trabalho a comparação de três métodos de calibração. No processo de calibração pelo Algoritmo de Monte Carlo, foram gerados aleatoriamente 100.000 valores de rugosidade para cada seção de tubo na faixa de 0,008 a 0,09 e novos valores de pressão foram gerados com essas rugosidades, enquanto a calibração pelo método de Algoritmos Genéticos foi utilizado o pacote rpy2 que permite o uso de R em Python, tendo 10.000 gerações por simulação com 5% de chance de mutação e 50% de chance de crossover, admitindo um desvio de ± 2 m.c.a para cada pressão e a redução do erro médio. Por fim, a calibração da Rede Neural também utilizou o pacote rpy2, com a demanda da rede definida como a camada de entrada e a camada de saída como a rugosidade dos tubos e para a camada oculta foi definida a camada de entrada mais quatro neurônios. Os resultados mostraram que na rede menor o melhor desempenho foi obtido pelos Algoritmos Genéticos, seguido de Monte Carlo, enquanto a Rede Neural teve o pior resultado, e na rede mais complexa os resultados da Rede Neural obtiveram o melhor resultado, seguido da Rede Neural. Algoritmos Genéticos e Monte Carlo. Assim, observa-se o potencial de utilização de Redes Neurais para calibração de redes mais complexas, bem como sua utilização aliada a técnicas de otimização para operação de redes de distribuição de água, tomando-se o cuidado de evitar situações de overfitting ou underfitting.