Modelagem da dinâmica hidrológica para previsão do nível de jusante da UHE Tucuruí por redes neurais artificiais

Este trabalho investiga a aplicação de redes neurais artificiais tipo Temporal Convoluti onal Network (TCN), recorrentes como a Long Short-Term Memory (LSTM) e a Gated Recurrent Unit (GRU) na previsão do nível de jusante da UHE de Tucuruí, cuja natureza dinâmica, não linear e multivariável demanda por formalismos de modelagem baseados em aprendizagem profunda. A necessidade do estudo está atrelada ao fato da cidade de Tucuruí estar a jusante da Usina e possuir áreas habitadas próximas às margens do Rio Tocantins e este cenário exige controle e acompanhamento dos níveis na cidade. Para que isso aconteça, é necessária a obtenção de previsões assertivas do nível de jusante em tempo hábil. Desse modo, as ações de intervenções, quando necessárias, podem ser reali zadas pelos órgãos competentes no tempo certo. Com esse intuito, neste trabalho, vários modelos foram desenvolvidos para serem treinados por redes neurais artificiais. As redes treinadas buscam modelar as complexas relações entre as vazões afluente e defluente e a variável-alvo, o nível de jusante. São utilizadas séries com amostragem horária de dados reais do período de 2010 a 2025, totalizando 140.279 amostras. Os modelos são treinados para predição de até 10 horas à frente, janela considerada apropriada para o cenário real desejado. O pré-processamento dos dados desempenhou papel fundamental na qualidade das previsões, sendo aplicada a média móvel, seguida de normalização por valor máximo, estratégia que contribuiu para a redução de ruídos de alta frequência e para a estabilização do processo de treinamento. Posteriormente, a desnormalização permitiu a análise dos resultados em unidades físicas reais, permitindo (ou proporcionando) interpretações hidrológicas consistentes. A avaliação quantitativa foi conduzida por meio das métricas Erro Médio Quadrático (MSE), Erro Quadrático Médio Normalizado (FitNRMSE) e Erro Quadrático do Ajuste (FitR²), que possibilitaram uma análise complementar entre precisão, erro absoluto e capacidade explicativa da variância do sinal real. Os resultados apresentam valores elevados de FitR² (superiores a 99%) para todas as redes, evidenciando que os modelos foram capazes de esclarecer a maior parte da variabilidade do nível de jusante. Além disso, os valores de FitNRMSE permaneceram também elevados, demonstrando que os erros de previsão são pequenos quando comparados à intercorrência natural do sistema. Após análise comparativa entre os modelos, observou-se que a Gated Recurrent Unit (GRU) apresentou o melhor desempenho global, menor degradação das previsões e leve superioridade nas métricas, sobretudo no modelo H3. A LSTM apresentou desempenho próximo ao da GRU, porém com maior sensibilidade em regiões de maior variabilidade do sinal, já a TCN demonstrou bom desempenho médio, porém com tendência à suavização das predições em transições mais abruptas. Assim, conclui-se que os modelos H1, H2 e H3, conjuntamente com as arquiteturas LSTM, GRU e TCN propostas, são capazes de representar adequadamente a dinâmica do nível de jusante, com destaque para H3 e a GRU, que juntas mostraram desempenho superior às demais combinações. Nas figuras 42 e 43, destacam-se os resultados obtidos na análise de previsão, denominada de "alertas reais", cuja simulação mostra dois eventos em sequência registrados nos horários das 11:00 e 12:00 horas do dia 10/03/2025, com janelas deslizantes para as 10 amostras futuras, incluindo os valores reais comprovados para validar o desempenho das previsões. Tais resultados constituem uma base sólida para aplicações futuras em previsão operacional, apoio à tomada de decisão e integração com estratégias de controle preditivo, como o Model Predictive Control (MPC).