Desenvolvimento de um modelo híbrido Migha-RNA para calibração de rugosidades absolutas em redes de distribuição de água

RESUMO Este trabalho teve como objetivo desenvolver um novo método híbrido de calibração de rugosidades absolutas em redes de distribuição de água, com base na combinação do método iterativo do gradiente hidráulico alternativo (Migha) com uma rede neural artificial (RNA) do tipo Perceptron Multicamadas. Foram testadas diferentes configurações para o modelo, em vários cenários que diferiam quanto ao número de pressões observadas utilizadas. Os resultados encontrados sugerem que a combinação dos métodos foi favorável à calibração das rugosidades, com erros absolutos médios inferiores a 0,016 mm no modelo que calculava apenas um valor por material para o parâmetro. A boa performance também ficou evidente quando analisadas as pressões e vazões retornadas pela simulação da rede calibrada, as quais apresentaram erros relativos médios de 0,12 e 0,36%, respectivamente, no cenário com 14% dos nós com pressões conhecidas, erros consideravelmente inferiores àqueles obtidos pela configuração inicial da rede e pelo uso exclusivo do Migha. ABSTRACT This work aimed to develop a new hybrid method for the calibration of absolute roughness in water distribution networks, starting from the combination of the Alternative Hydraulic Gradient Iterative Method (Migha) with a Multilayer Perceptron Artificial Neural Network (ANN). Different configurations were tested for the model, in different scenarios that differed in the number of observed pressures used. The results found suggest that the combination of methods was favorable to roughness calibration, with mean absolute errors lower than 0.016 mm in the model that calculated only one value per material for the parameter. The good performance was also evident when analyzing the pressures and flows returned by the calibrated network simulation, which showed average relative errors of 0.12 and 0.36%, respectively, in the scenario with 14% of nodes with known pressures, errors considerably lower than those obtained by the initial configuration of the network and the exclusive use of Migha.