Escolar Documentos
Profissional Documentos
Cultura Documentos
ALGORITMO GENÉTICO
Abstract - The so-called hydraulic routing methods incorporate both continuity and
momentum-conservation equations to describe the configuration of a flood wave through a
river reach. These may be very complex numerical schemes requiring, in most cases, a
substantial amount of field data. Alternatively and due to their simplicity, the so-called
hydrologic routing methods have been extensively used by engineers. These, such as the
Muskingum method, employ only the continuity equation and a linear relationship between
river storage and inflow/outflow discharges. Recently, optimization techniques, such as the
1
Escola de Engenharia da UFMG; Avenida Contorno 842/809; 30110-060 Belo Horizonte, MG; fone: (31)
32381003, fax (31) 32381001, e-mail: palmier@ehr.ufmg.br
2
Escola de Engenharia da UFMG; Avenida Contorno 842/807; 30110-060 Belo Horizonte, MG; Brasil; (31)
32381002, fax (31) 32381001e-mail: naghet@dedalus.lcc.ufmg.br
genetic algorithm, have been used in order to identify the parameters of a flow routing model,
which may include a non-linear relationship between river storage and inflow/outflow
discharges, though keeping the general simplicity of the hydrologic routing methods. Genetic
algorithms use reproduction schemes similar to those occurring in natural genetics to find
solutions to a variety of mathematical problems. This flow routing model is applied to the São
Francisco river basin. The case study has been selected to reflect flow conditions which may
be considered appropriate for Muskingum-like routing methods.
INTRODUÇÃO
(1)
(2)
onde St, It, and Ot são, respectivamente, o armazenamento, vazão de entrada, vazão de saída,
no tempo t, K é uma constante do armazenamento-tempo para o trecho de rio e x é um fator de
ponderação.
Em função do desempenho insatisfatório da abordagem linear em aplicações do
método em rios e canais nos quais são verificadas uma forte relação não linear entre as vazões
ponderadas e o volume armazenado, métodos de Muskingum não lineares passaram a ser
propostos na literatura, como o descrito abaixo:
(3)
onde m é um parâmetro adicional que fornece à formulação mais graus de liberdade do que a
equação (2). Em geral, espera-se um melhor ajuste das vazões estimadas e calculadas com o
uso do método não linear; por outro lado, o processo de calibração torna-se mais complicado.
A solução simultânea das equações (1) e (3) podem ser obtidas algebricamente
utilizando-se fórmulas de diferença ao invés de fórmulas diferenciais, como a que se verifica
na equação (1). As equações abaixo podem ser obtidas para determinação de Ot:
(4)
ou
(5)
onde
(6)
Notar que na equação (4), o valor de Ot é obtido por meio de um processo iterativo.
Alguns métodos para estimar os parâmetros desse modelo não linear foram propostos
na literatura (Gill, 1978; Tung, 1984; Yoon and Padmanabhan, 1993; Mohan, 1997). Mohan
(1997) propôs o uso de um algoritmo genético, o qual foi demonstrado ser uma ferramenta
promissora em modelos de propagação. Em todas as aplicações relacionadas acima, inclusive
aquelas em que outros métodos de otimização foram utilizados, o exemplo para teste da
metodologia foi o mesmo, i.e., dados propostos por Wilson (1974). Exemplos práticos de
aplicações do método de Muskingum não linear são muito raros na literatura.
Nesse artigo, o modelo não linear baseado na equação (3), com parâmetros estimados
usando a técnica de algoritmo genético, é aplicado a um trecho do rio São Francisco. Um
único hidrograma é usado para calibrar o modelo e o melhor conjunto de parâmetros é
aplicado a outros hidrogramas. Os resultados obtidos mostram a capacidade da metodologia
em reproduzir as vazões de saída observadas no trecho de rio escolhido.
100101100101
(8)
APLICAÇÕES
Nota: SQR (soma dos quadrados dos resíduos de vazões); DVP (desvio das vazões de pico
dos hidrogramas observado e calculado); DTOP (desvios dos tempos de ocorrência dos picos
nos hidrogramas observado e calculado).
O rio São Francisco figura entre os de maior comprimento no mundo. Sua bacia
hidrográfica está inteiramente localizada no Brasil e sua área de drenagem é de 631.000 km 2,
com limites localizados entre as latitudes 7º 00´ e 21º 00´ S e longitudes 35º 00´ e 47º 40’ W.
O rio tem aproximadamente 2.700 km de comprimento, com vazão média de longo termo de
3.360 m3/s na sua foz (Figura 1). De sua nascente, na Serra da Canastra, no estado de Minas
Gerais, até a sua foz no Oceano Atlântico, sua vazão de longo termo por unidade de área
decresce consideravelmente, como resultado da influência do clima semi-árido predominante
no nordeste do Brasil.
O trecho analisado nesse trabalho localiza-se no curso médio do rio, entre as estações
fluviométricas de São Francisco e Manga (Figura 1). A seção de montante, na estação de São
Francisco, tem uma área de drenagem de 185.000 km 2 e Manga, na seção de jusante, drena
uma área de 202.000 km2. Além do fato da área de drenagem incremental entre as duas
estações ser apenas 8,4 % inferior àquela de Manga, sua vazão por unidade de área (m 3/s.km2)
é relativamente muito menor do que os valores de montante. Tais características desse trecho,
cujo comprimento é de 176 km, indicam sua adequabilidade para aplicações de métodos de
propagação baseados na suposição comum de contribuições laterais nulas. Dados de vazão
dessas duas estações - São Francisco e Manga - estão disponíveis desde 1938. As vazões
médias nas duas estações são iguais a, aproximadamente, 2.000 m3/s. Um hidrograma com
duração de 41 dias, com início em janeiro de 1985, é utilizado para calibrar o modelo, e os
parâmetros obtidos são utilizados para verificar o desempenho do modelo para outros
períodos, incluindo o hidrograma contendo a vazão máxima observada em todo o período,
igual a 18.370 m3/s, ocorrida em fevereiro de 1979.
Figura 1 - Bacia do rio São Francisco e o trecho São Francisco-Manga.
RESULTADOS
Como feito na simulação do caso teste, com dados de Wilson (1974), várias
simulações, com diferentes sementes para geração de números aleatórios, e diferentes
probabilidades de cruzamento e mutação, foram consideradas. O menor valor de desvio
padrão encontrado foi de 299,42 m3/s, e embora uma diferença absoluta de grande magnitude
possa ser observada entre as vazões calculada e observada, a maior diferença percentual é
inferior a 3%, com desvio do tempo de ocorrência de picos igual a zero. Pode-se observar na
Figure 2 que a forma do hidrograma da vazão a jusante foi bem reproduzida, especialmente na
recessão.
Figura 2 - Hidrograma para a etapa de calibração
REFERÊNCIAS BIBLIOGRÁFICAS
Gill, M. A. (1978). “Flood routing by the Muskingum method.” Journal of Hydrology, 36, p.
353-363.
Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Learning. Addison-
Wesley Publishing Co., Reading, Mass.
Mohan, S. (1997). “Parameter estimation of nonlinear Muskingum models using genetic
algorithm.” Journal of Hydraulic Engineering, ASCE, 123(2), p. 137-142.
Tung, Y. K. (1985). “River flood routing by nonlinear Muskingum method.” Journal of
Hydraulic Engineering, ASCE, 111(12), p. 1447-1460.
Wilson, E. M. (1974). Engineering hydrology. MacMillan Education Ltd., Hampshire, U.K.
Yoon, J. and Padmanabhan, G. (1993). “Parameter estimation of linear and nonlinear
Muskingum models”. Journal of Water Resources Planning and Management, ASCE,
119(5), p. 600-610.