Abstract

GARCIA-UBAQUE, Cesar-Augusto; LADINO-MORENO, Edgar-Orlando  and  GARCIA-VACA, María-Camila. Determinação do diâmetro interno de tubulações de pressão para sistemas de água potável usando redes neurais artificiais. Rev. Fac. ing. [online]. 2022, vol.31, n.59, e204.  Epub May 04, 2022. ISSN 0121-1129.  https://doi.org/10.19053/01211129.v31.n59.2022.14037.

O diâmetro em sistemas de água potável pressurizada pode ser determinado por meio de uma equação polinomial de quinto grau. Como variáveis de entrada temos: Q: vazão (m3/s), H: perda de carga (m); L: comprimento do tubo (m); ε: rugosidade (m), ϑ: viscosidade cinemática (m2/s) e Ʃk: soma dos coeficientes de perdas menores (adimensional). Aplicando a equação de energia para um sistema hidráulico composto por dois tanques conectados por uma tubulação de diâmetro constante e aceitando a equação de Colebrook-White e a equação de Darcy-Weisbach, obtém-se uma expressão subdeterminada, pois se estabelecem mais incógnitas do que equações. Este problema é resolvido implementando um loop aninhado para o coeficiente de atrito e o diâmetro. Este artigo propõe uma Rede Neural Artificial (RNA) implementando o método Backpropagation de Levenberg-Marquardt para estimar o diâmetro a partir da função de transferência log-sigmoidal, isto sob condições de fluxo permanente. O conjunto de sinais de treinamento é composto por 5.000 dados aleatórios que seguem uma distribuição normal, calculados em Visual Basic (®Excel). As estatísticas utilizadas para a avaliação da rede correspondem ao erro quadrático médio, à análise de regressão e à função de entropia cruzada. A arquitetura que apresentou melhor rendimento correspondeu a uma camada oculta com 25 neurônios (6-25-1) apresentando um MSE igual a 5,41E-6 e 9,98E+00 para o Coeficiente de Correlação de Pearson. A validação cruzada do esquema neural foi realizada a partir de 1.000 sinais de entrada independentes do conjunto de treinamento, obtendo-se MSE igual a 6,91E-6. A rede neural proposta calcula o diâmetro com um erro relativo igual a 0,01% em relação aos valores obtidos do ®Epanet, mostrando a capacidade de generalização do sistema otimizado.

Keywords : Colebrook-White; Darcy-Weisbach; Levenberg-Marquardt; rede neural artificial; tubulação hidráulica.

        · abstract in English | Spanish     · text in English     · English ( pdf )