Rede Neural

Instruções para o trabalho 1 Contextualização Durante o processo de calibração de modelos hidráulicos ex EPANET apenas um conjunto limitado de nós possui sensores de pressão instalados Em aplicações reais é desejável inferir as pressões em todos os demais pontos da rede utilizando um conjunto reduzido de medições Nesta atividade você utilizará um conjunto sintético de simulações hidráulicas gerado a partir do modelo calibrado Cada simulação representa um estado distinto da rede obtido através da alteração aleatória das demandas nos nós consumidores Você irá desenvolver um modelo baseado em dados data driven capaz de estimar as pressões em todos os nós da rede usando apenas as pressões medidas nos nós monitorados 2 Objetivo Geral Construir e avaliar um modelo de aprendizagem de máquina capaz de prever a pressão em todos os nós da rede utilizando como entrada apenas as pressões nos nós monitorados 3 Base de Dados A base de dados fornecida contém Variáveis de entrada Pressões nos nós monitorados aqueles usados na calibração da rede EPANET Variáveis de saída Pressões em todos os nós da rede incluindo os monitorados Outras informações Fatores de demanda utilizados em cada simulação não são obrigatórios no modelo mas podem auxiliar em análises Cada linha corresponde a uma simulação hidráulica independente 4 Tarefa Principal Desenvolver uma rede neural capaz de mapear Press o es observadas nos n o s monitorados Press o es em todos os n o s da rede Pressoes observadas nos no ˊ s monitorados Presso es em todos os no ˊ s da rede 41 Construa um Modelo Base Modelo MLP perceptron multicamadas Divisão treinovalidaçãoteste sugerido 701515 Normalização ou padronização das variáveis de entrada 42 Avaliação Obrigatória Avalie o desempenho da rede neural usando MSE Mean Squared Error MAE Mean Absolute Error R² Coeficiente de determinação Essas métricas devem ser calculadas para todos os nós e também como média global 5 Aperfeiçoamento do Modelo Os alunos devem propor estratégias de melhoria tais como Grid Search para número de camadas número de neurônios função de ativação batch size Técnicas de regularização dropout L2 penalty Early Stopping baseado em validação Ajustes no otimizador Adam com learning rate adaptativo schedulers StepLR ReduceLROnPlateau etc Experimentos com novas topologias de rede GCN Graph Convolutional Network utilizando a topologia da rede hidráulica CNN para detecção de padrões espaciais Cada grupo deve explicar a motivação de cada escolha o impacto observado nas métricas qual modelo apresentou melhor desempenho 6 Etapa Final Calibração Aprimorada Após treinar o modelo Use o modelo para estimar as pressões em todos os nós utilizando como entrada as pressões monitoradas reais as mesmas usadas na calibração do EPANET Combine pressões medidas nos nós monitorados pressões estimadas pela rede neural nos demais nós Realize uma nova calibração da rede hidráulica incorporando este campo de pressões mais completo O objetivo é verificar se a calibração reduz erros globais melhora o ajuste de curvas diminui incertezas produz uma rede mais consistente 7 Entregáveis 71 Relatório Técnico PDF Incluindo descrição dos dados metodologia arquitetura das redes testadas resultados tabelas e gráficos análise crítica das métricas comparação entre modelos conclusões 72 CódigoFonte Jupyter Notebook ou scripts bem organizados Reprodutível mesmos resultados ao executar do zero 73 Arquivos de Resultados Pressões estimadas Arquivo com métricas finais