Previsão de Comportamento de Séries Temporais em Piezômetros Utilizando Machine Learning

A análise de dados piezométricos em barragens de rejeitos é essencial para garantir a segurança e a integridade da estrutura ao longo do tempo. No gráfico abaixo, é possível observar a série histórica de dados reais (linha azul tracejada) e a projeção gerada utilizando Machine Learning (linha laranja tracejada), que foi aplicada para prever o comportamento futuro do nível piezométrico.

O modelo Prophet, utilizado nesta simulação, permite decompor séries temporais em tendências, sazonalidades e eventos atípicos. Ele foi treinado com quatro anos de dados históricos (2020 a 2023) para gerar previsões de comportamento futuro, permitindo antecipar possíveis variações no nível piezométrico de uma barragem de rejeitos.

A linha laranja tracejada indica a previsão feita pelo Prophet para o nível piezométrico a partir de 2024. Comparando com os dados históricos, é possível perceber que o modelo seguiu de maneira muito próxima a trajetória real dos dados até o ponto de projeção. A correlação entre a série histórica e a previsão até 2023 sugere que o Prophet capturou bem as tendências e comportamentos sazonais, especialmente em momentos de variações mais suaves.

No entanto, ao observar a projeção de 2024 em diante, percebe-se que o modelo prevê uma continuidade da tendência de queda no nível piezométrico, com uma leve recuperação prevista para o final de 2024 e início de 2025. Esse comportamento é compatível com as flutuações anteriores, mas há uma limitação do modelo em captar eventos extremos, como picos abruptos, que podem ocorrer devido a fatores exógenos, como precipitações intensas ou mudanças operacionais.

O modelo Prophet demonstrou alta capacidade de representar as tendências gerais dos dados reais, proporcionando uma boa base para previsões em curto e médio prazo. No entanto, sua abordagem aditiva limita a capacidade de prever eventos mais complexos e não lineares, como picos acentuados ou quedas abruptas, que são comuns em barragens de rejeitos devido a fatores ambientais ou operacionais.

A previsão também sugere um comportamento mais estável para o futuro, o que pode ser útil para a gestão da barragem. Ainda assim, o uso de variáveis exógenas, como dados de precipitação, temperatura e operações de depósito, poderia melhorar ainda mais a precisão do modelo para eventos críticos.

⚙️ Possibilidades de Melhoria

1. Incorporação de variáveis exógenas: Adicionar dados ambientais e operacionais para melhor captar as influências externas.
2. Modelos híbridos: Combinar Prophet com outros modelos que lidam melhor com não linearidades, como LSTM, para aprimorar a previsão de eventos extremos.
3. Aumento da frequência de dados: Coletar dados em maior frequência pode melhorar a qualidade das previsões de curto prazo.

Como conclusão, podemos afirmar que a previsão utilizando Prophet para o comportamento piezométrico mostrou-se eficaz para captar padrões e sazonalidades, sendo uma ferramenta valiosa para análises preditivas de curto e médio prazo. Contudo, para aprimorar a confiabilidade das previsões em cenários mais extremos, seria interessante integrar variáveis adicionais e técnicas complementares.

#Inovação #Geotecnia #Monitoramento #Barragens #MachineLearning #DataScience #Segurança