Your SlideShare is downloading. ×
Patricia di sessa
Patricia di sessa
Patricia di sessa
Patricia di sessa
Patricia di sessa
Patricia di sessa
Patricia di sessa
Patricia di sessa
Patricia di sessa
Patricia di sessa
Patricia di sessa
Patricia di sessa
Patricia di sessa
Patricia di sessa
Patricia di sessa
Patricia di sessa
Patricia di sessa
Patricia di sessa
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Patricia di sessa

702

Published on

Em parceria com a Professora Helena Abascal, publicamos os relatórios das pesquisas realizados por alunos da fau-Mackenzie, bolsistas PIBIC e PIVIC. O Projeto ARQUITETURA TAMBÉM É CIÊNCIA difunde …

Em parceria com a Professora Helena Abascal, publicamos os relatórios das pesquisas realizados por alunos da fau-Mackenzie, bolsistas PIBIC e PIVIC. O Projeto ARQUITETURA TAMBÉM É CIÊNCIA difunde trabalhos e os modos de produção científica no Mackenzie, visando fortalecer a cultura da pesquisa acadêmica. Assim é justo parabenizar os professores e colegas envolvidos e permitir que mais alunos vejam o que já se produziu e as muitas portas que ainda estão adiante no mundo da ciência, para os alunos da Arquitetura - mostrando que ARQUITETURA TAMBÉM É CIÊNCIA.

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
702
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
1
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Universidade Presbiteriana MackenzieESTUDO E ELABORAÇÃO DE UM SISTEMA AUTOMÁTICO PARA OMONITORAMENTO DA QUALIDADE DA ÁGUAPatricia Di Sessa Soares (IC) e Silmara Vicente (Orientadora)Apoio: PIBIC Mackenzie/MackPesquisaResumoO meio ambiente tem sido alvo de grande preocupação devido o esgotamento de recursos naturais.Como nosso bem maior, a água, é um dos recursos mais importantes que temos na Natureza e temsido, mundialmente, tema de discussão. Sabe-se que o crescimento populacional tem aumentado ecom ele a demanda por água. Porém esse recurso tão importante é considerado finito e vulnerável eum grande desafio para nós habitantes desse planeta se dá em evitar a falta da água. As principaiscausas de deterioração da água são: poluição e contaminação por poluentes e esgotos. Algunsproblemas gerados pela poluição das águas e sedimentos são diversas doenças que matam milhõesde seres humanos por ano devido à falta de água de boa qualidade para sua sobrevivência. Muitassoluções estão sendo pesquisadas e discutidas para que consigamos cuidar da qualidade da águaconscientemente e que em alguns anos esse recurso não venha faltar. Nesse contexto este trabalhopretende ser uma pequena contribuição no sentido de se iniciar um estudo para que se possadesenvolver um sistema automático de monitoramento que pretende classificar a qualidade da águaatravés de determinados parâmetros que a identificam.Palavras-chave: monitoramento automático, qualidade da água, redes neurais – PNNAbstractThe environment has been a source of great anxiety due to depletion of natural resources. As ourmost valued good, water is one of the most important resources we find in nature and lately has beenthe topic of world discussions. It is know that, as the world population grows, so does the demand forwater. Except, this important resource is finite and vulnerable. Therefore, it is a great challenge for us,inhabitants of this planet, to avoid the scarceness of water. The main causes of deterioration of waterare: water contamination due to pollutants and sewage. One of the problems caused by such pollutionof both sediments and water is the number of deceases that kill millions of human beings every yeardue to the lack of available water with decent qualities. Many solutions are being studied anddiscussed so that we can both treat the quality of water consciously and avoid its depletion. In thiscontext, this research intends to be a small contribution so that the study of an automatic monitoringsystem designed to classify the quality of water by previously determined parameters can begin.Key-words: automatic monitoring, water quality, neural networks – PNN 1
  • 2. VII Jornada de Iniciação Científica - 20111. IntroduçãoA água deve se manter em boas condições, pois é fundamental na vida de todos os seresvivos e utilizada para diversas atividades, devido a isso é submetida a um monitoramento,em que há coletas de amostras que serão avaliadas para verificar se não existem efluentesou poluição que comprometem a sua qualidade e para a classificação da desta.Monitorar a qualidade da água é um processo muito importante para o ambiente, pois aágua é um recurso natural fundamental para a sobrevivência de qualquer ser vivo. Monitorá-la é acompanhar se houve ou não mudanças nos parâmetros e nos aspectos qualitativos daágua. Tem como objetivo identificar poluentes e fontes de poluição, diagnosticar riscos deimpacto na qualidade da água, obter informações a fim de passar às pessoas eprincipalmente identificar se a água está de acordo com as condições necessárias para obom uso.Há índices que auxiliam o entendimento da classificação da qualidade das águas emdiferentes aspectos. Os principais são: IQA - Índice de Qualidade das Águas e IET – Índicedo Estado Trófico.O IQA é um índice de abastecimento publico (IAP) que fornecem informações sobre a água,classificando-a em: Ótima (79 < IQA < 100), Boa (51 < IQA < 79), Regular (36 < IQA < 51),Ruim (19 < IQA < 36) ou Péssima (IQA < 19). Pode ser calculado através do produtório daqualidade da água relacionada aos parâmetros (tais como: cor, turbidez, dissolução dooxigênio, temperatura e condutividade).O IET é um índice de proteção da vida aquática que analisa a qualidade da água peloenriquecimento por nutrientes, crescimento de algas e aumento da infestação de plantasaquáticas. As variáveis utilizadas para calcular o índice são: Clorofila e Fósforo Total. Ocálculo é feito pela média aritmética das variáveis citadas. A água pode ser caracterizadaem: Ultraoligotrófico (IET < 47), Oligotrófico (47 < IET < 52), Mesotrófico (52 < IET < 59),Eutrófico (59 < IET < 63), Supereutrófico (63 < IET < 67) ou Hipereutrófico (IET > 67).Visando a importância da água para o mundo, pretende-se criar um sistema automático demonitoramento da qualidade da água, no qual utilizaremos um software que possibilitará,através da entrada de dados, a classificação da mesma.A escolha por um sistema automático se deve ao fato do mesmo ter agilidade para detectaralterações e fazer análises contínuas, sendo possível a tomada de providênciasnecessárias, para alterar uma situação de risco. As vantagens desses sistemas consistemem não possuir uma freqüência pré-estabelecida, podendo realizar medições em intervalosde tempo mais curtos e detectar, com mais facilidade, dados anormais. Apesar de analisarnúmeros limitados de parâmetros, ele nos fornece os resultados em tempo real. 2
  • 3. Universidade Presbiteriana MackenzieOBJETIVOEste trabalho teve como objetivo estudar ferramentas para o desenvolvimento de umsistema automático de monitoramento contínuo da água para procurar garantir a qualidadeda mesma em uma determinada região1.2. Referencial TeóricoDevido à crescente preocupação com o meio ambiente, nos tempos de hoje, a água setornou um dos fatores mais visados em termos de conservação. A partir desse fato, as maisinfluentes empresas no setor de água e os pesquisadores mais conceituados já começarama fazer projetos de monitoramento e qualidade de tratamento.FLORES e SORRINI (2001) estudaram sobre o monitoramento em tempo real da água eanalisaram dados da Companhia de Saneamento Básico do Estado de São Paulo(SABESP). Observaram que a SABESP implantou nos reservatórios de abastecimento daRMSP (região metropolitana de São Paulo) um sistema de monitoramento para controlar aqualidade da água, detectando oscilações diurnas. O sistema é composto por estaçõesremotas e unidades de recepção de dados, em que duas vezes por semana são coletadasamostras dos mananciais, e uma vez por mês é coletada uma amostra mais completa. Entreos lugares monitorados, podemos citar a Represa de Guarapiranga e a Billings. Pelasamostras coletadas, foram observadas variações de oxigênio dissolvido e de incrementoprovocado pela fotossíntese das algas. Esse projeto tem como real objetivo fornecer asvariações que forem significantes.COMPANHIA DE TECNOLOGIA DE SANEAMENTO AMBIENTAL (CETESB) desenvolveuum sistema no Rio Tietê em que foram colocadas doze estações de monitoramentoautomático de qualidade da água. As informações são disponibilizadas on-line e qualquermudança for detectada ainda é possível tomar uma medida para reverter à situação.ROSOLEN (2009) fez um estudo do monitoramento dos sedimentos coletados pelo IGAM(Instituto Mineiro de Gestão das Águas) no rio Uberabinha, em Minas Gerais, com afinalidade de detectar os resíduos tóxicos presentes nestes. Amostras foram coletadas emdois pontos, e os primeiros resultados obtidos excederam os valores mínimos de qualidadeestabelecidos pelo CONAMA, detectando altas concentrações de coliformes fecais, defósforo e de contaminação por elementos tóxicos, provenientes de esgotos domésticos e1 Esse projeto é complementar ao projeto de monitoramento da qualidade dos sedimentos, eles serãodesenvolvidos em conjunto. 3
  • 4. VII Jornada de Iniciação Científica - 2011industriais. Foi concluído que a urbanização e agricultura influenciam no acúmulo desubstâncias tóxicas encontradas nos sedimentos do rio Uberabinha.FURLAN (2007) estudou a qualidade dos sedimentos e da água do rio Jacupiranga, atravésde variáveis como: concentração de nutrientes (nitrogênio e fósforo), pH e oxigêniodissolvido. O sedimento, por se acumular fácil, é um dos mais importantes tópicos para seanalisar a qualidade da água. Escolheram-se onze pontos de coletas, em que foramanalisados os parâmetros e perceberam que não ocorreu variação homogenia de nutrientesao longo das estações de coletas e que a concentração de oxigênio dissolvido e de pHinfluenciam o acúmulo de nutrientes.FREITAS e COSTA (2003) avaliaram a qualidade de serviços utilizando o modelo Electre Tripara classificar o desempenho dos serviços. O método visa determinar as variáveis dedecisões e atribuir valores a elas, para que se possam estabelecer índices de comparação,e assim, criar categorias para classificar os serviços.REDAÇÃO 360 GRAUS (2009), publicou a instalação de um Sistema Automático deMonitoramento Aquático (Sima) na Região do Amazonas. O monitoramento é via satélite,porém foi colocada uma plataforma no Lago Mamirauá que flutuará sobre ele. Com essesistema, haverá uma coleta de dados que nos fornecerá informações sobre o lago, como adistribuição dos peixes. Sensores também foram colocados no lago, eles irão medirparâmetros do lago (turbidez, pH, entre outros) como parâmetros ambientais (radiação solar,temperatura do ar, intensidade do vento, entre outros). O Sima visa prever e melhorarestratégias para o manejo de recurso na Reserva de Mamirauá, que também poderá servirpara outros lugares, enviando de hora em hora atualizações dos dados, em que podem termudanças inesperadas devido às variações climáticas ou até mesmo pelo tempo.COSTA et al. (2002) estudaram uma metodologia alternativa para transporte de materialcombustível com base na análise de multicritério. Os critérios para análise em cada uma dasdistribuidoras foram escolhidos, e a cada um foi atribuído um peso de importância e umlimite de preferência e de indiferença. Foi executado um algorítmo de classificação dosoftware Electre Tri e, a partir disso, foram analisados os resultados obtidos, assim podendoser escolhido a melhor alternativa para transporte.CAI (2006) estudou Programas de Monitoramento da Água na China, concluiu que osProgramas analisam o nível da água, fluxo, sedimentos, precipitação, evaporação, umidadedo solo, temperatura da água, qualidade da água, entre outros. Esses Programas têm comofoco: informar sobre seca, monitorar a qualidade da água, monitorar recursos hídricos eágua subterrânea e avisar caso haja inundações. Há 250 postos de monitoramento que sãoresponsáveis por analisar e controlar os parâmetros da qualidade, de acordo com os 4
  • 5. Universidade Presbiteriana Mackenziepadrões nacionais da China. A classificação é dividida em cinco níveis, em que o nível 1 é ode melhor qualidade e o 5 é o de pior.SUPERINTENDÊNCIA DE DESENVOLVIMENTO DE RECURSOS HÍDRICOS ESANEAMENTO AMBIENTAL (SUDERHSA) pesquisou o Monitoramento da Qualidade daÁgua no Estado do Paraná, observaram que esse contêm 16 bacias hidrográficas e a redede monitoramento é formada por 164 estações. Duas informações são enviadas para oSistema De Informações Hidrológicas (SIH), são eles: os parâmetros de qualidade da águae os Índices de Qualidade da Água (IQA). Operar uma rede de monitoramento da qualidadedas águas gera uma enorme quantidade de dados a serem analisados, e é através dessesparâmetros e índices que os laboratoristas avaliam o devido uso da água e a classificam.CLEAN ENVIRONMENT BRASIL desenvolveu, para a Companhia de Saneamento Básicodo Estado de São Paulo (SABESP), um sistema que monitora em tempo real a qualidade daágua em reservatórios que abastecem regiões metropolitanas. Esse sistema monitora, aomesmo tempo, parâmetros que ajudam a classificar a qualidade das águas em represas,lagos ou rios, exemplo desses parâmetros: temperatura, turbidez, oxigênio dissolvido, pH,entre outros. O monitoramento instantâneo com o sistema desenvolvido reduziu problemasà saúde ambiental e humana, que eram ocasionadas de acidentes do meio ambiente,através das informações em tempo real da qualidade da água, o que se tornou eficaz nossistemas de segurança da água. Relatórios são feitos após a central coletar e receber, acada quinze minutos, informações sobre as águas. Logo que surgem novas informaçõespara novos relatórios, os antigos ficam disponíveis na internet para o publico.HERNANDES e AMORIM estudaram o aproveitamento das águas pluviais captados pelasedificações. Foi determinado a quantidade do volume total de água potável e água nãopotável captadas e o quanto de água foi infiltrada no solo; já a qualidade foi analisada emlaboratórios pelo Departamento de Água e Esgoto de Ribeirão Preto (DAERP). A cadaquinze dias, amostras eram retiradas e sua qualidade avaliada pelos seguintes parâmetros:Odor, Cor, Turbidez, Total de sólidos dissolvidos, Coliformes totais, Coliformestermotolerantes, entre outros. Devido à água captada não se destinar ao consumo humanoe sim às descargas sanitárias, lavagens de pisos, irrigação de jardins, compararam-se osparâmetros e esses foram usados para classificar o grau de balneabilidade. Já a analise daquantidade de água utilizada é feita por um hidrômetro, instalado na tubulação, que monitoraa ‘entrada’ e saída das águas. 5
  • 6. VII Jornada de Iniciação Científica - 20113. MetodologiaA metodologia utilizada nesse trabalho foi uma metodologia quantitativa. Essa consiste emuma pesquisa descritiva que procura estudar a correlação dos parâmetros que indicam aqualidade da água e classificar esses dados através de um sistema de monitoramentoautomático da qualidade da água.Para alcançarmos o objetivo desse trabalho, foi necessário realizar uma revisão literáriamais apurada quanto a sistemas de monitoramento automático da água e estudar osparâmetros e índices que identificam a qualidade da mesma.Os dados utilizados nesse trabalho estão disponíveis no site da CETESB e foram tratadoscom a finalidade de serem normalizados.Após esse estudo, desenvolvemos um programa utilizando o software Matlab para fazersimulações do sistema e a validação do mesmo com esses dados utilizados, buscando omonitoramento da qualidade para os parâmetros considerados.4. Redes NeuraisUma rede neural é um processador paralelamente distribuído feito de unidades deprocessamento, que têm a tendência a armazenar conhecimento experimental edisponibilizá-lo para o uso. As redes neurais possuem nós (unidades de processamento)que enviam e recebem sinais de outras unidades, sendo que cada uma possui umamemória local.O processo de aprendizagem é chamado de algoritmo de aprendizagem, e tem como funçãomodificar os sinápticos da rede de forma a alcançar o objetivo desejado [21].Ela oferece os principais benefícios e propriedades:- Generalização: a rede neural possibilita a criação de saídas pertinentes para entradas quenão estavam presentes durante o processo de aprendizagem.- Mapeamento de Entrada-Saída: durante um treinamento há a modificação (para diminuir adiferença entre a resposta desejada e a resposta real da rede) dos pesos sinápticos até arede atingir um estado estável, em que não haja modificações significativas. Com autilização dos exemplos em diversos treinamentos e diferentes ordens, a rede aprendeentão, através desses exemplos, a mapear todas as entradas e saídas. O treinamento podeser realizado de 2 maneiras:• Supervisionado: que necessita de um professor durante a fase de aprendizagem. 6
  • 7. Universidade Presbiteriana Mackenzie• Não-supervisionado: é direcionado por relações existentes entre os dados deentradas.- Adaptabilidade: uma rede neural treinada para trabalhar em certo ambiente especificopode ser facilmente treinada novamente para conseguir trabalhar perante à pequenasmodificações. Além disso, se ela está trabalhando em um ambiente que as estatísticasmudam com o tempo, ela pode ser projetada para modificar seus pesos sinápticos emtempo real.- Tolerância a falhas: como as informações são distribuídas ao longo dos neurônios, a falhatem que ser muito grave e abranger diversos fatores para causar um estrago na respostaglobal.A rede pode possuir uma ou múltiplas camadas e são compostas por neurônios. As redesde uma única camada são as mais simples, uma vez que as de múltiplas camadas podemser classificadas em três grupos:- Camada de entradas: recebe os padrões apresentados à rede, ela possui uma unidadeespecial chamada de bias que aumenta o grau de liberdade, se adaptando melhor aoconhecimento fornecido.- Camada intermediaria: é executado o processamento e a extração de características.- Camada de saída: apresenta o resultado final [19].O número de camadas define a capacidade de representação das relações entre o espaçode entrada e o de saída.As redes neurais Diagrama 1: Demonstração de Redes Neurais [19]. 7
  • 8. VII Jornada de Iniciação Científica - 2011probabilísticas têm esse nome devido suas raízes se basearem na Teoria dasProbabilidades, e elas são inspiradas nos Classificadores Bayesianos*. São utilizadas comsucesso em vários problemas de classificação, possuindo três camadas (a camada deentrada, a de bases radiais e a competitiva). A organização do fluxo em camadas permiteque o algoritmo possa ser utilizado para funcionar como uma rede Feedforward com funçãode ativação exponencial. Elas possuem um treinamento incremental, pois a saída indica ograu de evidência sobre o qual se baseia a sua decisão e assim como a Backpropagationpossuem mapeamento não linear, o tratamento de dados ruidosos e paralelismo e ummodelo grandemente especializado, sem muita aplicabilidade, diferente dos modelos deHopfield e Backpropagation. Sua grande vantagem é ter quase nenhum tempo detreinamento e um rápido aprendizado, e como desvantagem tem que são necessáriosgrandes conjuntos de treinamento, grandes espaços de memória e uma execução emmenor velocidade se comparada a outras redes [16].* O teorema de Bayes consiste em um método para classificações ótimas, dado umaquantidade de dados, o teorema mostra como classificar um novo exemplo com a máximaprobabilidade, e mesmo com esse grande potencial ele é simples e intuitivo [17].Backpropagation é um algoritmo supervisionado sendo que a rede produz sua própria saídacomparando com a saída desejada, se houver diferença os pesos são modificados.Esse modelo baseia-se na propagação dos erros da saída para os níveis anteriores da rede(retropropagação). Para isso acontecer, primeiramente tem que ser realizado o cálculo doerro para cada neurônio da camada de saída, então deve ser feito o cálculo da sensibilidadede cada variável de entrada e o da contribuição percentual de cada uma das variáveis deentrada com relação à variável de saída [18].A aprendizagem tem duas fases, o treinamento da rede e a validação do treinamento, ondesão reconhecidos os padrões treinados. Essas fases podem ser divididas também em faseForward, onde a entrada é apresentada a primeira camada e vai passando para as outrascamadas, sendo que a saída é produzida pela ultima camada e a fase Backward, que apartir da camada final até a camada de entrada, em que a camada atual se ajusta comopeso para reduzir seus erros. É um algoritmo fácil de implementar e de simples utilização.Como na maioria, a camada de entrada aceita o padrão de entrada e redistribuí para acamada intermediária. A camada de saída recebe estímulos da camada intermediaria paradefinir o padrão de saída [20].Esse método tem como vantagem a eliminação das variáveis de entrada desnecessárias e apossibilidade de estabelecer a importância de cada uma dessas entradas com relação a 8
  • 9. Universidade Presbiteriana Mackenzieuma variável de saída. Como desvantagem possui limitações que são: não ser possívelgravar o estado dos pesos , quando o programa sai , ele esquece o treinamento, e todas asconexões serem criadas automaticamente para todos os neurônios da camada sucessiva. Diagrama 2: Demonstração de uma Rede Backpropagation [24].Redes Feedforward são redes acíclicas propagando sinal somente da entrada para a saídada rede. Depois de pronta, são capazes de associar valores, colocados na sua entrada, auma saída, podendo encontrar também respostas adequadas mesmo quando os dados daentrada estão incompletos ou danificados. O treinamento também é supervisionado, sendoque a regra mais utilizada é o Error Backpropagation (retropropagação de erros). Essa redeé representada por uma notação e-o1,-o2,-...,-on-s, onde ‘e’ é o número de neurônios nascamadas de entrada, o1,o2 ..é o número de neurônios em camadas ocultas e ‘s’ é o númerode neurônios na camada de saída [22].As Redes de Função de Base Radial (RBFN) tem três camadas, a camada de entrada,padrão (ou escondida) e a camada de saída. Ela é completamente conectada e é uma redeFeedforward, com todas as conexões entre suas unidades de processamento previstas comseus pesos.A unidade de padrão individual computa sua ativação usando a função de base radial quecaracteriza a distância dos centros de funções de base radial, dado um vetor de entrada. Aativação é rapidamente diminuída com a distância dos centros da função. O uso da ativaçãodas bases radiais precisa da escolha cuidadosa do número de unidades padrões a ser 9
  • 10. VII Jornada de Iniciação Científica - 2011usada a uma especifica aplicação, especialmente quando uma boa generalização énecessária.O treinamento de um RBFN difere substancialmente do treinamento de umaBackpropagation. Ela consiste em dois estágios separados: durante o primeiro, osparâmetros das funções de bases radiais são fixados usando um treinamento nãosupervisionado, já no segundo estágio os pesos nas conexões entre as unidades padrões eas unidades de saída são determinados usando o treinamento supervisionado (como a redeBackpropagation), baseado na soma de erros quadrados dos valores de saída sobre ospares de vetores entrada – saída.A Rede Neural de Regressão Generalizada também é uma rede ‘Feedforward’ consistindoem quatro camadas: a camada de entrada, a padrão, a de soma e a camada de saída.Ela pode aproximar qualquer mapeamento arbitrário entre vetores de entrada e saída.Enquanto os neurônios nas três primeiras camadas são completamente conectados, cadaneurônio de saída é conectado só a algumas unidades de processamento na camada desoma.A função das camadas de entrada e padrão é a mesma de uma Rede de Função de BaseRadial. A camada de soma tem dois tipos diferentes de unidades de processamento: asunidades de soma e as unidades de divisão única. O número de unidades de soma ésempre o mesmo número de unidades de saída da rede, sua função é essencialmente amesma função das unidades de saída da Rede de Função de Base Radial (RBFN - RadialBasis Funcional Network). As unidades de divisão, somente ponderam os pesos de ativaçãodas unidades padrões, sem usar qualquer função de ativação.As camadas de soma e de saída, juntas, realizam a normalização do vetor de saída. Isso fazcom que a Rede Neural de Regressão Generalizada (GRNN - Generalized RegressionNeural Network) seja muito menos sensível que a RBFN para a escolha adequada donumero de unidades padrões.O treinamento de uma GRNN é um pouco diferente do usado para a RBFN, ele écompletado após a apresentação de cada par de vetores entrada – saída, do conjunto detreinamento da camada de entrada. Ou seja, ambos os centros de RBFR de unidadespadrões e os pesos das conexões das unidades padrões e de processamento das camadasde soma, são atribuídos simultaneamente. O treinamento não é supervisionado, masemprega um agrupamento algoritmo especial que torna desnecessário definir o número deunidades padrões com antecedência. Em vez disso, o raio dos agrupamentos precisa serdefinido antes do treinamento começar. 10
  • 11. Universidade Presbiteriana MackenzieO próximo vetor de entrada é comparado com esse centro e é atribuído à mesma unidadepadrão se a distancia desse centro for menor que o raio pré-estabelecido. Da mesmamaneira todos os outros vetores de entrada são comparados um por um com todas asunidades padrões e toda a camada padrão é gradualmente construída.Durante esse treinamento os valores determinados dos elementos individuais dos vetoressão diretamente atribuídos aos pesos das conexões entre as unidades de entrada e asunidades padrões correspondentes.Simultaneamente com a construção da camada padrão, os valores dos pesos das conexõesentre os neurônios contidos nela e na camada de soma também são definidos, usandotreinamento supervisionado. O peso na conexão entre cada unidade padrão e cada unidadede soma individual é diretamente atribuído a valores idênticos aos do vetor de saída,correspondente no conjunto de treinamento do vetor de entrada, este que por sua vez formao centro da função de base radial de cada unidade padrão [32]. Diagrama 3: Demonstração de uma GRNN [23].5. A Coleta dos DadosForam levantados dados sobre os parâmetros que influenciavam diretamente sobre aqualidade da água, através de pesquisas e trabalhos já existentes relacionados ao tema.Após essa etapa, foi identificado no site da CETESB os que eram mais influentes. 11
  • 12. VII Jornada de Iniciação Científica - 2011Quadro 1: Levantamento de parâmetros utilizados em pesquisas já existentes. Variáveis Qtdade Aparecem no site da CETESB? Alumínio 1 Sim Bário 1 Sim Cádmio 1 Sim Chumbo 1 Sim Cloreto 1 Sim Clorofila-a/Feoftina-a 1 Sim Cobre 1 Sim Coliformes Totais 1 Sim Coloração da Água 2 Sim Concentração de Nutrientes 1 Condutividade Específica 1 Sim Cromo Total 1 Sim Demanda Bioquímica de Oxigênio (DBO) 1 Sim Demanda Química de Oxigênio (DQO) 1 Sim Fenóis 1 Sim Ferro Total 1 Fósforo Total 1 Sim Manganês 1 Sim Mercurio 1 Sim Microtox 1 Níquel 1 Sim Odor 1 Sim Ortofosfato Solúvel 1 Sim Oxigênio Dissolvido 3 Sim pH 4 Sim Série de Nitrogênio (Amonical, Nitrato,Nitrito e Orgânico) 1 Sim Resíduo Não Filtravel 1 Resíduo Total 1 Temperatura da Água 2 Sim Temperatura do Ar 1 Teste de Toxicidade Crônica 2 Sim Turbidez 4 Sim Zinco 1 Sim 12
  • 13. Universidade Presbiteriana MackenzieForam levantados 33 parâmetros que alteram a qualidade da água (vide Quadro 1), porémseis entre eles são os mais utilizados para a análise, pois compõem o Índice de Qualidadeda Água (IQA), que são: Coloração da água, Oxigênio Dissolvido (O.D.), pH, Temperaturada água, Toxidade e Turbidez [25].A seguir descreverei os principais parâmetros:- Coloração da água: A cor na água, normalmente, é decorrente de decomposição vegetalou de material mineral, assim não representam riscos à saúde humana. A cor é muitosensível ao pH, quanto maior o pH mais intensa é a cor da água.Há dois tipos de cores que são reconhecidas na água, a cor Verdadeira (resulta desubstâncias orgânicas ou coloidais presentes na água) e a cor Aparente (possui turbidezadicional, é causada por materiais em suspensão) [26]. Nível de Qualidade Faixa de variação Cor de referência do IQA Excelente 90 < IQA ≤1 100 Azul Bom 70 < IQA ≤ 90 Verde Médio 50 < IQA ≤ 70 Amarelo Ruim 25 < IQA ≤ 50 Marrom Muito Ruim 50 < IQA ≤ 0 Vermelho Quadro 2: Cor de referência para a qualidade da água [27].- Oxigênio Dissolvido (O.D.): O oxigênio dissolvido é um fator muito importante para analisaras condições naturais da água e assim perceber se ocorreram impactos ambientais, comoeutrofização (fenômeno provocado pelo excesso de nutrientes, causando um grandeaumento de algas, que leva a uma diminuição do oxigênio dissolvido, provocando a morte edecomposição de organismos, diminuindo a qualidade da água), poluição orgânica, retiradade areia do fundo (sedimentos) e despejo de esgotos. [30] Vale ressaltar que a maioria dasespécies não resistem às concentrações de O.D. na água inferiores a 4,0 mg/L [29].Há dois fatores que influenciam a dissolução do oxigênio na água, a temperatura da água,quanto maior a temperatura, menor é a dissolução, e a pressão atmosférica, quanto maior apressão, maior a dissolução de oxigênio.A determinação do oxigênio dissolvido na água pode ser feita através do método "Winkler"ou eletrométrico, ou pela porcentagem de saturação do oxigênio (porcentagem de gás queexiste na água) que pode ser calculada pela fórmula abaixo. 13
  • 14. VII Jornada de Iniciação Científica - 2011 Equação 1: Determinação da porcentagem de OD [30].- pH: O pH (potencial hidrogeniônico) possui uma escala com números que variam de 0 à14, que medem, classificam, o nível de acidez ou alcalinidade. A variação é feita a partir dovalor 7, do valor 7 se aproximando de zero, indica o aumento de acidez, e do valor 7 seaproximando de 14 indica o aumento de basicidade.Os valores do pH são de grande importância, pois fornecem informações sobre a qualidadeda água. Pode nos fornecer, por exemplo, o tipo de solo em que a água passa, devido apresença de carbonatos e bicarbonatos que deixam a água alcalina, possuindo um pH entre4 e 9. Quando um pH é muito acido ou muito alcalino, está associado à presença dedespejos industriais.A quantidade de matéria morta a ser decomposta interfere no pH, uma vez que para queocorra a decomposição do material, são produzidos muitos ácidos, então pode-se dizer quequanto maior for a quantidade de matéria a ser decomposta, menor é o pH. Ele tambémpode ser influenciado pelo espaço e tempo [28].- Temperatura: Esse parâmetro é de fundamental importância, pois influencia em outraspropriedades que qualificam a água, tais como: solubilidade de gases (principalmente ooxigênio dissolvido), reações dos organismos aquáticos, aceleração de reações químicas,etc.A maioria dos organismos aquáticos regula sua temperatura através do meio externo, o quefaz com que a velocidade de suas reações dependa da temperatura da água. O aumento datemperatura provoca muitas reações nos organismos, acelerando a respiração, nutrição,reprodução e movimentação dos mesmos, o que pode haver a desnaturação das proteínas,eutrofização e poluição orgânica. Assim, pode-se dizer que, com a diminuição dastemperaturas o efeito é o contrário [28]. 14
  • 15. Universidade Presbiteriana Mackenzie- Toxidade Crônica: Analisar a toxidade de águas industriais despejadas em rios e lagos éfundamental para que não haja a contaminação do meio e não ocorram prejuízos aosorganismos vivos ao meio em que o efluente foi despejado.- Turbidez: É importante analisar a turbidez da água, pois ela interfere a ação dos agentesque desinfetam a água, protegendo microorganismos da ação deles. Ela, além disso, reduza passagem de luz solar através da água, prejudicando a fotossíntese de algas e plantasaquáticas.A turbidez pode ser causada por diversos materiais sólidos em suspensão (partículasinsolúveis de argila, areia fina, colóides), matéria orgânica e inorgânica, descarga de esgotodoméstico ou industrial, e dá à água uma aparência nebulosa [31].6. Criação do Modelo no Programa MatLabForam coletados no site da CETESB os dados para que fosse possível um futurotreinamento e simulação da Rede Neural. Os dados coletados referem-se a todos osparâmetros descritos anteriormente, em três regiões distintas (Pardo, Baixada Santista ePortal do Paranapanema), em 5 anos diferentes (2004, 2005, 2006, 2007 e 2008), assim, foiobtido cerca de 800 dados.Entre os parâmetros definidos anteriormente, escolhi a Turbidez para ser testada na rede.Seu limite máximo era de 100 (Unidade de Turbidez – UNT), e os valores bons (abaixo dolimite) foram classificados como 1 e os ruins (a cima de 100 UNT) como 2.A programação testada foi bem sucedida, permitindo a realização da classificação da águacom um parâmetro.7. ConclusãoA partir desse trabalho, em parceria com o projeto de qualidade da água através dosedimento, foi possível perceber que as Redes Neurais são um tipo de sistema inteligentecapaz de treinar e classificar a qualidade da água a partir da entrada de parâmetros damesma e de seus sedimentos, retornando-nos uma saída de 100% correta.Com esse projeto teremos uma possibilidade de monitoramento completo da qualidade daágua, através da rapidez e eficiência que seus parâmetros são classificados, o que permiteuma melhor tomada de decisão em relação aos resultados obtidos. 15
  • 16. VII Jornada de Iniciação Científica - 2011Um próximo passo à esse trabalho, para ampliar e continuar o estudo, seria a possibilidadede classificação de parâmetros combinados, o que requer uma análise biológica profunda deum especialista no assunto.8. Referências[1] <http://www.cetesb.sp.gov.br/Institucional/agua.asp> Acesso em: 13 out.2009 às20h43min.[2] <http://www.feema.rj.gov.br/qualidade-agua.asp?cat=75> Acesso em: 20 set.2009 às16h25min.[3] <http://www.cetesb.sp.gov.br/Agua/rios/indice_iva_iet.asp> Acesso em: 01 out.2009 às20h35min.[4] FLORES, A.P. e SORRINI, E. (2001) – Monitoramento em tempo real da qualidade daágua dos mananciais da Região Metropolitana de São Paulo – RMSP – Disponível em:<http://www.cepis.ops-oms.org/bvsacg/e/cd-cagua/ref/text/40.pdf> Acesso em: 13 out.2009às 11h04min.[5] FURLAN, Natalia (2007) – Qualidade da Água e do sedimento avaliada a partir daconcentração de nutrientes totais – Disponível em:<http://fipai.org.br/Minerva%2006(01)%2011.pdf> Acesso em: 13 out.2009 às 14h52min.[6] ROSOLEN et al (2009) – Qualidade dos sedimentos no rio Uberabinha (Uberlândia, MG)e implicações ambientais – Disponível em:<http://ojs.c3sl.ufpr.br/ojs2/index.php/rbg/article/viewFile/11484/10328> Acesso em: 13out.2009 às 14h19min.[7] FREITAS, A.L.P. e COSTA, H.G. (2003) – Uma análise multicritério para a classificaçãoda qualidade de serviços utilizando o método ELECTRE TRI – disponível em:<http://www.abepro.org.br/biblioteca/ENEGEP2003_TR0207_0796.pdf> Acesso em: 18out.2009 às 12h41min.[8] REDAÇÃO 360 GRAUS. Sistema Automático de monitoramento aquático é instalado naAmazônia. 360 Graus, São Paulo, 5 agosto 2009. Disponível em:<http://360graus.terra.com.br/ecologia/default.asp?did=28871&action=news> Acesso em 18out.2009 às 18h08min.[9] COSTA et al. (2002) – Avaliação de transportadoras de materiais perigosos utilizando ométodo Electre Tri – Disponível em: <http://www.scielo.br/pdf/gp/v11n2/a08v11n2.pdf>Acesso em: 18 out.2009 às 18h13min. 16
  • 17. Universidade Presbiteriana Mackenzie[10] OLIVEIRA, Silvio Luiz. Tratado de metodologia científica: Projetos de Pesquisas, TGI,TCC, Monografias, Dissertações e Teses. 2. ed. São Paulo:Pioneira, 1999. 320p.[11] http://www.cetesb.sp.gov.br/Agua/rios/indice_iap_iqa.asp Acesso em: 01 out.2009 às21h19min.[12] CAI (2006) - Monitoramento e serviço de informação de água na china - Disponível em:<http://www.ana.gov.br/bibliotecavirtual/arquivos/China%20-%20Monitoramento%20e%20servi%C3%A7o%20de%20informa%C3%A7%C3%A3o.pdf>Acesso em: 07 mar.2010 às 11h22min.[13] SUDERHSA - Proposta de Implantação de Consórcios Intermunicipais de AterrosSanitários - Disponível <http://www.abes-pr.org.br/040707%20Proposta%20Implanta%E7%E3o%20de%20Cons%F3rcios%20Intermunicipais%20SUDERHSA%20-%20Jorge%20Augusto%20Afonso.pdf> Acesso em: 07mar.2010 às 12h07min.[14] CLEAN ENVIRONMENT BRASIL - Sistema de Monitoramento Hidrológico Clean -Disponível em: <http://www.clean.com.br/portal/sistema-de-monitoramento-hidrologico-smh/smh> Acesso em: 07 mar.2010 às 13h58min.[15] HERNANDES E AMORIN - O Sistema Predial de Água Pluvial como instrumento dePreservação Ambiental - Disponível em<http://www.ppgciv.ufscar.br/arquivos/File/simar_artigos/simar5.pdf> Acesso em: 07mar.2010 às 14h54min.[16] ALMEIDA, Manoel – Aplicação de técnicas de Redes Neurais Artificiais na previsão decurtíssimo prazo na vissibilidade e teto para o aeroporto de Guarulhos – Disponível em:<http://www.coc.ufrj.br/index.php?option=com_docman&task=doc_download&gid=2346>Acesso em: 31 maio.2010 às 15h13min.[17] Algorítimos de Aprendizado – Disponível em: <http://www.ica.ele.puc-rio.br/Downloads/45/parte-18-PNN.pdf> Acesso em: 31 maio.2010 às 15h44min.[18] VALENÇA, Mêuser J.S. e LUDEMIR, Teresa B. - Explicando a relação entre asvariáveis de uma rede neural – Iluminando a “caixa Preta” - Dísponivel em:<http://www.abrh.org.br/novo/xvii_simp_bras_rec_hidric_sao_paulo_051.pdf> Acesso em: 31maio.2010 às 16h12min.[19] MENDES FILHO, Elson – Uma introdução à Redes Neurais Artificiais – Disponível em:<http://elson_mendes.sites.uol.com.br/rn/rn_carac.html> Acesso em: 31 maio.2010 às17h03min. 17
  • 18. VII Jornada de Iniciação Científica - 2011[20] ITO, Sérgio et al. – Uma aplicação de Redes Neurais Artificiais – Disponível em:<http://www.inf.ufrgs.br/gppd/disc/cmp135/trabs/sergio/trab2/geo.html> Acesso em 31maio.2010 às 17h45min.[21] NEGRI, Lucas et al. – Simulador de Redes Neurais Multiplataformas - Disponível em:<http://periodicos.unesc.net/index.php/sulcomp/article/viewFile/277/285> Acesso em: 31maio.2010 às 18h04min.[22] Redes Neurais na Previsão de Séries Temporais - Disponível em:<http://inf.unisul.br/~ines/workcomp/cd/pdfs/2878.pdf> Acesso em: 31 maio.2010 às20h37min.[23] Disponível em: <http://user.chollian.net/~mose/msgrnn.htm > Acesso em: 31 maio.2010às 22h17min.[24] MENDES FILHO, Elson – O Algorítmo de Aprendizado Backpropagation – Disponívelem: <http://elson_mendes.sites.uol.com.br/rn/rn_backp.html> Acesso em: 31 maio.2010 às17h13min.[25] Qualidade das Águas – Disponível em:<http://www.uniagua.org.br/public_html/website/default.asp?tp=3&pag=qualidade.htm>Acesso em 07 abril.2010 às 10h45min.[26] Disponivel em:< http://c2o.pro.br/analise_agua/x254.html> Acesso em: 08 abril.2010 às12h20min.[27] Disponível em: <http://www.ufv.br/dea/lqa/qualidade.htm> Acesso em: 08 abril.2010 às12h47min.[28] Disponível em: <http://educar.sc.usp.br/biologia/prociencias/qagua.htm> Acesso em: 08abril.2010 às 19h13min.[29] Disponível em: <http://www.mundoquimico.hpg.ig.com.br/oxigenio_dissolvido.htm>Acesso em 08 abril.2010 às 19h56min.[30] Disponível em: <http://educar.sc.usp.br/biologia/textos/m_a_txt9.html#od> Acesso em08 abril.2010 às 20h15min.[31] Disponível em: <http://www.ufrrj.br/institutos/it/de/acidentes/turb.htm> Acesso em: 08abril.2010 às 19h31min.[32] MASTERS, Timothy. Advanced Algorithms for Neural Networks: A C++sourcebook. John Wiley & Sons, Inc., 1995. 431 páginas.Contato: pat.disessa@gmail.com e silalevicente@gmail.com 18

×