[pt] Neste trabalho empregou-se a técnica de redes neurais artificiais e modelos de Box & Jenkins (1970) para análise, modelagem e previsão dos valores de vazão e de cargas de pressão na barragem Corumbá I, do sistema Furnas Centrais Elétricas, a partir dos dados de instrumentação disponíveis desde 1997. A previsão de valores prováveis pode auxiliar em tomadas de decisão durante a operação da barragem. A utilização de métodos estatísticos e de redes neurais artificiais é especialmente recomendado em situações onde a solução através de métodos determinísticos, analíticos ou numéricos, torna-se difícil por envolver modelagens tridimensionais, com condições de contorno complexas e incertezas na variação espacial e temporal das propriedades dos materiais que constituem a barragem e sua fundação. Tradicionalmente, as análises de séries temporais são normalmente abordadas sob a perspectiva de métodos estatísticos, como os modelos de Box & Jenkins. No entanto, redes neurais artificiais têm-se constituído ultimamente em uma alternativa atraente para investigações de séries temporais por sua capacidade de análise de problemas de natureza não-linear e não-estacionários. Neste trabalho são apresentadas três aplicações envolvendo o comportamento da barragem Corumbá I: previsão das vazões através da fundação junto à ombreira esquerda, previsão das cargas de pressão em piezômetros instalados no núcleo central da barragem e no solo residual de fundação e, finalmente, a previsão dos valores das leituras em um piezômetro supostamente danificado em determinado instante de tempo. Em todos estes casos, os resultados obtidos pelos modelos de Box & Jenkins e redes neurais artificiais foram bastante satisfatórios. / [en] In this work, artificial neural networks and the Box & Jenkins models (1970) were used for analysis, modeling and forecasts of water discharges and pressure head development in the Corumbá-I dam, owned by Furnas Centrais Elétricas, from the instrumentation data recorded since 1997. Prediction of the probable values can be a powerful tool for early detection of abnormal conditions during the dam operation. The use of statistical methods and artificial neural network techniques are specially recommend in situations where a solution with a deterministic approach, analytical or numerical, is difficult for involving three- dimensional modeling, complex boundary conditions and uncertainty with respect to the spatial and temporal variation of the material properties of the dam and its foundation. Time series analyses are traditionally carried out using a statistical approach, such as the Box & Jenkins models. However, artificial neural networks have become in the recent years an attractive alternative for time series problems due to their inherent ability to analyze nonlinear and non-stationary phenomena. Three applications of time series analysis, related to the instrumentation data collected from Corumba-I dam, are presented and discussed in this thesis: forecast of water discharges through the foundation near the dam left abutment, prediction of pressure heads in piezometers installed in the impermeable central core and the residual soil foundation and, finally, prediction of the pressure heads that would be read in a piezometer that, at a given instant of time, stops working being supposedly damaged. In all these cases, the results obtained from the Box & Jenkins models as well as the artificial neural networks are quite satisfactory.

[pt] Em obras de maior porte e grande responsabilidade (portos, barragens, usinas nucleares, etc.), a quantidade de instrumentações pode se tornar suficiente para permitir a construção de modelos de variabilidade temporal das propriedades de interesse com base em redes neurais artificiais. No caso de barragens, o monitoramento através da instalação de um sistema de instrumentação desempenha um papel fundamental na avaliação do comportamento destas estruturas, tanto durante o período de construção quanto no período de operação. Neste trabalho empregou-se a técnica de redes neurais temporais (RNT) para análise, modelagem e previsão dos valores de vazão na barragem Funil, do sistema Furnas Centrais Elétricas, a partir dos dados de instrumentações disponíveis no período compreendido entre 02/09/1985 e 25/02/2002. As redes neurais temporais empregadas foram: RNT com arquitetura feedforward associada a técnica de janelamento, RNT recorrente Elman, RNT FIR e RNT Jordan. Adicionalmente, foram utilizadas duas técnicas para análise das séries temporais: os modelos de Box & Jenkins (1970) e métodos geoestatísticos, com a finalidade de comparar com o desempenho das RNT´s. Nesta pesquisa estuda-se ainda a geração de intervalos de confiança para RNT e para métodos geoestatísticos. As previsões de vazão analisadas neste trabalho, envolvendo o comportamento da barragem Funil, apresentaram resultados satisfatórios tanto os obtidos pelos modelos de redes neurais temporais como pelos de Box & Jenkins e métodos geoestatísticos. / [en] In works of great responsibility (ports, dams, nuclear power, etc.), the amount of instrumentation data may allow the construction of models for the temporary variability of the properties of interest based on neural network techniques. In case of dams, the monitoring through the installation of an instrumentation system plays a fundamental part in the evaluation of the behavior of these structures, during the construction period as well as in the operation period. In this work the technique of temporal neural networks (TNN) was used for analysis, modeling and forecast of the water discharges values in the Funil dam, from Furnas Centrais Elétricas system, starting from the data of available instrumentation in the period between 02/09/1985 and 25/02/2002. The temporal neural networks used in this research were the following: TNN with feedforward architecture and the windowing technique, recursive TNN Elman, TNN FIR and TNN Jordan. Two additional techniques (Box & Jenkins and geostatistical models) were employed for analysis of the time series with the purpose to compare the results obtained with neural networks. In this research the generation of confidence intervals for TNN and geostatistical methods were also investigated. The discharge values forecasts analyzed in this work for the Funil dam presented satisfactory results, with respect to the neural network, Box & Jenkins and geostatistical methods.