SEGURANÇA DE BARRAGENS: UM MODELO INTELIGENTE PARA A DETECÇÃO DE ANOMALIAS EM DADOS DE INSTRUMENTAÇÃO

Resumo

A segurança de barragens é uma área de alta criticidade na engenharia, onde a detecção precoce de anomalias é fundamental para prevenir desastres. Métodos tradicionais de monitoramento frequentemente analisam dados de instrumenta- ção de forma isolada, falhando em identificar desvios complexos e contextuais que podem prenunciar falhas estruturais. Este trabalho propõe e valida uma me- todologia avançada para a detecção de anomalias em dados de monitoramento de barragens, baseada na sinergia entre uma robusta engenharia de atributos e o algoritmo de aprendizado de máquina não supervisionado Local Outlier Factor (LOF). Utilizando um conjunto de dados sintético que emula o comportamento de múltiplos instrumentos (piezômetros, indicadores de nível d'água, Calha Pars- hall e pluviômetros.) ao longo de três anos, o modelo foi treinado para identificar padrões de normalidade em um espaço multidimensional. Os resultados de- monstram a superioridade conclusiva da abordagem proposta, que alcançou um F1-Score de 0,868 e, crucialmente, uma precisão de 100%, eliminando a ocor- rência de falsos positivos. Em contraste, métodos tradicionais como Boxplot e Regressão Linear apresentaram desempenho significativamente inferior. A aná- lise qualitativa confirmou a capacidade do modelo de detectar anomalias contex- tuais, como picos de vazão em períodos de estiagem, que seriam ignorados por análises univariadas. Conclui-se que a metodologia não apenas eleva a confia- bilidade da detecção, mas também fornece uma base para o diagnóstico da na- tureza das anomalias, representando um avanço significativo para a automação inteligente do monitoramento da saúde estrutural de barragens.

DOI: https://doi.org/10.56238/sevened2025.029-112