Uma equipe de pesquisa multi-institucional desenvolveu uma rede de densidade mista guiada por física (PgMDN) que melhora significativamente a previsão de descargas laterais em grandes sistemas de canais, um fator crítico na gestão de transferências de água entre bacias. O estudo, publicado no Environmental Science and Ecotechnology em 7 de maio de 2026 (DOI: 10.1016/j.ese.2026.100703), aborda o desafio de desvios de água imprevisíveis que frequentemente comprometem o fornecimento confiável de água.
As descargas laterais — fluxos desviados dos canais principais através de canais secundários — frequentemente se desviam das metas planejadas devido a estados hidráulicos em tempo real e operações não planejadas de comportas. Esses desvios produzem distribuições de fluxo com múltiplos picos e altamente incertas, que os métodos tradicionais baseados em física têm dificuldade em modelar eficientemente, enquanto abordagens puramente baseadas em dados falham em capturar padrões complexos, especialmente em condições de escassez de dados. A nova PgMDN integra leis hidráulicas físicas em uma estrutura de aprendizado profundo probabilística para melhorar tanto a precisão da previsão pontual quanto a quantificação da incerteza.
Ao contrário das redes de densidade mista padrão que dependem exclusivamente do ajuste de dados, a PgMDN incorpora duas restrições físicas diretamente em sua função de perda. Primeiro, promove a consistência do balanço de massa local, alinhando as descargas médias previstas com os valores de entrada menos saída derivados de um modelo hidráulico simplificado. Segundo, impõe uma regra de consistência: quando os fluxos médios previstos mudam rapidamente — indicando mudanças operacionais ou movimentos abruptos de comportas — a incerteza do modelo aumenta correspondentemente, evitando previsões excessivamente confiantes durante condições instáveis.
Testado em dados reais de dois trechos do Projeto de Transferência de Água do Sul para o Norte da China, o PgMDN reduziu o erro absoluto médio (MAE) em mais de 25% e a raiz do erro quadrático médio (RMSE) em mais de 25% em comparação com MDNs padrão. A confiabilidade melhorou de 0,45 para 0,82 no nível de confiança de 90%. O modelo manteve desempenho estável mesmo quando os dados de treinamento foram intencionalmente reduzidos, demonstrando forte generalização em condições de escassez de dados. Usando a análise SHapley Additive exPlanations (SHAP), a equipe identificou flutuações do nível de água e fluxos de entrada de fronteira como os principais impulsionadores da incerteza preditiva, adicionando interpretabilidade às previsões do modelo.
De acordo com os autores, "Queríamos um modelo que não apenas fornecesse um número único, mas que realmente dissesse aos operadores o quanto confiar nesse número. Ao incorporar duas regras físicas simples no processo de aprendizado — promovendo consistência do balanço de massa local e vinculando mudanças repentinas de fluxo a uma incerteza mais ampla — obtivemos previsões muito mais confiáveis, mesmo com dados limitados. É como ensinar ao sistema de IA alguns princípios básicos de hidráulica para que ele não faça suposições fisicamente impossíveis."
Essa abordagem permite uma alocação de água mais adaptativa em tempo real. Os operadores podem usar previsões probabilísticas para ajustar margens de segurança, otimizar operações de comportas e responder de forma mais eficaz a eventos inesperados, como retiradas não planejadas. A estrutura é escalável e pode ser integrada a modelos hidrodinâmicos existentes para estimar faixas plausíveis de nível de água sob diferentes cenários. Ao unir a compreensão física com o aprendizado orientado por dados, a PgMDN oferece um caminho prático para a gestão resiliente de sistemas de água em larga escala, especialmente em regiões que enfrentam crescente variabilidade hidrológica. Também abre portas para modelos híbridos semelhantes em outras aplicações de infraestrutura ambiental, desde controle de inundações até redes de distribuição de água.
A pesquisa foi conduzida por equipes da Universidade de Wuhan, na China, do Escritório de Construção e Administração da Rota Média do Projeto de Transferência de Água do Sul para o Norte, da Universidade de Exeter, no Reino Unido, e do Instituto de Pesquisa em Água KWR, nos Países Baixos. O financiamento foi fornecido pelo Programa Nacional de Pesquisa e Desenvolvimento da China [Nº de concessão 2024YFC3211800] e pelo Conselho de Bolsas da China (CSC) [Nº de concessão 202406270118].
