Sobre
Esta história de sucesso resulta de uma dissertação de mestrado na Universidade de Aveiro, que explorou algoritmos para a previsão de caudal de rios. A previsão precisa de caudal é essencial para o controlo da qualidade da água, prevenção de cheias, avaliação de riscos, concepção de barragens hidroelétricas e gestão de reservatórios e escassez de água.
Nos últimos anos, as alterações climáticas têm provocado mudanças significativas nos padrões climáticos, aumentando a ocorrência de fenómenos meteorológicos extremos. Estes factos destacam a necessidade de melhorar as capacidades de previsão para apoiar processos de decisão e mitigar as consequências destes eventos.
Contudo, dados hidrológicos, como medições de caudal, nem sempre estão facilmente acessíveis, e obtê-los de forma independente pode ser extremamente dispendioso, tornando-os indisponíveis para muitas instituições. Esta investigação visa desenvolver e disponibilizar publicamente um modelo que represente de forma fiável e precisa as variações temporais do caudal dos rios. Adicionalmente, com foco na acessibilidade, o estudo procura determinar se é possível aproximar a qualidade das previsões produzidas por modelos que utilizam dados hidrológicos usando apenas dados amplamente disponíveis, como registos de temperatura e precipitação.
O Desafio
O principal desafio foi a otimização dos hiperparâmetros. Identificar a combinação ideal exigiu treinar os modelos para cada conjunto possível de hiperparâmetros e, em seguida, analisar os resultados. Este estudo explorou três modelos de IA em quatro rios, três instâncias e quatro diferentes escalas temporais, resultando num tempo total de treino que atingiu milhares de horas. Os recursos computacionais necessários ultrapassaram largamente os disponíveis em computadores pessoais comuns.
A Solução
A solução envolveu a utilização de computação de alto desempenho (HPC), especificamente com recurso a múltiplos núcleos GPU para paralelizar o processo de treino. Este método reduziu significativamente o tempo de treino e permitiu uma exploração mais ampla das combinações de hiperparâmetros durante a fase de otimização.
Serviços Providenciados
O projecto-piloto HPCvLAB@CVA-UA proporcionou os recursos de HPC necessários a esta dissertação, disponibilizados pelo EUROCC/INCD. Este projecto oferece 300.000 horas de núcleo em múltiplos centros operacionais, das quais foram utilizados 233.750 horas de núcleo na fase de otimização.
Impacto
O acesso a recursos de HPC tornou possível a realização de experiências essenciais, desempenhando um papel crucial no sucesso da conclusão desta dissertação de mestrado.
Parceiros Envolvidos
