Resumo. Este trabalho apresenta uma proposta de Sistema de Suporte à Decisão (SSD) ciberfísico e automatizado de ponta a ponta para o monitoramento de obstruções e previsão de manutenção em grades de proteção de tomadas de água em Usinas Hidrelétricas (UHE). O método proposto utiliza Inteligência Artificial por meio da arquitetura de rede neural profunda U-Net para a segmentação semântica multiclasse (6 classes) de matrizes acústicas brutas provenientes de imagens de SONAR, reduzindo a necessidade de filtros digitais espaciais de suavização que podem degradar assinaturas estruturais de alta frequência. Para converter a predição visual em indicadores operacionais, o sistema calcula a Taxa de Obstrução Instantânea (Tobs) restrita a uma Região de Interesse (ROI) delimitada geometricamente pelo operador na interface. Essa métrica é integrada a um modelo preditivo híbrido baseado no Fator de Aporte Dinâmico (Vobs), calibrado empiricamente segundo a sazonalidade hidrológica do rio (estiagem, cheia e eventos extremos/repiquetes). O framework foi validado localmente via API DirectML utilizando uma GPU NVIDIA GeForce MX330, atingindo uma acurácia global de validação de 74,36% e perda de 0,6674 na 50ª época. Os algoritmos foram consolidados em uma aplicação web interativa em Streamlit, permitindo a binarização customizada de classes para simulação de cenários críticos. O sistema pode ser uma ferramenta para auxiliar o agendamento de manutenção de forma preditiva, otimizando a disponibilidade operacional e a segurança estrutural da planta hidroenergética.