Kalid Otimizacao Rev04

1
OTIMIZAO
de PROCESSOS
e SISTEMAS
Prof. Dr. Ricardo Kalid
kalid@ufba.br - (71) 3283.9811 ou 9188.3316
Prof. PEI-EP-UFBA
2
Objetivos deste Curso
1. Desenvolver modelos matemticos
apropriados para otimizao de processos
2. Entender os algoritmos de otimizao
3. Aplicar os algoritmos de otimizao
4. Resolver problemas de otimizao
5. Objetivo no-prioritrio:
desenvolver e/ou implementar algoritmos.
4
Programa
1. Definio de um problema de otimizao
2. Mtodos para soluo de problemas sem
restries
3. Mtodos para soluo de problemas com
restries
4. Aplicao num problema proposto,
formulado, desenvolvido e
resolvido pelas equipes (mximo de 2
alunos por equipe)
5. Estudo de casos.
6
Metodologia de ensino:
1. Uso do projetor multimdia e da lousa
2. Exerccios resolvidos para exemplificar
3. Lista de exerccios propostos
4. Acompanhamento das aulas pela apostila
5. Sempre que necessrio interrupo da aula
6. Desenvolvimento dos trabalhos fora de sala
de aula
7. Desenvolvimento dos trabalhos em sala de
aula com auxlio do professor.
7
Maximizao do lucro
Minimizao dos custos
Melhoria da qualidade
Aumento da segurana
operacional
Diversificao da produo
Aumento da produo
Minimizao do impacto
ambiental negativo
Maximizao da
eco
2
-eficincia
Troca da tecnologia
Aperfeioamento do
processo
Melhoria da gesto
Controle estatstico do
processo (CEP)
Controle automtico do
processo (CAP)
Integrao de processos:
HEN, MEN, M&HEN
Otimizao das condies
operacionais
Ferramentas para aumento da Produtividade
Objetivos Ferramentas
8
o BOM inimigo do
TIMO !

ento devemos perseguir o ...
9
Otimizao
definio filosfica:
A oposio dos contrrios a condio de
transformao das coisas e, ao mesmo tempo,
princpio e lei.
O estado de estabilidade, de concordncia e de
paz apenas a confuso das coisas no
abrasamento geral.
O que contrrio til e daquilo que est em
luta que nasce a mais bela harmonia.
Tudo se faz por discrdia.
Herclito de Efeso
10
Otimizao
outras definies possveis:
Campo da matemtica dedicado ao
desenvolvimento de mtodos eficientes de
determinao de mximos e mnimos de
funes de uma ou mais variveis
A cincia que determina as melhores
solues para certos problemas fsicos;
problemas que so descritos por modelos
matemticos.
11
Definio apropriada para
Otimizao:
entre as possveis solues,
12
Otimizao
Conflito de
interesses
O grito de Edvard Munch
13
APLICAES DA
OTIMIZAO
Otimizao off-line
Projeto de equipamentos
Sntese de processos
Ampliao de processos
Integrao (retrofit) de processos
Ajuste/identificao de modelos estticos ou dinmicos
Reconciliao de dados
Otimizao em linha (on-line)
Identificao de modelos estticos e/ou dinmicos
Controle adaptativo
Controle timo
Pontos operacionais timos.
14
Antes de otimizar a base deve estar firme
Controle Preditivo
Otimizao
Instrumentao (sensores e atuadores)

ERP
Controle bsico
Controle avanado no SDCD
PROCESSO
ORGANIZAO
Enterprise Resources
Planning sistemas de
gesto corporativa

15
OTIMIZAO DAS CONDIES
OPERACIONAIS
QUALIDADE
QUANTIDADE
SEGURANA e
MEIO AMBIENTE
Investimento Inicial
PID + CA +
MPC +
OTIMIZAO
PID + Ctrl.Avanado +
Controle Preditivo
Multivarivel (MPC)
PID + Controle
Avanado
(Feedforward +
Inferencial +
Ganho no linear +
...)
Controladores (PID)
16
Etapas p/ soluo de problemas
1. Definir os objetivos = formular a pergunta
2. Estudo e anlise qualitativa
Quais as ferramentas adequadas
Nova tecnologia
Seis Sigma, CEP
CAP
...
Otimizao
3. Estudo e anlise quantitativa
Escolha a ferramenta tcnica-econmica-ambiental adequada
Avaliao tcnico-econmica a priori
4. Aplicao da ferramenta escolhida
5. Anlise de sensibilidade e validao
6. Avaliao tcnico-econmica a posteriori
7. Auditoria continuada manuteno continuada.
17
Soluo geral de um
problema de otimizao
1. Definir os objetivos econmicos e ambientais
3. Estudo e anlise quantitativa - Modelo de otimizao
a) Funo Objetivo
b) Variveis de deciso
c) Restries de mercado, ambientais, tcnicas e modelo matemtico
4. Simplificao do problema
5. Mapeamento da funo objetivo (variao das VDs)
6. Aplicao dos algoritmos de otimizao
a) Escolha do algoritmo
b) Definio dos parmetros do mtodo numrico
c) Normalizao do modelo
d) Execuo do algoritmo
7. Anlise de sensibilidade e validao (variao dos parmetros)
8. Implantao da soluo obtida
9. Avaliao tcnica e econmica da otimizao
10. Auditoria continuada = manuteno continuada.
18
Mapeamento da
Funo Objetivo
Como a Funo Objetivo varia com os valores das
variveis de deciso (de projeto):
1. Avaliar sensibilidade da FO s VDs
2. Definir regio vivel
3. Definir estimativa inicial
4. Detectar erros de modelagem ou outros erros
5. Avaliar o valor da FO
6. Conhecer melhor o problema
o MAPEAMENTO ser to extenso
quanto for sua ignorncia.

19
Mapeamento da FO
Exemplo: Z = sen(R)/R; R
2
= X
2
+ Y
2
-8 -6 -4 -2 0 2 4 6 8
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Grfico bidimensional
10
-0.5
0.5
0
1
-10
-5
0
5
10
-10
-5
0
5
Grfico tridimensional
20
-8 -6 -4 -2 0 2 4 6 8
-8
-6
-4
-2
0
2
4
6
8
-
0.2
-
0.2

0

0

0

0

0

0

0.2
0.4

0.6

0.8
Curvas de nvel
-10
-5
0
5
10
-10
-5
0
5
10
-0.5
0
0.5
1
Grf. trid. c/ curvas de nvel
Curva de nvel pseudo-colorida
0 200 400 600 800 1000 1200
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Valores alinhados da funo
21
Exemplo de otimizao:
Programao de produo de uma refinaria
REFINARIA
DE
PETRLEO
Petrleo 1
X
1
= 24 R$/t
Petrleo 2
X
2
= 15 R$/t
G: X
3
= 36 R$/t
Q: X
4
= 24 R$/t
O: X
5
= 21 R$/t
A: X
6
= 10 R$/t
Qual a quantidade TIMA de petrleo tipo 1
e tipo 2 a ser adquirida ?
Resposta: a que der o maior LUCRO
22
FO: maximizar o lucro = max L = Receita - Custo
Receita = $
j
.Produo
j
= 36x
3
+ 24x
4
+ 21x
5
+ 10x
6
Custo = custo matria-prima + custo processamento

custo matria-prima = 24x
1
+ 15x
2
custo processamento = 0,5x
1
+ 1,0x
2

FRs: quanto ao rendimento de cada produto
Gasolina: 0,80x
1
+ 0,44x
2
= x
3
Querosene: 0,05x
1
+ 0,10x
2
= x
4
leo combustvel: 0,10x
1
+ 0,36x
2
= x
5
Resduo: 0,05x
1
+ 0,10x
2
= x
6
.

23
FRs: quanto capacidade total de produo
Gasolina: x
3
< 24 ou 0,80x
1
+ 0,44x
2
< 24

Querosene: x
4
< 2 ou 0,05x
1
+ 0,10x
2
< 2

leo combustvel: x
5
< 6 ou 0,10x
1
+ 0,36x
2
< 6

FRs: quanto natureza das variveis
x
i
> 0 , i = 1, 2, ..., 6
Portanto: max f(x) = 8,1x
1
+ 10,8x
2

submetido a: x
i
> 0 , i = 1, 2
0,80x
1
+ 0,44x
2
< 24 (A)
0,05x
1
+ 0,10x
2
< 2 (B)
0,10x
1
+ 0,36x
2
< 6 (C).
24
Mapeamento de uma funo objetivo
Item
VD
1
=X
1
VD
2
=X
2
FO FR
1
FR
2
FR
3
1 5 1
2 10 3
3 15 5
4 25 7
5 30 9
6 35 11
7 40 13
max f(X) = 8,1.X
1
+ 10,8.X
2

s. a: xi > 0 , i = 1, 2
0,80.X
1
+ 0,44.X
2
< 24 (FR
1
)
0,05.X
1
+ 0,10.X
2
< 2 (FR
2
)
0,10.X
1
+ 0,36.X
2
< 6 (FR
3
)
25
Regio vivel:

Vamos ao EXCELL
max f(x) = 8,1x
1
+ 10,8x
2

s.a: x
i
> 0 , i = 1, 2
0,80x
1
+ 0,44x
2
< 24 (A)
0,05x
1
+ 0,10x
2
< 2 (B)
0,10x
1
+ 0,36x
2
< 6 (C).
26
REFINARIA
DE
PETRLEO
Petrleo 1
X
1
= 26,2 t/h
Petrleo 2
X
2
= 6,9 t/h
Gasolina: X
3
= 24,0 t/h
Querosene: X
4
= 2,0 t/h
leo comb.: X
5
= 5,1 t/h
Asfalto: X
6
= 2,0 t/h
Lucro mximo = 287 000 reais / hora
27
Anlise de sensibilidade aos PARMETROS
Item
p
1
p
2
p
3
FR
1
FO X
1
X
2
1 8,0 10,8
0,44 e 0,36
24
2 8,1 10,8
0,44 e 0,36
24 287 26 7
3 8,2 10,8
0,44 e 0,36
24
4

8,1 10,7
0,44 e 0,36
24
5

8,1 10,9
0,44 e 0,36
24
6

8,0 10,7
0,44 e 0,36
24
7

8,2 10,8
0,48 e 0,32
24
max f(X) = 8,1.X
1
+ 10,8.X
2

s. a: xi > 0 , i = 1, 2
0,80.X
1
+ 0,44.X
2
< 24 (FR
1
)
0,05.X
1
+ 0,10.X
2
< 2 (FR
2
)
0,10.X
1
+ 0,36.X
2
< 6 (FR
3
)
28
Anlise de sensibilidade s RESTRIES
Item
FR
1
FR
2
FR
3
FO FO X
1
X
2
1 23 2 6
2 24 2 6 287 0 26 7
3 25 2 6
4

24 1 6
5

24 2 6
6

24 3 6
7

24 2 7
max f(X) = 8,1.X
1
+ 10,8.X
2

s. a: xi > 0 , i = 1, 2
0,80.X
1
+ 0,44.X
2
< 24 (FR
1
)
0,05.X
1
+ 0,10.X
2
< 2 (FR
2
)
0,10.X
1
+ 0,36.X
2
< 6 (FR
3
)
29
Qual a relao custo/benefcio atual e
qual a esperada com a implantao
da otimizao? Onde otimizar?
Alto consumo de matria-prima
Alto consumo de energia
Produo elevada
Produtos de grande valor econmico
Limites operacionais rgidos
Produo diversificada e flexvel
Perdas elevadas.
30
OTIMIZAO EM-LINHA em
3 camadas ou em 2 camadas
OTIMIZADOR
APC - MPC
PROCESSO
V
a
r
i
v
e
i
s

M
a
n
i
p
u
l
a
d
a
s

V
a
r
i
v
e
i
s

d
e

P
r
o
c
e
s
s
o

DCS SDCD - PLC
OTIMIZADOR
NO LINEAR
PROCESSO
CONTROLADOR
APC - MPC
Setpoints
Variveis
Manipuladas
V
a
r
i
v
e
i
s

d
e

P
r
o
c
e
s
s
o

DCS SDCD - PLC
31
Estudos de otimizao
Cursos de Especializao (CEASI, CECAPI,
CEEGAN 1, CICOP 1, CICOP 2 e CICOP 3),
cursos e dissertaes de mestrado com
aplicaes em 23 processos reais
DUPONT (ex-GRIFFIN)
ELEKEIROZ (ex-CIQUINE)
MONSANTO
BRASKEM-UNIB
DOW
BRASKEM-PE1 (ex OPP)

33
Aplicao da metodologia em
OTIMIZAO BRASKEM-PE1
Operao do reator em baixa carga
Condio operacional atpica
Instrumentao - OK
Processo - CAUSA RAIZ
Estrutura de controle (PVs, MVs e PV-MV)
Algoritmo de controle
Sintonia
Resultados
Mudana na poltica operacional
Retorno econmico R$ 410.000/ano em etileno
Otimizao das condies operacionais
No necessita de investimento de capital
Ganho potencial R$ 1 750 000 por ano

34
OTIMIZAO - MONSANTO
Troca de matria prima da MONSANTO

Duas matrias primas
Uma mais nobre e mais cara
Outra com mais contaminantes e mais barata
Limitao quanto ao contaminante
Resultados
Mudana na poltica de compra
De 20 % do mais barato
Para 30 % do mais barato
Retorno econmico
US$ 800.000/ano
35
OTIMIZAO - ELEKEIROZ
Operao tima de colunas de destilao
Resultados
Para cada coluna retorno econmico de
R$ 600.000,00/ano
US$ 170.000,00/ano
3 colunas:
R$ 1.800.000,00/ano
US$ 510.000,00/ano
36
de um conversor de acetileno
Caso BRASKEM - UNIB
estimativa do tempo timo de campanha
controlador preditivo multivarivel
clculo da condies operacionais timas
para os dias restantes da campanha
trocar
o leito
Sim
No
"Setpoint'
37
Comparao entre campanhas com
tempo real e tima
Concluso: Sem investimento, reduzindo o tempo de
campanha, ganha-se US$ 1.408.000 ano.
Item Real tima
N campanhas 1 3
Durao (dias) 231 77
Lucro dirio
US$/dia
6.600,00 10.500,00
Lucro em 231 dias
US$ milhes
1,5 2,5
38
de um conversor de acetileno
estimativa do tempo timo de campanha
controlador preditivo multivarivel
clculo da condies operacionais timas
para os dias restantes da campanha
trocar
o leito
Sim
No
"Setpoint'
39
FO: t
r
fixo, dia-a-dia e com F
CO

( ) ( ) ( ) ( ) | |
)
`
+ +

=
f
6 2 6 2 4 2 4 2
ent t, ent t,
2
H
ent t,
CO f
t
0 t
ent t,
H C
sai t,
H C
t
2
ent t,
H C
sai t,
H C
t
1 f perdas f L
T , F , F , t
F F P F F P t C t C
max
( ) ( ) | |
)
`
=
f
o
6 2 6 2 4 2 4 2
ent t, ent t,
2
H
ent t,
CO
t
t t
ent t,
H C
sai t,
H C
t
2
ent t,
H C
sai t,
H C
t
1
T , F , F
F F P F F P
max
( ) ( ) | |
t t t t
o o
, , 1 , para
F F P F F P
ent t,
H C
sai t,
H C
t
2
ent t,
H C
sai t,
H C
t
1
T , F , F
6 2 6 2 4 2 4 2
ent t, ent t,
2
H
ent t,
CO
max
+ =
+
40
FO: t
r
fixo, dia-a-dia e com F
CO

( ) ( ) ( ) ( ) | |
)
`
+ +

=
f
6 2 6 2 4 2 4 2
ent t, ent t,
2
H
ent t,
CO f
t
0 t
ent t,
H C
sai t,
H C
t
2
ent t,
H C
sai t,
H C
t
1 f perdas f L
T , F , F , t
F F P F F P t C t C
max
( ) ( ) | |
)
`
=
f
o
6 2 6 2 4 2 4 2
ent t, ent t,
2
H
ent t,
CO
t
t t
ent t,
H C
sai t,
H C
t
2
ent t,
H C
sai t,
H C
t
1
T , F , F
F F P F F P
max
41
Variveis de deciso
valores iniciais das variveis de deciso
variveis de deciso no ponto timo
restries operacionais
20 40 60 80 100 120 140
0
10
20
30
C
O

(
k
g
/
h
)
20 40 60 80 100 120 140
0
100
200
H
2

(
k
g
/
h
)
20 40 60 80 100 120 140
40
60
80
T

e
n
t
r
a
d
a

(
C
)
Dias em Operao
42
Restries Operacionais
valores iniciais das restries
variveis das restries no ponto timo
restries operacionais
50 100 150
0
0.1
0.2
0.3
0.4
C
2
H
2

s
a
d
a

(
%

m
o
l
)
50 100 150
200
400
600
800
1000
H
2

s
a
d
a

(
p
p
m

m
o
l
)
50 100 150
1
1.2
1.4
1.6
1.8
2
H
2
/
C
2
H
2

e
n
t
r
a
d
a
Dias em Operao
50 100 150
70
80
90
100
110
120
T

s
a
d
a

(
C
)
Dias em Operao
43
funo objetivo no ponto timo
(total = US$ 379 mil)
funo objetivo no incio da otimizao
(total = US$ 178 mil)
Diferena anual = US$ 520 mil.
20 40 60 80 100 120 140
0
1
2
3
4
5
F
u
n
o

O
b
j
e
t
i
v
o

(
1
e
3

U
S
$
/
d
i
a
)
Dias em Operao
Funo objetivo econmica na campanha
44
OTIMIZAO EM LINHA DE
CONVERSOR DE ACETILENO
Caso BRASKEM-UNIB
Otimizando o tempo de campanha
+ US$ 1,4 milhes/ano
Otimizando as condies operacionais
+ US$ 500 mil/ano
Total: US$ 1,9 milhes/ano
Investimento de capital = zero
Investimento apenas de hh
45
Otimizao de plantas existentes
com investimento necessrio apenas emm hh
Empresa Tema
Receita annual
US$ milhes
BRASKEM-
PE 1
Otimizao do reator de
polietileno
US$ 700 mil / ano
BRASKEM-
UNIB
Otimizao do conversor
de acetileno
I = 2 eng x 7.680 h = 15.360 hh
US$ 1.900 mil / ano
ELEKEIROZ
(ex CIQUINE)
Otimizao de 3 colunas
de destilao
(purificao de butanos)
US$ 600 mil / ano
MONSANTO Troca de matria prima US$ 800 mil / ano
MONSANTO produo de PCl3 US$ 330 mil / ano
MONSANTO produo de PIA US$ 400 mil / ano
DOW
coluna de lavagem de
sal (SWC)
US$ 1.800 mil / ano e
diminui 130 mil t / ano de H
2
0
46
Softwares para
otimizao de processos:
ITENS
BD
termo.
Mt. num.
e flexib.
I H M
Ass.
tc.
local
Recon.
dados
$$$ Soma
ASPEN/
HYSYS
5 3 5 5 1 1 20
UNISIM
5 3 5 5 1 3 22
GPROMS
5 5 5 1 3 1 20
EES
3 3 3 5 1 3 18
GAMS
1 5 3 3 5 3 20
LINGO
1 3 3 3 3 3 16
MATLAB
1 3 3 5 3 1 16
EMSO
3 5 3 5 5 5 26
47
Idiossincrasias
dos softwares
Max f(x) = Min -f(x)
Restries de igualdade = 0
Restries de desigualdade < 0
Mensagens incompletas ou
incompreensveis
Manuais mal escritos
Exemplos inapropriados
...
49
Referncias Bibliogrficas Principais
Bazaraa, Mokhtar S. Nonlinear Programming: Theory and
Algorithms. Editora Wiley.
Beveridge, G. S. and Schehter, R. S.; Optimization Theory and
Practice. McGraw-Hill, 1970. Traz uma discusso mais profunda a
respeito dos fundamentos matemticos em que os mtodos de
otimizao so baseados
Himmelblau, D. M. and Edgar, T. F. Optimization of Chemical
Process. McGraw-Hill, 1989. Livro essencial para quem quer iniciar
e/ou aprofundar seus estudos sobre otimizao de processos
qumicos. Cdigo na Biblioteca da EP: 660.28 E23D
Himmelblau, D. M.; Process Analysis by Statistical Methods. Jonh
Wiley & Sons, 1970. Livro que traz os algoritmos de vrios mtodos
de otimizao e aplica esses mtodos principalmente ao ajuste de
modelos matemticos a dados experimentais
Kalid, Ricardo de A., Otimizao de Processos Qumicos.
Departamento de Engenharia de Qumica, Universidade Federal da
Bahia, material publicado em www.LACOI.ufba.br
Reklaitis, G. V.; Ravindran, A.; Ragsdell, K. M.; Engineering
Optimization: Methods and Applications. Jonh Wiley & Sons, 1983.
Livro importante e complementar ao de Himmelblau e Edgar (R1).
50
OTIMIZAO DE
PROCESSOS INDUSTRIAIS
muitas perguntas ...
uma soluo:

51
OTIMIZAO DE
PROCESSOS e Sistemas
Ricardo Kalid
kalid@ufba.br - (71) 3283.9811 ou 9188.3316
Prof. PEI-EP-UFBA
52
Mudam-se os tempos,
mudam-se as vontades,
Muda-se o ser,
muda-se a confiana;
Todo o mundo
composto de mudana,
Tomando sempre
novas qualidades.

As tormentas
Lus Vaz de Cames
53
Por que Otimizar?
Promover ganhos econmicos
- minimizar investimento
- maximizar lucro total
- maximizar lucro por unidade produzida
- minimizar os custos operacionais
- minimizar os custos de manuteno.
54
Por que Otimizar?
(cont.)
Aumentar vantagens tcnicas e operacionais
- maximizar a produo
- minimizar a produo insumos indesejveis
- minimizar consumo matria-prima/energia
- minimizar o tempo de batelada
- minimizar a diferena entre o SP e a PV
Promover, simultaneamente, ganhos
econmicos e operacionais.
55
Exemplos de Aplicao
Melhor localizao de uma planta
Escalonamento do parque de tancagem
Dimensionamento e layout de pipelines
Projeto de plantas e/ou de equipamentos
Escalonamento de reposio e manuteno
de equipamentos
Planejamento e escalonamento da
construo de plantas;
56
Exemplos de Aplicao
(cont.)
Ajuste de modelos matemticos
Minimizao de inventrio
Alocao de recursos ou servios entre
diferentes processos
Operao de equipamentos e/ou
plantas.
57
Definio de um
problema de otimizao:
entre as possveis solues,
58
Partes de um problema de otimizao:
- O propsito: a Funo Objetivo (FO)
- As limitaes: Funes de Restrio (FR)
- As variveis de deciso
A soluo um ponto que maximiza ou
minimiza um certo critrio e que pertena
regio vivel
Para otimizar essencial que seja possvel
manipular as variveis de deciso (VD),
graus de liberdade > 0
variveis de deciso = variveis de projeto.
Partes de um problema de otimizao:
59
A Funo Objetivo (FO)
Estabelece o alvo a ser alcanado
Funo matemtica a ser maxi/minimizada
Definida a partir de:
- critrios estritamente econmicos
- critrios apenas tcnicos/operacionais
- critrios tcnico-econmicos
Para sua formulao necessrio conhecer
profundamente o processo a ser otimizado.
60
Variveis de Deciso
(VD)
N
o
var. de deciso = N
o
graus de liberdade (gl)
Se gl = 0 ento no h como otimizar
As VD devem ter influncia sobre a FO
Se a FO extremamente sensvel a uma VD
difcil reproduzir na prtica o ponto timo.
61
As Restries
Capacidade mxima de processamento
Temperatura e presso absolutas > 0
0 < fraes molares < 1
Fechamento dos balanos
Capacidade de absoro do mercado
Preo mximo de venda ou de compra
Equaes algbricas ou diferenciais
Inequaes algbricas ou diferenciais.
62
A Regio Vivel
Regio ou espao de busca ou de
pesquisa
Cuidado com a escolha da regio vivel
Exemplo
FO:

sujeita a: 10 < x < 20.
max y
y a x b x c
1
1
2
= + + . .
-1600
-1400
-1200
-1000
10 12 14 16 18 20
-800
-600
-400
-200
FO com restrio
63
Obstculos Otimizao
No disponibilidade de dados ou de um
modelo matemtico confivel do sistema
Descontinuidades da FO ou da FR
No-lineraridade da FO ou da FR
Interao entre as variveis de deciso
FO "achatada" ou exponencial
a FO multimodal perto do ponto timo
IGNORNCIA dos benefcios
IGNORNCIA das dificuldades.
65
Otimizao de Processos
Qumicos:
Captulo 2
Conceitos Matemticos
Ricardo de Araujo Kalid
Programa em Engenharia Industrial -
Escola Politcnica da UFBA.
66
Conceitos Matemticos
Compreenso intuitiva dos conceitos
Para implementar algoritmos temos que
conhecer profundamente:
- lgebra linear
- clculo diferencial
- estatstica (reconciliao e estimativa de
parmetros de modelos)
- clculo numrico.
67
Classificaes para a FO:
Quanto a continuidade
contnua
discreta
Quanto a convexidade
cncava (tm um nico mximo)
convexa (tm um nico mnimo);
68
melhor que x* esteja afastado da descontinuidade
Exemplo: projeto de tubulaes
- realizar otimizao discreta (+ complexa)
- realizar otimizao contnua e aproximar (sub-timo).
0 5 10 15 20 25 30 35
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
x 10
4
Funo descontnua
0 5 10 15 20 25
30
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
Funo com derivada descontnua
69
Funes Cncavas e
Convexas
Funes convexas e cncavas so unimodais
Funo cncava:
Estritamente cncava:.
Funo cncava
-40 -20 0 20 40 60
-2500
-2000
-1500
-1000
-500
0
500
-40 -20 0 20 40 60
0
500
1000
1500
2000
2500
3000
Funo convexa
( ) | | ( ) ( ) ( )
b a b a
x f x f x x f u u u u + > + 1 1
| | ( ) ( ) ( )
b a
x f x f f u u + > - 1
70

-100 -50 0 50 100
-4.5
-4
-3.5
-3
-2.5
-2
-1.5
-1
-0.5
0
0.5
x 10
4
Funo Multimodal
Quanto ao nmero de pontos crticos.
-100 -50 0 50 100
-4.5
-4
-3.5
-3
-2.5
-2
-1.5
-1
-0.5
0
0.5
x 10
4
Funo Unimodal
71
Funes Unimodais e
Multinodais
Funes com + de 1 pto. de mximo ou de
mnimo
Todo extremo global tambm local
Apenas um dos extremos locais global
Mtodos numricos detectam apenas
extremos locais, a menos que o problema seja
convexo.
72
Definies
Matriz:

Matriz Identidade:

Vetor: .
(
(
(
(
=
nm n n
m
m
m x n
a a a
a a a
a a a
A
2 1
2 22 21
1 12 11
(
(
(
(
(
(
=
1 0 0 0
0 1
0 0
0 0 1 0
0 0 0 1
n x n
I
| |
n
T
x x x x
xn

2 1
1
=
73
Operaes bsicas com
matrizes e vetores
Igualdade: A = B a
ij
= b
ij
Adio: A + B = C c
ij
= a
ij
+ b
ij
Multiplicao: Anxm x Bmxr = Cnxr
Multiplicao de matriz por escalar:

Transposta de um produto de matrizes:
c a b
ij ik kj
k
m
=
=
1
sA B s a b
ij ij
= = .

( )
AB B A
T
T T
=
74
Produto interno entre dois vetores:

Se os vetores so
ortogonais
Inversa de uma matriz:

por exemplo

Determinante de uma matriz:
|A2x2| = a
11
.a
22
- a
12
.a
21
.
x y x y x y
T
i i
i
n
= =
=
,
1
x x x
T
i
i
n
=
=
2
1
x y
T
= 0
A A AA I

= =
1 1
z Ax A z x = =
1
75
Gradiente - derivada de uma funo
escalar de um campo vetorial:
( ) ( ) ( )
( )
( ) ( )
( )
( )
( )
1
1
2
2
n
n
f x
x
x
f x
f x
x
grad f x f x f x f x x
x x
f x
x
x
c
c
c
c
c c
c
c
c
c
c c
c
c
c
c
A
(
(
(
(
(
(
(
(
(
(
= V = = = = ( (
(

(
(
(
(
(
(
(
(
(

76
matriz hessiana H(x):
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
1
2
1 1
1
2
2
2 2 2
T
n
n n
n
f x f x
x x
x
f x f x
f x f x
x H x f x x x
x x x x
x
f x f x
x
x x
x
f
x H x
x
c c
c
c c
c
c c c
c c
c c c
c
c c
c c c c
c
c
c
c
c
c
c
c
c
c
c c
c
c
A
( (
(
( (
(
( (
(
( (
(
( ( (
(
(
= = V = = =
( ( (

(

( (
(
( (
(
( (
(
(
(
(
(
=
(
(
(
(
(

(
( (
(

( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
2 2 2
2
1 2 1 1
2 2 2
2
2 1 2 2
1 2
2 2 2
2
1 2
n
n
n
n n n
f x f x f x
x x x x x
f x f x f x
x f x f x
x x x x x
x x x
f x f x f x
x x x x x
c c c
c c c c c
c c c
c c
c c c c c
c c c
c c c
c c c c c
(
(
(
(
(
(
=
(
(
(
(
(
(
(

77
Dicas:
b
x
x b
T
=
c
c
( )
T
x Az
Az
x
c
c
=
( )
T
T
x Ax
Ax A x
x
c
c
= +
( )
2
T
x Ax
Ax
x
c
c
=
( )
2
2
2 .
T
x Ax
A
x
c
c
=
e se A for simtrica
( )
( )
2
2
T
T
x Ax
A A
x
c
c
= +
T
x b
b
x
c
c
=
78
Independncia linear,
matriz singular e rank
M singular det(M) = 0
M singular quando todos os elementos de
uma ou mais linhas (ou colunas) so nulos
M singular quando uma ou mais linhas
(colunas) da matriz tem dependncia linear
com outra(s) linha(s) (colunas)
Para matrizes quadradas linhas dependentes
implicam em colunas dependentes.
79
Operadores linha ou
coluna
aumente a matriz A com a matriz
identidade:

pr-multiplique a matriz aumentada por A
-1

| |
A A
aug
= I
| | | |
A A A

=
1 1
I I
80
Soluo de sist. eq. lin.

Para b = 0 e se a matriz |A| = 0
b x a x a x a
n n
= + +
2 2 1 1
a a a
a a a
a a a
x
x
x
b
b
b
Ax b
n
n
n n nn n n
11 12 1
21 22 2
1 2
1
2
1
2
(
(
(
(
(
(
(
(
=
(
(
(
(
=
x A b =
1
Ax b =
81
Para b = 0
- Se posto de A = n existe uma soluo
- Se posto de A < n existem infinitas
solues ou a soluo no existe
Se b = 0
- a soluo trivial se x = 0
- a soluo no-trivial se x = 0 e det[A] = 0
Ento o sistema indeterminado.
x A b =
1
Ax b =
82
Graus de liberdade
Um sistema com n incgnitas e r
equaes:
n > r gl = n - r > 0 otimizao
n = r o sistema no tem graus de
liberdade:
sistema linear tem apenas uma soluo
sistema no-linear pode ter + de uma soluo
n < r gl < 0
Se o sistema linear ento o mesmo est
sobre-determinado.
83
Autovalores e autovetores
Uma matriz A
nxn
tem n auto-valores/vetores
Por definio
soluo trivial: v = 0
soluo no-trivial: v 0 =>

Se todos os autovalores de A so > 0 existe
a sua inversa.
v v A o =
( ) 0 = v I A o
| | 0 det = I A o
84
Estudo de funo
Condio necessria (funo de 1 varivel):
f(x*) = 0 x* ponto estacionrio
x* ponto crtico
mximo, mnimo ou ponto de inflexo.
0 100 200 300 400 500
0
500
1000
1500
2000
2500
Funo monovarivel
85
Condio suficiente (funo univarivel):
f(x*) = 0 e f(x*) > 0 x* pto mnimo
f(x*) = 0 e f(x*) < 0 x* pto mximo
f(x) = x
4/3
x* = 0 mnimo e f(x*)
Condio necessria (funo multivarivel):
f(x*) = 0 x* pto. crtico
Condio suficiente (funo multivarivel):
f(x*) = 0 e H(x*) > 0 x* pto. de mnimo
f(x*) = 0 e H(x*) < 0 x* pto. de mximo.
-
( )
( )
c
c
f x
x
-
= 0
86
A hessiana determina a concavidade:
- Se H(x) > 0 , f(x) estritamente convexa
H(x) positiva-definida x
T
H x > 0
Se todos os autovalores de H(x) positivos (>0)
- Se H(x) < 0 , f(x) estritamente cncava
H(x) negativa-definida x
T
H x < 0
Se todos os autovalores de H(x) negativos (<0)
- Se H(x) > 0 ou < 0 a depender de x ,
f(x) no cncava nem convexa
- Se H(x) = 0 , f(x) cncava/convexa e linear
A soma de funes cncavas (convexas) uma
funo cncava (convexa).
87
Continuidade de funes
f(x) continua em x
o
se e somente se:
(a) f(x
o
) existe
(b) lim f(x
o
) existe
(c) lim f(x
o
) = f(x
o
)
f(x,y) continua em (x
o
,y
o
) se e somente se:
(a) f(x
o
,y
o
) existe
(b) lim f(x
o
,y
o
) existe
(c) lim f(x
o
,y
o
) = f(x
o
,y
o
)
88
Regio Convexa
Regio de busca na qual todas as retas entre dois
pontos interiores esto contidas na regio

Se uma regio definida por g
i
(x) > 0 todas
cncavas regio convexa fechada
Se uma regio definida por g
i
(x) < 0 todas
convexas regio convexa fechada.
Regies convexas Regies no convexas
89
Se na figura (c), a procura
iniciar mais esquerda
ser encontrado o mximo local.
Para achar o global convertemos
a regio para convexa.

(a) Ponto de mximo
fora da regio vivel
(b) Ponto de
mximo dentro
da regio vivel
(c) Regio no-convexa
90
Sendo a regio convexa ento:
- Se a FO cncava existe apenas um mximo
- Se a FO cncava existem + de um mnimo
- Se a FO convexa existe apenas um mnimo
- Se a FO convexa existem + de um mximo
Se a FO e suas FRs so bem comportadas a otimizao
facilitada
PROBLEMA CONVEXO
Se a FO cncava e a regio vivel convexa um ponto de
mximo local = mximo global
Se a FO convexa e a regio vivel convexa um ponto de
mnimo local = mnimo global
FO lineares so convexas e cncavas tem apenas um
mximo e um mnimo local (global).
93
2.14. Interpretao da Funo
Objetivo em Termos de uma
Aproximao Quadrtica

FO = funo quadrtica:

Os autovalores de H(x) no ponto x*
identificam a natureza deste ponto.
( )
2 2
0 1 1 2 2 11 1 22 2 12 1 2
f x b b x b x b x b x b x x = + + + + +
95
( ) ( )
o o
1 2
=
( ) ( )
o o
1 2
>
( ) ( )
o o o o
1 2 1 2
= + > ou
o o o
2 1 1
0 0 0 = > < e ou
96
o o o
2 1 1
0 0 0 = > < e ou
97
Qumicos:
Captulo 3
Formulao Matemtica de
um Problema de Otimizao
98
Soluo geral de um
problema de otimizao
1. Definir os objetivos
3. Estudo e anlise quantitativa
Modelo de otimizao estabelecer:
a) Funo Objetivo
b) Variveis de deciso
c) Restries
4. Simplificao do problema
5. Mapeamento da funo objetivo
6. Aplicao dos algoritmos de otimizao
7. Anlise de sensibilidade e validao
8. Implantao da soluo obtida
9. Avaliao tcnica e econmica
10. Auditoria continuada manuteno continuada.
101
Expresso matemtica:

Variveis de deciso: x
As Funes de Restrio (FR):
min f x
x
( )
( )
( ) . 0 e/ou
0 a sujeito
s
=
x g
x h
Problema de otimizao
102
Traduzir para linguagem matemtica
- maximizao (minimizao) de algo
No empregar expresses do tipo
- construir um mundo melhor
- desenvolver uma sociedade mais justa
Objetivos econmicos ou operacionais.
103
Objetivos Econmicos
Maximizar o lucro:
fluxo de caixa
depreciao
valor presente e valor futuro
inflao
vida econmica
taxa de retorno de investimento
tempo de retorno
custos de capital e operacional.
104
FO: Max lucros operacionais
Reator a batelada com regenerao:
x1 nmero de dias de operao
x2 nmero de dias de regenerao
Hipteses ou premissas:
H1. Partida da planta nas manhs: x1 + x2 inteiro
H2. Inventrio da carga constante (q) [=] kg/dia
H3. Custo constante da matria-prima (C1) [=] $/kg
H4. Valor constante do produto (C2) [=] $/kg
H5. Custo constante da regenerao (C3) [=] $/kg
H6. Atividade cataltica: A = 1 - K.x1
H7. Custo de separao desprezvel
H8. Custo de recirculao negligencivel.
105
Reator batch c/ regenerao
Qual a varivel de projeto/deciso (VP)?
tempo timo de campanha (x1 + x2)
FO: maximizar o lucro dirio
lucro (L) = receita (R) - custo (C)
R = preo venda (C2) x produo diria (PD)
PD = produo total (PT) / n
o
total de dias
PT = vazo x atividade mdia x n
o
de dias operao
C = custo matria-prima (CMP) + custo regenerao(CR)
CMP = preo matria-prima (C1) x consumo dirio (CD)
CD = consumo total (CT) / n
o
total de dias
CR = custo regenerao por ciclo (C3) / n
o
total de dias.
106
n
o
total de dias = (x1 + x2)
L = f(q,x1,x2,C1,C2,C3,A) = R - C
R = C2.PD = C2.PT / (x1 + x2) = C2.q.Amed.x1 / (x1 + x2)

C = CMP + CR
CMP = C1.CD = C1.CT / (x1 + x2) = C1.q.x1 / (x1 + x2)
CR = C3 / (x1 + x2).

( )
1 1
1
1
2
1 1 1
1
0 0 1
1 1
1
0
1
2
1
2
x x
med x
x
Adx Kx dx
x K
x
A K
x x
dx

= = = =
} }
}
107
FO: max f(q,x1,x2,C1,C2,C3,A)

Derivando f(q,x1,x2,C1,C2,C3,A) em relao a
x1 e igualando a zero:

P/ x2 = 2 , K = 0,02 , q = 1000 , C1 = 0,4
C2 = 1 , C3 = 1000 => x1* = 12,97 ~ 13.
( )
f q x x C C C A
C qA x C qx C
x x
med
, , , , , ,
1 2 1 2 3
2 1 1 1 3
1 2
=

+
x x x
K
x
C x
C
C
qC
x
opt
1 1 2
2
2
1 2
2
3
2
2
2
= = +
|
\
|
.
|
+
|
\
|
.
|
(

-
108
FO: Min custos de capital
Projeto de um vaso cilndrico de presso:
V - volume do vaso (fixo)
L - altura do vaso
D - dimetro do vaso
H1. Topo e fundo planos
H2. Paredes de espessura (t) e massa esp. cte.
H3. Iguais custos para extremidades e lateral
H4. No existe perda de material na fabricao.

109
Projeto de vaso de
presso
Qual a varivel de projeto/deciso (VP)?
L e D
FO: minimizar o custo de fabricao
- custo (C) = custo por peso (S) x peso (P).
( )
min f
onde f S t D L S
D
DL t
S t D L , , , ,
, , , ,

t
t
1
1
2
2
4
= +
|
\
|
.
|

110
Como S, t, e a massa esp. so ctes =>

Mas V fixo =>

Funo objetivo:

( )
min f
onde f D L
D
DL
D L ,
,
3
3
2
2
= +
|
\
|
.
|
t
t
2
2
4
4
D V
V L L
D
t
t
= =
( )
.
4
2
min
2
4
4
|
|
.
|
\
|
+ =
D
V D
D f onde
f
D
t
Projeto de vaso de presso
111
Derivando f4 e igualando a zero:

Mas o critrio emprico: L/D
opt
= 3 = 1
Por que? Quem ou o que est errado?
1
seja ou
4
emente consequent e,
4
3 / 1
3 / 1
=
|
.
|
\
|
|
.
|
\
|
=
|
.
|
\
|
=
opt
opt
opt
D
L
V
L
V
D
t
t
Projeto de vaso de presso
112
Projeto do vaso com
novas hipteses:
Topo e fundo tem o formato de elipses 2:1,
com uma rea dada por 2(1,16D
2
) = 2,32D
2
Custo de fabricao das extremidades maior
que para a lateral c/ um fator de 1,5
Custo de fabricao por unidade de peso S
($/unidade de peso) e massa esp. so ctes.
P/ presso de 250 psi (17 atm) e uma corroso
de 1/8 in: t = 0,0108D + 0,125
113
FO a ser expressa em $:

Substituindo t(D) em f5 e lembrando
que S e a massa esp. so ctes. e que

( )
( )
| |
min f
onde f S t D L S D DL t
S t D L , , , ,
, , , , , ,
t
5
5
2
15 2 32 = +
|
.
|
\
|
+ =
3 4
2
D
L
D
V
t
( )
min f
onde f D V
V
D
D D
D
6
6
2 3
0 0432 0 5 0 3041 0 0263 = + + + , , , ,
Novo projeto de vaso de presso
114
Soluo para vrios nveis de presso e V :

Cuidado! no consideramos as perdas de
material durante a fabricao do vaso.
Novo projeto de vaso de presso
Ponto timo: (L/D)
opt
Presso de projeto (psi)
Capacidade
(gales)
100 250 400
2500 1,7 2,4 2,9
25000 2,2 2,9 4,3
115
FO: Max economia
anual
Projeto espessura de isolamento (VP)
Custo de capital x economia de energia

H1. Q perda de calor por hora:

H2. Custo de instalao por unidade de rea
CI = F0 + F1.x
H3. Tempo de vida do isolamento = 5 anos
H4. Investimento ser pago em 5 anos.
c
h k
x
T A
Q
1
+
A
=
116
Definies
r - frao do custo de instalao
Ht - custo de reposio do calor ($/10
6
Btu)
Y - nmero de horas de operao por ano
FO: maximizar L
L = R - C
R = economia de energia por ano
C = custo do isolamento por ano
Economia de energia: Q(x = 0) - Q = Q0 - Q
Custo (pagamento) por ano: P = r.(F0+F1.x).A
f(hc,A,T,k,F0,F1,r,x) = (Q0 - Q).Y.Ht - r.(F0+F1.x).A.
FO: Max economia anual
117
FO: Max economia anual
FO em $ por ano:

Diferenciando em relao a x e igualando a
zero:

Se utilizar capital prprio temos que definir
uma taxa mnimo de retorno.
( )
( ) ( ) ( ) ( ) r A x F F H Y x Q Q x r F F k T A h f
x r F F k T A h f
t c
c
x
. . . . , , , , , , , onde
, , , , , , , min
1 0 0 1 0
1 0
+ = A
A
(
(
|
|
.
|
\
|
A
=
c
t
opt
h r F k
T Y H
k x
1
. . . 10
. .
1
6
( )
c
h k
x
T A
x Q
1
+
A
=
118
Objetivos Operacionais
No considerar explicitamente os $ $ $ $ $
Mnimo tempo de processamento
Maximizar a produo total
Maximizar a produo de um componente
Minimizar o consumo de utilidades
Minimizar o consumo de matria-prima
Diferena entre os SPs e o valor das PVs.
119
FO: Min erros nos
balanos
Reconciliao de dados de processos

H1. O processo est em estado estacionrio
H2. As medies MA , MB e MC tm incertezas.
Planta
A B
C
Mc1 = 11,1 kg/h
Mc2 = 10,8 kg/h
Mc3 = 11,4 kg/h
MB1 = 92,4 kg/h
MB2 = 94,3 kg/h
MB3 = 93,8 kg/h
Mc1 = 80,5 kg/h
Mc2 = 82,0 kg/h
Mc3 = 84,8 kg/h
120
Balano de massa: MA + MC = MB
FO: encontrar um valor de MA (VP) que
minimize os erros nos balanos de massa
( )
( )
exp
exp
exp
exp
exp
exp
2
.exp
2
, ,
1
2
2
2
1
2
min , ,
, ,
i
i
A B C
i
i
i
i
timo
A A
no
timo
A B C B B
M M M
i
timo
C C
rec
A A
rec
A B C B B
i
rec
C C
M M
f M M M M M
M M
M M
ou melhor f M M M M M
M M
=
=

(
+

(
= +
`

(

)

(
+

(
= +
`

(
.exp no
121
Simulao X Reconciliao
Usa o dado para
melhorar o modelo
Usa o modelo para
melhorar o dado
Entradas e sadas
so independentes
Clcula as sadas a
partir das entradas
Desempenho
monitorado
Desempenho predito
ndices devem ser
especificados
ndices podem ser
corrigidos
Redundncia a
fonte da informao.
Redundncia
fonte de problemas
122
FO: Maximizar a produo
Reator batch
Esquema reacional:

Maximizar a concentrao do produto B
max CB(k1, k2, k3, k4, CA, CB, CC, CD , t)
Hipteses simplificadoras:
H1. O reator fechado
H2. Operao isotrmica
H3. Equaes das taxas de 1
a
ordem
H4. Reao em fase lquida (volume constante)
A B
C
D
k1
k2
k3
k4
123
Modelo do processo: balano por componente:
acmulo = formado - consumido
dC
dt
k C k C
A
B A
=
2 1
dC
dt
k C k k k C
B
A B
= + +
1 2 3 4
( )
dC
dt
k C
C
B
=
3
dC
dt
k C
D
B
=
4
A B
C
D
k1
k2
k3
k4
FO: Maximizar a produo
124
Modelo do processo: balano global
massa inicial = massa final
n
o
de moles inicial = n
o
de moles final
conc. inicial = conc. final
CA0 + CB0 + CC0 + CD0 = CA + CB + CC + CD
Queremos maximizar CB , as condies
iniciais so dadas, portanto s nos resta
manipular o tempo de campanha (VP)
Resolvendo as eq. diferenciais, obtemos:
CB(t) = a1.exp(b1.t) + a2.exp(b2.t)
diferenciando e derivando em relao a t :
t* = 0,63 h => CB* = 23,04 g-mol/L
125
Ajuste de modelo
matemtico
Viscosidade de gases
Fonte: The Properties of Gases and Liquids, Fifth Edition.
Bruce E. Poling, John M. Prausnitz, John P. OConnell. McGraw-Hill
126
Viscosidade de gases
Fonte: The Properties of Gases and Liquids, Fifth Edition.
Bruce E. Poling, John M. Prausnitz, John P. OConnell. McGraw-Hill
127
FO: Minimizar os
desvios entre SPs e PVs
Controle timo
Controle Preditivo
Objetivo sistema de controle: Min |SP - PV|
Manipulao difcil FO: Min (SP - PV)
2

ou FO: Min [E(t)]
2
Min [E(t)
T
E(t)]
Variao suave nas MVs:
FO: Min { [E(t)
T

W1 E(t)] + [AMV(t)
T
W2 AMV(t)]}
128
Combinao de Objetivos
Operacionais com Objetivos
Econmicos
Minimizar os erros entre SPs e PVs
com um mnimo consumo de utilidades
( )
( ) | | ( ) | | ( ) | | ( ) | | ( ) ( ) | | { } t MV t MV W t MV t E W t E
t MV
u + A A +
2
T
1
T
min
( )
( ) ( ) | | ( ) ( ) | |
( ) | | ( ) | |
( ) | |

+ A A
+
t MV MV
t MV W t MV
t PV t SP W t PV t SP
T
R
T
T
t MV
.
min
$
2
1
129
Funes de Restrio FR
Restries de natureza
- operacional, p.ex. MVs entre limites
- fsica, p.ex. mxima capacidade do equip.
- mercadolgica, p.ex. mx. capac. do mercado
P.ex. controle preditivo timo:
( ) | | ( ) | | ( ) | | ( ) | | ( ) ( ) | | { }
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) t PV t SP t E
t PV t PV t PV
t MV t MV t MV
t MV t MV t MV
t MV W t MV W t MV t E W t E
t MV
=
s s
A s A s A
s s
+ A A +
max min
max min
max min
3 2
T
1
T
) (

a sujeito
. min u
( ) DE MV f PV , =
Modelo do processo
130
Exemplos de modelo de problemas de otimizao do livro:
Optimization of chemical processes do Edgar & Himmelblau
Recuperao de calor rejeitado
Projeto de trocadores de calor
Sntese de redes de trocadores de calor
Projeto de evaporadores
Sistema caldeira-turbina
Extrao lquido-lquido
Coluna de destilao
Ajuste de modelo ELV
Dimetro timo de tubulao
Mnimo trabalho de compresso
Operao econmica de um filtro
Projeto de uma rede de transmisso de gs
Tempo de residncia timo em reator a batelada
Otimizao de um reator de craqueamento cataltico
Maximizao do rendimento
Projeto timo de um reator de amnia.

131
O JULGAMENTO DO
ENGENHEIRO
ESSENCIAL
NA ACEITAO OU NO
DAS SOLUES
ENCONTRADAS.
132
Qumicos:
Captulo 4:
Otimizao Unidimensional
Sem Restries (OUSR)

Ricardo de Araujo Kalid, Dr.
133
Algoritmos de
Otimizao
P1. Estabelea o intervalo de busca ou
estimativa inicial que contenha o ponto de
mnimo da FO
O mapeamento fornece esse intervalo ou
estimativa inicial
P2. Defina uma tolerncia
P3. Aplique o mtodo selecionado at atingir a
tolerncia, certificando-se que: f(x
k+1
) < f(x
k
)
134
Tolerncia ou
Critrio de Parada
Erro absoluto na FO:
Erro relativo na FO:
Erro absoluto no ponto timo:
ou
( ) ( )
1
1
c <
+ k k
x f x f
( ) ( )
( )
2
1
c <
+
k
k k
x f
x f x f
3
1
c <
+ k
i
k
i
x x
( ) .
4
1
2
1 1
c < =

=
+ +
n
i
k
i
k
i
k
i
k
i
x x x x
135
Erro relativo no ponto timo:

Erro absoluto na direo de busca:
x x
x
i
k
i
k
i
k
+
<
1
5
c
( )
( )
.
6
2
1
c
c
c
<
(
(
= V

=
n
i
x
k
k
x
x f
x f
137
Mtodos para OUSR
Motivao:
M1. Problemas unidimensionais sem restries
M2. Incorporao da(s) restries FO
M3. Tcnicas OMSR e OMCR se originam em OUSR
M4. Auxilia em problemas onde desconhecemos a
regio de busca
Classificao dos mtodos para OUSR:
MD - Mtodos Diretos (utilizam apenas as funes)
MI - Mtodos Indiretos (utilizam as derivadas).
138
Mtodos Diretos (MD) p/ OUSR
No utilizam derivadas
G1. Mtodos por diminuio da regio de busca:
G1.1. Dois intervalos iguais de busca
G1.2. Mtodo da seo urea
G2. Mtodos por aproximao polinomial da FO:
G2.1. Interpolao quadrtica
G2.2. Interpolao cbica.
139
Mtodos por Diminuio
da Regio de Busca
Algoritmo
P1. Escolha uma regio vivel (a,b) que
contenha uma funo unimodal
P2. Calcule f(x) em dois ou mais pontos.
P3. Compare os valores de f(x) eliminando as
regies que tem maiores valores de f(x) .

140
Trs intervalos iguais de busca
x
1
- a = b - x
2
= x
2
- x
1
neste caso o intervalo
reduzido de 1/3 a cada iterao
L
0
o intervalo de busca original (b - a) e L
k

o intervalo aps k interaes, ento

A cada iterao necessrio avaliar duas
vezes a funo f(x) .
L L
k
k
=
|
\
|
.
|
2
3
0
141
Mtodo da seo urea
O intervalo eliminado manter sempre
uma mesma proporo com o intervalo
original
x y
x y
y
y
x y
y
x
y
y
y
+ =
+
= = =
=
A
A
1
1
1
0 618 ,
x
y
a b c
( )
L L
k
k
= 0 618
0
,
142
Seo urea
143
Algoritmo Seo urea
P1. determine a
k
e b
k
, e a tolerncia e
P2. Calcule L
k
= b
k
- a
k

x
1
k
= a
k
+ 0,382.L
k

x
2
k
= b
k
- 0,618.L
k

P3. Calcule f(x
1
k
) e f(x
2
k
)
P4. Se f(x
1
k
) > f(x
2
k
) => a
k+1
= x
1
k
b
k+1
= b
k

x
1
k+1
= x
2
k

Se f(x
1
k
) < f(x
2
k
) => b
k+1
= x
2
k

a
k+1
= a
k

x
2
k+1
= x
1
k

P5. Volte ao passo P2 at atingir a
tolerncia.
144
MD: Interpolao Quadrtica
f(x) aproximada por um polinmio
quadrtico
Seja f(x) unimodal e um intervalo de
busca que contenha o extremo
Avalie f(x
1
) , f(x
2
) e f(x
3
)
Aproxime f(x) no ponto timo (x*) por uma
funo quadrtica g(x) , ento
( ) ( )
( ) ( )
( ) ( ) . . .
. .
. .
2
3 3 3 3
2
2 2 2 2
2
1 1 1 1
x c x b a x g x f
x c x b a x g x f
x c x b a x g x f
+ + = ~
+ + = ~
+ + = ~
145
Mnimo de uma funo quadrtica g(x) :

Resolvendo g(x
1
) , g(x
2
) e g(x
3
) que
formam um sistema de 3 eqs e 3
incogs:

ou
( )
x
b
c
g x
*
=
2
( )
( )
( )
( )
( )
( )
( ) ( ) ( ) ( ) ( ) ( )
x
x x g x x x g x x x g x
x x g x x x g x x x g x
g x ( )
-
=
+ +
+ +
(
(
1
2
2
2
3
2
1 3
2
1
2
2 1
2
2
2
3
2 3 1 3 1 2 1 2 3
( )
( )
( )
( )
( )
( )
( ) ( ) ( ) ( ) ( ) ( )
x
x x f x x x f x x x f x
x x f x x x f x x x f x
f x ( )
-
~
+ +
+ +
(
(
1
2
2
2
3
2
1 3
2
1
2
2 1
2
2
2
3
2 3 1 3 1 2 1 2 3
146
Escreva um algoritmo p/ I.Q.
P1.
147
MD: Interpolao Cbica
f(x) aproximada por um polinmio cbico

Seja f(x) unimodal e um intervalo de busca
que contenha o extremo
Avalie f(x
1
) , f(x
2
) , f(x
3
) e f(x
4
)
Aproxime f(x) no ponto timo (x*) por uma
funo cbica g(x), ento podemos escrever
um sistema de 4 equaes lineares.
f x g x a x a x a x a ( ) ( ) . . ~ = + + +
1
3
2
2
3 4
148
SEAL:

logo
Derivando g(x) e igualando a zero:
( ) ( ) ( ) ( ) | |
| |
4 3 2 1
4 3 2 1
4
2
4
3
4
3
2
3
3
3
2
2
2
3
2
1
2
1
3
1
1
1
1
1
a a a a A
x f x f x f x f F
x x x
x x x
x x x
x x x
X
A X F
T
T
=
=
(
(
(
(
(
=
=
A X F =
1
( )
f x
dx
a x a x a
x
a a a a
a
apr
~ + + =
=

-
3 2 0
2 4 12
6
1
2
2
1
3
2 2
2
1 3
1
. .
.
149
Escreva um algoritmo
p/ I.C.
P1.
150
Comparao MDs x MIs
Mtodos Diretos Mtodos Indiretos
Utilizam apenas f(x) Utilizam f'(x) e f(x)
+ lentos + rpidos
Tratamento + fcil das
descontinuidades
Tratamento + difcil das
descontinuidades
Tratamento + fcil das
restries
Tratamento + difcil das
restries
Preferido Recaem em SENL
151
Algoritmos MIs
P1. Intervalo de busca contendo o ponto de
mnimo com FO unimodal neste intervalo
P2. Defina uma tolerncia
P3. Aplique o MI at atingir a tolerncia,
certificando-se que: f(x
k+1
) < f(x
k
)
Quanto mais positivo for f"(x
k
) mais
rapidamente f(x) diminuir
Para maximizar f(x) , minimize -f(x) .
152
MI: Mtodo de Newton
Baseado no mtodo de Newton p/ SEANL
Expandindo g(x
k+1
)= 0 em torno de x
k
:

Como podemos escrever g(x)= f(x)= 0
( ) ( ) ( ) ( )
( )
( )
k
k
k k k k k k k
x g
x g
x x x g x x x g x g
'
0 ' .
1 1 1
= = + =
+ + +
( )
( )
( )
( )
k
k
k k
k
k
k k
x f
x f
x x
x g
x g
x x
"
'
'
1 1
= =
+ +
153
Vantagens do Mtodo de
Newton
V1. Convergncia quadrtica se f "(x*) = 0
V2. Se FO quadrtica o mnimo obtido em
uma iterao, pois a expanso em srie de
Taylor da funo f(x) exata
V3. Converge rapidamente p/ bom chute inicial
Temos sempre que assegurar que a cada
iterao f(x
k+1
) < f(x
k
) para que o mnimo seja
alcanado [f(x
k+1
) > f(x
k
) para o mximo].
154
Desvantagens do
Mtodo de Newton
D1. S se aplica qdo existem f(x) e f(x)
D2. Calcular a cada iterao f(x) e f(x)
D3. Sensvel estimativa inicial
D4. Se f(x) tende a 0 a convergncia lenta
D5. Se existe mais de um extremo o mtodo
pode no convergir para o ponto desejado
ou pode oscilar.
155
Mtodo de Quasi-
Newton
f(x) aproximada por diferenas finitas
DF1. Diferena finita para trs:
( )
( ) ( )
( )
( ) ( ) ( )
2
2 2
x
x x f x x f x f
x f
x
x x f x f
x f
A
A + A
~
' '
A
A
~
'
156
DF2. Diferenas finitas para frente:

DF3. Diferenas finitas central:
( )
( ) ( )
( )
( ) ( ) ( )
' =
+
'' =
+ +
f x
f x x f x
x
f x
f x x f x x f x
x
A
A
A A
A
2 2
2
( )
( ) ( )
( )
( ) ( ) ( )
2
2
2
x
x x f x f x x f
x f
x
x x f x x f
x f
A
A + A +
=
' '
A
A A +
=
'
157
Portanto definindo h=Ax e obtemos

Esse mtodo tem duas desvantagens
em relao ao mtodo de Newton:
D1. Necessidade de definir o passo h
D2. Avaliao de uma funo a mais a
cada iterao.
( )
( )
( ) ( )
| |
( ) ( ) ( )
| |
x x
f x
f x
x
f x h f x h h
f x h f x f x h h
k k
k
k
k +
=
'
''
~
+
+ +
1
2
2
2
/
/
158
Mtodo da Secante
Expandindo f(x) = 0 em srie de Taylor e
truncando no terceiro termo:

Diferenciando em relao a x e igualando
a 0:
( ) ( ) ( ) ( )
( ) ( )
! 2
.
.
2
k k
k k k
x f x x
x f x x x f x f
' '
+
'
+ =
( )
( ) ( ) ( ) ( ) 0 ' =
' '
+
'
= =
c
c
k k k
x f x x x f x f
x
x f
159
Em lugar de utilizar a f"(x
k
) usamos

Ponto timo aproximado

O x* encontrado aps algumas iteraes
A derivada f'(x) pode ser obtida por
diferenas finitas.
( ) ( )
m
f x f x
x x
q p
q p
=
' '
( )
( ) ( )
| |
( )
x x
f x
f x f x x x
apr
q
q
q p q p
-
=
'
' ' /
160
Representao geomtrica
do mtodo da secante ou
regula falsi ou falsa posio
f(x)
f(x)
x
p
x
q
Secante
x* x
x*
~
A sua ordem de convergncia de aproximadamente 1,6
Requer menos esforo computacional que o quasi-Newton,
pois precisa avaliar um nmero menor de funes
161
Algoritmo da Secante
a. Escolha dois pontos x
p
e x
q
com derivadas
de sinal contrrio
b. Calcule x
apr
*
c. Calcule f(x
apr
*)
d. Escolha o novo par de pontos que mantm o
sinal contrrio entre as derivadas
e. Volte etapa b at que a tolerncia admitida
seja alcanada.
162
Avaliao dos Mtodos
Unidimensionais de Otimizao
Requisitos desejados:
R1. FO seja unimodal
R2. Conhecer a regio de busca que contenha o
extremo da FO
R3. Nos MIs dar boa estimativa inicial
R4. Nos MI's, existir f(x*) e/ou f(x*)
Conhecer as idiossincrasias dos programas.
163
Problemas da otimizao
Mltiplos extremos
Erros de arredondamento
FO com gradiente grande
FO com gradiente prximo a zero
Descontinuidades da FO
Descontinuidades das FR
(para problemas com restries)
Interao entre as VDs
(para multivarivel).
164
Exerccio:
( )
( ) ( )
( )
2 3 4
max
:
20 10
constante
x
L x
L x R C x
sujeito a R
C x x x x
=
= +
165
Dica:
1: use a instruo fplot ou plot do MATLAB para
mapear a funo objetivo
2: use a instruo fminbnd para encontrar o ponto
timo
Ou
1: faa o mapeamento da funo objetivo no EXCEL
2: use o solver do para encontrar o ponto timo

( ) ( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( ) ( )
2 3 4
max max max
max min min
min min 20 10
x x x
x x x
x x
L x R C x C x
C x C x C x
C x x x x
= =
= =
= +
166
Qumicos:
Captulo 5:
Otimizao Multidimensional
Sem Restries (OMSR)
167
Mtodos para OMSR
Devem ser eficientes e robustos
Formulao geral de problemas de OMSR:
encontrar x* = [x
1
*,x
2
*,...,x
n
*] que minimiza f(x)
Algoritmo geral:
P1. Escolha ponto(s) de partida ou estimativa inicial
P2. Calcule a direo de busca s
k

P3. Obtenha a nova aproximao do ponto timo:
x
k+1
= x
k
+ Ax
k
, onde Ax
k
=
k
.s
k

P4. Verifique se a tolerncia foi atingida,
se no volte p/ P2.
168
Tolerncia ou
Critrio de Parada
Erro absoluto na FO:
Erro relativo na FO:
Erro absoluto no ponto timo:
ou
( ) ( )
1
1
c <
+ k k
x f x f
( ) ( )
( )
2
1
c <
+
k
k k
x f
x f x f
3
1
c <
+ k
i
k
i
x x
( ) .
4
1
2
1 1
c < =

=
+ +
n
i
k
i
k
i
k
i
k
i
x x x x
169
Erro relativo no ponto timo:

Erro absoluto na direo de busca:
x x
x
i
k
i
k
i
k
+
<
1
5
c
( )
( )
.
6
2
1
c
c
c
<
(
(
= V

=
n
i
x
k
k
x
x f
x f
170
Mtodos Indiretos
Mtodos de 1
a
ordem:
gradiente
gradiente conjugado
Mtodos de 2
a
ordem:
Newton
Levenberg-Marquardt
Mtodos da secante ou quasi-Newton:
Broyden
Davidson-Fletcher-Powell (DFP)
Broyden-Fletcher-Goldfarb-Shano (BFGS)
171
MI: Gradiente Descendente
Utiliza a derivada de 1
a
ordem
O gradiente aponta para a direo de
maior variao de f(x)
Na minimizao a direo de busca

O ponto timo atualizado por
( )
s f x
k k
= V
( )
1 k k k k k k k
k k
x x x x s x f x
+
= + A = + = V
174

k
= cte

k
=
opt

Caractersticas do gradiente descendente:
C1. Eficiente nas iteraes iniciais
C2. Baixa taxa de convergncia qdo x x*
C3. Bom qdo existe interao entre as VDs
C4. Determina apenas pontos estacionrios.
( ) ( ) ( )
1
T
k k k k k
opt T
s H x s f x s

(
(
= V
(

175
MI: Gradiente
Conjugado
Utiliza a derivada de 1
a
ordem
Combina o gradiente da iterao anterior
com o gradiente da iterao atual
Desempenho superior ao gradiente
descendente
Tem taxa de convergncia quadrtica
176
Algoritmo do Grad. Conjugado
P1. Defina uma estimativa inicial x
o

P2. Calcule f(x
o
), Vf(x
o
), s
o
= - Vf(x
o
)
P3. Compute x
1
= x
o
+
o
.s
o
.
o
o escalar que
minimiza f(x) na direo s
o
, ou seja,
obtido atravs de uma busca unidimensional
P4. Calcule f(x
1
) e Vf(x
1
). A nova direo de
busca combinao linear entre s
o
e Vf(x
1
).
( ) ( ) ( ) ( ) ( )
1
1 1 0 0 1 1
0
T T
s f x f x f x s f x f x
( (
( ( ( (
= V + V V V V
( (

177
para a k-sima iterao

P5. Teste se a FO esta sendo minimizada,
se no volte ao passo P4.
P6. Termine o algoritmo quando ||s
k
|| < tolerncia
Problema se a razo entre os produtos internos
dos gradientes entre as iteraes k+1 e k for
pequena recaimos no gradiente descendente.

( ) ( ) ( ) ( ) ( )
1
1 1 1 1
T T
k k k k k k k
s f x f x f x s f x f x
+ + + + ( (
( ( ( (
= V + V V V V
( (

178
MI: Mtodo de Newton
MI de 2
a
ordem
Aproximar f(x) por srie de Taylor

Derivando em relao a x e igualando a zero:

Portanto

Esta eq. define a direo e amplitude do passo.
( )
( ) ( ) ( ) ( ) ( )
1
2
T
T
k k k k k k
f x f x f x x x H x x
(
~ + V A + A A

( ) ( ) ( )
0
k k k
f x H x x V + A =
( ) ( )
1
1 k k k k k
x x x H x f x
+
(
A = = V

179
Podemos alterar o passo por:

Para avaliar o passo no necessrio
inverter a Hessiana, basta resolver o SEAL

Mtodo rpido quando converge
Taxa de convergncia rpida perto do ponto
timo, exatamente o comportamento
contrrio do mtodo gradiente.
( ) ( )
1
1 k k k k k k
k k
x x x H x f x s
+
(
A = = V =

( ) ( ) ( )
1
k k k
k
H x x f x
A = V
180
Desvantagens do Newton
D1. Requer a inverso de uma matriz, ou pelo
menos a soluo de um sistema linear a
cada iterao
D2. Requer a avaliao analtica das derivadas
de 1
a
e 2
a
ordem
D3. Pode convergir para um ponto de sela se
H(x) no positiva definida
D4. Tem desempenho fraco ou no converge
quando a estimativa inicial ruim.
181
MI: Levenberg-
Marquardt
Combina o mtodo do gradiente descendente
com o de Newton
No incio se comporta como o MI gradiente
No final como o MI de Newton
Matriz Hessiana modificada para sempre ser
positiva-definida e bem-condicionada
Acrescento a Hessiana uma matriz positiva-
definida;
182
A cada iterao fao:

Ou:

Onde | um valor positivo que torna H(x) > 0 e
bem-condicionada
Se | = 0 Mtodo de Newton
Se | Mtodo Gradiente Descendente
| > min(autovalor da Hessiana)
Marquardt aproveita as melhores caractersticas do
Gradiente Descendente e do Newton.
( ) ( )
~
H x H x I = + |
( )
| |
( )
| |
~
H x H x I

= +
1
1
183
Algoritmo de Marquardt
P1. Defina uma estimativa inicial x
o
e uma tolerncia
P2. Para k = 0 faa |
0
= 10
3
.
P3. Calcule Vf(x
k
).
P4. Verifique se a tolerncia foi atingida, se no
continue
P5. Calcule
P6. Compute x
k+1
= x
k
+
k
.s
k
;
k
vem da Eq. 5-F
P7. Se f(x
k+1
) < f(x
k
) v ao p/ P8, se no v p/ P9
P8. |
k+1
= 0,25|
k
, e k = k+1 . Volte ao passo P3
P9. |
k
= 2|
k
. Volte ao passo P3.
| | ( )
k
k
k k
x f I H s V + =
1
|
184
MI: Secante ou Quasi-Newton
Anlogo ao Mtodo da Secante para OUSR
Algoritmo:
Passo 0 (zero):
P1. Defina uma estimativa inicial e uma toler.
P2. Selecione uma direo de busca inicial.
Usualmente s
o
= - Vf(x)
P3. Calcule . Se no for
positiva definida faa
( )

H H x
0
0
H I
0
=
H
0
185
Passo k
P1. Calcule a amplitude do passo
k

P2. Calcule x
k+1
que minimiza f(x) por uma
busca unidimensional na direo s
k

P3. Calcule f(x
k+1
) e Vf(x
k+1
)
P4. Calcule Ax
k
= x
k+1
- x
k
e
Ag(x
k
)

= Vf(x
k+1
) - Vf(x
k
)
P5. Calcule

( )
x x H s
k k
k
k
k +

= +
1
1

( )

H H H
k k k +
= +
1
A
186
P6. Calcule a nova direo de busca atravs de

ou de

Passo k+1
P1. Verifique se a tolerncia foi atingida
P2. Se o critrio de parada foi atingido, pare.
Se no, volte ao passo k
Broyden, DFP, BFGS, etc.
| |
( )
s H f x
k
k
k +
+

+
= V
1
1
1
1
( )
H s f x
k
k k
+
+ +
= V
1
1 1
187
Desvantagens Quasi-Newton
D1. pode deixar de ser > 0

D2. pode ser ilimitada

( )

H H
k k
ou
1
( ) ( )
A A

H H
k k
ou
1
189
Mtodos Diretos (MD) para OMSR
No utilizam as derivadas:
MD1. Busca randmica
MD2. Grade de busca
MD3. Busca unidirecional
MD4. Mtodo simplex ou do poliedro flexvel
MIs tem taxa de convergncia maior.

190
Busca Randmica
Algoritmo
P1. Fazer k = 0
P2. Randomicamente escolher um vetor x
k
P3. Avaliar f(x
k
)
P4. Verificar se a tolerncia foi atingida,
se no retornar ao passo P2
Ponto de partida para outro algoritmo
Cheque do mnimo local.
191
Grade de busca
Mapeamento da FO segundo uma
geometria definida
Requer elevado esforo computacional
Algoritmo:
P1. Definir a topologia da grade
P2. Em torno do ponto mnimo
encontrado,
repetir a grade e/ou torn-la mais fina.
192
MD: Busca Unidimensional
Estabelecida uma direo, fazer uma
OUSR nesta direo
Eficiente para FO quadrticas sem
interaes entre as VPs
Algoritmo:
P1. Definir um vetor de partida e tolerncias
P2. Escolher um componente j do vetor
P3. Na direo de j fazer uma OUSR
P4. Voltar a P3 at percorrer todos os j
P5. Verificar se as tolerncias foram atingidas.
Se no ir para P2.
193
MD: Simplex ou Poliedro Flexvel
Utiliza uma figura geomtrica regular (simplex)
para selecionar o ponto em k+1
Em 2 dimenses o simplex um tringulo
Em 3 dimenses o simplex um tetraedro.
194
Comparao MDs x MIs
Os mtodos precisam:
Definio de uma regio de busca convexa
Na regio de busca a FO seja unimodal
Ponto(s) de partida
Mtodos Numricos para OMSR
MDs MIs
Usam f(x) f(x), f(x), f(x)
> n
o
iteraes < n
o
iteraes
< tempo p/ itera. > tempo p/ itera.
Pto(s) de partida Estimativa inicial
Encontram apenas mnimos locais
Fornecem soluo aproximada
196
Procedimento Geral para
Resolver Problemas de
Otimizao
1. Definio dos objetivos
2. Estudo Qualitativo
3. Desenvolvimento da FO e das FRs
4. Mapeamento da FO
5. Manipulao, normalizao e simplificao da FO
e da FO e das FRs
6. Aplicao do algoritmo de otimizao
7. Anlise de sensibilidade e
validao da soluo encontrada
8. Implementao da soluo
9. Manuteno preditiva e Auditoria continuada.
197
Exerccio:
Qual o valor mximo de f(y, z) ?
Qual o valor da varivel de deciso no ponto
timo?

Faa o mapeamento
Encontre o ponto timo utilizando uma rotina de
otimizao
( )
( )
2 12 2 14
2 12 2 14
10 10 1.5242
10 10 1.5242 seno
,
z y
z y
z y f

+
+
=
198
Mapeamento no MATLAB
clear all
close all
clc
y = [ -10 : 0.5 : +10 ] ;
z = y ;
[Y,Z] = meshgrid(y,z) ;
aux = sqrt(1.5242*1e14*Y.^2+1e-12*Z.^2) + eps ;
f = sin(aux)./aux ;
surfc(Y,Z,f)
xlabel('y')
ylabel('z')
zlabel('f')

199
Algoritmo no MATLAB
% Programa principal: arquivo Programa_principa;.m
X0 = [ -0.1 0.1 ] ; % Estimativa inicial
opcoes = optimset('TolFun',1e-8,'TolX',1e-8,'Display','iter');
X=fminunc(@funcao_objetivo,X0,opcoes)

% Funo (subrotina): arquivo funcao_objetivo.m
function [ f ] = funcao_objetivo(X)
Y = X(1) ;
Z = X(2) ;
% aux = sqrt(1.5242*1e14*Y.^2+1e-12*Z.^2) + eps ;
aux = sqrt(Y.^2+Z.^2) + eps ;
f = sin(aux)./aux ;
f = -f ;

200
O JULGAMENTO DO
ENGENHEIRO
ESSENCIAL
NA ACEITAO OU NO
DAS SOLUES
ENCONTRADAS.
201
Qumicos:
Captulo 6:
Estimativa de parmetros
202
Estimativa de Parmetros
X
Ajuste de Modelos
Estimativa de parmetros
Abordagem por mtodos estatsticos
Tecnicamente mais correta
O ajuste do modelo uma das etapas
Abordagem por Mtodos de Otimizao:
Tecnicamente menos rigorosa
Mais pragmtica e fcil de aplicar
Cuidado com a utilizao dos parmetros ajustados
Mais difcil de aplicar
Requer conhecimentos de estatstica
Define intervalo de abrangncia do parmetro
Define intervalo de abrangncia do modelo.

203
Partes de um parmetro
Valor mais provvel
Tcnicas de otimizao
Unidade
Converso das unidades para SI e
variveis absolutas
Incerteza
LPU: Lei da Propagao da Incerteza
GUM
LPP: Lei da Propagao de PDFs
Mtodo de Monte Carlo
GUM S1.

204
Metodologia para
estimativa de parmetros
P1: Definio dos objetivos
P2: Estudo qualitativo: proposio do(s) modelo(s) a
ser ajustado; estabelecimento da FO, VD e FR;
eliminao de outliers por grficos
P3: Estudo quantitativo: eliminar os outliers por
mtodos estatsticos; mapeamento da FO e FRs
a) Escolha da forma do modelo linear
e ajuste os parmetros por regresso linear; ou
b) Resolva um SEANL para obter a estimativa inicial
P4: Normalizao parmetros do modelo e ajuste
dos parmetros dos mtodos numricos
P5: Ajuste dos parmetros por regresso no-linear
P6: Anlise de sensibilidade do modelo ajustado
P7: Validao cruzada
P8: Estabelecimento da regio conjunta de
abrangncia e do intervalo de abrangncia
Ajuste
Avaliao da
incerteza
207
Funo objetivo
Maximizao da funo de verossimilhana
Hiptese 1: Incerteza desprezvel nas variveis
independentes
Hiptese 2: Independncia entre os pontos
experimentais das variveis dependentes
Hiptese 3: Distribuio normal
Hiptese 4: Igualdade das incertezas das
variveis dependentes
Variveis de deciso
Parmetros do modelo
Restries
Partes do problema de
otimizao para ajuste de modelos
Mnimos
quadrados
ponderados
(WLS)
Mnimos
quadrados
ordinrios
(OLS)
208
Diferentes funes
objetivos
Funes objetivos quadrticas
Incerteza iguais nos pontos
Independncia entre Y
ei
Distribuio normal
Funes objetivos absolutas
Incerteza iguais nos pontos
Independncia entre Y
Ei

Distribuio exponencial
( )
( ) ( )
( )
0 1
2
E M
, , ,
1 1
T
E M E M
M E
min
min
. : ,
ij ij
NP
NE NY
b b b
i j
Y Y
s a
|
|
= =
=
=
=
b
Y Y Y Y
Y f X b
( ) ( ) ( )
( )
0 1
E M
, , ,
1 1
E M
M E
min
min
. : ,
ij ij
NP
NE NY
b b b
i j
Y Y
soma soma abs
s a
|
|
= =
=
=
=
b
Y Y
Y f X b
209
Funes objetivos quadrticas
OLS (Ordinary Least Square)
Quadrados Mnimos No-Ponderados
Incerteza desprezvel nas
variveis independentes
Todas as incertezas so
iguais
WLS (Weighted Least Square)
Quadrados Mnimos Ponderados
Incerteza desprezvel nas
variveis independentes
As incertezas so
diferentes
( )
( ) ( )
( )
0 1
2
E M
, , ,
1 1
T
E M E M
M E
min
min
. : ,
ij ij
NP
NE NY
b b b
i j
Y Y
s a
|
|
= =
=
=
=
b
Y Y Y Y
Y f X b
( )
( ) ( )
( )
0 1
2
E M
2
, , ,
1 1
Y
T
1
E M Y E M
M
min
min
. : ,
ij ij
NP
ij
NE NY
b b b
i j
Y Y
u
s a
|
|
= =
=
=
=
b
E
Y Y V Y Y
X f X b
210
Ajuste e Reconciliao
RWLS (Reconciliation and Weighted Least Square)
Quadrados mnimos ponderados com reconciliao de dados
Incerteza nas variveis dependentes
Incerteza nas variveis independentes
( ) ( )
( ) ( ) ( ) ( )
( )
( )
0 1 NP
2
E M
2
1 1
X
T
2
E M
2
1 1
Y
T
-1
E M Y E M
M
, ,
-1
E M E M
,
X
M
min
min
.
0
: ,
ij ij
ik ik
ik ij
NE NX NE NY
i
b b b
i k j
s
x x
u
a
Y Y
u
|
|
= = = =

=
=
= +
= +

M
b
X X Y Y V Y Y
Y f X b
V X X
g X
211
OLS:
Quadrados mnimos ordinrios
( ) ( )
1 1 1
2 2 2
T
E M E M
M
2 1
E E E
1
2 1
E E E
2
2 1
1
E E E
2 1
M 1 2 E 3 E E
min
. :
1
1
1
1, 2, ,
NE NE NE
i i i i
E
NP
NP
E
NP
NP
NP
NE NP
NP
NP
s a
X X X
b
X X X
b
b
X X X
Y b b X b X b X
i NE
|
=
=
(
(
(
(
(
(
= =
(
(
(
(
(

= + + + +
=
b
Y Y Y Y
Y X b
b X
212
OLS
( ) ( )
( )
( ) ( )
( ) ( ) ( )
T
E E
T T T T T T
E E E E E E
T T T T T T
E E E E E E
T T
T T T T T
E E E E E E
T T T
T T T T T T T 1
E E E E E E E Y
T T
E E E
min
0
2 2
E E
E E
E E
E E
E
E
|
|
|
|
|
|
|
c
= =
c
= +
c +
c
= =
c c
c
= + + =
c
c
= + + =
c
c
= + =
c
b
Y X b Y X b 0
b
Y Y Y X b b X Y b X X b
Y Y Y X b b X Y b X X b
0
b b
Y X X Y b X X X X b 0
b
X Y X Y X X b X V X b 0
b
X Y X X b 0 X
b
( )
T T
E E
1
T T
E E E
E E
E

=
=
X b X
X X
Y
b X Y
213
WLS:
Quadrados mnimos ponderados para modelo polinomial
( ) ( )
1 1 1
2 2 2
T
1
E M Y E M
M
2 1
E E E
1
2 1
E E E
2
2 1
1
E E E
2 1
M 1 2 E 3 E E
min
. :
1
1
1
1, 2, ,
NE NE NE
i i i i
E
NP
NP
E
NP
NP
NP
NE NP
NP
NP
s a
X X X
b
X X X
b
b
X X X
Y b b X b X b X
i NE
|

=
=
(
(
(
(
(
(
= =
(
(
(
(
(

= + + + +
=
b
Y Y V Y Y
Y X b
b X
214
Soluo WLS
( ) ( )
( )
( )
( )
( ) ( )
T
1
E Y E
T T T 1
E E Y E
T 1 T 1 T T 1 T T 1
E Y E E Y E Y E E Y
T 1 T 1 T T 1 T T 1
E Y E E Y E Y E E Y
T T
T 1 T 1 T T 1 T
E Y E Y E E Y E E Y
min
0
E E
E
E E
E E
E
|
|
|
|
|
|

c
= =
c
=
= +
c +
c
= =
c c
c
= + +
c
b
Y X b V Y X b 0
b
Y b X V Y X b
Y V Y Y V X b b X V Y b X V X b
Y V Y Y V X b b X V Y b X V X b
0
b b
Y V X X V Y b X V X X V
b
( ) ( ) ( ) ( ) ( )
( ) ( )
( )
1
T T T T T
T 1 T T 1 T 1 T T T 1
E Y E E Y E E Y E E Y
T -1
1 1
Y Y Y
T 1 T 1 T 1 T 1
E Y E E Y E Y E Y E
1
T 1 T 1
E Y E Y E
2 2
E
E
E
T
E E
|
|

=
c
= + + =
c
= =
c
= + = =
c
=
X b 0
X V Y X V Y X V X b X V X b 0
b
V V V
X V Y X V
b X V X X
X b 0 X V X V
V
b X Y
Y
b
215
Avaliao da incerteza
dos parmetros
A matriz de varincia-covarincia indica
a variabilidade do parmetro
Relembrado:
( ) ( )
| | ( )
( ) ( )( )
2
2
Se uma PDF 1
Mdia ou esperana de uma varivel aleatria :
Varincia de uma varivel aleatria :
X
X X X
f x f x dx
X
E X f X X dX
X
V Var X f X X dX
o
+
=
=
= =
}
}
}
216
Para amostras:
( )
( )
( )
( )( )
1 2
1
2
2
1
1 2
1 1 2 2
1 2
Mdia ou esperana de uma varivel aleatria :
Varincia de uma varivel aleatria :
1
Co-varincia entre duas variveis aleatrias e :
i i
N
i
i
N
i
i
X X XX
i
X X
X
X x
N
X
X x
V Var X S S
N
X X
X x X x
Cov X X S
=
=
=
=
= = = =

= =
1
T
1
Para um vetor a matriz de varincia-covarincia :
N
N
E
(
= A A

X
X V X X
217
Varincia dos parmetros:
( ) ( )
( )
( ) ( )
2
2
1
1
T
1 1
T 1 T 1 T 1 T 1
E Y E Y E Y E Y
1
T 1 T 1
1 E
E
1
T 1 T 1
E Y E Y E
2 E
E
T
1
T 1 T 1
E Y E
E E Y E Y E
Y E
E E
E
E E
E
E
E
( = A A

( (
A = =
( (

(
= A =
(

(
=

| |
(
A
|
(

(

=
| |
(
\
A
|
(

\
A A
. .
b
b
b
b Y
Y
b Y
Y
X V X X V X
V b b
b X V X X V X V X X V
b X V X X V
V
Y Y
V Y X
V
V X Y
( )
( )
( ) ( )
( )
( ) ( )
( )( )
( ) ( )
( )
( ) ( )
( )( )
( ) ( )
( )
( ) ( )
1
T 1 T 1
E Y E Y E
1
T 1 T 1
E Y E Y E
1
T 1 T 1
E Y E Y
1
T
T 1
T
T 1 T 1
E E Y E Y
1
T T
T
T 1 T 1
E E Y
T
E
E Y
1
T 1 T 1
E Y E Y
E
T T
T 1 T 1
E Y E Y
T
E Y
E
E
E
E
E
E
E
E
E
| |
(
A
|
(

\
(
(

(
=
(

(
= A A

A
A A
=
.
b
b
b Y
Y X V X V X
Y X V X
X V X X V Y
X V X X V Y
X V X X V
X V X
V
V Y Y
V V
V X
X V X V X
X V X V
( ) ( )
( )
( ) ( ) ( ) ( ) ( )( )
( ) ( )
1 1
T 1 T 1 T 1 T
E Y E Y E Y E
1
1
T T
1 T 1
E Y
1 1
1 T 1 T 1
Y E
T 1 T 1 T 1
E Y E
1
Y
1
T
Y E E
1
E Y E
E Y
Y
Y
E
E E
E
E E
E
E E

=
=
=
= =
b Y
b b
X V X
V X X V X X X X V X X V X V X V V V
V X V X V
X
b X V X V Y V
V
X
X
X Y
218
Metodologia para
estimativa de parmetros
1. Objetivo: desenvolver um modelo para
P
sat
= f(T)
2. Estudo qualitativo:
Presso proporcional a temperatura
Utilizar unidades absolutas
Utilizar SI: P
sat
/Pa e T/K
Modelo emprico: polinomial
Modelo fenomenolgico: equao de Antoine
Eliminao de dados esprios.
219
Exemplo
Estimativa de parmetros de um modelo que
relaciona presso de saturao do tolueno com
a temperatura.
Temperatura Presso saturao
Estimativa Incerteza Estimativa Incerteza
padro padro
n T/
o
C u
T
/
o
C p/bar u
p
/bar
1 106,9 2,6 0,8837 0,0042
2 112,0 2,0 1,0217 0,0033
3 117,1 2,3 1,1751 0,0029
4 122,0 2,2 1,3531 0,0045
5 136,9 2,5 2,1032 0,0085
6 124,2 2,4 1,6234 0,0023
7 120,0 2,3 1,2749 0,0051
Tabela 4.1: Dados experimentais T x P
sat
220
105 110 115 120 125 130 135 140
0.8
1
1.2
1.4
1.6
1.8
2
2.2
Temperatura (oC)
P
r
e
s
s
o

(
b
a
r
)
Dados experimentais
2 Eliminao de outliers
?
221
2 Equao de Antoine
Modelo matemtico no linear:
1
1 2
2
exp ln
1
ln e
P B P B
A A
d T d T
P
Y X
d T
b A
Y b b X
b B
| | | |
= =
| |
\ . \ .
| |
= =
|
\ .
( (
= = = +
( (

b
exp
B
P d A
T
| |
=
|
\ .
Modelo matemtico linearizado:
Incerteza dos parmetros: consultar livro de JCP
PINTO, Jos Carlos Pinto. Anlise de dados experimentais .
222
2 Equao emprica
Modelo polinomial:
2
1 2 3
1, 2, ,
i i i
M E E
Y b b X b X
i NE
= + +
=
1 1
2 2
1
2
3
2
2
2
1
1
1
NE NE
M E
E E
E E
E
E E
b
b
b
X X
X X
X X
(
(
= =
(
(

(
(
(
=
(
(
(

Y X b b
X
223
2 Varincia dos parmetros
para modelo polinomial
Valor ajustado:
( ) ( )
( )
T
1
E Y E
1
2 T 1 T 1
1 2 3 E Y E Y E
min
i i i
E E
M E E E
Y b b X b X
|
|

c
= =
c
= + + =
b
Y X b V Y X b 0
b
b X V X X V Y
Matriz de varincia dos parmetros:
( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
1 1 1 2 1 3
1
T 1
E Y 2 1 2 2 2 3
3 1 3 2 3 3
, , ,
, , ,
, , ,
E
V b b V b b V b b
V b b V b b V b b
V b b V b b V b b
(
(
= =
(
(

b
V X V X
Se V
b
for
preponderadamente
diagonal:
( )
( )
( )
1
2
3
1 1
2 2
3 3
,
,
,
b
b
b
u V b b
u V b b
u V b b
= +
= +
= +
224
2 Estudo qualitativo
Funo objetivo:
As variveis so normais
As variveis independentes tem incerteza
desprezveis
As medidas das variveis dependentes so
independentes
Variveis de deciso: b
T
= [ b
1
b
2
b
3
]
Restries:
2
1 2 3
2
1 2 3
i i i
i i i
M E E
sat E E
Y b b X b X
P b b T b T
= + +
= + +
( ) ( )
T
1
E Y E
min
WLS E E
|

=
b
Y X b V Y X b
225
3 Estudo quantitativo:
mapeamento
Modelo linear nos parmetros:
O modelo polinomial com WLS tem
soluo analtica
No h necessidade de estimativa inicial
Essa etapa pode ser desprezada
Modelo no-linear nos parmetros:
Linearizar obter estimativa inicial do
modelo linear
Solucionar sistema de equaes no-linear
Estimativa inicial da literatura.
226
Ajuste de modelos lineares
com uma varivel independente
Modelo linear nos parmetros e na VI:

Modelo linear apenas nos parmetros:

Modelo no-linear nos parmetros e na VI:.
( ) ( )
Y t b b x t = +
0 1
.
( ) ( )
Y t b b x t = +
0 1
.
( ) ( ) ( )
Y t b b x t b = + exp . .
0 1 0
227
Escolha da forma
linear equivalente para o modelo
Quando possvel indicado 1 ajustar o modelo linear
Se no for possvel, escolho n pontos e resolvo um SEANL.
Equao na Forma Coordenadas na Forma Linear Equao na Forma
No-Linear Eixo X Eixo Y Linear
1
0 1
y
b b x = + .
x
y
y
#
=
1
y b b x
#
. = +
0 1
y b b
x
= +
0 1
1
. x
x
#
=
1
y
y b b x = +
0 1
.
#
x
y
b b x = +
0 1
.
x
y
x
y
#
=
y b b x
#
. = +
0 1
y b x b
b
= +
0 2
1
. ( ) x x
#
log =
( )
y y b
#
log =
2
( )
y b b x
# #
log . = +
0 1
228
Obs. sobre a linearizao
A linearizao afeta, de maneira
complexa, a distribuio de freqncia
dos erros
Dado o modelo:

Linearizando no obteremos:

Y y b x
b
= + = + c c
0
1
.
( ) ( ) ( ) * log . log log
1 0
c + + = x b b Y
229
Obs. sobre a linearizao

prefervel utilizar o seguinte modelo:

Esta forma torna os parmetros
no-correlacionados.
( ) x x b b y + = .
*
1
*
0
230
Ajuste modelo linear nos
parmetros
Ajuste: encontrar um conjunto de parmetros
que minimize um critrio de desempenho
POMSR:

onde

Mtodo dos Quadrados Mnimos Ponderados.
( ) | |
=
=
=
n
i
i i i
p y
f
1
2
.
min
q |
|
( ) x x b b
i i
+ = .
1 0
q
231
Derivando a FO em relao a b
0
e b
1
,
igualando a zero e resolvendo o SEAL:.

| |
| |
y
p
p y
b
n
i
i
n
i
i i
= =
=
=
1
1
0
.
( ) | |
( ) | |
=
=
=
n
i
i i
n
i
i i i
p x x
p x x y
b
1
2
1
1
.
. .
232
Ajuste modelo
multidimensional
Neste caso temos apenas uma varivel
dependente e vrias independentes:

onde:.
( ) | | | |

= =
= =
=
n
i
i i
n
i
i i i
q
p e p y
b b b
f
1
2
1
2
1 0
. .
, ,
min
q |
|
( ) ( ) ( )
q
i i i q i q
q
b b x x b x x b x x = + + + +
0 1 1
1
2 2
2
. . .
, , ,
233
Modelo de otimizao
Definindo as matrizes:
( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
(
(
(
(
(
(
(
(
(
(
(
(
(
(
=
(
(
(
(
=
(
(
(
(
(

=
(
(
(
(
(
=
(
(
(
(
+ +
q q nq n n
q q
q q
n
n n
n
q n
q nq n n
q q
q q
q
q
n
n
b
b
b
x x x x x x
x x x x x x
x x x x x x
y
y
y
e
p
p
p
p
x x x x x x
x x x x x x
x x x x x x
X
b
b
b
b
y
y
y
y
1
0
2 2 1 1
2 2 22 1 21
1 2 12 1 11
2
1
2
1
1
2 2 1 1
2 2 22 1 21
1 2 12 1 11
1 1
1
0
1
2
1
1
1
1
,
0 0
0 0
0 0
1
1
1
, ,
( )
0 1
2
, , ,
1
min .
q
n
i i i
b b b
i
y p q
=

(
`

)
( ) ( ) ( )
q
i i i q i q
q
b b x x b x x b x x = + + + +
0 1 1
1
2 2
2
. . .
, , ,
Funo objetivo:
234
( ) ( ) y p X G X p X c G c b
T T
. . 0 . . , .
1
= = = =

A matriz p pode ser interpretada como a
ponderao do inverso das varincias das
medies.
(
(
(
(
(
(
(
(
=
2
2
2
2
1
1
0 0
0
1
0
0 0
1
n
p
o
o
o
Derivando a FO em relao aos

parmetros, igualando a zero e
resolvendo o SEAL:
( ) ( ) y p X X p X b
T T
. . . .
1
=
235
4 Simplificao do modelo:
normalizao dos parmetros
Explicitar o valor do parmetros
Os novos parmetros ficam com valores em
torno de 1 (um)
Transformao de variveis
Exemplo 5.12, pgs. 366 a 370 do livro do JCP
Redefinir as variveis dependentes e
independentes na forma de desvio em
relao a mdia
Parmetros menos correlacionados
Refaa exemplo 4.25, pgs 276 a 283 do JCP.
236
5 Aplicao do algoritmo
O problema tem soluo analtica
Estudo de funo (derivar = 0)
Mtodo de Lagrange
O problema no tem soluo analtica
Estimativa inicial
do modelo linearizado
da soluo de um SEANL
da literatura
Mtodo numrico:
SLP, SQP, GRG, FP, AG, etc..
237
5 Aplicao do algoritmo
O problema tem soluo analtica:
( )
( )
( )
1
T 1
E Y
1
T 1
E Y
1
T 1
E Y
T 1
E Y E
T 1
E Y E
T 1
E Y
T 1
E Y
E
T
b
T
E
E
b
T
b
E
S
S
S
=
=
=
=
=
=
b
b
b
X V X
V X V X
V
V
X V
b X V Y
b X V Y
X V
X X V
b Y
1 1
2 2
1
3
2
2
2
1
1
1
NE NE
M E
E E
E E
E
E E
b
b
X X
X X
X X
(
(
= =
(
(

(
(
(
=
(
(
(

Y X b b
X
238
Ajuste de modelo no-
linear
A soluo do modelo linearizado
fornece a estimativa inicial para o
problema no-linear
necessrio utilizar um mtodo para
otimizao no-linear.
( )
( )
0 1 NP
2
, , ,
1
min .
. : ,
n
i i i
b b b
i
i
y p
s a f
| q
q
=

(
=
`

)
=
E
X b
239
Observaes
Ajuste de parmetros um POM
Problemas semelhantes na formulao
estimativa de estado (controle de
processos);
estimativa simultnea de estado e
parmetros;
reconciliao de dados;
simultnea reconc. e estim. de parmetros
(mtodo dos erros nas variveis).
241
6 Anlise de sensibilidade
Variar os parmetros, incertezas e
dados experimentais e avaliar:
O valor da funo objetivo
Os novos valores dos parmetros.
242
7 Validao do modelo
Testar com conjunto de dados que no
foram utilizados no ajuste
Avaliao da matriz de varincia-
covarincia.
Avaliao da matriz dos coeficientes de
correlao
Avaliao dos resduos
Proximidade do zero
Aleatoridade
Homocedasticidade.
243
8 Determinao da
regio de abrangncia
Teste F (para PDFs gaussianas)
Matriz de co-varincia dos parmetros
estimados
Avaliao da incerteza dos parmetros:
se a diagonal da matriz de varincia-
covarincia dos parmetros
predominante
A incerteza dos parmetros pode ser
avaliada.
244
Metodologia geral p/ ajuste
P1: Eliminao de dados esprios (outliers)
P2: Proposio do(s) modelo(s) a ser ajustado
P3: Mapeamento
a) Escolha da forma do modelo linear
e ajuste os parmetros por regresso linear
ou
b) Resolvo um SEANL para obter a estimativa inicial
P4: Fazer tratamento estatsticos e metrolgico dos dados
P5: Normalizao parmetros do modelo
P6: Ajuste dos parmetros dos mtodos numricos
P7: Ajuste dos parmetros por regresso no-linear
P8: Anlise de sensibilidade do modelo ajustado
P9: Validao cruzada
P10: Estabelecimento do intervalo de confiana e
regio conjunta de confiana
(ESTIMATIVA DE PARMETROS).
245
O JULGAMENTO DO
ENGENHEIRO
ESSENCIAL NA
ACEITAO OU NO
DAS SOLUES
ENCONTRADAS.
246
Exerccios.
Captulo 5
E5.3, pg 106
E5.4, pg 106
247
Exemplo
Estime os parmetros de um modelo que
relaciona presso de saturao do tolueno com
a temperatura.
Temperatura Presso saturao
Estimativa Incerteza Estimativa Incerteza
padro padro
n T/
o
C u
T
/
o
C p/bar u
p
/bar
1 106,9 2,6 0,8837 0,0042
2 112,0 2,0 1,0217 0,0033
3 117,1 2,3 1,1751 0,0029
4 122,0 2,2 1,3531 0,0045
5 136,9 2,5 2,1032 0,0085
6 124,2 2,4 1,6234 0,0023
7 120,0 2,3 1,2749 0,0051
Tabela 4.1: Dados experimentais T x P
sat
248
Matrizes para estimativa da
incerteza dos parmetros
Na estimativa de parmetros as
expresses abaixo so muito
utilizadas.
Para as funes objetivos
apresentadas, deduza as
matrizes correspondentes.
( ) ( ) ( )
( )
( )
( )
( )
( )
2
1
2
1
1
1
1
onde ; ,
o sistema de equaes algbricas no-lineares
que rep
i i
i i
y
e
i i
i i
e
i
ne
T
OLS e m
e m e m
i
ne
T
e m
WLS
e m e m
i
i
ne
OLA e m
i
ne
e m
WLA
i
y
e
m e
y y y y y y
y y
y y V y y
V
y y
y y
V
y f p y x
|
|
|
|
=
=
=
=
= =
= =
=
(
(
=
(

=
resenta os modelos a ser ajustados

aos dados experimentais.
( )
( )
( )
( ) ( ) ( )
( )
( ) ( )
( )
( ) ( )
( )
( )
2 2
2
2
2
; ,
onde
; , , ,
e
e
e e
p
y
e e
e
x
e e e
e
p e
e
y x e
p
p
p
p p p
H p
p p p p p p
p p
G p
y y p y p
p p
G p
x x p x p
J f p y x
p
p y V x V
|
|
| | |
|
| |
|
| |
|
|
c
V =
c
(
c c c
c c
( ( = V = = =

c c c c c c (

(
c c
c c
( ( = V = =

c c c c c
(

(
c c
c c
( ( = V = =

c c c c c
(

c
(
=

c
( )
a funo objetivo do problema
de estimao de parmetros
o gradiente da funo objetivo
a matriz hessiana da funo objetivo
matriz jacobian
p
p
p
H
J
| V
a do modelo em relao aos
parmetros aplicada nos pontos experimentais
249
Qumicos:
Captulo 7
Programao Linear (LP)

250
LP
FO e FRs lineares nos parmetros e VDs:.
( )
( ) | |
| |
| | p m j b x a
m j b x a
q i x
x c c x
c x
x
j
q
i
i ji
j
q
i
i ji
i
q
i
i i
, , 2 , 1 , e
, , 2 , 1 , e
, , 2 , 1 , 0 a sujeito
,
, min
1
1
1
+ = s
= =
= >
=
=
=
=
|
|
251
Em notao matricial.
( )
( )
min
x
x c
x c c x
x i q
A x b
A x b
T
i
|
|
,
,
, , , ,
=
> =
=
s
sujeitoa
e
e
0 1 2
1
1
2
2
LP
252
Exemplo exerccio E3.3:
FO: maximizar o lucro
lucro = faturamento - custo matria-prima - custo processo
faturamento = 36x
3
+ 24x
4
+ 21x
5
+ 10x
6
1
+ 15x
2
1
+ 1,0x
2

Gasolina: 0,80x
1
+ 0,44x
2
= x
3
Querosene: 0,05x
1
+ 0,10x
2
= x
4
1
+ 0,36x
2
= x
5
Resduo: 0,05x
1
+ 0,10x
2
= x
6
.

253
Gasolina: x
3
< 24.000; 0,80x
1
+ 0,44x
2
< 24.000

Querosene: x
4
< 2.000; 0,05x
1
+ 0,10x
2
< 2.000

leo combustvel: x
5
< 6.000; 0,10x
1
+ 0,36x
2
< 6.000

x
i
> 0 , i = 1, 2, ..., 6
Portanto: max f(x) = 8,1x
1
+ 10,8x
2

s.a. x
i
> 0 , i = 1, 2
e 0,80x
1
+ 0,44x
2
< 24.000 (A)
0,05x
1
+ 0,10x
2
< 2.000 (B)
0,10x
1
+ 0,36x
2
< 6.000 (C).
254
Regio vivel:
O extremo de um PPL est num dos vrtices
da regio vivel.
255
Vamos ao MATLAB:
clear all
clc
f = [ 8.1 ; 10.8 ]
A = [ 0.8 0.44 ; 0.05 0.1 ; 0.1 0.36]
b = [ 24000 ; 2000 ; 6000 ]
Aeq = [ ]
beq = [ ]
LB = [ 0 ; 0 ]
UB = [ +inf ; +inf ]
[ X , FVAL , EXITFLAG , OUTPUT , LAMBDA ] = ...
linprog( -f , A , b , Aeq , beq , LB , UB )
256
Exemplo
FO: maximizar o lucro
lucro = faturamento - custo matria-prima - custo processo
faturamento = 36x
3
+ 24x
4
+ 21x
5
+ 10x
6
1
+ 15x
2
1
+ 1,0x
2

Gasolina: 0,80x
1
+ 0,44x
2
= x
3
Querosene: 0,05x
1
+ 0,10x
2
= x
4
1
+ 0,36x
2
= x
5
Resduo: 0,05x
1
+ 0,10x
2
= x
6

Gasolina: x
3
< 24.000

Querosene: x
4
< 2.000

leo combustvel: x
5
< 6.000

x
i
> 0 , i = 1, 2, ..., 6.

257
REFINARIA
DE
PETRLEO
Petrleo 1
X
1
= 26,2 t/h
Petrleo 2
X
2
= 6,9 t/h
Gasolina: X
3
= 24,0 t/h
Querosene: X
4
= 2,0 t/h
leo comb.: X
5
= 5,1 t/h
Asfalto: X
6
= 2,0 t/h
Lucro mximo = 287 000 reais / hora
258
Um PPL uma funo cncava-
convexa, limitada por funes convexas
a regio convexa
Principal algoritmo o SIMPLEX
No confundir o SIMPLEX para LP
com o SIMPLEX ou poliedro flexvel
No toolbox de otimizao do MATLAB o
comando linprog.
LP
259
Forma Padro do PPL
1. max f = min -f
2. se alguma inequao > multiplicar por -1
3. se x
k
> u
k
, ento faa y
k
= x
k
- u
k
> 0
4.

se x
k
irrestrita quanto ao sinal, ento
faa x
k
= x
k
+
- x
k
-
, onde x
k
+
> 0 e x
k
-
> 0
para utilizar o toolbox de otimizao do
MATLAB no necessrio padronizar
segundo as obs. 3 e 4.
260
Dualidade em LP
Todo PPL tem uma forma primal e uma dual
Forma primal:
Forma dual:.
( )
( )
) ( irrestrito
) ( 0
) ( . .
) ( . . a sujeito
,
, min
2 2
1 1
2 2
22
1
21
1 2
12
1
11
2 2 1 1
r x
r x
m b x A x A
q b x A x A
x c x c c x
c x
x
T T
>
s +
= +
+ = |
|
( )
( )
) ( irrestrito
) ( 0
) ( . .
) ( . . a sujeito
,
, min
2
1
2 2
2 22 1 21
1 1
2 12 1 11
2
2
1
1
m y
q y
r c y A y A
r c y A y A
y b y b b y
b y
y
T T
T T
T T
>
> +
= +
+ =
261
Exerccio:
Resolva o exerccio E3.3.
262
Programao Linear Sucessiva
(SLP)
PO no-linear podemos linearizar e
aplicar sucessivamente a LP.
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) 0
0 s.a.
min
# # #
# # #
# # #
> V + ~
= V + ~
V + ~
x g x x x g x g
x h x x x h x h
x x x x x
j
T
j j
j
T
j j
T
| | |
263
Algoritmo SLP
P1: Defina os limites superior e inferior de validade
da linearizao
P2: Escolha uma estimativa inicial
P3: Linearize a FO e as FRs em torno da estimativa
inicial. Encontre a nova soluo do problema LP
P4: Verifique se a nova soluo vivel, se sim
assuma esta como ponto; se no estreite os
limites de validade da linearizao
P5: Verifique se o critrio de parada foi alcanado,
se no volte a P3 .
264
Vantagens do SLP:
fceis de implementar
podem manipular grande n
o
de variveis
se temos uma boa estimativa inicial convergem
rapidamente
aplicveis a problemas com moderadas no-
linearidades
Desvantagens da SLP:
convergem lentamente se o ponto timo est no
interior da regio vivel
converge lentamente se grande o n
o
de variveis
no-lineares
se a no-linearidade elevada o passo das
iteraes deve ser pequeno.
SLP
265
Qumicos:
Captulo 8
Multiplicadores de Lagrange

Programa em Engenharia Industrial - Escola
Politcnica da UFBA.
266
Multiplicadores de Lagrange
POSR:
O gradiente identifica os pontos estacionrios
A Hessiana da FO nos ptos crticos determina
se o pto mximo, mnimo ou pto de sela
Converte um POCR em um POSR
utilizando os multiplicadores de Lagrange
Mtodo importante do ponto de vista
terico, porm pouco aplicvel na prtica.
267
Funo Lagrangeana
Seja o PO:

Funo Lagrangeana:

No ponto crtico:.
( )
( )
min x x x
h x x x
n
n
|
1 2
1 1 2
0
, , ,
, , ,
s.a. =
( ) ( ) ( )
L x w x w h x , . = + |
1 1
( ) ( ) ( ) ( ) ( )
- - - - -
+ = = = x h w x w x L x x h
1 1 1
. , 0 | |
268
Mtodo dos
multiplicadores de Lagrange
Encontrar w
1
que satisfaa do seguinte POSR:

( )
( ) ( ) ( )
min L x x x w
L x x x w x x x w h x x x
n
n n n
1 2 1
1 2 1 1 2 1 1 1 2
, , , ,
, , , , , , , . , , ,
onde = + |
=
=
=
=
0
0
0
0
1
2
1
w
L
x
L
x
L
x
L
n
c
c
c
c
c
c
c
c
Derivando em relao s
variveis de deciso e aos
multiplicadores de Lagrange e
igualando a zero.
SEANL a ser resolvido, com
n+1 equaes e incgnitas.
272
ML e FRs de Inequaes
Para

definimos variveis de folga (slack variable):

Lagrangeana:.
( )
( )
( )
min x
h x j m
g x j m p
j
j
|
s.a. = =
> = +
0 1
0 1
, ,
, ,
( )
( )
( )
min x
h x j m
g x j m p
j
j j
|
o
s.a. = =
= = +
0 1
0 1
2
, ,
, ,
( ) ( ) ( )
| |
( )
| | { }
L x w x w h x w g x
j j
j
m
j j j
j m
p
, . . = + +
= = +

| o
1
2
1
275
Anlise de
Sensibilidade
Alterao do ponto timo e/ou do valor
da FO quando modificamos os
coeficientes da FO e/ou das FRs
Identificar a influncia das incertezas
Estudo de casos para diferentes valores
de variveis controlveis
Certificar da validade da soluo
encontrada.
276
Anlise de Sensibilidade
Seja

logo

e

( )
( )
( ) ( ) 0 s.a.
seja ou
s.a.
min
= =
=
e x h x h
e x h
x |
( ) ( ) | | { } w e x h w x
e e
L
= + = |
c
c
c
c
( ) ( )
( ) ( ) ( )
e w w
e
x
e
x L
e
x L
x L x timo ponto no
A = A =
A
A
=
A
A
~
c
c
=
. ou
* * *
* * :
|
|
|
( ) ( ) ( ) x h w x w x L . , + =|
278
Vantagens e Desvantagens dos ML
Vantagens:
- Fcil anlise de sensibilidade da FO s FRs
- Base terica para outros mtodos
- Estabelece condies necessrias e suficientes
Desvantagens:
- Nem sempre consigo obter os ML pelo mtodo de L
- O clculo dos ML pode ser complicado
- O mtodo dos ML recai num SEANL com
aumento do n
o
de variveis.
280
Qumicos:
Captulo 9
Funo Penalidade

281
Funo Penalidade
Mtodo foi muito empregado
Converte um POCR em um POSR utilizando uma
funo penalidade
Partindo de um POSR, com uma funo que
penaliza muito pouco as violaes das restries,
paulatinamente nos aproximamos da soluo
aumentando a penalizao
No ponto timo a influncia da funo penalidade
sobre a FO nula (anlogo aos multiplicadores de
Lagrange).
282
Seja
( )
( )
( )
min x
h x j m
g x j m p
j
j
|
s.a. = =
> = +
0 1
0 1
, ,
, ,
penalizando as violaes das restries

( )
( ) ( ) ( ) ( )
( )
min P x R
P x R x R h x g x
,
, , , = + | O
a influncia da funo
pequena no incio (problema irrestrito) e
gradualmente vai aumentado, ao mesmo
tempo em que a soluo se aproxima,
atendendo as restries, do ponto timo.
( ) ( )
( )
O R h x g x , ,
283
Algoritmo da PF
P1: Definir a forma da PF
P2: Definir a razo (RR) de atualizao da PF
P3: Estabelecer o critrio de parada em relao
ao valor de R, a sucessivos valores da FO,
das FRs ou das variveis de deciso
P4: Resolver o PO na iterao k, diminuir o
valor de R at que o critrio de parada seja
atendido.
284
Exemplo aplicao PF
Seja

definindo uma FP quadrtica:

obtemos
( )
( ) ( ) ( )
( ) 0 5 , s.a.
4 4 ,
, min
2 1 2 1
2
2
2
1 2 1
2 1
= + =
+ =
x x x x h
x x x x
x x
|
|
( ) ( )
( )
( )
O R h x g x
R
x x , , = +
1
5
1 2
2
( ) ( ) ( ) ( ) . 5
1
4 4 , ,
2
2 1
2
2
2
1 2 1
+ + + = x x
R
x x R x x P
285
Seqncia de convergncia do mtodo PF.
R x
1
x
2
P(x
1
, x
2
, R)
|(x
1
, x
2
)
h(x
1
, x
2
)

4,0000 4,0000 0,000000 0,000000000 3,0000
1000 3,9970 3,9970 0,008982 0,000018031 2,9940
100 3,9706 3,9706 0,088235 0,000172920 2,9412
10 3,7500 3,7500 0,750000 0,125020000 2,5000
1 3,0000 3,0000 3,000000 1,999000000 1,0001
0,1 2,5715 2,5714 4,285700 4,081600000 0,1429
0,01 2,5075 2,5074 4,477600 4,455300000 0,0149
0,001 2,5008 2,5007 4,497800 4,495500000 0,00150
0,0001 2,5000 2,5001 4,499800 4,499600000 0,00015
Soluo
Exata
2,5000 2,5000 4,500000 4,500000000 0,00000

286
Tipo de Funo Penalidade
Restrio Denominao Expresso
Igualdade Penalidade Parablica
( ) ( ) ( )
| |
O R h x
R
h x
j
j
m
, =
=
1
2
1
Equao -A
Inequaes Barreira Infinita
( ) ( ) ( )
O h x g x
j
j J
=
e
10
20
.
Equao -B
onde J identifica o conjunto de
restries violadas, isto , neste caso
( )
g x j J
j
< e 0
Inequaes Penalidade Logartmica
( ) ( ) ( ) | |
+ =
= O
p
m j
j
x g R x g
1
ln .
Equao -C
Inequaes Penalidade Inversa
( ) ( )
( ) | |
+ =
= O
p
m j
j
x g
R
x g R
1
1 1
,
Equao -D
Inequaes Operador Parnteses
( ) ( ) ( )
| |
( )
( ) ( )
( )
O R g x
R
g x
g x
g x g x
g x
j
j m
p
j
j j
j
, =
=
s
>
= +
1
0
0 0
2
1
onde
se
se
Equao -E
Equaes e
Inequaes
( ) ( ) ( ) | |
( ) | |
+ =
=
+ = O
p
m j
j
m
j
j
x g
R
x h
R
x g R
1
1
2
1 1 1
,
Equao -F
Equaes e
Inequaes
( ) ( ) ( )
| |
( )
| |
O R g x
R
h x R g x
j
j
m
j
j m
p
, ln =
= = +

1
2
1 1
Equao -G
Tipos de PFs
287
Tipo de Funo Penalidade
Restrio Denominao Expresso

Igualdade

Penalidade Parablica
( )
( )
( )
| |
O R h x
R
h x
j
j
m
, =
=
1
2
1

Equao -A

Inequaes

Barreira Infinita
( )
( )
( )
O h x g x
j
j J
=
e
10
20
.
Equao -B
onde J identifica o conjunto de
restries violadas, isto , neste caso
( )
g x j J
j
< e 0

Inequaes

Penalidade Logartmica
( )
( )
( )
| |
O g x R g x
j
j m
p
=
= +
. ln
1

Equao -C

Inequaes

Penalidade Inversa
( ) ( )
( ) | |
+ =
= O
p
m j
j
x g
R x g R
1
1
,
Equao -D

Inequaes

Operador Parnteses
( )
( )
( )
| |
( )
( ) ( )
( )
O R g x
R
g x
g x
g x g x
g x
j
j m
p
j
j j
j
, =
=
s
>
= +
1
0
0 0
2
1
onde
se
se

Equao -E

Equaes e
Inequaes
( ) ( ) ( ) | |
( ) | |
+ =
=
+ = O
p
m j
j
m
j
j
x g
R x h
R
x g R
1
1
2
1 1
,
Equao -F

Equaes e
Inequaes
( )
( )
( )
| |
( )
| |
O R g x
R
h x R g x
j
j
m
j
j m
p
, ln =
= = +

1
2
1 1

Equao -G

Equaes e
Inequaes
( ) ( ) ( ) ( )

+ = =
+ = O
p
m j
j
m
j
j
x g x h
R
x g R
1
20
1
10
1
,
Equao -H
288
Exerccios.
Monte o exemplo anterior no Excel
Monte o exemplo anterior no Matlab

289
Qumicos:
Captulo 10
Programao Quadrtica

290
Programao Quadrtica (QP)
FO quadrtica e FRs lineares

( )
1
min
2
0
s.a.
T T
x f x x H x
x
A x b
x
= +
>
>
292
w
*
, u
*
so multiplicadores de Lagrange
x
*
, y
*
, w
*
, u
*
a soluo do PPNL,
ento o QPP equivalente ao LPP:
( )
( )
( )
min
x
x
x c x b y
c Q x A w u
A x b y
w y u x
x y w u
T T
T
T T
= +
+ =
=
= =
> > > >
1
2
0
0
0 0
0 0 0 0
s.a. .
.
No toolbox de otimizao do MATLAB:
qp ou quadprog.
293
Exerccio 1:
Resolva utilizando o MATLAB:
Funo quadprog
( )
( ) ( ) ( )
( ) 0 5 , s.a.
4 4 ,
, min
2 1 2 1
2
2
2
1 2 1
2 1
= + =
+ =
x x x x h
x x x x
x x
|
|
294
Soluo
| |
( )
eq
eq
eq
eq
b A b A f H quadprog x
b A
b A
f H
, , , , ,
5 1 1
] [ ] [
8
8
2 0
0 2
=
= =
= =
(
=
(
=
( )
( ) ( ) ( )
( ) 0 5 , s.a.
4 4 ,
, min
2 1 2 1
2
2
2
1 2 1
2 1
= + =
+ =
x x x x h
x x x x
x x
|
|
295
Programao Quadrtica
Sucessiva (SQP)
Analogamente ao LPS, aproximamos o
NLP por sucessivas QPP.
Seja o NLP
( )
( )
( )
min
s.a. 0 1, 2, ,
0 1, 2, ,
j
k
x
h x j J
g x k K
|
= =
> =
Aprox..
( ) | | ( ) ( ) ( )( )
( ) ( ) | | ( )
( ) ( ) | | ( ) K k x x x g x g
J j x x x h x h
x x x x x x x x
i i
T
i
k
i
k
i i
T
i
j
i
j
i i i
T
i i i i
T
i
, , 2 , 1 0
, , 2 , 1 0 s.a.
2
1
min
1
1
1
2
1 1
= > V +
= = V +
V + V
+
+
+ + +
| |
296
Definindo a direo de busca: d = (x
i+1
- x
i
)

Resolvendo esse sistema obtemos um nova
estimativa do ponto timo
Essa aproximao pode ser melhorada
atravs do uso do Lagrangeano.
( ) | | ( )
( ) ( ) | |
( ) ( ) | | K k d x g x g
J j d x h x h
d x d d x
T
i
k
i
k
T
i
j
i
j
i T
T
i
, , 2 , 1 0
, , 2 , 1 0 s.a.
2
1
min
2
= > V +
= = V +
V + V | |
Programao Quadrtica
Sucessiva (SQP)
297
Forma mais robusta do SQP

onde.
( )
| |
( )
( ) ( )
| |
( ) ( )
| |
min L x d d L x d
h x h x d j J
g x g x d k K
i
T
T i
j
i
j
i
T
k
i
k
i
T
V + V
+ V = =
+ V > =
1
2
0 1 2
0 1 2
2
s.a. , , ,
, , ,
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
V = V + V V
V = V + V V
x x
T
x
T
x
x x
T
x
T
x
L x w u x w h x u g x
L x w u x w h x u g x
, ,
, ,
|
|
2 2 2 2
Programao Quadrtica
Sucessiva (SQP)
298
Mas no pto. timo

ento

Estimativa inicial para x , w e u
Convergncia melhorada substituindo
a Hessiana por um BFGS ou Broyden.
( ) ( )
w h x u g x
T
x
T
x
V = V = 0 0 e
( )
( ) ( )
| |
( )
( ) ( ) ( )
| |
( ) ( ) ( )
| |
min q d x w u
q d x w u x d d L x w u d
h d x h x h x d j J
g d x g x g x d k K
i i i
i i i i
T
T
x
i i i
j
i
j
i
j
i
T
j
i
k
i
k
i
T
, , ,
, , , , ,
~
, , , ,
~
, , , ,
= V + V
+ V = =
+ V > =
|
1
2
0 1 2
0 1 2
2
s.a.
299
Exerccio 2:
Trocador de calor c/ bypass, todas as vazes so
medidas, foi desconsiderado troca energtica e possui
erros aleatrios nas medidas.
VAL
SPL
HX
MIX
1
2 4 6
3 5
FI
1
FI
3
FI
5
FI
2
FI
4
FI
6
300
Exemplo 2:
reconciliao de dados
N da
corrente
Valores medidos
das vazes (m
3
/h)
Incerteza
(m
3
/h)
1
101,9 2,5
2
64,4 0,9
3
34,6 0,9
4
64,2 1,5
5
36,4 4.0
6
98,8 6,2
Vamos a uma prtica de reconciliao utilizando
o EXCEL ou o MATLAB e a funo quadprog
301
Formulao do Problema
de Reconciliao de Dados
Em geral a RD formula o problema como um
problema de otimizao, utilizando a
minimizao do erro ao quadrado com pesos.
Mi = varivel medida;
Ri = estimativa reconciliada p/ a varivel i;
i = pesos (que dependem das incertezas das medidas.
( )
= +
=
=
+ =
(

= =

= =
6 5 4
5 3
4 2
3 2 1
6
1
2
2
6 ,..., 2 , 1 ,
: . .
min
R R R
R R
R R
R R R
a s
R M
FO
i
i
i i
i R
i
o
|
302
Exemplo
N da
corrente
Valores
verdadeiros
das vazes
(m
3
/h)
Valores
medidos das
vazes
(m
3
/h)
Incerteza
(desvio
padro)
(m
3
/h)
Valores
reconciliados
das vazes
(m
3
/h)
1
101,9 2,5 99,5
2
64,4 0,9 64,6
3
34,6 0,9 35,0
4
64,2 1,5 64,6
5
36,4 4,0 35,0
6
98,8 6,2 99,5
Qual o conjunto mais fidedigno a realidade?
O original ou o reconciliado? E qual o mais confiavel?
303
Exemplo
N da
corrente
Valores
verdadeiros
das vazes
Valores
medidos das
vazes
Incerteza
(desvio
padro)
Valores
reconciliados
das vazes
1
102,0 101,9 2,5 99,5268
2
65,0 64,4 0,9 64,5619
3
36,0 34,6 0,9 34,9649
4
65,0 64,2 1,5 64,5619
5
36,0 36,4 4,0 34,9649
6
102,0 98,8 6,2 99,5268
Qual o conjunto mais fidedigno?
O original ou o reconciliado?
304
Soluo no MATLAB
clear all ; close all ; format short ; clc
% Entrada de dados
Vazao.Medida = [ 101.9 ; 64.4 ; 34.6 ; 64.2 ; 36.4 ; 98.8 ] ;
Vazao.Incerteza = [ 2.5 ; 0.9 ; 0.9 ; 1.5 ; 4.0 ; 6.2 ] ;
% Restries: Matriz incidncia
% R1 R2 R3 R4 R5 R6
A.eq = [ +1 -1 -1 0 0 0
0 +1 0 -1 0 0
0 0 +1 0 -1 0
0 0 0 +1 +1 -1 ] ;
B.eq = [ 0 ; 0 ; 0 ; 0 ] ;
A.ineq = [ ] ; B.ineq = [ ] ;
LB = -10*Vazao.Medida ;
UB = +inf*Vazao.Medida ;
% Funo objetivo
H = 2*diag(1./(Vazao.Incerteza.^2)) ;
f = -2*Vazao.Medida./(Vazao.Incerteza.^2) ;
% Estimativa inicial
X0 = Vazao.Medida*0.999 ;
% Resoluo do problema de otimizao
[Vazao.Reconciliada] = quadprog(H,f,A.ineq,B.ineq,A.eq,B.eq,LB,UB,X0);
Vazao.Reconciliada
305
APLICAES DA
RECONCILIAO DE
DADOS
Fechamento de balanos de massa
Fechamento de balanos de energia
Estimativa (cooptao) de variveis no
medidas
Estimativa mais confivel de
parmetros do modelo
Obteno de base de dados confivel
Deteco de erros grosseiros.
306
RECONCILIAO DE DADOS e
CONTROLE DE PROCESSOS e
OTIMIZAO EM LINHA
PROCESSO
OTIMIZADOR EM LINHA
SISTEMA DE
AQUISIO
DE DADOS
SISTEMA
DE CONTROLE
BASE DE DADOS
RECONCILIADA
307
Formulao do Problema de
Reconciliao de Dados
sem Redundncia de Medio
Metodologia TECLIM para reconciliao de dados
0 d) g(R,
0 d) f(R,
a sujeito
(M-R)
J Min
T
R
s
=
E
2
=
Onde: f Vetor de restries de igualdade.
g Vetor de restries de desigualdade.
E - Matriz da qualidade da informao (1/incerteza)
d Vetor de variveis no reconciliadas.
M Vetor de variveis mapeadas.
R Vetor de variveis reconciliados.
(M-R)
308
RECONCIALIAO DE
DADOS DE PROCESSOS
Mtodo tradicional
A medio a nica fonte de
informao
Variveis medidas
REDUNDANTES podem
ser RECONCILIADAS
NO-REDUDANTES
precisa de medio adicional
No medidas
OBSERVVEIS
podem ser COOPTADAS
NO-OBSERVVEIS
precisa de medio adicional

Incerteza
Mtodo TECLIM
A medio UMA das fontes de
informao
Variveis mapeadas
Todas as variveis so
REDUNDANTES
TODAS podem ser
RECONCILIADAS
Todas as variveis so
mapeadas a partir de, p. ex.
Medio
Simulao
Projeto
Medida pontual
Estimativa grosseira
Qualidade da Informacao (QI).
309
Deteco de erros
grosseiros
Mtodo usual
1. Resolver o problema de reconciliao de
dados
2. Testar os desvios entre valor medido e
reconciliado em cada iterao
3. Remover as medidas com maiores
desvios (>5%)
4. Voltar ao passo 1 at que nenhum dos
desvios seja estatisticamente relevante.
310
Mtodo TECLIM
1. Todas as vazes, composies, presses, nveis,
temperaturas ou etc. so conhecidas,
mas com diferentes incertezas
2. Todas as variveis so conhecidas cada uma com uma
certa Qualidade de Informao (QI)
3. As variveis so mapeadas por vrios mtodos:
Medio em linha
Medies pontuais
Dados de projeto
Estimativa qualitativa
Mdia entre o valor mnimo e mximo, etc.
4. Estabeleo QI inicial e executo a reconciliao
5. Se o resultado est inadequado (indigesto), modifico QIs,
at que o resultado da reconciliao seja aceitvel.
312
RECONCILIAO DE DADOS
DE PROCESSOS INDUSTRIAIS
Bibliografia bsica:
Romagnoli, Jos A.; Snchez, Maria Cristina. DATA
PROCESSING AND RECONCILIATION FOR CHEMICAL
PROCESS OPERATIONS. Academic Press. 1988
Haugen, Joel O.; DATA RECONCILIATION & GROSS
ERROR DETECTION - AN INTELLIGENT USE OF
PROCESS PLANT PROBLEMS
Fontana, D., Kalid, R., Kiperstok, A. et al. 2005.
METHODOLOGY FOR WASTEWATER MINIMIZATION IN
THE PETROCHEMICAL COMPLEX. ENPROMER. Costa
Verde, RJ.
Martins, Mrcio; Amaro, Carolina; Souza, Leonardo; Kalid,
Ricardo e Kiperstok, Asher. NEW OBJECTIVE FUNCTION
FOR DATA RECONCILIATION IN WATER BALANCE.
Journal of Cleaner Production. No prelo
Jonh Walker & Glenfiddich.
313
Quem considera que
conhecimento custo,
desconhece o
preo da ignorncia
Abraham Lincoln
314
Qumicos:
Captulo 11
Gradiente Reduzido
Generalizado

315
Gradiente Reduzido
Generalizado (GRG)
Foi um mtodo poderoso e muito utilizado
Linearizao das FRs, resoluo do SEAL e
substituio desse resultado na FO
Converte um POMCR em um POMSR
Para um problema de NLP com n variveis
de deciso e m restries, o GRG resolver
um POMSR de (n-m) variveis
Aps utilizar as FRs utiliza o algoritmo do
gradiente conjugado.
316
Seja

Diferencial total

ento.
( )
( )
min x x
h x x
|
1 2
1 2
0
,
, s. a. =
( )
( ) ( )
d x
x
x
dx
x
x
dx |
c|
c
c|
c
= +
1
1
2
2
( )
( ) ( )
dh x
h x
x
dx
h x
x
dx = + =
c
c
c
c
1
1
2
2
0
( )
( )
( ) ( )
dx
h x
x
h x
x
dx
h x
x
h x
x
dx
1
2
1
2
1
1
2
2
=
(
(
(
(
=
c
c
c
c
c
c
c
c
317
Substituindo dx
1
no diferencial da FO:

essa expresso o GRG:

No mtodo gradiente:

Ou seja, atualizamos o valor de x
2
por

1 1
2
1 1
2
2
1
2 2

A + = A + =
c
c
=
k
B
k k
D
k k k
x x x x
x
x x
|
( )
( ) ( ) ( ) ( )
d x
x
x
h x
x
h x
x
x
x
dx |
c|
c
c
c
c
c
c|
c
=
(
+
1 1
1
2 2
2
2
2
dx
x
d
c
c
=
|
|
2
1
2 2
x
x x
k k
c
c
=

|
318
GRG
Substituindo
dx
2
em dx
1 :

Atualizamos o valor de x
1
por

Entenda o diferencial como a direo de busca
Soluo das restries com x
1
e x
2
.
x x dx
k k k
1 1
1
1
1
= +

( )
( )
( ) ( )
dx
h x
x
h x
x
dx
h x
x
h x
x
dx
1
2
1
2
1
1
2
2
=
(
(
(
(
=
c
c
c
c
c
c
c
c
319
Direo de busca para x
2
(dx
2
), anloga ao mtodo do
gradiente para POMSR

Conhecido dx
2
calculamos dx
1
e x
1
x
1
denominada varivel bsica ou dependente. No
caso multivarivel x
D
(mx1)
x
2
denominada varivel no-bsica ou
independente. No caso multivarivel x
I
(n-mx1)
Particionamos x = [ x
D
| x
I
] = [ x
B
| x
NB
].
( ) ( )
( ) ( )
k
R
T
k
R
k
R
T
k
R
k
I
k
R
k
I
k
g g
g g
g dx
1 1
1 1 1
2
+ +
+ + +
A + = A =
GRG
320
Relao entre GRG e os ML
Seja a Lagrangeana

logo.
( ) ( ) ( )
L x w x w h x
T
, = + |
( ) ( ) ( )
c
c
c|
c
c
c
L x w
x
x
x
h x
x
w
T
,
= +

(
( )
( )
( )
( )
( )
( )
c
c
c|
c
c
c
L x w
x
x
x
h x
x
w
I
I
n m
I
I
n m
I
I
T
n m m
m
,

= +

(
x 1 x 1
x
x 1
( ) ( ) ( )
c
c
c|
c
c
c
L x w
x
x
x
h x
x
w
D
D
m
D
D
m
D
D
T
m m
m
,
x 1 x 1
x
x 1
= +

(
= 0
321
Portanto:

e

O GRG a derivada parcial do
Lagrangeano em relao s variveis
no-bsicas.
( ) ( ) ( ) ( )
w
h x
x
x
x
h x
x
x
x
D
T
D D
T
D
=

(
=

c
c
c|
c
c
c
c|
c
1
1
( ) ( ) ( ) ( ) ( )
g
L x w
x
x
x
h x
x
h x
x
x
x
R
I I I
T
D
T
D
= =

c
c
c|
c
c
c
c
c
c|
c
,
1
322
Algoritmo GRG
E1: Escrever o problema na forma padro
E2: Escolher as variveis bsicas e no-bsicas,
critrio de parada, tolerncias, fator de
amortecimento e estimativa inicial
E3: Clculo do gradiente reduzido g
R
k

E4: Clculo da direo das variveis no-bsicas
E5: Clculo da direo das variveis bsicas
E6: Clculo das variveis no-bsicas e bsicas
E7: Determinao da regio vivel pelo E6 (resolvo
um SEANL), o qual d a estimativa inicial de x
B

E8: Verificao da convergncia
(clculo da FO em k+1) e retornar a E2.

323
Programa
GRAD_RED.M
Programa Funo
grad_red.m programa principal
grad_r_f.m clculo da funo objetivo
grad_r_h.m clculo das funes de restrio
grad_r_d.m clculo do gradiente reduzido
324
Exerccios.
325
Algoritmos heursticos
Problema das formigas
Tratamento trmico
Algoritmo gentico
...
326
Algoritmo gentico
No MATLAB:
x = ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,nonlcon,options)
ou
[X,FVAL,EXITFLAG,OUTPUT,POPULATION,SCORES] =
ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,nonlcon,options)
clear all; clc
A_ineq = [ ] ; b_ineq = [ ] ;
Aeq = [ 1 1 ] ; b_eq = 5 ;
LB = [ 0 0 ] ; UB = [ +inf +inf] ;
x = ga(@(x) (x(1)-4)^2+(x(2)-4)^2,2,A_ineq,b_ineq,Aeq,b_eq )

[X,FVAL,EXITFLAG,OUTPUT,POPULATION,SCORES] = ...
ga(@(x) (x(1)-4)^2+(x(2)-4)^2,2,A_ineq,b_ineq,Aeq,b_eq)
327
Qumicos
Captulo 12
Programao Inteira e Mista


328
Programao Inteira (IP)
Problemas de otimizao que envolvem
nmeros inteiros:
- operao de equipamentos ou unidades
- localizao de plantas
- nmero de equipamentos a instalar/ operar
Soluo aproximada: tratar como NLP e
aproximar o resultado
Soluo exata: IP
Programao Inteira Binria (BIP)
Programao Inteira-Mista (MIP)
Programao Inteira-Mista-Linear (MILP).
329
Branch and Bound Technique
Apropriado para IP e para MIP
Algoritmo:
P1: Obtenha uma soluo contnua - C
P2: Se C inteira fim da procura; se no P3
P3: Escolha uma das variveis (a) no inteiras e
faa duas ramificaes inteira (branch) em
torno com as seguintes restries (bound):
(1) subproblema C
1
: menor inteiro maior que a
(2) subproblema C
2
: maior inteiro menor que a.
330
Algoritmo Branch and Bound
P4: A partir de C
1
encontre a soluo do NLP e
ramifique conforme P3
P5: A partir de C
1
encontre a soluo do NLP e
ramifique conforme P3
P6: Repira P3, P4 e P5 para cada nova
ramificao,
sempre calculando o valor da FO, at que:
(1) encontrada uma soluo inteira, ou
(2) o valor da FO superior mas satisfaz as restries
(3) no existe regio vivel
P7: Compare o valor dos subproblemas C
i
.

331
Exemplo aplicao
Branch and Bound.
max x x x
x x x
x x x
x x x
| = + +
+ + s
+ + s
=
86 4 40
774 76 42 875
67 27 53 875
0
1 2 3
1 2 3
1 2 3
1 2 3
s.a.
ou 1 , ,
332

PL contnuo s.a. 0 < x
1
< 1
0 < x
2
< 1
0 < x
3
< 1
Soluo: x
*
= (1; 0,776; 1)
Valor da FO: J = 129,10
1
< 1
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (0,978; 1; 1)
Valor da FO: = 128,11
PL contnuo s.a. x
1
= 1
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (1; 1; 0,595)
1
< 1
x
2
= 0
0 < x
3
< 1
Soluo: x
*
= (1; 0; 1)
PL contnuo s.a. x
1
= 0
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (1; 0; 1)
PL contnuo s.a. x
1
= 1
x
2
= 1
x
3
= 0
Soluo: x
*
= (1; 1; 0)
Valor da FO: = 90,0
x
2
= 1
x
2
= 0
x
1
= 1 x
1
= 0
x
3
= 0
max x x x
x x x
x x x
x x x
| = + +
+ + s
+ + s
=
86 4 40
774 76 42 875
67 27 53 875
0
1 2 3
1 2 3
1 2 3
1 2 3
s.a.
ou 1 , ,
333
1
< 1
0 < x
2
< 1
0 < x
3
< 1
Soluo: x
*
= (1; 0,776; 1)
1
< 1
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (0,978; 1; 1)
PL contnuo s.a. x
1
= 1
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (1; 1; 0,595)
PL contnuo s.a. x
1
= 0
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (1; 0; 1)
PL contnuo s.a. x
1
= 1
x
2
= 1
x
3
= 0
Soluo: x
*
= (1; 1; 0)
Valor da FO: = 90,0
x
2
= 1
x
2
= 0
x
1
= 1 x
1
= 0
x
3
= 0

max x x x
x x x
x x x
x x x
| = + +
+ + s
+ + s
=
86 4 40
774 76 42 875
67 27 53 875
0
1 2 3
1 2 3
1 2 3
1 2 3
s.a.
ou 1 , ,
334
1
< 1
0 < x
2
< 1
0 < x
3
< 1
Soluo: x
*
= (1; 0,776; 1)
1
< 1
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (0,978; 1; 1)
PL contnuo s.a. x
1
= 1
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (1; 1; 0,595)
PL contnuo s.a. x
1
= 1
x
2
= 1
x
3
= 0
Soluo: x
*
= (1; 1; 0)
Valor da FO: = 90,0
x
2
= 1
x
2
= 0
x
1
= 1 x
1
= 0
x
3
= 0
max x x x
x x x
x x x
x x x
| = + +
+ + s
+ + s
=
86 4 40
774 76 42 875
67 27 53 875
0
1 2 3
1 2 3
1 2 3
1 2 3
s.a.
ou 1 , ,
335
1
< 1
0 < x
2
< 1
0 < x
3
< 1
Soluo: x
*
= (1; 0,776; 1)
1
< 1
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (0,978; 1; 1)
PL contnuo s.a. x
1
= 1
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (1; 1; 0,595)
PL contnuo s.a. x
1
= 1
x
2
= 1
x
3
= 0
Soluo: x
*
= (1; 1; 0)
Valor da FO: = 90,0
x
2
= 1
x
2
= 0
x
1
= 1 x
1
= 0
x
3
= 0
No vivel
X3=1
X3=0
max x x x
x x x
x x x
x x x
| = + +
+ + s
+ + s
=
86 4 40
774 76 42 875
67 27 53 875
0
1 2 3
1 2 3
1 2 3
1 2 3
s.a.
ou 1 , ,
336
1
< 1
0 < x
2
< 1
0 < x
3
< 1
Soluo: x
*
= (1; 0,776; 1)
1
< 1
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (0,978; 1; 1)
PL contnuo s.a. x
1
= 1
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (1; 1; 0,595)
1
< 1
x
2
= 0
0 < x
3
< 1
Soluo: x
*
= (1; 0; 1)
PL contnuo s.a. x
1
= 0
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (1; 0; 1)
PL contnuo s.a. x
1
= 1
x
2
= 1
x
3
= 0
Soluo: x
*
= (1; 1; 0)
Valor da FO: = 90,0
x
2
= 1
x
2
= 0
x
1
= 1 x
1
= 0
No vivel
X3=1
X3=0
max x x x
x x x
x x x
x x x
| = + +
+ + s
+ + s
=
86 4 40
774 76 42 875
67 27 53 875
0
1 2 3
1 2 3
1 2 3
1 2 3
s.a.
ou 1 , ,
337

1
< 1
0 < x
2
< 1
0 < x
3
< 1
Soluo: x
*
= (1; 0,776; 1)
1
< 1
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (0,978; 1; 1)
PL contnuo s.a. x
1
= 1
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (1; 1; 0,595)
1
< 1
x
2
= 0
0 < x
3
< 1
Soluo: x
*
= (1; 0; 1)
PL contnuo s.a. x
1
= 0
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (1; 0; 1)
PL contnuo s.a. x
1
= 1
x
2
= 1
x
3
= 0
Soluo: x
*
= (1; 1; 0)
Valor da FO: = 90,0
x
2
= 1
x
2
= 0
x
1
= 1 x
1
= 0

No vivel
X3=1
X3=0
max x x x
x x x
x x x
x x x
| = + +
+ + s
+ + s
=
86 4 40
774 76 42 875
67 27 53 875
0
1 2 3
1 2 3
1 2 3
1 2 3
s.a.
ou 1 , ,
338
IP No-Binria
Tratar como PIB usando a seguinte
transformao:

onde k
j
so os valores que x
i
pode assumir.
( )
( ) 1
1 ou 0
.
1
1
=
=
=
=
=
n
j
ij
ij
n
j
ij j i
y
y
y k x
339
Exerccio: utilizando a
funo bintprog do MATLAB
resolva:
max x x x
x x x
x x x
x x x
| = + +
+ + s
+ + s
=
86 4 40
774 76 42 875
67 27 53 875
0
1 2 3
1 2 3
1 2 3
1 2 3
s.a.
ou 1 , ,
340
Soluo:
>> f = [ 86 4 40 ] ;
>> b = [ 875 875 ] ;
>> A = [ 774 76 42 ; 67 27 53 ] ;
>> opcoes = optimset('display','iter') ;
>> [X,FVAL,EXITFLAG,OUTPUT] = ...
bintprog(-f,A,b,[ ],[ ],[ ],opcoes)
>> FO = -FVAL

max x x x
x x x
x x x
x x x
| = + +
+ + s
+ + s
=
86 4 40
774 76 42 875
67 27 53 875
0
1 2 3
1 2 3
1 2 3
1 2 3
s.a.
ou 1 , ,
341
Qumicos:
Captulo 13
Controle timo

Ricardo de Arajo Kalid

342
Controle timo (OC)
Classe de problemas comuns em Eng.
Qu..
( )
( ) ( )
( )
( ) ( )
( ) ( )
( )
( ) ( )
( )
( ) ( )
( )
( ) ( )
( )
( ) ( )
( )
min
u t
x t u t t
x t u t t G x t F x t u t t dt
d x
dt
H x t u t t
h x t u t
g x t u t
f
t
t
f
u
u
, ,
, , , ,
, ,
,
,
= +
=
=
>
}
0
0
0
s.a.
343
Forma discreta do OCP

G penalidade associado ao estado final
F custo devido aos esforo de controle.
( )
( ) ( )
( )
( ) ( )
( )
( )
( )
( ) ( )
( )
( ) ( ) ( )
( )
( ) ( )
( )
( ) ( )
( )
min
u t
x t u t t
x t u t t G x K F x k u k k
x k H x k u k k
h x k u k
g x k u k
k
K
u
u
, ,
, , , ,
, ,
,
,
= +
+ =
=
>
=
0
1
1
0
0
s.a.
344
Tipos de OCP
Problema de tempo mnimo: G = 0 e F = 1
Problema de erro final mnimo:
G = [x(t
f
) - x
d
)]
T
A[x(t
f
) - x
d
)] e F = 0
Problema mnimo esforo de controle:
G = 0 e F = u
T
Cu
Problema de rastreamento:.
G = 0 e F = [x(t) - x
d
(t))]
T
B[x(t) - x
d
(t))] ou
F = [x(t) - x
d
(t))]
T
B[x(t) - x
d
(t))] + u
T
Cu

345
Mtodos para OCP
Abordagem Caractersticas Vantagens Desvantagens
Discretizao da FO Utilizar os mtodos de
PNL j estudados.
Requer a parametrizao
por polinmios ou
discretizao das FR's
por diferenas finitas.
Estamos mais
acostumados com PPNL.
s vezes temos uma boa
estimativa(s) do
polinmio(s)
aproximador(es),
Geralmente leva a
problemas com nmero
elevado de variveis de
deciso.
A discretizao conduz
SEANL.
Programao Dinmica Utiliza o princpio de
otimalidade de Bellman.
Pode ser aplicado a
sistemas lineares, no-
lineares, contnuos,
discretos, variantes no
tempo, MIMO,
determinsticos, de
parmetros concentrados
ou distribudos.
Exige grande esforo
computacional para um
nmero elevado de
variveis de deciso
Princpio mnimo de
Pontryagin
Define-se o funcional
Hamiltoniano, anlogo
funo Lagrangeana
Define-se um vetor de
co-estado, anlogo aos
multiplicadores de
Lagrange
Define as condies
necessrias para um
ponto timo
Pode ser aplicado a
sistemas lineares, no-
lineares, contnuos,
discretos, variantes no
tempo, MIMO,
determinsticos, de
parmetros
concentrados.
Conduz a sistemas de
equaes elegantes e
gerais.
Requer conhecimento de
funcionais e de clculo
variacional para o
entendimento e
aplicao da teoria.
346
o BOM inimigo
do TIMO ,
ento devemos
perseguir o ...

347
Otimizao?
muitas perguntas ...
uma soluo:
ABORDAGEM
SISTMICA & SISTEMTICA
348
Seis Sigma X Otimizao
Parte de experincias
anteriores

Encontra solues
interpoladas

Deteco do ponto
timo j ocorrido
Parte de experincias
anteriores e de modelos
fenomenolgicos

Encontra solues
interpoladas e/ou
extrapoladas

Deteco do ponto
timo j ocorrido
ou
NUNCA ocorrido
350
Otimizao casos industriais em parceria com o LACOI
Empresa Tema Investimento apenas em HH e Receita US$ mil
BRASKEM-UNIB
Minimizao do uso de energia para
produo de vapor
US$ 11 mihes / ano
ELEKEIROZ Otimizao de trem de destilao de octanol US$ 174 mil / ano
BRASKEM-UNIB Otimizao de fornos de pirlise 4 a 12 % de aumento da margem a depender do cenrio
CARABA METAIS Reconciliao de dados balano hdrico Dados confiveis para tomada de decises
DETEN Reconciliao de dados balano hdrico Dados confiveis para tomada de decises
MONSANTO Reconciliao de dados balano hdrico Dados confiveis para tomada de decises
BRASKEM-UNIB Reconciliao de dados balano hdrico Dados confiveis para tomada de decises
BRASKEM-OPP
Otimizao do reator de polietileno para
baixa carga
US$ 200 mil / ano
BRASKEM-UNIB Otimizao do conversor de acetileno
I = 2 eng x 7.680 h = 15.360 hh
US$ 1.900 mil / ano
ELEKEIROZ
Otimizao de 3 colunas de destilao
(purificao de butanos)
US$ 600 mil / ano
MONSANTO Troca de matria prima US$ 800 mil / ano
MONSANTO produo de PCl3 US$ 330 mil / ano
MONSANTO produo de PIA US$ 400 mil / ano
DOW coluna de lavagem de sal (SWC) Us$ 1,800 milhes / ano e diminui 130 mil t/n H20
351
PARCEIROS DO LACOI
TECLIM
352
Integrao dos "Vcios"
AMBIENTE
INDUSTRIAL
AMBIENTE
ACADMICO
PENSAMENTO
SINTTICO
PENSAMENTO
ANALTICO
SOLUO
INTUIO
EXPERINCIA
TEORIA
MATEMTICA
353
OTIMIZAO
de PROCESSOS
e SISTEMAS
Prof. Dr. Ricardo Kalid
kalid@ufba.br - (71) 3283.9811 ou 9188.3316
Prof. PEI-EP-UFBA

Kalid Otimizacao Rev04

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Kalid Otimizacao Rev04

Enviado por

Direitos autorais:

Formatos disponíveis

1

Derivando a FO em relao aos

resenta os modelos a ser ajustados

penalizando as violaes das restries

Você também pode gostar