14.

OPTIMIZACIJA PROCESA, ANALIZA I

REDUKCIJA MODELA
4.6.2012
MODELOVANJE I SIMULACIJA PROCESA 1
MODELOVANJ E
I SIMULACIJ A PROCESA
14. Optimizacija procesa;
analiza i redukcija modela
Dr Nikola Nikaevi
OPTIMIZACIJ A PROCESA
Optimizacija matematiki metod za pronalaenje
optimalnih vrednosti posmatranih veliina, pri tome ne
naruavajui ogranienja sistema matematiko
programiranje.
Uobiajni ciljevi optimizacije procesa su postizanje:
minimalnih trokova, maksimalnog profita, minimalne
potronje energije, maksimalnog kapaciteta, maksimalne
efikasnosti i dr.
Potreba za optimizacijom kada dve (ili vie) karakteri-
stike procesa razliito utiu na posmatranu promenjivu,
delujui jedna nasuprot drugoj kompromisni zadatak.
Oblasti: a) optimizacija ureaja pri projektovanju,
b) optimizacija operativnih parametara procesa,
c) optimizacija upravljanja procesima.
14. OPTIMIZACIJA PROCESA, ANALIZA I
REDUKCIJA MODELA
4.6.2012
MODELOVANJE I SIMULACIJA PROCESA 2
FORMULACIJ A PROBLEMA I ZADATAK
OPTIMIZACIJ E
Osnovni elementi: 1) Matematiki model / ogranienja
2) Funkcija cilja
Funkcija cilja pretstavlja kriterijum (ekonomski, tehniki)
optimizacije izraz formulisan na osnovu zahteva optimi-
zacije i svojstva procesa definisanih modelom procesa.
Zadatak optimizacije pronalaenje ekstremuma (mini-
muma ili maksimuma) funkcije cilja.
Pronalaenje ektremuma funkcije cilja (objektne funkcije)
se vri pomou matematikih metoda koji se reavaju
pomou raunara (esto posebni programski paketi).
Samo za jednostavne sluajeve moe se analitikim putem
pronai ekstremum neprekidne funkcije cilja - u(x):
minimum, maksimum
0 =
c
u c
x
0 ) (
' '
> u x
''
( ) 0 x u <
METODE I KLASE OPTIMIZACIJ E
Podela po broju promenivih koje se optimizuju:
1) jednoparametarska 2) vieparametarska
Podela po broju funkcija cilja, odnosno kriterijuma:
1) jednoobjektna 2) vieobjektna
Podela po zadatku optimizacije:
1) statika 2) dinamika
- optim. projektovanje procesa - optimalno voenje procesa
Metode optimizacije:
1) Linearno i nelinearno programiranje
2) Dinamiko programiranje
3) Stohastiko programiranje
4) Optimizacija upravljanja
14. OPTIMIZACIJA PROCESA, ANALIZA I
REDUKCIJA MODELA
4.6.2012
MODELOVANJE I SIMULACIJA PROCESA 3
LINEARNO PROGRAMIRANJ E
Metod traenja optimuma u modelima sa linearnim jedn.
Funkcija cilja je takoe linearana jednaina:
matrino:
Ogranienja se zadaju u obliku lineranih nejednaina:
matrino:
Najpoznatiji algoritam: Simplex
Upotreba: proizvodnja sa razliitim sirovinama, transport,
planiranje proizvodnje i nabavke, energetika, ekonomija.
NELINEARNO PROGRAMIRANJ E opti sluaj, kada
su ili funkcija cilja ili/i ogranienja nelinearna.
Kod nelinearnih, esto se funkcije dele u podfunkcije,
koji se minimiziraju kao linerarne (aproksimacija).
{ } d x c x c x c x x x
n n n
+ + + + = u ... ) ,..., , ( min
2 2 1 1 2 1
{ } x c min
T
= u
n n nm n n
n m
n m
b x a x a x a
b x a x a x a
b x a x a x a
s + + +
s + + +
s + + +
...
...
...
2 2 1 1
2 2 2 22 1 21
1 1 2 12 1 11
0 , ,..., ,
2 1
>
n
x x x
b xs A
DINAMIKO PROGRAMIRANJE
Metod koji je vremenski efikasniji od statikog programi-
ranja (lineranog ili nelinearnog).
Metod se koristi za probleme koji se mogu podeliti u
podprobleme / podsisteme, za koje se onda trai optimum.
Algoritam: 1) podela problema u podprobleme,
2) pronalaenje optimuma za podprobleme ili
podela u jo manje podprobleme, i dalje,
sve dok ne postanu jednostavno reivi.
3) konstruisanje optimalnog reenja celog
problema na osnovu reenja podproblema.
esto se isti podproblemi u strukturi ponavljaju (na pr.
Fibonacci-jev niz) u cilju utede vremena se prva reenja
memoriu, a onda se kasnije, po potrebi koriste.
Upotreba: stupnjeviti procesi (destilacija, ekstrakcija,
apsorpcija), viestruki slojevi katalizatora, reaktori u nizu...
14. OPTIMIZACIJA PROCESA, ANALIZA I
REDUKCIJA MODELA
4.6.2012
MODELOVANJE I SIMULACIJA PROCESA 4
STOHASTIKO PROGRAMIRANJE
Metod za optimizaciju stohastikih procesa, odnosno onih
koji ukljuuju izvesnu neodreenost.
Neophodno je poznavanje ili predvianje raspodele vero-
vatnoe sluajnih veliina koje su predmet optimizacije.
Cilj je da se pronae optimalna akcija koja za veinu
podataka (sluajnih vrednosti) daje maksimum funkcije
cilja.
esto se koristi algoritam sa dvostepenim linearnim
programom:
1) Sprovodi se akcija zasnovana na prvobitnoj optimizaciji.
2) Javlja se sluajni dogadjaj koji utie na proces.
3) U drugom stepenu se koriguje optimizaciona akcija kako bi
se kompenzovali negativni efekti sluajnog dogadjaja.
OPTIMIZACIJ A UPRAVLJ ANJ A
Metod za pronalaenje optimalne upravljake akcije,
odnosno definisanje upravljakog zakona za dati sistem
koji e ispunjavati kriterijum optimizacije.
Upravljaki zakon set diferencijalnih jednaina koje
opisuju putanje upravljakih veliina kojima se minimi-
zira funkcija cilja.
J ednostavni primer: Optimalna vonja automobilom po
krivudavom putu po pitanju utroka vremena. Upravljaki
zakon: nain pritiskanja gasa i konica na putu. Sistem:
automobil i konfiguracija puta. Kriterijum optimizacije:
minimizacija ukupnog vremena vonje. Mogue dodatna
ogranienja: ogranienje brzine na putu, ograniena
koliina goriva i dr.
14. OPTIMIZACIJA PROCESA, ANALIZA I
REDUKCIJA MODELA
4.6.2012
MODELOVANJE I SIMULACIJA PROCESA 5
PRIMER UPOTREBA OPTIMALNOG
UPRAVLJ ANJ A
Zadatak: Izvesti optimalno upravljanje kontinualnim procesom
proizvodnje polimera, kada se menja proizvodnja od polimera A do B.
Kriterijum: Minimalna koliina karta.
Ukupan model sadri: model fizikog reaktorskog sistema sa kinetikom
polimerizacije, model sistema upravljanja i operativnih procedura.
Pomou metoda optimalnog
upravljanja, na osnovu ukupnog
modela i funkcije cilja,
programski paket gPROMS,
formira upravljaki zakon.
Rezultat opti-
malna promena
protoka are
monomera i H
2
koja daje mini-
malni kart.
ANALIZA MODELA
Cilj je ispitivanje robustnosti procesa na osnovu
postavljenog matematikog modela, kao i ispitivanje
kvaliteta modela.
Analizu modela treba razlikovati od validacije i verifika-
cije modela, koja se zasniva prvenstveno na poreenju
rezultata modela sa eksperimentima ili na fizikoj
konzistentnosti rezultata modela.
Analize modela mogu da daju nove informacije o
posmatranom sistemu i procesu i njegovom oekivanom
ponaanju.
Analize modela se mogu korisiti za optimalno planiranje
fizikih ili numerikih eksperimenata.
Osnovne tehnike su analiza nepouzdanosti i analiza
osetljivosti modela.
14. OPTIMIZACIJA PROCESA, ANALIZA I
REDUKCIJA MODELA
4.6.2012
MODELOVANJE I SIMULACIJA PROCESA 6
ANALIZA NEPOUZDANOSTI
Analiza nepouzdanosti je tehnika kojom se kvantifikuje
nepouzadnost rezultata modela i izgradnje modela.
Uzroci nepouzdanosti modela mogu da budu:
1) Struktura modela nerealistine ili simplifikovane pretpostavke.
2) Numerika aproksimacija nedovoljna preciznost simulacije.
3) Poetni i granini uslovi netano postavljeni.
4) Ulazni podaci nedovoljna tanost merenja / odreivanja.
Analizom se mogu utvrditi razliiti tipovi nepouzdanosti:
1) Usled promenjivosti ulaznih i/ili parametara modela kada je
poznata funkcija promenjivosti (raspodela verovatnoe i sl.).
2) Usled promenjivosti ulaznih i/ili parametara modela kada nije
poznata funkcija promenjivosti parametara.
3) Usled nepoznavanja procesa ili mehanizma.
Za tip 1 koriste se klasine stohastike metode (momenti,
Monte Carlo i dr) a za tipove 2 i 3 metode Fuzzy Logic i dr.
ANALIZA OSETLJ IVOSTI
Tehnika ispitivanja uticaja promene ulaznih veliina ili
parametara modela na rezultate (izlaze) modela.
Cilj analize je da se ulazne veliine modela poreaju po
znaaju uticaja na rezultate (intenzitetu promene izlaza).
Analiza osetljivosti moe da se koristi za:
1) Pojednostavljenje i poboljanje modela.
2) Ispitivanje robustnosti pretpostavki modela.
3) Analizu ta-ako, odnosno kreiranje razliitih scenarija.
4) Potvrdu kvaliteta modela.
Analiza takoe obezbeuje informacije o: a) interakciji
izmeu parametara i faktora, b) regionima optimalnosti
ili nestabilnosti.
Postoji veliki broj metoda, a po pristupu se mogu svrstati
u dve grupe: determinstike i stohastike.
14. OPTIMIZACIJA PROCESA, ANALIZA I
REDUKCIJA MODELA
4.6.2012
MODELOVANJE I SIMULACIJA PROCESA 7
PRIMERI ANALIZE OSETLJ IVOSTI
Deterministiki pristup
variranje parametara u
intervalu oko optimalne
vrednosti pomou simulacije i
analiza dobijenog odstupanja.
Stohastiki pristup analiza
simulacija za kombinacije vrednosti
ulaznih parametara uzorkovanih iz
poznate funkcije raspodele.
Parametar Z
4
najvie utie na proces Y jer
su take rasute na najveoj povrini (opseg
ose za Z
4
od -12 od 12 najvei)
1.0
1.5
2.0
2.5
3.0
3.5
4.0
0.5 1 1.5 2
P / P
opt
s
1


x
1
0
3


(
x
d
y
n
)
Pe
alfa 1
alfa 2
delta
Shodno gradi-
jentu greke
(nagib) model
je najosetljiviji
na promenu o,
pa onda o
1
, Pe
i o
2
-8 8
-10 10 -12 12
-8 8
REDUKCIJ A MODELA
esto su modeli, a naroito dinamiki, vrlo sloene strukture,
pa je reavanje zahtevno po pitanju utroka raunarskog
vremena i neophodne memorije.
Mogue reenje je da se generie znaajno jednostavniji
model koji daje esencijalni opis sistema, kao i detaljni model
Redukcija modela matematiki metod za aproksimaciju
sistema obinih diferencijalnih jednaina (ODJ) u model
manjih dimenzija:
Uslov je da za
vie-dimenziono
stanje sistema
postoji manje-
dimenzioni
podsistem
Vie-dimenzioni
sistem se onda
projektuje u
podsistem i tako
se dobija manje-
dimenziona
aproksimacija
(linearna u ovom
prikazu)
Cilj metode je nalaenje
manje-dimenzionog podsistema
14. OPTIMIZACIJA PROCESA, ANALIZA I
REDUKCIJA MODELA
4.6.2012
MODELOVANJE I SIMULACIJA PROCESA 8
METODE REDUKCIJ E MODELA
U zavisnosti od oblika ODJ metode se dele na:
1) Linearne za linearne ODJ prvog reda.
2) Drugog reda za linearne ODJ drugog reda.
3) Parametarske za linearne ODJ kada je neophodno ne
menjati neki paremetar u matricama.
4) Slabo nelinearne za nelinearne ODJ u kojima je
linearnost limitirana na kvadratnu i kubnu funkciju.
5) Nelinearne za nelinerane ODJ u optem sluaju.
Parcijalne diferencijalne jednaine se metodama redukcije
mogu prevesti u sistem obinih diferencijalnih jednaina.
Kod parcijalnih diferencijalnih jednaina, koje se reavaju
diskretizacijom (metoda konanih elemenata CFD)
metodom redukcije se moe smanjiti veliki broj
neophodnih vorova, time ubrzati konvergencija.
DODATNA LITERATURA 1
Mikroskopski modeli
D. epa, Hemijska kinetika, Akademska misao, Bgd,
2001, str. 138-178
Mezoskopski modeli
S. Cvijovi, N. Bokovi-Vragolovi, Fenomeni prenosa
strujanje, toplota, difuzija, TMF, Bgd, 2001, glava
1, poglavlja 1-4, str. 3-69
Makroskopski modeli
A. Dudukovi, Osnovi i operacije prenosa mase,
Akademska misao, Bgd, 2008, deo I, poglavlja 1 i
2, str. 1-28, deo II, poglavlje 1, str. 63-78
14. OPTIMIZACIJA PROCESA, ANALIZA I
REDUKCIJA MODELA
4.6.2012
MODELOVANJE I SIMULACIJA PROCESA 9
DODATNA LITERATURA 2
Makroskopski modeli
O. Levenspiel, Osnovi teorije i projektovanja hemijskih
reaktora, TMF, Bgd, 1991, poglavlja 5 i 6, str. 97-
156, i poglavlje 8, 209-242
Dinamiki modeli
M. Petkovska, Merenje i upravljanje u procesnim
sistemima, TMF, Bgd, 2004, deo I, str. 1-23, deo II,
poglavlja 1-4, str. 25-98, poglavlje 6, str. 122-
129
Populacioni modeli
O. Levenspiel, Osnovi teorije i projektovanja hemijskih
reaktora, TMF, Bgd, poglavlja 9 i 10, str. 252-346
DODATNA LITERATURA 3
Stohastiki modeli
J. Savkovi-Stevanovi, Modelovanje i simulacija
procesa, TMF, Bgd, 1995, poglavlje 6, str. 127-197
Optimizacija procesa
J. Savkovi-Stevanovi, Modelovanje i simulacija
procesa, TMF, Bgd, 1995, poglavlje 9, str. 287-312
MATLAB
A. Gilat, Uvod u Matlab 7 sa primerima, Mikro Knjiga,
Bgd, 2007
alasan L., Petkovska M., MATLAB i dodatni moduli
Control System Toolbox i Simulink, Mikro knjiga, Bgd,
1996