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