Você está na página 1de 271

HERBERT RODRIGUES DO NASCIMENTO COSTA

APLICAO DE TCNICAS DE INTELIGNCIA ARTIFICIAL EM


PROCESSOS DE FABRICAO DE VIDRO

So Paulo
2006

HERBERT RODRIGUES DO NASCIMENTO COSTA

APLICAO DE TCNICAS DE INTELIGNCIA ARTIFICIAL EM


PROCESSOS DE FABRICAO DE VIDRO

Tese apresentada Escola Politcnica da


Universidade de So Paulo para obteno
do Ttulo de Doutor em Engenharia.

rea de Concentrao:
Engenharia de Sistemas

Orientador:
Prof. Dr. Claudio Garcia

So Paulo
2006

Este exemplar foi revisado e alterado em relao verso original, sob


responsabilidade nica do autor e com a anuncia de seu orientador.
So Paulo, 23 de novembro de 2006.

Assinatura do autor ____________________________

Assinatura do orientador _______________________

FICHA CATALOGRFICA

Costa, Herbert Rodrigues do Nascimento


Aplicao de tcnicas de inteligncia artificial em processos
de fabricao de vidro / H.R. do N. Costa. -- ed.rev. -- So Paulo,
2006.
248 p.
Tese (Doutorado) - Escola Politcnica da Universidade de
So Paulo. Departamento de Engenharia de Telecomunicaes e
Controle.
1. Aprendizado computacional 2. Fuzzy (Inteligncia artificial) 3. Redes neurais 4. Vidro I. Universidade de So Paulo.
Escola Politcnica. Departamento de Engenharia de Telecomunicaes e Controle II. t.

RESUMO

A Inteligncia Artificial atualmente um vasto campo de pesquisa. Existem diversas


tcnicas sendo pesquisadas, sendo que nesta tese foram utilizadas a Teoria Fuzzy,
rvores de Deciso e Redes Neurais. As trs tcnicas tm sido empregadas com
sucesso nas mais diversas aplicaes nas reas de automao e controle,
reconhecimento de padres, reconhecimento de voz, deteco de falhas e
classificao, entre outras. A Teoria Fuzzy permite trabalhar com as incertezas e
prov um entendimento simblico para compreenso do conhecimento. As rvores
de Deciso tm capacidade de construir decises simblicas para a classificao de
problemas e, atravs do conhecimento obtido, pode-se construir regras simblicas
para uma tomada de deciso. A Teoria Fuzzy tambm pode ser incorporada s
rvores de deciso, aumentando seu poder de representao e aplicabilidade. As
Redes Neurais (algoritmo back-propagation) tm apresentado timos resultados na
aprendizagem de funes e em problemas de classificao. A contribuio desta
tese mostrar a aplicao das trs tcnicas de Inteligncia Artificial (IA) em
processos de fabricao de Vidro. Os processos de fabricao do vidro foram
analisados e a proposta da tese a aplicao das tcnicas de IA nas fbricas de
produo de vidros para embalagens e vidros planos. Na primeira fbrica aplicam-se
as tcnicas de IA para classificar os defeitos que ocorrem no Vidro para
Embalagens, em funo das condies operacionais dos fornos de fuso. Na
segunda fbrica aplicam-se as tcnicas para classificar os defeitos em funo das
matrias primas utilizadas na produo do vidro. Na terceira fbrica as tcnicas so
aplicadas na classificao dos padres de fabricao do vidro plano. Os resultados
obtidos com a classificao de defeitos e padres foram de maneira geral
satisfatrios. As trs tcnicas de IA apresentadas foram utilizadas para a anlise das
bases de dados nas trs fbricas de vidro estudadas nesta tese. As tcnicas de IA
obtiveram classificaes satisfatrias para os defeitos do vidro para embalagens e
para classificar os padres dos vidros planos. Os resultados obtidos a partir das
tcnicas so comparados e apresentam resultados promissores.

Palavras-chave: Aprendizado Computacional, Fuzzy (Inteligncia Artificial), Redes


Neurais, Vidro.

ABSTRACT

The Artificial Intelligence now is a vast research field. There are several techniques
exist being researched. In this thesis Fuzzy Theory, Decision Trees and Neural
Networks were used. The three techniques have been successfully applied in several
applications in the areas of automation and control, pattern recognition, voice
recognition, detection of flaws and classification, among others. The Fuzzy Theory
allows to work with the uncertainties and they provide a symbolic understanding for
understanding of the knowledge. The Decision Trees have capacity to build symbolic
decisions for the classification of problems and through the knowledge obtained by
the tree could be built symbolic rules for a socket of decision. The Fuzzy Theory can
also be incorporate them tree of decision increasing the representation power and
applicability of the Decision trees. Neural Networks (algorithm back-propagation) it
has been presenting great results in the learning of functions and in classification
problems. The contribution of this thesis is to show the application of the three
techniques of Artificial Intelligence (AI) in processes of production of Glass. The
processes of production of the glass were analyzed and the proposal of the thesis is
the application of the techniques of AI in the factories of production of glasses to
packings and plane glasses. In the first factory it is applied the techniques of AI to
classify the defects that happen in the Glass for Packings in function of the
operational conditions of the coalition ovens. In the second factory it is applied the
techniques to classify the defects in the matters cousins' function used in the
production of the glass. In the third factory the techniques are applied in the
classification of the patterns of production of the plane glass. The results obtained
with the classification of defects and patterns were in a satisfactory general way. The
three techniques of AI presented were used for the analysis of the bases of data in
the three glass factories studied in thesis. The techniques of AI obtained a
satisfactory classification for the defects of the glass for packings and for the patterns
of the plane glasses. The results obtained starting from the techniques are compared
and they present promising results.

Keywords: Computational Learning, Fuzzy(Artificial Intelligence), Neural Networks,


Glass.

DEDICATRIA

Aos meus filhos,


Gabriel e Lucas.

minha esposa,
Luzinete.

minha me,
Terezinha

AGRADECIMENTOS

Ao professor Claudio Garcia pela orientao, pelo constante incentivo,


pacincia e amizade.

A minha esposa, meus filhos e a minha famlia pela pacincia e compreenso.

Aos amigos e colegas de trabalho que incentivaram e colaboraram direta ou


indiretamente na execuo deste trabalho.

SUMRIO

RESUMO
ABSTRACT
DEDICATRIA
AGRADECIMENTOS
SUMRIO
LISTA DE FIGURAS
LISTA DE TABELAS
LISTA DE SIMBOLOS E TERMOS
LISTA DE ABREVIATURAS E SIGLAS
1 INTRODUO...............................................................................................
1.1 Motivao .................................................................................................
1.2 Objetivos ...................................................................................................
1.3 Desenvolvimento da tese...........................................................................
1.4 Organizao da Tese...............................................................................

1
1
2
2
3

2 ESTUDO DOS PROCESSOS DE FABRICAO DO VIDRO......................


2.1 Historia do Vidro..........................................................................................
2.2 Composio do Vidro..................................................................................
2.3 Defeitos do Vidro.........................................................................................
2.4 Vidros Planos..............................................................................................

4
4
8
12
18

3 RVORES DE DECISO..............................................................................
3.1 Aprendizado Computacional......................................................................
3.2 rvores de Deciso....................................................................................
3.2.1 rvores de Classificao e Regresso CART .....................................
3.2.1.1 Algoritmo CART para rvore de induo .............................................
3.2.1.2 Poda da rvore ....................................................................................
3.2.1.3 Medidas de desempenho.....................................................................

21
21
24
26
30
36
39

4 RVORES DE DECISO FUZZY.................................................................


4.1 Introduo............................. ......................................................................
4.2 rvore de Deciso Fuzzy.............................................................................
4.3 Fuzzificao de uma rvore de Deciso ....................................................
4.4 rvore de Regresso Fuzzy.........................................................................
4.5 Implementao de rvores de deciso fuzzy...............................................
4.6 Programas utilizados nas classificaes.....................................................

41
41
43
48
50
52
53

5 RESULTADOS E ANLISE..........................................................................
5.1 Base de dados NOVOVIDRO...................................................................
5.1.1 Classificao do Defeito Tipo Pedra NOVOVIDRO..........................
5.1.2 Classificao do Defeito Tipo Bolha - NOVOVIDRO.............................
5.1.3 Classificao do Defeito Tipo Corda - NOVOVIDRO............................
5.2 Base de dados Vidro para Embalagens...................................................
5.2.1 Classificao do Defeito Tipo Pedra - Vidros para Embalagens............
5.2.2 Classificao do Defeito Tipo Bolha - Vidros para Embalagens............
5.2.3 Classificao da Transmitncia do Vidro - Vidros para Embalagens.....
5.3 Base de dados Vidro Planos....................................................................

57
57
58
71
79
86
86
93
99
106

6 CONCLUSES E CONSIDERAES FINAIS.............................................


6.1 Propostas de continuao do trabalho .....................................................

119
120

REFERNCIAS BIBLIOGRFICAS................................................................

122

APNDICE A PROCESSOS DE FABRICAO DO VIDRO.........................


A.1 Matrias usadas na fabricao do vidro .....................................................
A.1.1 Matrias primas Minerais ........................................................................
A.1.2 Matrias primas Industrializadas..............................................................
A.1.3 Comportamento das matrias-primas na fabricao do vidro..................
A.2 Propriedades do Vidro.................................................................................
A.2.1 Viscosidade..............................................................................................
A.2.2 Propriedades pticas...............................................................................
A.2.3 Resistncia Mecnica...............................................................................
A.2.4 Resistncia ao Choque Trmico..............................................................
A.2.5 Durabilidade Qumica ..............................................................................
A.2.6 Caracterstica da Cor do Vidro ................................................................
A.3 Tipos de Vidros Comerciais.........................................................................
A.4 Processo de fabricao do vidro.................................................................
A.5 Exemplos de Automao do processo do Vidro..........................................
A.6 Sistemas de Automao da Industria do Vidro...........................................

136
137
137
138
142
146
149
150
150
151
153
153
158
160
171
175

APNDICE B - TEORIA FUZZY........................................................................


B.1 Teoria Fuzzy...............................................................................................
B.2 Definies ..................................................................................................
B.3 Operaes sobre Conjuntos Fuzzy............................................................
B.4 Variveis Lingsticas ...............................................................................
B.5 Lgica Fuzzy e Raciocnio Aproximado......................................................
B.6 Funes de Implicao Fuzzy....................................................................
B.7 Operadores Fuzzy .....................................................................................

177
178
178
179
181
182
183
187

APNDICE C - REDES NEURAIS ...................................................................


C.1 Redes Neurais Artificiais.............................................................................
C.2 Redes Neurais Artificiais: Conceitos bsicos .............................................
C.2.1 Neurnio Artificial ....................................................................................
C.2.2 Arquiteturas das Redes Neurais.............................................................
C.2.3 Aprendizado em Redes Neurais.............................................................
C.2.4 Modelos de Redes Neurais......................................................................

190
191
195
196
200
203
204

APNDICE D - SISTEMAS NEURO-FUZZY ...................................................


D.1 Introduo..................................................................................................
D.2 Sistemas Neuro-Fuzzy...............................................................................
D.3 Exemplos de Modelos Neuro-fuzzy............................................................

213
214
214
231

ANEXO A TESTES DAS BASES DE DADOS...............................................


AA.1 Fluxogramas das rvores de deciso CART..........................................
AA.2 Exemplo de rvore de deciso fuzzy gerada no FID3.4...........................
AA.3 Exemplo de configurao dos atributos no FID3.4...................................
AA.4 Exemplos de configuraes do FID3.4 ....................................................

235
236
244
246
246

LISTA DE FIGURAS
Figura 2.1 - Ilustrao sobre a lenda da descoberta do vidro.....................................5
Figura 2.2 - Ilustrao do processo de fabricao do vidro atravs do sopro............6
Figura 2.3 - Estado da matria e organizao final do vidro e do cristal....................9
Figura 2.4 - Grfico de volume x temperatura para vidros.......................................10
Figura 2.5 - Representao esquemtica de: (a) um tetraedro de SiO4; (b) Slica
totalmente cristalina em que os tetraedros apresentam ordem a longa
distancia; c) vidro de slica pura, no qual os tetraedros no apresentam
ordem a longa distncia.........................................................................11
Figura 2.6 - Exemplos dos defeitos de pedra e impurezas do vidro.........................14
Figura 2.7 - Exemplos dos defeitos do tipo bolha no vidro.......................................16
Figura 2.8 - Exemplos dos defeitos do tipo corda no vidro.......................................17
Figura 2.9 - Diagrama do processo de fabricao do vidro plano............................19
Figura 2.10 - Diagrama do processo de fabricao do vidro plano impresso e
aramado ............................................................................................19
Figura 2.11 - Amostras dos padres de vidro plano produzidos na UBV...................20
Figura 3.1 - Hierarquia do aprendizado indutivo.......................................................22
Figura 3.2 -

Exemplo de uma rvore de deciso gerados pelo ID3.........................26

Figura 3.3 - (a) rvore de Deciso Binria

e (b) Particionamento do espao de

entrada.................................................................................................28
Figura 3.4 - Particionamento com o Algoritmo CART - a) constante; b) funo
linear................................................................................................... 28
Figura 3.5 - a) Uma tpica arvore T com o n raiz t1 e uma sub-arvore Tt3: b) T-Tt3
uma arvore depois de podada a sub-arvore Tt3 se transforma no n t3
................................................................................................................29
Figura 3.6 - Uso do Algoritmo CART a) superfcie de relacionamento entre x, y e z
b) superfcie determinada pelo CART com 10 (dez) ns terminais..........35
Figura 3.7 - Particionamento com o Algoritmo CART a) com 20 ns; b) com 30
ns........................................................................................................35
Figura 3.8 - Medidas dos erros do classificador com undefitting e overfitting.......39
Figura 4.1 - Duas aplicaes com rvores de deciso crisp e rvore de deciso
fuzzy.......................................................................................................51

Figura 4.2 - Tela do software Statistica com o acionamento do pacote Multivariate


exploratory techniques........................................................................53
Figura 4.3 - Tela que mostra a rvore de Deciso construda pelo software
Statistica...............................................................................................54
Figura 4.4 - Tela do software Statistica que mostra os resultados que se pode analisar
com relao rvore construda. ..........................................................55
Figura 4.5 - Tela de acionamento o pacote de Redes Neurais ................................55
Figura 4.6 - Topologia da Rede Neural obtida utilizando o algoritmo back-propagation
................................................................................................................56
Figura 4.7 - Resultados obtidos com o pacote de Redes Neurais do software Statistica
..................................................................................................................56
Figura

5.1-

Custo

das

rvores

construdas

para

defeito

tipo

pedra

NOVOVIDRO.....................................................................................62
Figura 5.2 - Grfico do grau de importncia dos atributos na classificao do defeito
tipo pedra. - NOVOVIDRO...................................................................63
Figura 5.3 - Grfico da partio do atributo Extrao para a classificao do defeito
tipo pedra NOVOVIDRO....................................................................... 66
Figura 5.4 - Exemplo da topologia da Rede Neural utilizada para classificao defeito
do tipo pedra - NOVOVIDRO...............................................................68
Figura

5.5

Custo

das

rvores

construdas

para

defeito

tipo

bolha

NOVOVIDRO.......................................................................................73
Figura 5.6 - Grfico do grau de relevncia dos atributos na classificao do defeito
tipo bolha - NOVOVIDRO.....................................................................73
Figura 5.7 - Custo das rvores construdas para o defeito tipo corda - NOVOVIDRO..81
Figura 5.8 - Grfico do grau de relevncia dos atributos na classificao do defeito
tipo corda NOVOVIDRO....................................................................81
Figura 5.9 - Custo das rvores construdas para classificao do defeito tipo pedra
Vidros para Embalagens......................................................................89
Figura 5.10 - Grficos do grau de relevncia dos atributos para o defeito tipo pedra Vidros para Embalagens......................................................................89
Figura 5.11 - Custo das rvores construdas para classificao do defeito tipo bolha
Vidros para Embalagens......................................................................95

Figura 5.12 - Grficos do grau de relevncia dos atributos para o defeito tipo bolha Vidros para Embalagens......................................................................96
Figura 5.13 - Custo das rvores construdas para a classificao da Transmitncia da
luz - Vidros para Embalagens............................................................101
Figura 5.14 - Grficos do grau de relevncia dos atributos para a transmitncia da luz
no vidro - Vidros para Embalagens....................................................102
Figura 5.15 - Ilustrao dos pontos de medio das variveis do forno de produo do
Vidro Plano...........................................................................................106
Figura 5.16 - Custos das rvores construdas para classificao dos padres dos
vidros planos......................................................................................110
Figura 5.17 - Grfico do grau de relevncia dos atributos para a determinao dos
padres dos vidros planos..................................................................110
Figura a.1 - Fluxograma da fabricao da barrilha pelo processo Solvay.............139
Figura a.2 - Reciclagem do vidro (cacos de vidro) contendo muitas impurezas como
plsticos e metais que devem ser removidos antes da utilizao do
caco......................................................................................................142
Figura a.3 - Imagens microscpicas do derretimento de gros de areia em Soda.
Imagem Superior: Os dois gros de areia no apresentam nenhuma
reao significante a 800 oC.

Imagem do centro: Depois de 880 c

desapareceram os gros de Soda e uma camada de reao no


homognea formou nas superfcies dos gros de areia. Imagem inferior: A
1200 C desapareceram as reaes no homogneas, mas os dois gros
de areia ainda so visveis. Bolhas pequenas de CO2 tambm podem ser
vistas.....................................................................................146
Figura a.4 - Influencia dos xidos nas propriedades dos vidros.................................148
Figura a.5 - Simulao do processo de fabricao de um copo (a) e um prato (b)
(viscosidade e temperatura so essncias para obteno de um produto
sem falhas (simulao com o software POLYFLOW Fluent)............150
Figura a.6 Diagrama que mostra o efeito dos corantes na cor do vidro.................154
Figura a.7 Monitorao do REDOX no processo de fabricao do vidro...............155
Figura a.8 - Fluxograma das operaes que ocorrem em uma vidraria....................161

Figura a.9 - Representao de diferentes vista de um forno de vidro. a) Vista exterior


do Forno, b) Vista do tanque de fuso do Forno (Abbada, Soleira, Boca
de enforna, Degrau, Abertura de queimador, c) Vista dos tanques de
fuso e zona de trabalho do forno garganta...........................................163
Figura a.10 - Imagem do forno tipo tanque com a massa vtrea e os queimadores..164
Figura a.11 - Imagem da sada do vidro do forno (gota) para etapa conformao e
moldagem .........................................................................................165
Figura a.12 - Processo de fabricao do vidro plano..............................................166
Figura a.13 - Processo de fabricao do vidro plano por flutuao e vidro
impresso...........................................................................................167
Figura a.14 - Processo de fabricao de uma taa...................................................167
Figura a.15 - Simulao da gerao de uma gota para o processo de fabricao do
vidro .....................................................................................................168
Figura a.16 - Produo de potes e garrafas nas maquinas de conformao............168
Figura a.17 - Simulao das temperaturas envolvidas no processo de fabricao do
vidro......................................................................................................169
Figura a.18 - Descrio do Processo atravs da simulao das temperaturas do
processo de Fabricao. Relao das temperaturas de Fuso do Vidro
e a sua temperatura para conformao.............................................170
Figura a.19 - Produto final do processo de fabricao do vidro................................170
Figura a.20 - Processo automatizado de produo de garrafas de vidro..................171
Figura a.21 - Processo automatizado de produo ampolas de vidro.......................172
Figura a.22 - Processo automatizado de produo do vidro plano...........................172
Figura a.23 - Processo automatizado com a utilizao de sensores e cmeras.......175
Figura a.24 - Exemplo de automatizao da fabrica do projeto NOVOVIDRO.........176
Figura b.1 - Representao da varivel fuzzy (velocidade).......................................182
Figura b.2 - Operador de Concentrao ...................................................................188
Figura b.3 - Operador de Dilatao...........................................................................188
Figura c.1 - Neurnio Biolgico ................................................................................192
Figura c.2 - Modelo de Neurnio Artificial McCulloch-Pits. ....................................197
Figura c.3 - Arquitetura de RNAs no-recorrentes....................................................202
Figura c.4 - Arquitetura de RNAs recorrentes........................................................... 202
Figura c.5 - Perceptron de uma camada simples......................................................205
Figura c.6 - Perceptron com trs camadas (MLP).....................................................206

Figura c.7 - Rede RBF (Radial Basis Function )........................................................209


Figura d.1 - Modelo de Mandani com composio Min/Max.....................................217
Figura d.2 - Mtodo de Larsen (produto algbrico como funo de implicao)......218
Figura d.3 - Mtodo de Tsukamoto...........................................................................218
Figura d.4 - Mtodo de Takagi/Sugeno....................................................................219
Figura d.5 - Funo de pertinncia de formato triangular..........................................220
Figura d.6 - Funo de pertinncia com formato trapezoidal....................................221
Figura d.7 - Funo de pertinncia com formato trapezoidal descrita por 4 Parmetros..........................................................................................................221
Figura d.8 - Funo de pertinncia de formato gaussiano........................................222
Figura d.9 - Funo de pertinncia com formato sino...............................................222
Figura d.10 - Funo de pertinncia com formato sigmoidal.....................................223
Figura d.11 - Funo de pertinncia fuzzy singleton.. ............................................224
Figura d.12 - Particionamento possveis para o espao de entrada.........................225
Figura d.13 - Simulao no software Fuzzytech de uma sada no mtodo MOM...226
Figura d.14 - Simulao no software Fuzzytech de uma sada no mtodo COM..227
Figura d.15 - Simulao no software Fuzzytech de uma sada no mtodo COA...228
Figura d.16 - (a) Mecanismo de inferncia Takagi-Sugeno (b) equivalente ANFIS
...........................................................................................................232
Figura d.17 - Arquitetura de um FSOM com duas entradas e uma sada.................233
Figura d.18 - Sistema NEFCLASS com duas entradas, cinco regras e duas classes de
sada....................................................................................................234
Figura aa.1 - rvore de Deciso CART para o defeito tipo pedra NOVOVIDRO
.............................................................................................................237
Figura aa.2 - rvore de Deciso CART para o defeito tipo bolha NOVOVIDRO
................................................................................................................238
Figura aa.3 - rvore de Deciso CART para o defeito tipo corda NOVOVIDRO
................................................................................................................239
Figura aa.4 - rvore de Deciso CART para o defeito tipo pedra Vidros para
Embalagens......................................................................................240
Figura aa.5 - rvore de Deciso CART para o defeito tipo bolha Vidros para
Embalagens......................................................................................241
Figura aa.6 - rvore de Deciso CART para a transmitncia da luz Vidros para
Embalagens........................................................................................242

Figura aa.7 - rvore de Deciso CART para os padres do vidro plano impresso
Vidros Planos.......................................................................................243

LISTA DE SMBOLOS

F(u)

- Grau de pertinncia de u em F.

A B

- Funo de Pertinncia da unio dos conjuntos A e B (A B)

A B

- Funo de Pertinncia da interseo dos conjuntos A e B (A B)

()

- Operao de produto algbrico.

RS

- Composio Sup-Star.

A1 x

... x Na

- Produto Cartesiano.

(*)

- Operadores da classe de normas triangulares.

xy

- Interseo

xy

- Produto algbrico.

x~y

- Produto limitado.

- Produto drstico.

(+)

- Operadores da classe de co-normas triangulares.

xy

- Unio.

x+y

- Soma algbrica.

xy

- Soma limitada.

- Soma drstica.

xy

- Soma disjunta.

AB

- Implicao ( se A ento B).

LISTA DE TABELAS

Tabela 5.1 - Agrupamentos do defeito tipo pedra NOVOVIDRO........................58


Tabela 5.2 - Amostra da base de dados NOVOVIDRO com os agrupamentos dos
defeitos tipos pedra, bolha e corda....................................................60
Tabela 5.3 - Custos e taxa de erro envolvidos na escolha da rvore para defeito tipo
pedra NOVOVIDRO......................................................................61
Tabela 5.4 - Resultados da rvore de Deciso CART para as classes de defeito
Baixo e Muito Baixo do tipo pedra NOVOVIDRO.....................64
Tabela 5.5 -

Valores do processo de fabricao da NOVOVIDRO......................65

Tabela 5.6 - Configuraes dos atributos para os defeitos da base de dados da


NOVOVIDRO...................................................................................66
Tabela 5.7 -

Resultados da rvore de Deciso Fuzzy FID3.4 para as classes de


defeito Baixo e Muito Baixo do tipo pedra NOVOVIDRO.........67

Tabela 5.8a - Resultados da Rede Neural MLP para a classificao do defeito tipo
pedra - NOVOVIDRO.......................................................................69
Tabela 5.8b - Resultados das rvores de deciso - CART, rvore de deciso fuzzy
FID3.4 e a rede neural MLP utilizadas nas classificaes do defeito
tipo pedra para as classes Baixo e Muito Baixo - Base
NOVOVIDRO...................................................................................70
Tabela 5.9 - Agrupamento do defeito tipo bolha NOVOVIDRO...........................71
Tabela 5.10 - Custos e taxa de erro envolvidos na escolha da rvore para o defeito
tipo bolha - NOVOVIDRO.................................................................72
Tabela 5.11 - Resultados da rvore de Deciso CART para as classes de defeito
Baixo e Muito Baixo do tipo bolha NOVOVIDRO......................74
Tabela 5.12 - Resultados da rvore de Deciso Fuzzy FID3.4 para as classes de
defeito Baixo e Muito Baixo do tipo bolha NOVOVIDRO..........76
Tabela 5.13a - Resultados da Rede Neural MLP para a classificao do defeito tipo
bolha - NOVOVIDRO.................................................................77
Tabela 5.13b - Resultados das rvore de deciso - CART, rvore de deciso fuzzy
FID3.4 e a rede neural MLP utilizadas nas classificaes do defeito
tipo bolha para as classes Baixo e Muito Baixo

Base

NOVOVIDRO.................................................................................78

Tabela 5.14 - Agrupamento do defeito tipo corda - NOVOVIDRO.........................79


Tabela 5.15 - Custos e taxa de erro envolvido na escolha da rvore para o defeito
tipo corda NOVOVIDRO................................................................80
Tabela 5.16 - Resultados da rvore de Deciso CART para as classes de defeito
Baixo e Muito Baixo do tipo corda NOVOVIDRO.....................82
Tabela 5.17 - Resultados da rvore de Deciso Fuzzy FID3.4 para as classes de
defeito Baixo e Muito Baixo do tipo corda NOVOVIDRO..........83
Tabela 5.18a - Resultados da Rede Neural MLP para a classificao do defeito tipo
corda - NOVOVIDRO..............................................................84
Tabela 5.18b - Resultados das rvore de deciso - CART, rvore de deciso fuzzy
FID3.4 e a rede neural MLP utilizadas nas classificaes do defeito
tipo corda para as classes Baixo e Muito Baixo

Base

NOVOVIDRO.................................................................................85
Tabela 5.18c - Resultado da classificao dos defeitos tipo pedra, bolha e corda para
os valores operacionais da fbrica da NOVOVIDRO...............85
Tabela 5.19 - Amostra da base de dados Vidros para Embalagens com os
agrupamentos dos defeitos tipos pedra, bolha e transmitncia da luz
no vidro............................................................................................87
Tabela 5.20 -

Agrupamento do defeito tipo pedra - Vidros para Embalagens...88

Tabela 5.21 - Custos e taxa de erro envolvidos na escolha da rvore para


classificao

do

defeito

tipo

pedra

Vidros

para

Embalagens....................................................................................88
Tabela 5.22 -

Resultados da rvore de Deciso CART para as classes de defeito


Baixo

Muito

Baixo

do

tipo

pedra

Vidros

para

Embalagens....................................................................................90
Tabela 5.23 -

Valores das matrias-primas utilizadas no processo de fabricao do


vidro tipo mbar Vidros para Embalagens................................90

Tabela 5.24 -

Resultados da rvore de Deciso Fuzzy FID3.4 para as classes de


defeito Baixo e Muito Baixo do tipo pedra - Vidros para
Embalagens......... ..........................................................................91

Tabela 5.25a - Resultados da Rede Neural MLP para a classificao do defeito


tipo pedra - Vidros para Embalagens....... ....................................92

Tabela 5.25b - Resultados das rvore de deciso - CART, rvore de deciso fuzzy
FID3.4 e a rede neural MLP utilizadas nas classificaes do defeito
tipo pedra para as classes Baixo e Muito Baixo Base Vidros
para Embalagens................................................................93
Tabela 5.26 - Agrupamento do defeito tipo bolha - Vidros para Embalagens....93
Tabela 5.27 - Custos e taxa de erro envolvidos na escolha da rvore para
classificao

do

defeito

tipo

bolha

Vidros

para

Embalagens...................................................................................94
Tabela 5.28 -

Resultados da rvore de Deciso CART para as classes de defeito


Baixo

Muito

Baixo

do

tipo

bolha

Vidros

para

Embalagens....................................................................................96
Tabela 5.29 -

Resultados da rvore de Deciso Fuzzy FID3.4 para as classes de


defeito Baixo e Muito Baixo do tipo bolha - Vidros para
Embalagens....................................................................................97

Tabela 5.30a - Resultados da Rede Neural MLP para a classificao do defeito tipo
bolha - Vidros para Embalagens........... .................................98
Tabela 5.30b - Resultados das rvore de deciso - CART, rvore de deciso fuzzy
FID3.4 e a rede neural MLP utilizadas nas classificaes do defeito
tipo pedra para as classes Baixo e Muito Baixo Base Vidros
para Embalagens................................................................99
Tabela 5.31 - Agrupamento dos valores da Transmitncia da Luz (vidro tipo mbar)
- Vidros para Embalagens ...........................................100
Tabela 5.32 - Custos e a taxa de erro envolvidos na escolha da rvore para
classificao

da

Transmitncia

da

Luz

Vidros

para

Embalagens..................................................................................100
Tabela 5.33 - Resultados da rvore de Deciso CART para a classe Mdia para
a transmitncia da luz - Vidros para Embalagens..........................102
Tabela 5.34 - Resultados da rvore de Deciso Fuzzy FID3.4 para a classe
Mdia

da

transmitncia

da

luz

Vidros

para

Embalagens..................................................................................103
Tabela 5.35a - Resultados da Rede Neural MLP para a classificao da
transmitncia da luz - Vidros para Embalagens......................104

Tabela 5.35b - Resultados das rvore de deciso - CART, rvore de deciso fuzzy
FID3.4 e a rede neural MLP utilizadas nas classificaes da
transmitncia da luz Base Vidros para Embalagens................105
Tabela 5.35c - Resultados das classificao dos defeitos tipo pedra e bolha e da
transmitncia da luz Vidros para Embalagens.........................105
Tabela 5.36 -

Amostra da base de dados Vidros Planos com os padres de vidro


planos produzidos na fbrica da UBV............................................108

Tabela 5.37 - Custos e taxa de erro envolvidos na escolha da rvore para a


classificao dos padres do vidro plano......................................109
Tabela 5.38 - Dados operacionais para fabricao dos padres de vidros
planos...........................................................................................111
Tabela 5.39 - Resultados da rvore de deciso CART para os padres de vidros Vidros planos.................................................................................112
Tabela 5.40 - Resultados da rvore de deciso fuzzy FID3.4 para as classes de
padres dos vidros planos................................................................113
Tabela 5.41 - Resultados da Rede Neural MLP para a classificao dos padres
dos vidros planos.............................................................................114
Tabela 5.42 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy
FID3.4 e a rede neural MLP utilizadas na classificao do padro
CANELADO Base - Vidros Planos...........................................115
Tabela 5.43 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy
FID3.4 e a rede neural MLP utilizadas na classificao do padro
SILESIA Base - Vidros Planos..................................................116
Tabela 5.44 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy
FID3.4 e a rede neural MLP utilizadas na classificao do padro
MOSAICO Base - Vidros Planos..............................................116
Tabela 5.45 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy
FID3.4 e a rede neural MLP utilizadas na classificao do padro
MARTELADO Base - Vidros Planos.........................................117
Tabela 5.46 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy
FID3.4 e a rede neural MLP utilizadas na classificao do padro
PONTILHADO Base - Vidros Planos........................................117

Tabela 5.47 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy
FID3.4 e a rede neural MLP utilizadas na classificao do padro
ARTICO Base - Vidros Planos..................................................118
Tabela

c.1 - Funes de propagao..................................................................201

Tabela c.2 Comparao de uma rede RBF tpica com uma rede MLP
Convencional....................................................................................212
Tabela c.3 - Resumo comparando sistemas baseados em regras (abordagem
Simblica) com os baseados em redes neurais (abordagem
conexionista)...................................................................................212

LISTA DE ABREVIATURAS E SIGLAS

ANFIS

Adaptive network-based fuzzy inference system

CART

Classification and Regression Trees

DB

Porcentagem de Bolhas no vidro

DP

Porcentagem de Pedras no vidro

DC

Porcentagem de Cordas no vidro

FSOM

Fuzzy Self-Organized Man

GMP

Modus Ponens Generalizado

GMT

Modus Tollens Generalizado

ID3

Iterative Dichotomizer (version) 3

LVQ

Learning Vector Quantization

MLP

Perceptron de Multi-camadas

NEFCLASS Neuro-Fuzzy Classification


RNA

Redes Neurais Artificiais

RBF

Funes Base Radiais

REDOX

ndice de Oxidao / Reduo

sig (x)

Funo Sigmide.

tanh (x)

Funo Tangente Hiperblica.

UBV

Unio Brasileira do Vidro

Captulo 1 - Introduo

1 INTRODUO
1.1 Motivao

O processo de fabricao do vidro complexo e envolve diversas etapas para


garantir a qualidade do produto final, a reduo dos custos de fabricao e as mais
diversas inovaes que o mercado exige. Neste trabalho foram analisados os
principais processos de fabricao dos vidros para embalagens e o vidro plano. O
trabalho se concentrou nos processos que podem reduzir a qualidade do vidro.
Foram analisadas as ocorrncias dos defeitos nos vidros para embalagens e as
mudanas no processo de fabricao para alguns padres de vidros planos.

Na literatura encontram-se esforos para a melhoria do processo de


fabricao do vidro, mas infelizmente a automao de todo o processo acarreta
investimentos altos em equipamentos, softwares e treinamento da mo de obra. A
indstria brasileira do vidro tem um nvel de automao mdio para o processo de
fabricao. Visitas tcnicas a fbricas de vidros e a pesquisa bibliogrfica mostram
que poucas empresas tm um sistema de automao integrado com as diversas
reas do processo de fabricao.

Esse trabalho prope uma melhoria no entendimento das etapas do processo


de fabricao do vidro, analisando as variveis mais relevantes para a ocorrncia de
defeitos no produto final.

Neste trabalho utilizou-se trs tcnicas computacionais para classificao dos


defeitos do vidro para embalagens e de alguns padres de fabricao do vidro plano.
Essas tcnicas so rvore de Deciso, rvore de Deciso Fuzzy e Redes Neurais.

O pacote computacional Statistica da empresa Statsoft foi utilizado para


aplicar o algoritmo de rvore de Deciso - CART e a Rede Neural do tipo MLP com
o algoritmo back-Propagation. Tambm se utilizou o software FID3.4 que uma
rvore de Deciso Fuzzy desenvolvida e implementada pelo Prof. Cezary Z. Janikow
da Universidade de Missouri - Depto. de Matemtica e Cincia da Computao.

Captulo 1 - Introduo

1.2 Objetivos
O objetivo deste trabalho o estudo da aplicao de tcnicas de Inteligncia
Artificial (IA) no processo de fabricao de vidros para embalagens e vidros planos.
Procura-se classificar os defeitos que ocorrem no vidro para embalagens utilizando
informaes sobre a operao do processo de fabricao ou sobre as matrias
primas utilizadas no mesmo. Procura-se tambm classificar os padres de
fabricao dos vidros planos utilizando-se as tcnicas baseadas na Teoria Fuzzy,
Redes Neurais e rvores de Deciso. Alm do objetivo principal, tm-se as
seguintes metas nesse trabalho: identificar as variveis mais importantes em
processos de fabricao do vidro e flexibilizar as faixas de operao dessas
variveis tornando os processos de fabricao mais fceis de serem controlados.

1.3 Desenvolvimento da Tese


Primeiro foi feita uma pesquisa sobre os processos de fabricao dos
vidros para embalagens e dos vidros planos. Alm dos processos de fabricao, a
pesquisa tambm levantou os principais problemas que ocorrem com o vidro. Os
defeitos encontrados so decorrentes de diversos fatores e restringimos o estudo
dos defeitos aos trs tipos principais: pedras, bolhas e cordas. Alm dos defeitos
estudou-se a transmitncia da luz e a fabricao de alguns padres de vidro plano.
Tambm foi feito um resumo sobre as tcnicas baseadas na Teoria Fuzzy, Redes
Neurais e rvores de Deciso. Foram feitas classificaes dos defeitos e dos
padres do vidro utilizando-se as bases de dados dos processos de fabricao do
vidro. Os resultados das classificaes so mostrados e analisa-se o alcance da
aplicao das tcnicas de Inteligncia Artificial.

1.4 Organizao da Tese

Captulo 1 - Introduo

Essa tese est dividida em seis captulos descritos a seguir:

O captulo 1 descrever os objetivos, mtodos e organizao da


tese. Neste captulo ser apresentado um resumo deste trabalho e
sua organizao.

O captulo 2 descrever o estudo sobre o vidros, os defeitos que


podem ocorrer no produto final e o vidro plano.

O captulo 3 descrever a teoria sobre rvores de deciso.

O captulo 4 descrever sobre a teoria de rvores de deciso fuzzy.

O captulo 5 descrever os testes efetuados com as bases de dados


dos processos de fabricao do vidro e a anlise dos resultados.

O captulo 6 apresentar as concluses obtidas e apresentar as


propostas de continuao deste trabalho.

Captulo 2 - Estudo dos processos de fabricao do vidro

2 ESTUDO DOS PROCESSOS DE FABRICAO DO VIDRO


Na elaborao da tese foi feito um estudo sobre a origem e os processos
envolvidos na fabricao do vidro. O vidro conhecido h muito tempo e durante os
anos o seu processo de fabricao passou por diversas transformaes. Neste
captulo mostra-se a sua histria, a fabricao de vidro para embalagens e vidro
plano e os defeitos mais freqentemente encontrados no vidro.

2.1

Histria do vidro
O vidro, assim como outros materiais tais como o bronze e o ferro, no tem a

sua descoberta bem definida. Os povos que disputam a primazia da inveno do


vidro so os fencios e os egpcios. Uma das referncias mais antigas a este material
encontra-se em Plnio, um historiador latino que viveu de 23 a 79 D.C., que conta a
histria da sua descoberta por mercadores fencios que estavam cozinhando num
vaso colocado acidentalmente sobre um pedao de mineral chamado trona (rica
em xido de sdio) numa praia (figura 2.1). A combinao entre a areia e a trona
gerou um lquido viscoso que chamou a ateno dos mercadores e levou tentativa
de reproduzir o resultado (AKERMAN, 2000b; MCLELLAN; SHAND, 2002; STARR,
1998; ZANOTTO, 1989a).

Esta a verso, um tanto lendria, que nos transmitiram as narrativas de


Plnio. Notcias mais realistas sobre o conhecimento do vidro remontam ao ano 4000
A.C., depois de descobertas feitas em tmulos daquela poca, mostraram que os
egpcios j fabricavam falsas gemas de vidro nesta poca (AKERMAN, 2000b;
JAMISON; EISENHAVER; RASH, 2002; MCLELLAN; SHAND, 2002; STARR, 1998;
ZANOTTO, 1989a).

Captulo 2 - Estudo dos processos de fabricao do vidro

Figura 2.1 - Ilustrao sobre a lenda da descoberta do vidro (STARR, 1998)

At 1500 A.C., o vidro tinha pouca utilidade prtica e era empregado


principalmente como pea de decorao. A partir desta poca, no Egito, iniciou-se a
produo de recipientes da seguinte maneira: a partir do vidro fundido faziam-se
filetes que eram enrolados em forma de espiral em moldes de argila. Quando o vidro
esfriava, tirava-se a argila do interior e se obtinha um frasco, que pela dificuldade de
obteno era somente acessvel aos muito ricos (AKERMAN, 2000b; MCLELLAN;
SHAND, 2002; STARR, 1998; ZANOTTO, 1989a).

Por volta de 300 A.C., uma descoberta revolucionou o vidro: o sopro


(figura 2.2), que consiste em colher uma pequena poro do material fundido fuso
com a ponta de um tubo e soprar pela outra extremidade, de maneira a se produzir
uma bolha no interior da massa que passar a ser a parte interna da embalagem. A
partir da ficou mais fcil a obteno de frascos e recipientes em geral. Para termos
noo da importncia desta descoberta, basta dizer que ainda hoje, mais de 2000
anos depois, se utiliza o princpio do sopro para moldar embalagens mesmo nos
mais modernos equipamentos (AKERMAN, 2000b; JAMISON; EISENHAVER;
RASH, 2002; MCLELLAN; SHAND, 2002; STARR, 1998; ZANOTTO, 1989a).

Captulo 2 - Estudo dos processos de fabricao do vidro

Tambm a partir de gotas, colhidas na ponta de tubos e sopradas, passouse a produzir vidro plano. Depois que a bolha estava grande o suficiente, cortava-se
o fundo, deixando a parte que estava presa no tubo e com a rotao deste se
produzia um disco de vidro aproximadamente plano, que era utilizado para fazer
vidraas e vitrais (AKERMAN, 2000b; JAMISON; EISENHAVER; RASH, 2002;
MCLELLAN; SHAND, 2002; STARR, 1998; ZANOTTO, 1989a).

Figura 2.2 - Ilustrao do processo de fabricao do vidro atravs do sopro (STARR, 1998)

Por volta do ano de 1200 da nossa era, a Itlia tinha a primazia sobre a
fabricao do vidro. Os vidreiros eram to importantes nesta poca, que eles foram
confinados na ilha de Murano, ao lado de Veneza, para que no se espalhassem os
conhecimentos vidreiros que eram passados de pai para filho. Apesar de todos os
avanos, ainda hoje forte o apelo artstico do vidro e em Murano continua a
tradio da produo de vidros manuais, decorativos e utilitrios, nas mais diversas
cores, apreciados em todo o mundo (AKERMAN, 2000b; JAMISON; EISENHAVER;
RASH, 2002; MCLELLAN; SHAND, 2002; STARR, 1998; ZANOTTO, 1989a).

Em Murano houve tambm a importante descoberta do processo de


produo de um vidro muito claro e transparente, que foi denominado de cristallo
por ter a transparncia de um cristal. A partir deste vidro claro e lmpido puderam ser
criadas lentes e com elas serem inventados os binculos (1590) e os telescpios
(1611), com os quais foi possvel comear os estudos sobre o sistema solar.
Tambm nesta poca, graas produo dos recipientes especiais e termmetros

Captulo 2 - Estudo dos processos de fabricao do vidro

de laboratrio, houve um grande desenvolvimento da Qumica (AKERMAN, 2000b;


JAMISON; EISENHAVER; RASH, 2002; MCLELLAN; SHAND, 2002; STARR, 1998;
ZANOTTO, 1989a).

Em 1665, na Frana, durante o reinado de Lus XIV, comearam a produzir


vidros para espelhos, evitando assim a dependncia de Veneza. No incio foi
utilizada a tecnologia veneziana de sopro, mas, a partir de 1685, implantou-se um
mtodo novo, que consistia na deposio da massa lquida de vidro sobre uma
grande mesa metlica sendo passado por cima um rolo. O vidro assim obtido devia
ser polido para a produo de espelhos, pois suas superfcies eram muito
irregulares. Foram desenvolvidos estudos para determinar algumas relaes entre a
composio qumica dos vidros e as respectivas propriedades pticas e fsicas,
porm at 1900 a indstria do vidro era uma arte, com frmulas secretas e
processos empricos de manufatura, baseados primordialmente na experincia
(AKERMAN, 2000b; JAMISON; EISENHAVER; RASH, 2002; MCLELLAN; SHAND,
2002; STARR, 1998; ZANOTTO, 1989a).

Em 1880 se inicia a produo mecnica de garrafas e em 1900 tem incio a


produo de vidro plano contnuo, atravs de estiramento de uma folha na vertical.
Em 1952 inventado o processo float, utilizado at hoje, em que o vidro fundido
escorrido sobre um banho de estanho lquido e sobre ele se solidifica. Durante os 50
anos seguintes, os engenheiros e cientistas efetuaram modificaes no processo de
fabricao da folha, visando reduzir a distoro ptica, caracterstica dos vidros de
janela daquela poca, e reduzir o custo de produo do vidro plano esmerilhado e
polido. Estes esforos melhoraram a tecnologia de produo do vidro plano
(AKERMAN, 2000b; JAMISON; EISENHAVER; RASH, 2002; MCLELLAN; SHAND,
2002; STARR, 1998; ZANOTTO, 1989a).
Com base em conceitos patenteados nos Estados Unidos, em 1902 e 1905,
um grupo de pesquisa da Inglaterra aperfeioou o processo da chapa flutuante. Em
apenas 10 anos, a folha de vidro obtida por flutuao quase que eliminou a chapa
obtida por outros processos e invadiu significativamente o mercado de vidro de
janela (BRINK; SHREVE, 1997; LEHMAN, 2001; SHELBY, 1997).

Captulo 2 - Estudo dos processos de fabricao do vidro

Muitas outras aplicaes surgiram para o vidro. Como as fibras que tanto
servem para isolamento trmico e acstico, como para reforo de outros materiais.
As fibras pticas que substituem com enormes vantagens os tradicionais cabos
de cobre e alumnio utilizados em comunicaes, lmpadas, isoladores etc
(BRINK; SHREVE, 1997; LEHMAN, 2001; SHELBY, 1997).

Em nmero crescente, cientistas e engenheiros comearam a participar dos


esforos no setor e novos produtos apareceram em conseqncia de pesquisas
intensas. Inventaram-se mquinas automticas para a produo de garrafas, de
bulbos de lmpadas etc. Por isto, a indstria moderna de vidro um campo muito
especializado onde se empregam todas as ferramentas da cincia moderna e da
engenharia na produo, controle e no desenvolvimento de muitos dos seus
produtos (BRINK; SHREVE, 1997; LEHMAN, 2001; SHELBY, 1997; ZANOTTO,
1998).

2.2 Composio do Vidro


O vidro tem muitas utilidades em virtude da sua transparncia, da sua
elevada resistncia ao ataque qumico, da sua eficincia como isolante eltrico e da
sua capacidade em reter o vcuo, dentre outras, por exemplo, a capacidade de
reforo de fibras de vidro (resistncia trao). O vidro um material frgil e tem
uma resistncia compressiva muito maior que a resistncia trao, tpico de
materiais frgeis As tcnicas de reforo do vidro, a maioria das quais envolve um pr
tensiosamente para introduzir compresses superficiais foram aperfeioadas, a um
ponto em que o vidro pode ser empregado em condies mais severas que
antigamente. Fabricam-se cerca de 800 tipos diferentes de vidro, alguns com uma
propriedade particular realada, outros com um conjunto de propriedades
equilibradas.
Em Maia (2003) o autor define o vidro como slido amorfo que ao se fundir
torna-se um lquido, e que ao ser resfriado se solidifica sem cristalizar. O autor cita
tambm a definio de George W. Morey para o vidro tradicional como:

Captulo 2 - Estudo dos processos de fabricao do vidro

Uma substncia inorgnica numa condio contnua e anloga ao estado


lquido daquela substncia, a qual, como resultado de uma mudana reversvel na
viscosidade durante o resfriamento, atingiu um alto grau de viscosidade de modo a
ser rgido para todos os fins prticos.
Outra possvel definio para o vidro tradicional dada pelo autor:

Produto inorgnico resultante de uma fuso que resfriou at um estado


rgido sem haver cristalizao. Os vidros tambm podem ser obtidos por deposio
de vapores, desde que estes sejam bruscamente resfriados em contato com o
substrato onde iro se depositar (MAIA, 2003, MARI, 1982). Essa definio
tambm utilizada na ASTM (American Society for Testing and Materials), mas em
Akerman (2000b) o autor cita que essa definio no se aplica a todos os tipos de
vidro e mostra que para caracterizar melhor as propriedades do vidro a definio
mais apropriada seria:
O Vidro um slido, no cristalino, que apresenta o fenmeno da transio
vtrea

Na figura 2.3 mostrado o estado da matria para a construo do vidro. A


passagem do estado lquido para o estado cristalino ou estado vtreo basicamente
determinado pela velocidade de resfriamento da massa.

Figura 2.3 - Estado da matria e organizao final do vidro e do cristal (STARR, 1998)

Captulo 2 - Estudo dos processos de fabricao do vidro

10

Te
Tf = Temperatura de fuso ou solidificao
Tg

= Temperatura de transformao

Te = Temperatura de estabilizao
Figura 2.4 - Grfico de volume x temperatura para vidros (AKERMAN, 2000b; SHELBY, 1997;
SMITH, 1998)

Em Akerman (2000b), analisa-se a estrutura de vidros silicatos tradicionais,


que, so compostos por redes conectadas tridimensionalmente. A unidade bsica da
rede de slica o tetraedro silcio-oxignio (figura 2.5 (a)), no qual um tomo de
silcio est ligado a quatro tomos de oxignio. Os tomos de oxignio se dispem
espacialmente, formando um tetraedro com um tomo de silcio no centro. Os
tetraedros de slica esto ligados pelos vrtices, atravs do compartilhamento de um
tomo de oxignio por dois tomos de silcio. Todos os quatro tomos de oxignio
de um tetraedro podem ser compartilhados com outros tetraedro formando uma rede
tridimensional (figura 2.5 (b)). Estes oxignios partilhados so chamados de oxignio
"ponteante". Em vidros ou em minerais de slica pura, como o quartzo, a relao
entre silcio e oxignio de 1:2 pois, embora o tetraedro tenha a formulao SiO2,
cada oxignio ligado a dois tomos de silcio, resultando a formulao SiO2 e
todos os oxignios so ponteantes (formam pontes). Alguns tomos, como o sdio,
quando presentes no vidro, se ligam ionicamente ao oxignio. Isto interrompe a
continuidade da rede, j que alguns dos tomos de oxignio no so mais
compartilhados entre dois tetraedros, mas ligados somente a um tomo de silcio
(figura 2.5 (c)). Este tipo de tomo de oxignio chamado de oxignio no pontante.

Captulo 2 - Estudo dos processos de fabricao do vidro

11

Por essa razo, os xidos alcalinos so utilizados como fundentes, que diminuem a
viscosidade do vidro, pois quebram algumas ligaes (pontes de oxignio)
(LEHMAN, 2004; MANGONON, 1999).
.

Figura 2.5 - Representao esquemtica de: (a) um tetraedro de SiO4; (b) Slica totalmente
cristalina em que os tetraedros apresentam ordem a longa distncia; c) vidro de
slica pura, no qual os tetraedros no apresentam ordem a longa distncia
(AKERMAN, 2000b; BRINK; SHREVE, 1997; SMITH, 1998)

Maia (2003) e Mari (1982) resumem o vidro tradicional (vidro de janela ou


soda-clcicos) como um estado particular da matria conhecido como estado
vtreo, que tem as seguintes propriedades:

Ausncia de estrutura cristalina, as substncias pertencentes ao


estado vtreo so amorfas.

No tm ponto de fuso definido. O vidro quando aquecido vai


amolecendo gradualmente at se comporta como um lquido.

O vidro quando homogneo no desvia o plano da luz


polarizada quando por esta atravessado.

O vidro no estvel a altas temperaturas. Mantido por longo


tempo a uma temperatura acima de sua transio vtrea, pode
cristalizar e a esse fenmeno se d o nome de desvitrificao.

Captulo 2 - Estudo dos processos de fabricao do vidro

12

No apndice A tm-se a descrio das principais propriedades dos vidros


silicatos tradicionais como a viscosidade, propriedades pticas, resistncia
mecnica, resistncia ao choque trmico, durabilidade qumica e caractersticas da
cor do vidro.

2.3 Defeitos do Vidro


Aps o processo de conformao, seguido pelo processo de tratamento
trmico, as peas de vidro produzidas so selecionadas para separar as peas boas
das peas com defeitos. Aps a separao das peas feita a verificao se as
peas que apresentaram defeitos, teve a ocorrncia dos mesmos durante o
processo de conformao ou durante o processo de mistura e fuso do vidro (ABNT,
2002; BENNINGHOFF; DROSTE; 2001; CAMP;

BRAAK, 1999; CTCV, 2005;

DANTAS, 2004; DIJK, 1994).

Os principais defeitos encontrados no vidro so:

Pedras.

Impurezas de vidro.

Bolhas.

Heterogeneidades (pontos de tenso e cordas)

Impurezas do orifcio.

A. Pedra e Impurezas do vidro


Qualquer material slido na pea de vidro que est sendo inspecionada, que
no seja vidro, pode ser classificado como pedra ou impureza de vidro, dependendo
da origem do defeito. O inspetor necessita de um bom treino e de experincia para
poder diferenciar uma pedra de uma impureza de vidro dentro do intervalo curto de
tempo que ele dispe para controlar o produto. O uso de lupas e microscpios
freqentemente necessrio para poder distinguir entre um defeito e outro.

Captulo 2 - Estudo dos processos de fabricao do vidro

13

A origem de pedras no vidro freqentemente ocorre na mistura ou as vezes


bem antes, nos lotes de matrias-primas de origem mineral, como por exemplo nas
mineradoras de areia, feldspato, dolomita, etc. Se o mineral apresenta gros maiores
do que permitidos, ou apresenta material de difcil fundio como por exemplo
Alumina, e o tempo e a temperatura para uma fuso adequada foram relativamente
baixos, estes gros no dissolvidos podem aparecer no vidro como uma pedra,
causando o rejeito do produto. s vezes ocorre que aglomerados de pequenos gros
no sejam destrudos durante o processo de mistura pelos rotores dos misturadores
e conseguem chegar ao forno. Os aglomerados tm a mesma dificuldade de serem
dissolvidos no vidro quanto s partculas grandes e so to prejudiciais quanto estas
no processo de fuso (ver figura a.3).

A maior causa de pedras no vidro , sem dvida, a corroso dos refratrios


que so empregados para a construo do forno, tanque de trabalho e feeders.
Partculas dos refratrios se soltam e entram no vidro devido a ao dos
componentes

volteis

do

vidro,

pela

ao

das

altas

temperaturas,

pela

movimentao dos refratrios devido a contrao e expanso causada por


alteraes de temperaturas, pela qualidade ou uso inadequado dos refratrios, etc.
As partculas que caem ficam em suspenso no vidro e aparecem posteriormente
em forma de defeitos a no ser que o forno seja suficientemente grande e as
temperaturas sejam suficientemente altas para dar tempo incluso de se dissolver
no banho (ABNT, 2002; BENNINGHOFF; DROSTE; 2001; CAMP; BRAAK, 1999;
CTCV, 2005; DANTAS, 2004; DIJK, 1994).

Para no termos a formao de defeitos no vidro do tipo pedras deve-se


sempre que possvel evitar:

Flutuaes do nvel do vidro.

Choques trmicos.

Vapores e poeiras no forno.

Pontos frios onde podem se condensar vapores de lcalis.

Variaes rpidas de extrao de vidro do forno.

Captulo 2 - Estudo dos processos de fabricao do vidro

14

Os defeitos do vidro conhecidos como impurezas de vidro geralmente so


partculas slidas originadas por produtos de condensao que se formam em
regies de temperaturas baixas no processo de fuso. Elementos que compem o
vidro podem evaporar e caso encontrem condies adequadas de temperatura e
presso podem se condensar e cair sobre a superfcie do vidro causando esse tipo
de defeito. A figura 2.6 traz alguns exemplos de pedras e impurezas do vidro.

Figura 2.6 - Exemplos dos defeitos tipo pedra e impurezas do vidro (BEERKENS; STEINER,
2002; CAMP; BRAAK, 1999; DANTAS, 2004)

B. Bolha
As bolhas so incluses de gs dentro do vidro. As bolhas podem ser
classificadas em duas categorias:

Bolhas inerentes ao processo de fuso.

Bolhas devido a causas especiais.

Como descritos anteriormente o vidro fundido a partir de uma mistura de


produtos qumicos, minrios e cacos de vidro. Os produtos qumicos geralmente so
em forma de carbonatos, de nitratos ou xidos, e em alguns outros tipos de vidro,
por sulfatos. Estes produtos qumicos liberam, durante as primeiras reaes de
fuso, gases como gs carbnico, monxido de carbono, NO2, SO2, O2 etc que
formam juntamente com o ar preso entre os grnulos de matria-prima e dos cacos
de vidro, um vidro repleto de bolhas que devem ser eliminadas durante o decorrer do

Captulo 2 - Estudo dos processos de fabricao do vidro

15

processo de fuso e de refino. Certamente uma parte dessas bolhas no consegue


ser eliminada e vai ser encontrada nos produtos em forma de micro bolhas de
dimetro pequeno, conhecidas como seeds, ou quando tm dimetros maiores
como bolhas refugos. Estas bolhas, inerentes ao processo de fuso, no tm uma
posio definida nos produtos, sua distribuio randmica (ABNT, 2002;
BENNINGHOFF; DROSTE; 2001; CAMP; BRAAK, 1999; CTCV, 2005; DANTAS,
2004; DIJK, 1994).

Para no termos a formao de bolhas no vidro deve-se evitar:


Qualquer variao no processo de fuso (exemplo: variao no
processo de enfornagem),
Variaes de composio,
Variaes de temperaturas.

Existem ainda as bolhas que tm uma causa especfica; so as bolhas de


causas especiais:
Bolhas causadas por movimentao de ar da atmosfera do
feeder no vidro por causa de equipamentos como mexedores
de platina, tubos girando e pinos.
Bolhas causadas por variaes de nvel de vidro.
Variaes na viscosidade do vidro na superfcie.
Qualquer contato entre refratrio, atmosfera e vidro.
Ondulaes na superfcie do vidro ao redor dos mexedores.
Bolhas causadas por contaminao de impurezas orgnicas ou
inorgnicas.
Bolhas geradas por eletrlise etc.

Na figura 2.7 tm-se exemplos dos defeitos tipo bolha no vidro

Captulo 2 - Estudo dos processos de fabricao do vidro

16

Figura 2.7- Exemplos dos defeitos do tipo bolha no vidro (BEERKENS; STEINER, 2002; CAMP;
BRAAK, 1999; DANTAS, 2004)

C. Corda e pontos de tenso


O objetivo do processo de fuso produzir um vidro homogneo, livre de
incluses slidas e gasosas e de partculas cristalinas. Variaes na composio
produzem diferenas nas propriedades fsicas do vidro. Devido natureza do fluxo
viscoso do vidro, regies de vidro com composies e, portanto, ndice de refrao,
viscosidade e expanso trmica no uniformes so alongados na forma de faixas ou
riscos os quais so chamados de cordas ou estrias.

Gradientes de concentraes locais de xidos produzem um ndice de


refrao diferente do valor do vidro como um todo e caso no seja possvel se
eliminar ou atenuar estas diferenas de concentraes locais atravs da
movimentao geral causada pelas correntes de conveco ou ainda pelo efeito dos
agitadores de platina nos feeders, acarretaro o aparecimento de cordas ou estrias
no produto final. Diversas podem ser as causas da ocorrncia de cordas no vidro:
segregao, volatilizao da mistura, corroso dos refratrios sem contato com o
vidro e mistura no correta, entre outras. Os borbulhadores ajudam a homogeneizar
o vidro. A ao das bolhas de oxignio ou de ar elevando-se atravs do vidro gera
uma movimentao das camadas de vidro frio mais profundas trazendo as para a

Captulo 2 - Estudo dos processos de fabricao do vidro

17

superfcie onde sero aquecidas e tero a oportunidade de se misturar com o


restante do vidro fundido.
Pontos de tenso so partculas vtreas com composio diferente da
composio do vidro, e como conseqncia com diferente ndice de refrao. A
principal fonte de pontos de tenso decorre do contato (interface) entre o vidro e os
refratrios. Estes refratrios podem estar acima do nvel de vidro (uma variao do
nvel de vidro do forno pode causar o contato com os refratrios), ou abaixo do nvel
de vidro, como por exemplo, em caso de corroso do material refratrio do fundo do
forno. A figura 2.8 apresenta exemplos de cordas no vidro. Para minimizar as
ocorrncias de cordas e pontos de tenso, o ideal que o processo seja mantido o
mais constante possvel (ABNT, 2002; BENNINGHOFF; DROSTE; 2001; CAMP;
BRAAK, 1999; CTCV, 2005; DANTAS, 2004; DIJK, 1994).

Figura 2.8 - Exemplos dos defeitos tipo corda no vidro (CAMP; BRAAK, 1999)

D. Impurezas de orifcio
Este tipo de defeito de vidro est principalmente relacionado com o
processo de formao do produto, ou seja, principalmente com a rea de
prensagem. Atualmente, a impureza de orifcio mais freqente o dissilicato de
brio causado por uma recristalizao no vidro, ocorrendo em geral para orifcios
no aquecidos.
Outro tipo de defeito classificado como impureza do orifcio o fberftax,
que uma manta de l de rocha utilizada para obter um melhor ajuste entre o orifcio
e o spout (figura a.9). Este tipo de defeito ocorre quando o vidro consegue penetrar
entre o orifcio e o spout trazendo consigo pequenos pedaos da fibra para a
poro do vidro retirada para a conformao do produto final.

Captulo 2 - Estudo dos processos de fabricao do vidro

18

2.4 Vidro Plano


O processo de fabricao do vidro plano por flutuao float foi inventado em
1959, por Alastair Pilkington. A idia desse processo manter a massa vtrea
flutuando sobre um lquido e com isso produzir uma lmina de vidro. As pesquisas
de Pilkington mostraram que o estanho seria eficiente para funcionar como um
lquido onde o vidro flutuaria, pois o estanho bem mais denso que o vidro e
continua lquido, no se misturando com ele, nas temperaturas em que se d o
enrijecimento do vidro (de 1100C a 600C) (BRINK; SHREVE, 1997; FREITAG;
RICHERSON, 1998; LEHMAN, 2001; LEHMAN, 2004; MANGONON, 1999;
SHELBY, 1997).
Quando se despeja o vidro fundido sobre o estanho, a tendncia de se
formar uma lmina de 5 a 6 mm de espessura. O banho de estanho deve ser longo o
suficiente para que d tempo para o vidro esfriar, dos 1100C na sua entrada, at
600C, na sada, quando estar rgido. A vazo de vidro determinada, na sada do
forno de fuso, por um registro que regula o fluxo. A espessura do vidro
determinada pelo balano entre as tenses superficiais, a fora de gravidade e a
velocidade de extrao. O controle da temperatura de sada muito importante, pois
se estiver muito quente, o vidro ficar marcado pelos rolos que o conduzem pelo
forno de recozimento (chamado de estenderia); e se estiver muito frio, poder se
romper. A velocidade de extrao do vidro justamente proporcionada pela trao
destes rolos na fita contnua de vidro saindo do float e entrando na estenderia. No
apndice A tm-se uma descrio do processo de fabricao do vidro plano (BRINK;
SHREVE, 1997; FREITAG; RICHERSON, 1998; LEHMAN, 2001; LEHMAN, 2004;
MANGONON, 1999; SHELBY, 1997).
Os principais tipos de vidro plano so os aplicados na construo civil, vidros
planos para janelas, portas etc. Existem tambm vidros planos na indstria
automobilstica, mveis e os vidros planos impressos, conhecidos como "vidro
fantasia". Este um produto aplicado em janelas e divisrias, onde se deseja a
passagem de luz, sem, entretanto, permitir que se enxergue atravs dele, mantendo
a privacidade do ambiente.

Captulo 2 - Estudo dos processos de fabricao do vidro

19

A figura 2.9 mostra um diagrama do processo de produo do vidro plano com


as principais etapas, forno de fuso (1), banho float (2), galeria de recozimento (3),
inspeo automtica (4) e recorte, empilhamento e armazenagem (5,6,7) . Na figura
2.10 tem-se um diagrama do processo de fabricao do vidro plano impresso e
aramado.

Figura 2.9 Diagrama do processo de fabricao do vidro plano (AKERMAN, 2000a, BRINK;
SHREVE, 1997; FREITAG; RICHERSON, 1998)

Figura 2.10 Diagrama do processo de fabricao do vidro plano impresso e aramado (BRINK;
SHREVE, 1997)

Captulo 2 - Estudo dos processos de fabricao do vidro

20

Neste trabalho utiliza-se uma base de dados da fabricao de vidros planos


impressos (tambm chamado de vidro fantasia) da Unio Brasileira de Vidro
UBV. Na UVB so produzidos vidros planos impressos de diversos padres, alguns
desses padres esto mostrados na figura 2.11.

Pontilhado

Canelado

rtico

Mosaico

Silesia

Martelado

Figura 2.11 Amostras dos padres de vidro plano impressos produzidos na UBV

Captulo 3 - rvores de Deciso

21

3 RVORES DE DECISO

3.1 Aprendizado Computacional

Aprendizado Computacional uma sub-rea da Inteligncia Artificial que


estuda mtodos computacionais para adquirir novos conhecimentos, novas
habilidades e novos meios de organizar o conhecimento j existente. O principal
objetivo do Aprendizado Computacional o estudo e a modelagem computacional
dos processos de aprendizado (MILAR, 2003; MONARD; MARTINS, 1994).
Em um processo de aprendizado, conhecimentos prvios so utilizados para
obter novos conhecimentos. Esses novos conhecimentos so ento lembrados para
serem utilizados posteriormente. O aprendizado de um novo conceito pode ser
realizado de vrias maneiras, uma delas a induo. Induo a forma de
inferncia lgica que permite que concluses gerais sejam obtidas a partir de
exemplos particulares. Ela caracterizada como o raciocnio que parte do especfico
para o geral, do particular para o universal, da parte para o todo. No aprendizado por
induo, um conceito adquirido por meio de inferncias indutivas sobre os fatos
apresentados, desse modo, os modelos gerados por inferncia indutiva podem ou
no preservar a verdade (MILAR, 2003; MONARD; MARTINS, 1994; MURTHY,
1996).
O aprendizado indutivo efetuado a partir do raciocnio sobre exemplos
fornecidos por um processo externo ao aprendiz. Em Aprendizado Computacional, o
aprendiz um sistema computacional freqentemente denominado sistema de
aprendizado ou algoritmo de aprendizado, ou simplesmente indutor. Um sistema de
aprendizado um sistema computacional que toma decises baseadas em
experincias acumuladas contidas em casos resolvidos com sucesso.
O aprendizado indutivo pode ser dividido em aprendizado supervisionado e
no supervisionado.

Captulo 3 - rvores de Deciso

22

Um fator importante em aprendizado indutivo que a hiptese h, induzida por


um sistema de aprendizado, seja a mais precisa possvel. Em aprendizado indutivo
supervisionado isso significa que essa hiptese seja capaz de predizer corretamente
o valor yi para um vetor xi. Essa tarefa relativamente simples para exemplos que
foram utilizados durante a induo da hiptese. Entretanto, o interesse est no
desempenho da hiptese induzida para exemplos nunca vistos.
Um outro fator importante a ser considerado a compreensibilidade da
hiptese induzida, ou seja, se a linguagem em que a hiptese h representada de
fcil compreenso para os seres humanos.
Na figura 3.1 mostrada a hierarquia do aprendizado indutivo previamente
descrito, sendo que o foco deste trabalho sobre aprendizado indutivo
supervisionado para problemas de classificao.

Figura 3.1 - Hierarquia do aprendizado indutivo (MILAR, 2003; MONARD; MARTINS,


1994)

Dentro da rea de aprendizado computacional foram propostos diferentes


paradigmas capazes de aprender a partir de um conjunto de exemplos. Um requisito
bsico para todos os paradigmas de aprendizado computacional supervisionado
que o conceito a ser aprendido deve estar relacionado com casos observados, isto
, exemplos, e cada exemplo deve estar rotulado com a classe a qual pertence. Os
paradigmas de aprendizado mais conhecidos so brevemente descritos a seguir
(MILAR, 2003; MONARD; MARTINS, 1994; MURTHY, 1996).

Captulo 3 - rvores de Deciso

23

a) Paradigma Simblico
Os sistemas de aprendizado computacional simblico buscam aprender
construindo representaes simblicas de um conceito por meio da anlise de
exemplos e contra-exemplos desse conceito.
As representaes simblicas assumem tipicamente a forma de alguma
expresso lgica: rvores de deciso, regras de deciso ou redes semnticas. Uma
caracterstica importante das representaes simblicas que elas geralmente so
compreensveis pelos humanos.
Entre as representaes simblicas mais estudadas atualmente podem ser
citadas rvores e regras de deciso. O mtodo de induo de rvores de deciso a
partir de dados empricos, conhecido como particionamento recursivo, foi estudado
por pesquisadores das reas de IA e Estatstica.

b) Paradigma Estatstico
Pesquisadores da rea de estatstica tm criado diversos mtodos de
classificao e regresso. Como regra geral, tcnicas estatsticas tendem a focar
tarefas em que todos os atributos tm valores contnuos ou ordinais. Muitos deles
tambm so paramtricos, assumindo alguma forma de modelo ou distribuio, para
posteriormente encontrar valores apropriados para os parmetros do modelo a partir
de um conjunto de dados.

c) Paradigma Baseado em Exemplos


Uma forma de classificar um caso lembrar de um caso similar cuja classe
conhecida e assumir que o novo caso pertencer mesma classe. Essa filosofia
exemplifica os sistemas baseados em exemplos, os quais classificam casos nunca
vistos utilizando casos similares conhecidos.
Uma das caractersticas principais dos sistemas baseados em exemplos
que os casos de treinamento devem ser lembrados. Entretanto, se todos os casos
forem memorizados, o classificador pode se tornar lento e difcil de manusear. O
ideal reter casos prototpicos que juntos consigam sintetizar toda a informao
importante.

Captulo 3 - rvores de Deciso

24

d) Paradigma Conexionista
Redes Neurais Artificiais so construes matemticas relativamente simples
que foram inspiradas no modelo biolgico do sistema nervoso. Sua representao
envolve unidades altamente interconectadas, e o nome conexionismo tambm
utilizado para descrever a rea de estudo. Uma caracterstica de RNAs que elas
podem ser muito difceis de serem compreendidas pelos seres humanos.
A metfora biolgica com as conexes neurais do sistema nervoso tem
interessado muitos pesquisadores, e tem fornecido diversas discusses sobre os
mritos e as limitaes dessa abordagem de aprendizado. Em particular, as
analogias com a biologia tm levado muitos pesquisadores a acreditar que as RNAs
possuem um grande potencial na resoluo de problemas que requerem intenso
processamento sensorial humano, tal como viso e reconhecimento de voz.

e) Paradigma Evolutivo
Esse paradigma tem sido freqentemente utilizado como mtodo de busca
para encontrar uma hiptese que aproxima o conceito a ser aprendido. O paradigma
evolutivo possui uma analogia direta com a teoria de Darwin, na qual sobrevivem os
mais bem adaptados ao ambiente.

3.2 rvores de Deciso


Hoje, na era do armazenamento de muitas informaes, a aquisio de
conhecimento representa uma tarefa fundamental e um gargalo (JANIKOW, 1998).
Programas de computadores que extraiam conhecimento de dados tentam aliviar
este problema. Entre esses programas tm-se as rvores de Deciso, que
trabalham com decises ou classificao. O conhecimento resultante obtido das
rvores de deciso e os procedimentos de classificao so abrangentes. Isto atraiu
um grande nmero de usurios interessados em dominar e entender a capacidade
de classificao ou as regras simblicas que podem ser extradas das rvores e
subseqentemente usadas em um sistema de deciso baseado em regras. Este
interesse gerou esforos de pesquisa que resultaram em vrios avanos
metodolgicos e empricos (ELOVEDI; MELLOULI; SMETS, 2000; JANIKOW, 1998).

Captulo 3 - rvores de Deciso

25

rvores de deciso foram popularizadas por Quinlan (BREIMAN, et al, 1984)


com o programa ID3. Sistemas baseados no ID3 trabalham bem em domnios
simblicos. As rvores de deciso ID3 constroem novas decises simblicas para
novas amostras de exemplos. Isto faz com que o ID3 seja no recomendado em
casos onde seja preciso uma deciso numrica ou quando a deciso numrica
melhora processos subseqentes (ELOVEDI; MELLOULI; SMETS, 2000; JANIKOW,
1998).
Nos anos 80, redes neurais ficaram igualmente populares devido facilidade
relativa de aplicao e habilidade de prover respostas graduais. Porm,
geralmente falta uma compreenso maior do funcionamento das redes. Esse pode
ser um problema quando os usurios querem entender ou justificar as decises
(MICHIE; SPIEGLHALTER; TAYLOR, 1994; MITCHELL, 1997; TORGO, 1999).

Os pesquisadores da rea de Inteligncia Artificial tentam combinar alguns


elementos de enfoque simblico e sub-simblicos (JANIKOW, 1998). Um enfoque
fuzzy uma possibilidade de combinao entre a viso simblica e sub-simblica e
essa abordagem ser vista no captulo 4.

As rvores ID3 e CART so dois dos mais conhecidos algoritmos de


aprendizagem simblica que trabalham com particionamento recursivo. As idias
bsicas desses algoritmos so as divises do espao de amostragem e a
representao das parties como uma rvore (estratgia de dividir-paraconquistar). Um exemplo da rvore ID3 mostrado na Figura 3.2, a rvore CART
ser detalhada na prxima seo.

Captulo 3 - rvores de Deciso

26

Figura 3.2 - Exemplo de uma rvore de deciso gerada pelo ID3 (JANIKOW, 1998)

Uma propriedade importante destes algoritmos que eles tentam minimizar o


tamanho da rvore e ao mesmo tempo aperfeioam alguma medida de qualidade.
Os fundamentos do ID3 e CART so semelhantes: a maior diferena que o CART
induz estritamente a rvores binrias e usa tcnicas resampling. Essa tcnica
baseia-se na criao de pseudo-amostras a partir da amostra original, para
estimativa de erros e poda da rvore, enquanto divises da rvore no ID3 so de
acordo com valores atribudos (JANIKOW, 1998).

O algoritmo CART (trabalho publicado por Breiman. et al (1984) na obra


intitulada rvores de classificao e regresso) est descrito na prxima seco.

3.2.1 rvore de Classificao e Regresso CART


Uma rvore de deciso divide o espao de entrada de um conjunto de dados
em regies mutuamente exclusivas, cada qual designada por uma legenda, um valor
ou uma ao para caracterizar seus pontos de dados. O mecanismo da rvore de
deciso transparente e possvel seguir a estrutura da rvore facilmente para
explicar como a deciso feita. Conseqentemente, o mtodo de rvore de deciso
tem sido usado extensivamente em aprendizado de mquina (machine learning),
sistemas especialistas e anlise multivariada. Talvez ela seja a tcnica mais
altamente desenvolvida para amostras de dados divididos em uma coleo de

Captulo 3 - rvores de Deciso

27

regras de deciso. Em BURROWS (1997, 1998) o autor descreve algumas


aplicaes complexas com o algoritmo CART.
A rvore de deciso uma estrutura em rvore que consiste em ns internos
e externos unidos por ramos. Um n interno uma unidade de processamento que
toma uma deciso a partir da avaliao de uma funo deciso para determinar qual
n filho deve-se visitar depois. Ao contrrio, um n externo, tambm conhecido como
uma folha ou n terminal, no tem ns filhos e associado com uma legenda ou um
valor que caracteriza os dados e leva sua visitao (BURROWS, 1997;
BURROWS,

1998;

BURROWS;

et

al,

1995;

JANG,

1994;

MICHIE;

SPIEGELHALTER; TAYLOR, 1994; MITCHELL, 1997).


Em geral, uma rvore de deciso empregada como se segue. Primeiro
mostra-se um conjunto de dados (geralmente um vetor composto de vrios atributos
ou elementos) para o n inicial (ou n raiz) da rvore de deciso. Dependendo do
resultado da funo deciso usada pelo n interno, a rvore vai ramificar para um
dos ns filhos. Isto repetido at que o n terminal seja alcanado e a legenda ou
valor atribudo classifique os dados inseridos na rvore (JANG, 1994).
No caso de uma rvore de deciso binria, cada n interno tem exatamente
dois filhos, ento deciso pode sempre ser interpretada como verdadeira ou como
falsa. De todas as rvores de decises, as decises de rvores binrias so as mais
freqentemente usadas devido sua simplicidade e ao conhecimento extensivo de
suas caractersticas.

rvores de deciso usadas para classificao de problemas so


freqentemente chamadas rvores de classificao e cada n terminal contm uma
legenda, que indica uma classe prevista do fator caracterstico dado. Na mesma
tendncia, rvores de deciso usadas para problemas de regresso so geralmente
chamadas de rvores de regresso e as legendas do n terminal podem ser
constantes ou equaes que especifiquem o valor do resultado (output) previsto para
um vetor de dados inserido (JANG, 1992; JANG, 1994; JANG; SUN; MIZUTANI,
1997).

A figura 3.3 (a) uma tpica rvore de regresso binria com duas inseres
x e y e um resultado (output) z. Como mostra a figura 3.3 (b), a rvore de deciso
divide o espao de entrada em quatro regies retangulares no recobertas, a cada

Captulo 3 - rvores de Deciso

28

qual atribuda uma legenda f1 (que pode ser uma constante ou uma equao) para
representar o valor do resultado previsto. Note que cada n terminal tem um nico
caminho, que comea com o n de raiz e termina em um n terminal; o caminho
corresponde a uma regra de deciso que um conetivo AND de vrios testes ou
condies. Para um dado vetor de entrada, apenas um caminho na rvore
satisfeito (JANG, 1992; JANG, 1994; JANG; SUN; MIZUTANI, 1997).

Figura 3.3 - (a) rvore de deciso binria e (b) Particionamento do espao de entrada (JANG;
SUN; MIZUTANI, 1997)

Pode-se atribuir uma constante s variveis f1, f2, f3 e f4 (exemplo: a=6; b=3;
c=7; f1 = 1; f2 = 3; f3 = 5; f4 = 9) ou uma equao linear (f1 = 2x y 20; f2 = -2x +
2y + 10; f3 = 6x + -y + 5 e f4 = 3x + 4y + 20). Conforme mostrado na figura 3.4(a),
tem-se o particionamento feito pelo algoritmo CART em uma superfcie, atribuindose uma constante s regies de relacionamento entre as variveis x, y e z. J na
figura 3.4(b), tem-se a atribuio de uma funo linear y= ax + b para o
particionamento (JANG, 1992; JANG, 1994; JANG; SUN; MIZUTANI, 1997).

Figura 3.4 - Particionamento com o algoritmo CART: a) constante; b) funo linear (JANG;
SUN; MIZUTANI, 1997)

Captulo 3 - rvores de Deciso

29

Antes de descrever a induo de rvores de deciso, deve-se primeiro


apresentar algumas importantes nomenclaturas de rvores binrias. Uma tpica
rvore binria, como mostra a figura 3.5(a), geralmente denotada como T com o
n raiz t1. Um n genrico em T denotado por t e a sub-rvore com t como n de
raiz normalmente representada por Tt, como mostra a figura 3.5(a), onde t = t3.

Figura 3.5 - a) Uma tpica rvore T com o n raiz t1 e uma sub-rvore Tt3: b) T-Tt3 uma rvore
depois de podada a sub-rvore Tt3, a qual se transforma no n t3

Usa-se T para denotar o grupo de ns terminais em uma rvore T: o nmero


de ns terminais assim representado por /T/, o qual igual a 5 no caso da figura
3.5(a). Em uma rvore binria completa (onde cada n tem zero ou dois filhos) o
nmero de ns terminais sempre um a mais do que o nmero de ns internos
(JANG, 1992; JANG, 1994; JANG; SUN; MIZUTANI, 1997).

Um exemplo de poda de uma rvore escolher a sub-rvore Tt3 na figura


3.5(b) como um n terminal. Depois da poda, denominada como T -Tt3, esta rvore
um subconjunto da rvore original e usualmente expressa como:
T - Tt3 T

3.2.1.1 Algoritmo CART para rvore de induo

(3.2.1)

Captulo 3 - rvores de Deciso

30

O uso de classificao baseada em rvore e regresso data do programa


AID (deteco de interao automtica) de Morgan e Sonquist (JANG, 1994).
Mtodos de induo de rvore de deciso de amostra de dados, tambm conhecidos
como diviso recursiva, tm sempre sido um tpico ativo em inteligncia artificial
(particularmente em aprendizado computacional) e em comunidades de pesquisas
estatsticas (em particular, anlise multivariada) (BREIMAN et al, 1984; JANG,
1994).

Para construir uma rvore de deciso apropriada, o CART primeiramente


cresce a rvore extensivamente, baseada em uma amostra dos dados de entrada
(dados de treinamento). Aps o treinamento, a rvore podada, baseada no
princpio do mnimo custo-complexidade. O resultado uma seqncia de rvores
de vrios tamanhos: a rvore final selecionada a rvore que melhor efetua a
classificao dos dados de entrada, usando uma outra amostra de dados (dados de
checagem ou teste). Em resumo, o procedimento do CART consiste em 2 partes:
crescimento de rvore e poda de rvore (BREIMAN. et al, 1984; JANG, 1994).

A) Crescimento da rvore.

A rvore de Deciso - CART cresce uma rvore de deciso determinando


uma sucesso de rupturas (limites de deciso), que repartem os dados de treino em
subgrupos disjuntos. Comeando pelo n da raiz que contm todos os dados de
treinamento, uma procura exaustiva efetuada para encontrar a ruptura que melhor
reduza uma margem de erro (ou funo de custo).
Uma vez que a melhor ruptura seja determinada, o grupo de dados
repartido em dois subgrupos disjuntos; os subgrupos so representados por dois ns
filhos originais do n raiz. O mesmo mtodo de repartio aplicado para ambos os
ns filhos.
Este procedimento recursivo termina ou quando a margem de erro
associada com o n cai abaixo de certo nvel de tolerncia ou quando a reduo do
erro resultante da mais afastada ruptura no exceder certo valor limiar.
A1) rvore de classificao

Captulo 3 - rvores de Deciso

31

rvores de classificao so usadas para resolver a classificao de


problemas nos quais os atributos de um objeto so usados para determinar a que
classe o objeto pertence. Para crescer uma rvore de classificao, precisa-se ter
uma margem de erro E(t) que quantifica a execuo de um n t em separao de
dados (ou caso) de diferentes classes. A margem de erro para rvores de
classificao geralmente referida como uma funo-impureza; para um n dado
(ou equivalente, para um grupo de dados), a margem de erro deve alcanar um
mnimo de zero quando todos os dados pertencerem mesma classe e alcanar um
mximo quando os dados so linearmente distribudos atravs de todas as classes.

Uma definio da forma da funo-impureza para J-classes de problemas


mostrada a seguir.

Definio 01: funo-impureza para J-classes de problemas


A funo-impureza

uma funo J-place

que mapeia os seus

argumentos de entrada p1, p2, ..., pj, com Jj=1 pj =1, em um nmero real e negativo,
tal que

(1/J, 1/J, ... , 1/J) = mximo


(1, 0, 0, ... , 0) = (0, 1, 0, ... , 0) = (0, 0, 0, ... , 1) = 0

(3.2.1.1)

Os argumentos de entrada pj, j=1 para J, a probabilidade que um dado


atribudo ao n pertena classe j. Portanto, a funo-impureza para um dado n
muito grande quando todas as classes esto igualmente misturadas no n e muito
pequena quando contm casos de apenas uma nica classe.
Para empregar uma funo-impureza , a medida da impureza de um n t
expressa como:
E(t) = (p1, p2, ..., pj),

(3.2.1.2)

Captulo 3 - rvores de Deciso

32

onde pj a porcentagem de casos no n t que pertence classe j. Similarmente a


medida de impureza de uma rvore T pode ser expressa como:

E (t ) =

~
tT

E (t )

(3.2.1.3)

onde T~ o conjunto de ns terminais na rvore T.


As melhores funes-impurezas para uma rvore de classificao J-class
so a Funo Entropia e a Funo Gini Index (JANG, 1994).
Funo Entropia: e (p1, ... , pJ) = - Jj=1 pj ln pj

(3.2.1.4)

Funo Gini Index: g (p1, ... , pJ ) = - Jij pi pj = 1 - Jj=1 pj2

(3.2.1.5)

Desde

j=1

pj =1 e 0 pj 1 para todos j, as duas funes anteriores so

sempre positivas, a menos que um dos pj seja unitrio e todos os outros sejam zero.
Alm do mais, elas alcanam o mximo quando pj = 1/pj para todos j.
Dada uma funo impureza para computar o custo de um n, o
procedimento de crescimento da rvore tenta encontrar um caminho timo para a
poda dos casos (ou objetos) no n, desde que o custo de reduo seja grande. Em
uma rvore binria, a impureza verdadeira para ruptura :

E(s,t) = E(t) E(tl ) E(tr )

(3.2.1.6)

onde t o n em que comea a ruptura; E(t) a impureza do n corrente t;


E(t1) e E(tr) so as impurezas dos ramos do n esquerda e direita. E pl e pr so
as porcentagens dos casos no n t que esto esquerda e direita,
respectivamente.

Em smbolos os procedimentos de crescimento da rvore procuram


encontrar uma ruptura s* para o n raiz t1 desde que a ruptura descreva o maior
valor da impureza.

Captulo 3 - rvores de Deciso

33

E ( s * , t1 ) = max E ( s, t1 )
s S

(3.2.1.7)

Onde S o grupo de todas as formas possveis de diviso de casos do n


t1. Usando o s* timo, t1 dividido em t2 e t3 e o mesmo procedimento de procura
do melhor s S repetido em ambos t2 e t3 separadamente, e assim por diante.
At agora se sups que as inseres, inputs ou atributos em considerao
sejam numricos ou variveis ordenadas que assumem valores numricos;
exemplos deste tipo de variveis incluem temperaturas, alturas, comprimentos e
assim por diante. Para rvores binrias, uma separao tpica (ou questo) para
uma varivel numrica x usa a seguinte forma.
x si ?

(3.2.1.8)

Geralmente, o valor da diviso s a mdia dos valores de x de dois pontos


dados, que so adjacentes em termos de suas coordenadas. Para um grupo de
dados de tamanho M, o nmero de rupturas candidatas para uma varivel numrica
menor ou igual a M-1.

Para variveis categricas que assumem legendas sem ordem natural, o


procedimento do crescimento da rvore dado aqui ainda aplicvel, exceto que
separar um n depende de como colocar as possveis legendas de uma varivel em
dois grupos disjuntos. Portanto, para uma rvore binria, uma ruptura tpica
(questo) tem a seguinte forma:

x em S1 ?

(3.2.1.9)

O grupo S1 um subgrupo prprio no vazio de S, o grupo de todas as


legendas possveis de variveis x. Para eliminar duplicaes devidas simetria, o
tamanho de S1 geralmente menor ou igual metade do tamanho de S. Em geral,
uma varivel categrica x com possveis legendas K tem (2k - 2)/2 = 2 k-1 - 1 rupturas
candidatas para esta varivel.

A2) rvore de regresso

Captulo 3 - rvores de Deciso

34

Usam-se rvores de regresso para resolver problemas de regresso onde


os atributos de um objeto so usados para determinar um ou mais atributos
numricos do objeto. Para uma rvore de regresso, a margem de erro de um n t
geralmente tirada como o erro ao quadrado, ou residual, de um modelo local
empregado para encaixar o grupo de dados do n:

E (t ) = min

N (t )

(yi
i =1

d t ( xi , ) )

(3.2.1.10)

onde {xi, yi} um tpico ponto de dados (data point), dt(x,) um modelo local (com
parmetro modificvel) para o n t e E(t) o erro mdio quadrtico de encaixar o
modelo local dt no grupo de dados no n. Se d(x, ) = uma funo constante
independente de x, ento o minimizante da margem de erro precedente o valor
mdio do resultado output desejado yi para o n que ,

1
N (t )

N (t)

i=1

(3.2.1.11)

yi

Semelhantemente, se d(x,0) for um modelo linear com parmetros lineares

, ento pode-se sempre usar o mtodo dos mnimos quadrados para identificar o
minimizante * e E(t) para um n dado t.

Para qualquer ruptura s do n t em tl e tr, a mudana da margem de erro


expressa como:

E(s,t) = E(t) E(tl ) E(tr )

(3.2.1.12)

A melhor ruptura s* aquela que maximiza a diminuio da margem de erro.

E ( s * , t ) = max E ( s , t )

(3.2.1.13)

sS

A estratgia para crescer uma rvore de regresso separar os ns (ou


grupos
E (t ) =

de
~
t T

dados)

iterativamente

assim

maximizar

diminuio

em

E ( t ) , a margem de erro total (ou custo) da rvore. Portanto, a meta de

Captulo 3 - rvores de Deciso

35

crescer uma rvore de classificao ou regresso a mesma: dividir recursivamente


os ns (ou espao de entrada) e assim minimizar de maneira razovel uma
determinada medida de erro.
Na figura 3.6(a) tem-se uma amostra de uma superfcie que relaciona as
variveis x, y e z. J na figura 3.6(b) o algoritmo CART fez uma diviso abrupta nas
regies de relacionamento entre as variveis x, y e z. Essa diviso abrupta na
superfcie faz com que haja perda de informaes.

Figura 3.6 - Uso do Algoritmo CART (a) superfcie de relacionamento entre x, y e z; b)


superfcie determinada pelo CART com 10 (dez) ns terminais (JANG, 1994)

Figura 3.7 - Particionamento com o Algoritmo CART (a) com 20 ns; b) com 30 ns (JANG,
1994)

Na figura 3.7(a) e (b) tem-se o particionamento da superfcie feito com 20


ns e 30 ns respectivamente. Nota-se que o aumento do nmero de ns fornece
uma informao mais precisa sobre a superfcie, mas em contrapartida aumenta o
trabalho computacional.

Captulo 3 - rvores de Deciso

36

3.2.1.2 Poda de rvore


A rvore a qual o procedimento de crescimento precedente produz
geralmente muito grande e baseada no grupo de dados de treinamento. Assim, ela
coloca um alto grau de exatido em reproduzir resultados (outputs) desejados para
os dados de treinamento. Em outras palavras, pode-se encontrar uma famlia de
problemas de overfitting e overspecializing para os dados de treinamento e a
rvore pode no conseguir generalizar o aprendizado, classificando de maneira
incorreta novos casos.

Existem vrios mtodos para achar o tamanho da rvore que d uma melhor
estimativa da verdadeira margem de erro. Um dos mtodos mais eficientes
baseado no princpio da mnima complexidade de custo ou encolhimento da mais
fraca sub-rvore (JANG, 1992; JANG, 1994; JANG; SUN; MIZUTANI, 1997).

O primeiro passo crescer ou desenvolver uma rvore totalmente expandida


Tmax, que tenha uma margem de erro aparentemente baixa, baseada nos dados de
treinamento estabelecidos. Esta rvore geralmente muito grande, e se quer podla consistentemente, encontrando sua sub-rvore mais fraca. A sub-rvore mais
fraca encontrada levando-se em considerao a margem de erro dos dados de
treinamento e o nmero dos ns terminais, que considerado a medida de
complexidade da rvore.

Definio 01: A medida de custo-complexidade das decises de rvore (BREIMAN


et al, 1984; JANG, 1994).
Para cada sub-rvore T Tmax, defina sua complexidade como /T/ , o
nmero de ns terminais em T. Ento a medida de custo-complexidade E(T)
definida por:
~
E (t ) = E (t ) + T

(3.2.1.14)

Captulo 3 - rvores de Deciso

37

onde o parmetro da complexidade, que calcula o custo devido


complexidade da rvore. Assim, E (T) uma combinao linear do custo da rvore
e o custo da complexidade.
Para cada valor de , pode-se encontrar uma sub-rvore minimizada T()
com a respectiva medida de custo-complexidade para um dado :

E(T()) = min E (T)

(3.2.1.15)

T Tmax

Se T() for uma rvore minimizada para um determinado valor de , ento


continua-se a minimizao com aumento de at um ponto de salto ` ser
alcanado e uma nova rvore T(`) se tornar uma nova rvore minimizada.

Suponha que Tmax tenha L ns terminais. A idia de uma poda progressiva


para cima achar uma sucesso de rvores menores e menores TL , TL-1 , TL-2 , ... ,
e T1 que satisfaa:
{ t1 } = T1 T2 ... TL-2 TL-1 TL

= Tmax

(3.2.1.16)

onde Ti tem i ns terminais. Cada Ti-1 obtido de Ti como a primeira sub-rvore


minimizada atravs da medida do custo-complexidade com aumentando de zero.
Para se achar a prxima rvore minimizada para uma rvore T, pode-se
proceder como segue. Para cada n interno t em T, acha-se primeiro um valor para

que torne T Tt a prxima rvore minimizada; este valor de denotado por t


igual relao entre a variao da medida de erro e a variao no nmero de ns
terminais antes e depois da poda ou encolhimento da rvore:

t =

E (t ) E (t t )
~
Tt 1

(3.2.1.17)

Ento se escolhe o n interno com o menor t como o n designado para o


encolhimento. Assim, um ciclo de poda-rvore consiste nas seguintes tarefas:

Captulo 3 - rvores de Deciso

38

1. Calcular t para cada n interno t em Ti


2. Achar o mnimo t e escolher T - Tt como a prxima rvore
minimizada.

Este processo repetido at que a rvore tenha um nico n raiz. A figura


3.5 demonstra um exemplo de poda de rvore por encolhimento da sub-rvore T
(com o n interno t3 como sua raiz) num n terminal. A rvore aps a poda denotada
como T-Tt3 um sub-grupo da rvore original.
Repetindo-se o processo de poda, uma srie de rvores candidatas pode ser
obtida, encolhendo-se cada sub-rvore mais fraca seqencialmente, onde cada
encolhimento resulta num mnimo aumento no valor de , em um procedimento em
direo prxima rvore minimizada.

O problema foi reduzido a selecionar uma dessas rvores candidatas como


rvore de tamanho ideal. Existem dois mtodos gerais para se fazer isso. Usar um
teste independente, verificando o grupo de dados ou efetuando a validao-cruzada.
Dos dois, usar o teste dos grupos de dados computacionalmente mais simples,
mas a validao cruzada faz um uso mais eficiente de toda a informao disponvel.
Para usar um teste independente do grupo de dados utiliza-se a rvore que produz
menor margem de erro quando o teste do grupo de dados apresentado (JANG,
1992; JANG, 1994; JANG; SUN; MIZUTANI, 1997).

A Figura 3.8 um exemplo tpico de margem de erro da rvore contra


tamanho da rvore para rvores candidatas, T1, T2 ,... e TL, L=20 ,obtidas atravs do
procedimento de poda de rvore.

Captulo 3 - rvores de Deciso

39

Figura 3.8 - Medidas dos erros do classificador com underfitting e overfitting (JANG, 1994)

3.2.1.3 Medidas de desempenho


A validao cruzada uma ferramenta padro da estatstica. Primeiro o
conjunto de dados disponvel (so os exemplos) particionado aleatoriamente em
um conjunto de treinamento e um conjunto de teste. O conjunto de treinamento
depois particionado em dois conjuntos:

Subconjunto de estimao, usado para selecionar o modelo.

Subconjunto de validao, usado para testar ou validar o modelo.

Tambm se diz que o subconjunto de estimao usado para estimao do


modelo (treinamento da rede). E o subconjunto de validao usado para avaliao
do desempenho do modelo. O subconjunto de validao tem de 10% a 20% do
conjunto de treinamento. A motivao validar o modelo sobre um conjunto de
dados diferente daquele usado para a estimao dos parmetros. Desta maneira,
podemos usar o conjunto de treinamento para avaliar o desempenho de vrios
modelos candidatos, e da escolher o "melhor". Existe, entretanto, uma possibilidade
de que o modelo com valores de parmetros que do o melhor desempenho assim
selecionado possa apresentar "overfitting" para o subconjunto de validao. Para se
resguardar desta possibilidade, o desempenho de generalizao do modelo
selecionado medida sobre o conjunto de teste, que diferente do subconjunto de
validao (HAYKIN, 1994).
Um mtodo bastante utilizado para calcular o desempenho de uma rvore de
deciso o mtodo da resubstituio. Esse mtodo calcula o erro da rvore usando
o prprio conjunto de treinamento. Este erro no representa a totalidade do
comportamento de uma rvore em condies reais, pois exemplos novos, nunca
antes aplicados a rvore, no so utilizados. Apesar de algumas limitaes deste

Captulo 3 - rvores de Deciso

40

mtodo ele til para estabelecer o incio de construo de uma rvore: se a rvore
no for capaz de classificar corretamente o prprio conjunto de dados com um erro
reduzido, ento no ser capaz de classificar exemplos nunca antes vistos.
O erro padro uma medida dos desvios padres das amostras e pode ser
calculado como:
Std .err =

onde
S2 a varincia da amostra
n o tamanho da amostra
A complexidade da rvore (o nmero de ns terminais) uma informao
importante e quando ela aumenta, o erro de treinamento diminui, alcanando zero
quando a rvore completamente expandida. Ao contrrio, o erro de verificao
decresce inicialmente, alcanando um mnimo, e ento aumenta gradualmente,
devido super especializao da rvore para os dados de treinamento sem outra
informao a priori. Normalmente, utiliza-se pega o erro de verificao como uma
verdadeira estimativa imparcial da real margem de erro e identifica-se rvore
correspondente como rvore de tamanho ideal.

O custo de validao e o custo de resubstituio representam a penalidade


aplicada quando uma rvore faz um erro ao rotular exemplos, cuja classe verdadeira
Ci, como pertencentes classe Cj, onde i,j = 1, 2, ..., k e k o nmero de classes.

Capitulo 4 - rvores de Deciso Fuzzy

41

4. RVORE DE DECISO FUZZY


4.1 Introduo
Como descrito no captulo 3, rvore de deciso uma tcnica bastante
popular na realizao da tarefa de classificao. As rvores so geradas
rapidamente, so facilmente aplicveis em domnios numricos ou nominais e suas
decises so facilmente compreendidas.

Embora eficientes na tomada de deciso em diversas reas, as rvores de


deciso so inadequadas para expressar incertezas e ambigidades inerentes ao
pensamento humano. Pequenas variaes nos valores de um atributo podem
resultar em uma classificao diferente e/ou inesperada. Para lidar com essa
dificuldade, a utilizao da Teoria Fuzzy na construo de rvores de deciso tem
sido realizada (JANIKOW, 1998; JANIKOW, 1999).

Os algoritmos de induo de rvores de Deciso Fuzzy so similares aos


utilizados em rvores tradicionais, com algumas diferenas:
A diviso dos objetos entre as parties dos ns-filho realizada
segundo uma funo de pertinncia difusa para cada destas
parties.
Devido a caracterstica de pertinncia parcial de um objeto a cada um
dos conjuntos fuzzy dos ns-filho, as instncias podem pertencer a
vrias parties diferentes na rvore.
As frmulas do Ganho de Informao e Entropia so adaptadas para
lidar com as pertinncias parciais dos objetos do conjunto de testes.
Um objeto do conjunto de treino, ao ser classificado, pode vir a
pertencer a mais de uma classe.

Capitulo 4 - rvores de Deciso Fuzzy

42

Estas modificaes, alm de demonstrar que podem ser fundidas as idias


da Inteligncia Artificial (IA) simblica e sistemas fuzzy, devem prover uma rvore de
deciso fuzzy com melhor imunidade a rudos e aplicabilidade em contextos incertos
e inexatos. Ao mesmo tempo, eles deveriam proliferar a compreenso, mantendo a
mesma estrutura de rvore simblica como o componente principal do conhecimento
resultante (JANIKOW, 1998; JANIKOW, 1999; JANIKOW; FAIFER, 2000).

A teoria dos conjuntos fuzzy (LEE, 1990a; LEE, 1990b; ZADEH, 1973),
descrita no apndice B, expande o conceito de um elemento pertencendo a um
conjunto introduzindo a possibilidade de uma pertinncia parcial de um elemento
para o conjunto em questo. Em particular, o grau de pertinncia de um elemento x
para um conjunto fuzzy A qualquer valor real entre 0 e 1, i.e, elimina-se a restrio
booleana do conjunto das pertinncias.

Com isso pode-se melhorar a capacidade de representar o conhecimento da


rvore de deciso, incorporando-se a flexibilidade em sua construo, que
caracterstica das redes neurais e isso ao mesmo tempo com um aumento na
robustez e na qualidade dos resultados das rvores para problemas de regresso e
classificao (JANIKOW, 1998; MICHIE; SPIEGELHALTER; TAYLOR, 1994;
TORGO, 1999).

Nesse trabalho usa-se a representao fuzzy, com sua capacidade de


raciocnio aproximada, e a deciso simblica das rvores e tenta-se preservar as
vantagens de ambas: lidar com incertezas e processos graduais de compreenso do
conhecimento. Isto aumenta o poder de representao e a aplicabilidade de rvores
de

deciso,

adicionando

representao fuzzy.

um

componente

de

conhecimento

baseado

em

Capitulo 4 - rvores de Deciso Fuzzy

43

4.2 rvore de Deciso Fuzzy


Existem vrios enfoques para a construo de rvores de deciso
booleanas.

Tambm

existem

muitas

estratgias

possveis

para

incorporar

fuzziness na arquitetura de rvores de deciso. O primeiro trabalho sobre rvore


de deciso fuzzy foi desenvolvido em 1977 (CHANG; PAVLIDIS, 1977). Pode-se
escolher reduzir as arbitrariedades para construir rvores de deciso fuzzy, exigindo
que vrias propriedades de rvores de deciso crisp sejam recuperadas assim que
as pertinncias se tornem booleanas. Para esclarecer como esta condio pode ser
encontrada, assim como para estabelecer notaes, revisa-se brevemente
construo de rvores de deciso crisp, vista no captulo anterior. A seguir tm-se
a descrio do mtodo CART (rvores de classificao e regresso) desenvolvido
por Breiman e outros (1984).

Devido concretizao, admite-se que existam variveis preditoras D (ou


variveis independentes) e que elas sejam contnuas, ou seja, x={x(d)}Dd=1 S RD,
onde S tem um suporte finito. A incluso de variveis nominais no apresenta
dificuldades, exceto que no se considera a possibilidade de fuzzificar as divises
nominais. A varivel dependente cujo valor seja o objetivo da previso, pode ser ou
nominal (classificao) ou valor-real (regresso) (BREIMAN, et al, 1984; JANIKOW,
1998; JANIKOW, 1999).

Tem-se o controle de um conjunto de treinamento que consiste em Ntrain


exemplos classificados {(xn, yn): n=1,..., Ntrain}, onde ambas as variveis preditoras
(ou atributos) e a varivel dependente foram gravadas (em uma base de dados, por
exemplo). O conjunto de treinamento usado para construir uma rvore (T),
composta de uma coleo de ns (ti T; i=0,1,2, ... ) arranjados de uma maneira
hierrquica. O algoritmo CART usa uma aproximao top-down para construir uma
rvore binria. O primeiro n de uma rvore (CART) T o n raiz, denotado por t0.
Por definio, todos os exemplos so designados para este n. A rvore
construda por uma estratgia de divide-and-conquer (dividir e conquistar) na qual
o espao caracterstico dividido por uma hierarquia de testes booleanos em um
conjunto de regies no sobrepostas (nonoverlapping), em cada qual o problema

Capitulo 4 - rvores de Deciso Fuzzy

44

de deciso mais simples. Cada um dos testes nesta hierarquia corresponde a um


n interno da rvore de deciso.

Suponha que a rvore foi crescida para uma configurao dada e que, neste
estgio, o n ti o n terminal da rvore. Este n caracterizado por uma funo de
pertinncia i (x), que igual a 1 para aqueles exemplos x que satisfaam a
conjuno de testes booleanos, e igual a 0 , caso contrrio. O nmero de exemplos
do conjunto de treinamento no n ti:

Ni =

train

n =1

i ( xn )

(4.2.1)

Num problema de regresso, o n ti d a previso do valor da varivel


dependente igual ao valor mdio desta varivel y para os elementos do conjunto de
treino atribudo a ti:

yi =

1
Ni

train

n =1

i ( xn ) yn

(4.2.2)

Em problemas de classificao, uma categoria classificada associada ao


n ti de acordo com a regra da maioria:

yi =

argmax

{N

(4.2.3)

( x n ) ( y n , K )

(4.2.4)

(K )
i

onde
Ni

(K )

N train

n =1

o nmero de elementos da categoria K do grupo de treinamento determinado pela


rvore para o n ti.
Para obter uma melhor previso para a varivel dependente, pode-se dividir
os dados de ti em 2 subconjuntos atravs da questo Qi. Para atributos contnuos, o
espao das questes que explorado dado pela famlia parmetro (D+1):

Capitulo 4 - rvores de Deciso Fuzzy

45

Q i c i .x > a i ,

c i .x =

onde

O vetor c i

{c }
(d )
i

D
d =1

d =1

(4.2.5)

c i( d ) x ( d ) .

contm os coeficientes que definem uma

nova varivel composta /mltipla, que a combinao linear das variveis primitivas.
O parmetro ai R o valor limiar da diviso. Isto define o hiperplano ci.x = ai,
perpendicular ao eixo da varivel composta ci.x, com a qual a segmentao do
espao de atributos feita. A relao (4.2.5) divide os dados em 2 conjuntos
disjuntos, cada um dos quais atribudo a um dos ns filho do n ti. Desta maneira,
o n ti se torna um n interno, com 2 ns filhos associados a ele.
O teste booleano (4.2.5) pode ser expresso em termos do grau relativo
da pertinncia para o n filho esquerda.

L( i ) ( x ) = ( c i . x a i )

(4.2.6)

onde a funo Degrau de Heaviside definida como:


1

( z ) = 1 2
0

se z > 0
se z = 0
se z < 0

(4.2.7)

O caso z = 0 no ocorre na prtica e os graus de pertinncia so variveis


booleanas. Para o n correto,

(i)
R

( x ) = 1 (c i . x a i

) = (a i

c i .x )

(4.2.8)

O grau absoluto da funo de pertinncia dado por

( x ) = i ( x ) ( i ) ( x ),

= L,R,

(4.2.9)

Capitulo 4 - rvores de Deciso Fuzzy

46

onde i (x) o grau absoluto da funo de pertinncia para o n pai, ti, que pode ser
calculado pela recurso (repetio de passos) de (4.2.9), at que o n raiz seja
alcanado. Todos os pontos pertencem ao n raiz e, portanto:

( x ) = 1 .0 ,

(4.2.10)

Esta recurso corresponde sucesso de divises produzidas pelas


respostas s sries correspondentes de testes conectando o n raiz ao n ti. Note
que a pertinncia relativa de um par de ns filhos se soma unidade.

R (i ) ( x ) + L ( i ) ( x ) = 1

(4.2.11)

e que suas pertinncias absolutas se somam pertinncia absoluta do n pai.

i R ( x ) + i L (x ) = i ( x )

(4.2.12)

Os valores dos parmetros (ci,ai) definindo a questo Qi (4.2.5) so


determinados pela otimizao local de uma funo custo. Na regresso, escolhemse os parmetros para os quais a reduo do erro mdio quadrado da rvore sobre
o conjunto de treinamento maior. Na classificao, o mtodo CART seleciona a
diviso que leva maior diminuio na impureza da rvore (Gini criterion), como
descrito no captulo 3. Outro critrio de otimizao local tambm pode ser usado (por
exemplo, ganho de informao, taxa de ganho de informao) (BREIMAN, et al,
1984; JANIKOW, 1998).
~
O conjunto de folhas ou ns terminais {tl} denotado por T , e sua
~
cardinalidade (ou seja, o nmero de ns terminais) por | T |. Em termos deste
~
parmetro, o nmero total de ns da rvore 2| T | - 1 e o nmero de ns internos
~
~
| T | - 1. Este conjunto T usado para as previses reais. Suponha que se pretenda

classificar um exemplo caracterizado pelo vetor de atributos xtest. Avalia-se a


sucesso de testes a partir do n raiz, seguindo-se um caminho que determinado
pelos resultados daqueles testes em cada um dos ns internos. Eventualmente, este

Capitulo 4 - rvores de Deciso Fuzzy

47

caminho nos leva a um dos ns terminais, diga-se tl. A equao (4.2.9) pode ser
usada repetidamente aplicando-se a funo nela mesma para encontrar o grau de
pertinncia do xtest para o n folha {tl}.
Em um problema de regresso, o valor de y atribudo pela rvore para um
vetor de atributos xtest , dado,

y ( x test ) =

l ( x test ) y l

~
t l T

(4.2.13)

~
onde y l dado por (4.2.2) e, por construo, somente uma das l ( xtest ); t l T

igual unidade, o restante sendo zeros.

A taxa de erro da rvore no conjunto de treinamento :

R train ( T ) =

1
N train

N train

(y
N =1

y ( x n )) 2

(4.2.14)

Para problemas de classificao, a indicao ou legenda da categoria ou


classe designada por xtest :

y ( x test ) = y l ,

se

l ( x test ) = 1

(4.2.15)

Admitindo-se um custo igual para todos os exemplos erroneamente


classificados, o erro de classificao como estimado a partir do conjunto de
treinamento igual proporo/razo dos pontos no conjunto de treinamento
erroneamente classificado pela rvore:

R train ( T ) =

N train

N train

N =1

(1 ( y ( x

), y n ))

(4.2.16)

A no ser que seja estabelecido um critrio de parada, o processo crescente


da rvore de deciso pode continuar at Rtrain (T) = 0. Existe, entretanto, uma rvore
de tamanho ideal alm da qual, apesar do fato de Rtrain(T) continuar a decrescer em

Capitulo 4 - rvores de Deciso Fuzzy

48

seqncia, a qualidade da previso se deteriora (ou seja, a verdadeira margem de


erro, ou uma estimativa imparcial, como aquela dada pela margem de erro avaliada
num conjunto de teste, aumenta). Para evitar overfitting com as rvores
construdas a partir do grupo de dados de treinamento, e para obter uma rvore de
tamanho ideal, vrias estratgias tm sido propostas. A de maior sucesso envolve o
super crescimento da rvore e ento a poda, ou eliminando-se os ramos que contm
divises no significativas. Existe uma grande variedade de mtodos de poda desde
mtodos simples que usem um grupo de poda independente para estimar a
verdadeira margem de erro (poda de erro reduzido) at mtodos que usam a
Validao Cruzada. No prximo captulo descreve-se o modelo da regra do erro
padro para a escolha da melhor rvore (BREIMAN; et al, 1984; JANIKOW, 1998;
JANIKOW, 1999).

4.3 Fuzzificao de uma rvore de Deciso


A introduo de funes de pertinncia nas equaes de (4.2.1) a (4.2.16)
estabelece a base para a fuzzificao, permitindo que os graus de pertinncia
assumam valores no integrais na escala [0,1]. Uma possvel aproximao para a
gerao automtica de rvores de Deciso Fuzzy consiste em permitir que divises
fuzzy tenham competio com divises crisp em cada n: a diviso escolhida ser
aquela que produza uma melhoria local da correspondente funo de custo,
independente se a diviso for fuzzy ou crisp. As frmulas derivadas anteriormente
so vlidas tambm em divises fuzzy e podem ser usadas para gerar rvores de
Deciso Fuzzy (ABONYI; ROUBOS; SZEIFERT, 2003; ALI; ZHANG, 2001; DUCH;
ADAMEZAK; GRABCZEWSKI, 2001).

Entretanto, empiricamente, deve-se observar que a fuzzificao neste


estgio, considerando somente as divises fuzzy sigmides (uma categoria restrita
de divises fuzzy), improvvel que melhore a qualidade da regresso ou a
classificao de uma maneira significativa (JANIKOW, 1998). Acredita-se que este
comportamento pode ser explicado pela natureza local das otimizaes efetuadas no
processo de gerar a rvore de deciso: as regras fuzzy so, pela sua natureza,
significativas somente como um todo, globalmente. natural que um mtodo local

Capitulo 4 - rvores de Deciso Fuzzy

49

desenvolvido para construir regras de disjuno no encontre bons conjuntos de


regra fuzzy mutuamente dependentes. Ao invs desta abordagem direta, prefervel
introduzir a Teoria Fuzzy, uma vez que a arquitetura da rvore foi fixada por meio de
um gerador de rvore de deciso padro (por exemplo: rvore CART). Este
procedimento semelhante ao utilizado para construo de redes neurais, primeiro
fixar a arquitetura e depois encontrar os parmetros da rede neural, com a vantagem
que, na rvore de deciso fuzzy, a arquitetura automaticamente gerada pelos
dados (APOLLONI; ZAMPONI, G; ZANABONI, A, 1998; TORGO, 1999; HUANG;
LIANG, 2002; ISHIBUICHI; YAMAMOTO, 2004).

Para fuzzificar a rvore de deciso crisp, feita a observao que um teste


crisp pode ser considerado como caso limite de um teste fuzzy. Em particular,
considere a diviso crisp associada ao n interno ti , que dado pela questo ci . x
> ai.
Este teste resulta na diviso dos dados em ti em dois subconjuntos disjuntos
caracterizados pelas funes de pertinncia relativa (4.2.5), (4.2.6). Podem-se
substituir as funes Degrau de Heaviside nestas funes de pertinncia por uma
funo sigmoidal de largura inversa bi (LUTSKO; SUREZ, 1999; MARSALA,
1998; MITRA; KONWAR; PAL, 2002; OLARU; WEHENKEL, 2003).

(i )
L

1 + exp [ b i ( c i . x a i ) ]

(4.3.1)

1
(i )
= 1 L ( x)
1 + exp [bi ( c i x a i ) ]

(4.3.2)

(x) =

R (i ) ( x ) =

As equaes (4.3.1 e 4.3.2) correspondem a uma diviso sigmoidal


fuzzy na varivel composta ci. x centrada em ai, com uma largura inversa dada por
bi. O limiar da diviso assim ampliado em uma faixa de diviso. Fora desta faixa,
os exemplos dos dados so atribudos a um dos ns filhos com um grau de
pertinncia prximo unidade (ou seja, eles se comportam quase como se a diviso
fosse crisp). Os exemplos que se associam com a zona de diviso so
determinados com uma funo de pertinncia para ambos os ns filhos.

Capitulo 4 - rvores de Deciso Fuzzy

50

O inverso do parmetro bi mede a largura desta regio. Uma diviso crisp


pode ser considerada como o limite de uma diviso fuzzy sigmoidal, onde o
parmetro bi muito grande. No outro extremo est uma diviso onde bi = 0. Uma
diviso assim determina todos os exemplos no n pai para ambos os ns filhos com
um grau de pertinncia igual. O n pai assim duplicado em dois ns equivalentes e
o efeito global quase igual como se no houvesse diviso.

4.4 rvore de Regresso Fuzzy


Neste sub-item mostra-se um algoritmo para estimar os parmetros de uma
rvore de Regresso Fuzzy pela minimizao do erro quadrado mdio, como
estimado no conjunto de treinamento (4.2.14) (HASKELL, 1996; HASKELL, 1998).
De acordo com o processo de fuzzificao dos parmetros da rvore de
regresso discutido anteriormente, a diviso crisp do n interno de uma rvore
CART substitudo por uma diviso fuzzy, definida pelas funes de pertinncia
relativas.
L (i ) ( x ) =

(i )
R

(4.4.1)

x}
1 + exp { i . ~

(x) =

1
1 + exp { i . ~
x

(4.4.2)

com

~
x = 1, x

(1 )

, x ( 2 ) ,..., x ( D

i = { b i a i , b i c i }

(4.4.3)

Em contraste ao caso crisp, uma rvore de deciso fuzzy designa


cada exemplo para vrios ns de folha com diferentes graus de pertinncia. Dado
um vetor de atributos x, o valor previsto para as variveis dependentes uma
combinao das previses nas folhas.
y(x) =

~
tl T

l ( x)d l

(4.4.4)

Capitulo 4 - rvores de Deciso Fuzzy

51

onde i(x) a pertinncia do ponto para o n terminal ti, que produz uma previso di
para as variveis dependentes.

Tm-se, a seguir, na figura 4.1 um exemplo da identificao das curvas


utilizando a rvore de Deciso - CART e a rvores de Deciso Fuzzy.

Figura 4.1 - Duas aplicaes com rvores de deciso crisp e rvores de deciso fuzzy
(LUTSKO; SUREZ, 1999; JANIKOW, 1998)

4.5 Implementao de rvores de Deciso Fuzzy

Capitulo 4 - rvores de Deciso Fuzzy

52

As pesquisas sobre rvores de deciso fuzzy no so recentes. Em CHANG e


PAVLIDIS (1997) tm-se a descrio de um algoritmo para a aplicao da Teoria
Fuzzy em rvore de deciso crisp. Mas a quantidade de publicao de trabalhos
utilizando rvores de deciso fuzzy pequena quando comparada a outras tcnicas
de IA, como exemplos sistemas fuzzy, redes neurais, sistemas neuro-fuzzy, rvores
de deciso crisp e algoritmos genticos (CORDN; et al, 2001; LUTSKO;
SUREZ, 1999; FAIFER; JANIKOW; KRAWIEC, 1999; ER; WU, 2002).
Geralmente as implementaes de rvores de deciso fuzzy so feitas a
partir dos algoritmos de rvores de deciso tradicionais. O algoritmo de rvore de
deciso mais utilizado o ID3, algumas implementaes foram construdas na
dcada de 90. Dessas implementaes o trabalho de JANIKOW (1998, 1999) teve
grande sucesso gerando vrias verses dessa rvore de deciso fuzzy (ex: FID2.0,
FID2.1; FID3.0, FID3.1 e FID3.4).

Neste trabalho ser utilizado a verso FID3.4 da rvore de deciso fuzzy,


como ser descrito no prximo captulo. As tomadas de deciso em cada n da
rvore so fuzzy. As decises tm uma maior capacidade de generalizao quando
comparada com as rvores tradicionais (ROA-SEPULVEDA, et al; 2003; WANG;
BORGELT, 2002; WONG; et at, 2005; YILDIZ; ALPAYDIN, 2005).

O algoritmo FID3.4 tem caractersticas semelhantes s rvores crisp, como


o aprendizado top-down recursivo e a possibilidade de lidar com diversos tipos de
atributos, alm disso os padres esto distribudos nas parties atravs de funes
de pertinncia e os resultados variam em funo das funes de pertinncia e dos
operadores utilizados.
Vrias modificaes tm sido incorporadas nos algoritmos das rvores de
deciso fuzzy. As mais importantes so a seleo de atributos, novos critrios de
parada do treinamento da rvore e testes de atributos relevantes (GALEA; SHEN;
LEVINE, 2005; HASKELL; LEE; HANNA, 2004; HELLENDOORN; DRIANKOV, 1997;
LI; HASKELL; HANNA, 2003; ZHOU; CHEN, 2002).

4.6 Programas utilizados nas classificaes


Para a elaborao dos testes deste trabalho foi utilizado o software Statistica
da empresa StatSoft e o software FID3.4 que uma rvore de Deciso Fuzzy

Capitulo 4 - rvores de Deciso Fuzzy

53

desenvolvida e implementada pelo Prof. Cezary Z. Janikow da Universidade de


Missouri - Depto. de Matemtica e Cincia da Computao.

Com a utilizao

desses dois programas conseguiu-se aplicar a rvore de Deciso CART, a Rede


Neural (algoritmo back-propagation) e a rvore de Deciso Fuzzy. FID3.4.

O algoritmo CART uma rvore de deciso para classificao e regresso e


o seu funcionamento foi descrito na seo 3.2. No software Statitica esse algoritmo
disparado quando se acionam o pacote Multivariate exploratory techniques. Este
pacote implementa diversas tcnicas usadas para classificao e regresso como:
Anlise de Clusters, Anlise de Fatores, Anlise Discriminante, rvores de Deciso
etc. Na figura 4.2 tm-se a tela do software Statistic e o acionamento do pacote
Multivariate exploratory techniques.

Figura 4.2 - Tela do software Statistica com o acionamento do pacote Multivariate exploratory
techniques.

Quando acionado o pacote Multivariate exploratory techniques ativa-se o


programa de rvore de Deciso. Alm do algoritmo CART, tm-se tambm outras
rvores de deciso. Neste trabalho foi utilizado o algoritmo CART, pois as outras
rvores de deciso no so rvores de deciso binrias. Tm-se algumas
parametrizaes do algoritmo CART, como prioridades a priori, erro de classificao
etc. Aps essa parametrizao tm-se o processamento do algoritmo da rvore e a

Capitulo 4 - rvores de Deciso Fuzzy

54

sua construo. Na figura 4.3 tm-se um exemplo da rvore de deciso construda


pelo software Statistica.

Media
Baixa
Alta
Muito Alto
Muito Baixa

Classif ication Tree f or Pedras01


Number of splits = 47; Number of terminal nodes = 48
Ba i 1x a

30 5

62
Ex tra o <=8 1 ,35

Ba i 2
xa

M u i to Al3to

222

83

14

5a
M e di

M u i to Al6to

48

S S d i o <=4 ,39

Co q u e <=1 ,1 75

Ba i 4
xa

94

12 8

77

Co qu e< =1 ,2 2 5
Ba i 9
xa

10

84

12

1 7a
M e di

M u i to Bai 18
xa

76

Ex tra o <=8 0 ,55

72

Co q u e <=1 ,1 6 5

14

58

10

30

26

18

Ba i 8
x1
a

16

30

20

16

Al82
taM e d8i 3a

REDOX<=-1 9REDOX<=-,0
,2 9
836
9 i 90
9 1a
Al8taBa
x aM e di

20

28

Co qu e <=1 ,2 7 5

4
Al7ta

Ba i 8
x5
a

Ex tra o< =7 5,8


M u i to Bai 92
x aM e d9i 3a

Ba i 6x 3
a

24

26

22

10

12

Ex tra o <=8 2 ,4Ex tra o <=8 4 ,1


M e d2i 4a

6
Ba
Miu2x i5
ato Al2to

24

REDOX<=-1 9 ,6 9

7
Al3ta

8
M u i to Al3to

M e d3i 9a

22

M e d2i 7a

Ex tra o <=8 4
1
MM
e du40
iiato Al4to

Co q u e <=1 ,2 9
M u i to Al52
to

10

M e d5i 3a

Ex tra o <=7 4 ,5
4M e d65
Al6ta
ia

5
M u i to Al1to

16

REDOX<=-2 2 ,5 1
6
M u i to Al6to

6 7a
M e di

Ex tra o< =8
REDOX<=-20
1,6
,5 9

M u i to Al75
to

Ex tra o <=7 9 ,7 5
8 4a
M e di

Ex tra o <=7 5 ,3

M e d7i 3a

22

3
MAlu22
ta
i to Al2to

Ex tra o <=8 0 ,9 5

5M
0a u i to Al5to
1
M e di

6 1a M u i to Al62
Ba i 6x 0aM e di
to

14

Ba i 7x 2
a

Pi ri ta <=,32 5

20

Ex tra o< =8 2 ,5 5
M e d14
ia

Ex tra o <=7 5 ,7 5

9
M u i to Al4to

Ex tra o< =7 9 ,4 5

Ba i 5
x9
a

26

3 5aM u i to Al3to
6
M e di

34
Pi ri ta <= ,5 2 5

Ba i 48
xa

Ex tra o< =7 4,7

1
Al7ta

Ex tra o <=7 8 ,4 5
M e d80
ia

50

Ba i 4x 7a

Ex tra o <=7 9 ,25


7 0a
M e di

27

M e d3i 4a

28

3
Al1ta

Ex tra o <=8 2 ,4

1
M u i to Al2to

O ferro< =3 ,6 7 5

O fe rro <=3 ,2 5 7 5

7 i 58
Ba
Miu5x i6
ato Al5toBa
xa

48

Ex tra o <=7 8 ,95

8 8a
M e di

16

Al46
ta

Ex tra o <=7 8 ,7 Pi ri ta <=,55


5 5a
M e di

50

Ba i 33
xa

S Sd i o <=4 ,3 7 5

10

Co q u e <=1 ,1 7 5
M e d5i 4a

66

5
MM
e du4ii4ato Al4to

2 0a
M e di

Ba i 3x 2
a

REDOX< =-2 0 ,68

4 3a
M e di

8M e d69
M u i to Al6to
ia

10

3x 0
MBa
u iito
a Ba i 31
xa

24

Ex tra o< =7 7,8 5

Pi ri ta <=,55
9
M u i to Al2to

2
M u i to Al1to

53

Ba i 19
xa

10

Ex tra o< =8 1,7

M e d11
ia

Ex tra o < =7 2,3

2 8a
M e di

2
Al4ta

Ba i 10
xa

116

Ex tra o <=7 4 ,85


a i1
x6
a

Ex tra o <=7 2 ,45

M e d8i a

M u i to Al7to

MAlu76
ta
i to Al77
toM M
e du7ii8ato Al79
to

Ex tra o< =8 1,1 5


M u i to Al
M86
u
toi to Bai 87
xa

20

O fe rro <=3 ,7 4
4M e d9i 5a
M u i to Al9to

Figura 4.3 - Tela que mostra a rvore de Deciso construda pelo software Statistica

Alm da construo grfica da rvore de deciso, tm-se outras informaes


sobre os resultados obtidos com a construo da rvore de deciso CART. Nos
resultados da rvore de Deciso pode-se destacar a estrutura da rvore, o conjunto
de ns da rvore de deciso, as classes, as divises da rvore, a importncia dos
preditores etc.

Na figura 4.4 tm-se a tela do Statistica que mostra os resultados obtidos na


construo da rvore.

Capitulo 4 - rvores de Deciso Fuzzy

55

Figura 4.4 - Tela do software Statistica que mostra os resultados que se pode analisar com
relao rvore construda

Para os testes efetuados no trabalho usando Redes Neurais (algoritmo backpropagation) foi usado o software Statistica. O software Statistica tem um pacote de
implementaes de algoritmos de Redes Neurais. Entre esses algoritmos foi
utilizado o algoritmo back-propagation devido sua grande utilizao em aplicaes
de Redes Neurais.

Na figura 4.5 tm-se a tela de acionamento do pacote de Redes Neurais no


software Statistica.

Figura 4.5 - Tela de acionamento do pacote de Redes Neurais

Capitulo 4 - rvores de Deciso Fuzzy

56

Aps a parametrizao da Rede Neural acionada a execuo do pacote e


obtm-se os resultados das possveis arquiteturas das redes. Nas figuras 4.6 e 4.7
tm-se exemplos dos resultados obtidos para o algoritmo back-propagation.

Figura 4.6 - Topologia da Rede Neural obtida utilizando o algoritmo back-propagation

Figura 4.7 - Resultados obtidos com o pacote de Redes Neurais do software Statistica

Neste trabalho usou-se uma rvore de Deciso Fuzzy, atravs do software


FID3.4, e foram comparados os resultados obtidos com a rvore de deciso - CART
e a rede neural (algoritmo back-propagation).

Captulo 5 - Resultados e Anlise

57

5 RESULTADOS E ANLISE
Este captulo apresenta os resultados obtidos neste trabalho e sua anlise.
Utilizaram-se trs bases de dados de processos de fabricao do vidro, as bases
NOVOVIDRO, Vidros para Embalagens e Vidros Planos.
A primeira base de dados utilizada, descrita e analisada na seo 5.1, foi da
fbrica modelo da NOVOVIDRO, que relaciona as variveis do processo de fuso
do vidro com os defeitos (bolhas, pedras e cordas) descritos na seo 2.3. A fbrica
modelo foi construda em Portugal, para o estudo de melhorias no processo de
fabricao do vidro para embalagens.
A seo 5.2 descreve os resultados obtidos e sua anlise para a base de
dados de Vidros para Embalagens. Esta base de dados relaciona as caractersticas
das matrias primas usadas na fabricao do vidro com os defeitos do vidro (bolhas
e pedras) e a transmitncia da luz no vidro. Ela se baseia em dados coletados da
fbrica de vidro para embalagens WBV.
A Seo 5.3 descreve os resultados obtidos e a anlise para a base de
dados da fabricao do Vidro Plano. Essa base tem as informaes sobre a
operao dos fornos de fuso e os padres de vidro que so produzidos na fbrica
de vidros UBV Unio Brasileira do Vidro.

5.1 Base de dados NOVOVIDRO


A base de dados NOVOVIDRO formada pelas variveis de operao do
forno de fuso e a porcentagem de defeitos encontrados nos produtos finais da
fbrica modelo.
As variveis de entrada so a Extrao, que corresponde taxa de retirada
da massa vtrea do forno de fuso para as mquinas de conformao, temperatura
mdia do ar de sada do recuperador 1 (Trec1), temperatura mdia do ar de sada
do recuperador 2 (Trec2), temperatura mdia da abbada do forno (TAbbada),
temperatura

mdia

de

fuso

(Tfuso),

temperatura

mdia

de

afinagem

(TAfinagem), quantidade mdia de gs natural utilizado na combusto (qGN),

Captulo 5 - Resultados e Anlise

58

temperatura mdia da zona de queima 1 (T1) e temperatura mdia da zona de


queima 2 (T2). As variveis de sada so as porcentagens de defeitos dos tipos
bolha, pedra e corda (DB, DP e DC, respectivamente).
No apndice A esto descritas as etapas de fuso das matrias primas do
vidro e a localizao no processo das variveis de entrada relacionadas acima. A
figura a.9 ilustra as posies no forno de fuso onde as variveis de entrada que
compem a base de dados foram medidas.

Os resultados apresentados a seguir mostram a classificao dos defeitos


no vidro utilizando as trs tcnicas descritas nesta tese:

rvore de Deciso - CART

rvore de Deciso Fuzzy - FID3.4

Redes Neurais (Algoritmo back-propagation)

5.1.1 Classificao do Defeito Tipo Pedra NOVOVIDRO


Apresentam-se os resultados obtidos na classificao do defeito tipo pedra. A
primeira classificao foi feita utilizando a rvore de Deciso CART, cujo
funcionamento foi descrito na seo 3.2.1.

Para a classificao do defeito tipo pedra, as porcentagens de pedras no vidro


produzido foram agrupadas em cinco grupos ou classes, conforme mostrado na
tabela 5.1.
Tabela 5.1 - Agrupamentos do Defeito Tipo Pedra NOVOVIDRO
Classes
Limite Inferior
Limite Superior
da porcentagem do da porcentagem do
defeito (%)
defeito (%)
Muito Alto
36
---Alto
30
< 36
Mdio
24
< 30
Baixo
18
< 24
Muito Baixo
0
< 18

Com a utilizao dos agrupamentos da tabela 5.1, redefiniu-se a base de


dados NOVOVIDRO (agrupamentos dos defeitos em classes), assim pde-se
aplicar a rvore de deciso para classificao dos defeitos. Uma amostra da base de

Captulo 5 - Resultados e Anlise

59

dados est descrita na tabela 5.2. O tamanho da base de dados de 1000 (mil)
amostras.

A classificao utilizando a rvore de Deciso - CART - defeito tipo pedra


apresentou um bom desempenho na classificao desse tipo de defeito. A rvore de
deciso apresentou 23 divises (number of splits) e 24 ns terminais (number of
terminal nodes). Foram utilizadas quatro medidas para avaliar o desempenho da
rvore de deciso: custo da validao cruzada (CV cost), erro padro (Std error),
custo de resubstituio (Resub. Cost) e complexidade do n (node complexity),
conforme definies apresentadas na seo 3.2.1. Tm-se, na figura aa.1 do anexo
A, a rvore de deciso construda para o defeito do tipo pedra.
Para a escolha da rvore de deciso do defeito tipo pedra utilizou-se o
mtodo da regra do erro padro. Esse mtodo foi selecionado na etapa de
construo da rvore na tela de configurao do software Statistica. A regra do erro
padro aplicada da seguinte forma:

1. A rvore CART constri rvores de deciso usando algoritmo de poda.


Analisa-se o conjunto de rvores podadas e escolhe-se a rvore que tenha
o menor custo de validao cruzada.
2. Chama-se o custo encontrado no item 1 de custo mnimo de validao
cruzada e o erro padro associado de erro padro mnimo.
3. Soma-se o custo mnimo de validao cruzada com o erro padro
mnimo (Obs: o erro padro mnimo multiplicado por um fator p. O fator
p prximo de 0 deixa a rvore a ser escolhida com um custo de validao
cruzada prximo do custo da rvore escolhida no item 1, alm disso a
rvore a ser escolhida fica ligeiramente mais simples (menor nmero de
ns). O fator p prximo ou maior que 1 deixa a rvore com um nmero de
ns terminais menor (Breiman; et al, 1984)).
4. O resultado da soma do custo mnimo de validao cruzada mais o erro
padro mnimo * p utilizado para escolher a nova rvore, que deve ter
um nmero de ns terminal menor e o seu custo de validao cruzada no
deve ultrapassar o resultado da soma.

Captulo 5 - Resultados e Anlise

60

Tabela 5.2 - Amostra da base de dados NOVOVIDRO com os agrupamentos dos defeitos
tipos pedra, bolha e corda

A tabela 5.3 mostra que a melhor rvore obtida foi a de nmero 10 (marcada
com * na tabela) com o custo da validao cruzada (custo CV) de 0,2930, erro

Captulo 5 - Resultados e Anlise

61

padro de 0,01439, custo de resubstituio (custo calculado com a amostra de


aprendizagem) de 0,1970 e complexidade do n de 0,0040. A rvore de menor custo
foi a de nmero 8 que tem um custo CV de 0,2850 (a rvore nmero 9 tem o mesmo
custo, mas o custo de resubstituio maior) e um erro padro de 0,01427.
Utilizando-se a regra do erro padro, a soma do custo CV e do erro padro (fator da
regra igual a 1) foi de 0,29927, foi escolhida a rvore nmero 10, pois o seu custo
CV no ultrapassou 0,29927 e tem um nmero de ns terminais menor.
Tabela 5.3 - Custos e taxa de erro envolvidos na escolha da rvore para defeito tipo pedra
NOVOVIDRO
Custo de
Complexidade
Nmero de
Custo da
Erro padro
Resubstituio
do n
Ns
validao cruzada
(Std. Error)
(Resub.Cost) (Node complexty)
Terminais
(CV cost)
114
0,297000
0,014450
0,031000
0,000000
1
104
0,303000
0,014532
0,036000
0,000500
2
73
0,300000
0,014491
0,067000
0,001000
3
70
0,300000
0,014491
0,071000
0,001333
4
68
0,298000
0,014464
0,074000
0,001500
5
48
0,299000
0,014478
0,114000
0,002000
6
44
0,297000
0,014450
0,124000
0,002500
7
38
0,285000
0,014275
0,142000
0,003000
8
36
0,285000
0,014275
0,149000
0,003500
9
*10
24
0,293000
0,014393
0,197000
0,004000
21
0,310000
0,014625
0,215000
0,006000
11
19
0,310000
0,014625
0,228000
0,006500
12
18
0,339000
0,014969
0,236000
0,008000
13
16
0,339000
0,014969
0,253000
0,008500
14
15
0,339000
0,014969
0,263000
0,010000
15
11
0,362000
0,015197
0,307000
0,011000
16
9
0,377000
0,015326
0,337000
0,015000
17
8
0,381000
0,015357
0,354000
0,017000
18
7
0,394000
0,015452
0,373000
0,019000
19
6
0,407000
0,015535
0,393000
0,020000
20
5
0,437000
0,015685
0,419000
0,026000
21
4
0,464000
0,015770
0,457000
0,038000
22
1
0,597000
0,015511
0,597000
0,046667
23

Uma vantagem obtida com o procedimento de seleo de rvore atravs da


regra do erro padro que ajuda a evitar o "overfitting" e o "underfitting" (figura 3.8)
dos dados. Pode-se observar no grfico da figura 5.1 o comportamento dos custos
de resubstituio e de validao cruzada para a sucesso de rvores construdas

Captulo 5 - Resultados e Anlise

62

pelo algoritmo CART. Na aplicao da regra do erro padro para escolha da rvore
mais adequada no foi utilizado o custo de resubstituio e a complexidade do n.
Melhor rvore
comparando o
custo de CV e
Resubst

Cost Sequence for Class Pedras


Cost statistics for successive trees
Selected tree denoted by *
,70
,60
,50

Cost

,40
,30
,20
,10
,00

23
22
21
20
19
18
17
16
15
14
13
12
11
*10
9
8
7
6
5
4
3
2
1

-,10

CV cost
Resub. cost

Tree number

Figura 5.1 - Custo das rvores construdas para o defeito tipo pedra NOVOVIDRO

Como

mostrado

na

figura

5.1,

custo

de

resubstituio

diminui

constantemente com o aumento do tamanho da rvore (exemplo: a rvore de


nmero 1 tem um custo de resubstituio muito pequeno (0,0310), mas o nmero de
ns terminais ficou muito alto (114 ns terminais)). Por outro lado, o custo de
validao cruzada (CV cost) inicialmente cai depressa, se aproximando do custo
mnimo com o aumento do tamanho da rvore, mas comea a subir quando o
tamanho de rvore fica grande. Nota-se que a rvore de menor custo fica perto do
ponto de inflexo da curva, isso , perto do ponto onde o custo de validao cruzada
(CV cost) comea a crescer com o aumento do tamanho da rvore. O procedimento
da regra do erro padro importante, pois alm de selecionar a rvore mais simples
(menor) com o custo de validao cruzada (CV cost) mais prximo do custo mnimo,
ele tambm evita a perda em preciso da predio produzida por "overfitting" ou
"underfitting" dos dados.

Captulo 5 - Resultados e Anlise

63

A classificao do defeito do tipo pedra apresentou um custo de validao


cruzada de 29,30%, erro padro de 1,44% e um custo de resubstituio de 19,70%.
Alm dos custos de classificao serem satisfatrios para aplicaes na indstria do
vidro, a classificao permitiu determinar o grau de relevncia das variveis do
processo na ocorrncia dos defeitos. No grfico da figura 5.2 pode-se verificar que
as variveis T2 (temperatura mdia da zona de queima 2 (grau de relevncia100%)), T1 (temperatura mdia da zona de queima 1 (grau de relevncia-89%)),
TRec1 (temperatura mdia do ar de sada do recuperador 1 (grau de relevncia60%)) e a Extrao (grau de relevncia-59%) so as mais relevantes na
classificao dos defeitos.
Predictor Variable Importance Rankings
Dependent variable: Class Pedras
Rankings on scale from 0=low importance to 100=high importance
100

Ranking

80

60

40

20

T2

T1

qGN

TAfinagem

TFusao

TAbobada

TRec2

TRec1

Extrao

Predictor variable

Figura 5.2 - Grfico do grau de importncia dos atributos na classificao do defeito tipo pedra
- NOVOVIDRO

A anlise da rvore de deciso construda para o defeito tipo pedra mostra


que foram utilizadas as quatro variveis mais relevantes na sua construo. As
variveis temperatura mdia do ar de sada do recuperador 2 (Trec2), temperatura
mdia da abbada do forno (TAbbada), temperatura mdia de fuso (Tfuso),
temperatura mdia de afinagem (TAfinagem) e quantidade mdia de gs natural
utilizado na combusto (qGN) no foram priorizadas pelo algoritmo CART para
construo da rvore.

Captulo 5 - Resultados e Anlise

64

A tabela 5.4 traz os valores encontrados pela rvore de deciso para a


classificao do defeito tipo pedra. Os valores encontrados para as variveis de
operao do forno de fuso foram para as classes de defeito Baixo e Muito Baixo,
tendo em vista que esta a situao onde se encontra a menor quantidade de
defeitos.
Tabela 5.4 Resultados da rvore de Deciso CART para as classes de defeito Baixo e
Muito Baixo do tipo pedra NOVOVIDRO
Valores da varivel
Variveis
Unidades
Limite inferior
Limite superior
Extrao
80
271
kg.h-1
T1
1435
1470
C
T2
1470
1495
C
TRec 1
248
305
C
TRec 2
230
325
C
T Abbada
1475
1505
C
T Fuso
1300
1340
C
T Afinagem
1320
1340
C
qGN
90
130
m3.h-1
DP
0
< 24
Porcen. (%) de
pedra

Uma das vantagens da aplicao da rvore de deciso no processo de


fabricao do vidro que se obtm uma estimativa dos valores de limite inferior e
superior das variveis de entrada para a produo do vidro, trabalhando-se com uma
taxa do defeito tipo pedra aceitvel para a indstria. A taxa de defeito tipo pedra
mostrada com a rvore de deciso de at 24 %.

Comparando-se os valores dos limites de operao obtidos na rvore de


deciso, com os valores para uma situao operacional na fbrica da
NOVOVIDRO, verifica-se que a rvore obteve uma boa classificao para o defeito
tipo pedra e indicou que para a situao operacional da fbrica, as variveis do
processo de fabricao poderiam apresentar resultados satisfatrios com relao ao
defeito do tipo pedra. A tabela 5.5 mostra os valores para a situao operacional da
fbrica da NOVOVIDRO (PINA, 2002; PINA; LIMA, 2002; SINDEPEDIP, 2000) e a
classificao do defeito tipo pedra para as condies de operao da fbrica.

Captulo 5 - Resultados e Anlise

65

Tabela 5.5 - Valores do processo de fabricao da NOVOVIDRO


Variveis
Valores da varivel
Unidades
Extrao
360
kg.h-1
T1
1420
C
T2
1450
C
TRec 1
238
C
TRec 2
265
C
T Abbada
1490
C
T Fuso
1312
C
T Afinagem
1334
C
Q GN
116
m3.h-1
DP
29
Porcen. (%) de pedra
DB
20
Porcen. (%) de bolha
DC
9
Porcen. (%) de corda

Para as condies operacionais (pontos dos set-points de operao) na


fbrica da NOVOVIDRO mostradas na tabela 5.5, a rvore estimou a classe de
defeitos do tipo pedra como Mdia (taxa de defeitos entre 24% e 30%). A tabela
5.5 mostra que a porcentagem de defeito tipo pedra foi de 29%, tendo, portanto a
rvore classificado corretamente o defeito.

A classificao do defeito tipo pedra utilizando a rvore de deciso fuzzy


(software FID3.4, descrito na seo 4.6) utilizou a base de dados descrita na tabela
5.2. Utilizou tambm os agrupamentos do defeito do tipo pedra descritos na tabela
5.1.
O software FID3.4 utiliza trs arquivos para construir a rvore de deciso
fuzzy: arquivo dos eventos (data.dat), arquivo de atributos (data.attrs) e o arquivo de
parmetros (par.template). O arquivo de eventos a base de dados descrita na
tabela 5.2 no formato .dat. O arquivo de atributos descreve os limites e funes dos
atributos utilizados para construo da rvore. A tabela 5.6 mostra os atributos e a
configurao utilizada para o defeito tipo pedra. Nesta tabela a informao do tipo de
atributo est preenchida com o valor 1, este valor corresponde a um atributo
numrico que ser particionado linearmente (funo de pertinncia triangular e
trapezoidal, figuras d.5. e d.7). Os limites das variveis para o particionamento e o
nmero de parties foram obtidos aps a anlise da descrio do funcionamento da
fbrica da NOVOVIDRO (PINA, 2002; PINA; LIMA, 2002; SINDEPEDIP, 2000).

O arquivo de parmetros informa ao software FID3.4 as diversas informaes


sobre a construo da rvore de deciso fuzzy, como os valores mnimos da

Captulo 5 - Resultados e Anlise

66

entropia, ganho de informao da rvore, critrio de parada do crescimento da


rvore, testes, nome dos arquivos de sada etc. Um exemplo do formato desse
arquivo mostrado no anexo A.
Tabela 5.6 - Configuraes dos atributos para os defeitos da base de dados da NOVOVIDRO
Nmero de atributos = 9
Nome do
Tipo de
Valor mnimo do Valor mximo do Num. de termos do
atributo
atributo
atributo
atributo
atributo
Extrao
1 (linear)
0
480
3
TRec1
1 (linear)
235
311
3
TRec2
1 (linear)
211
334
2
TAbbada
1 (linear)
1469
1505
2
TFuso
1 (linear)
1294
1340
2
TAfinagem
1 (linear)
1320
1340
2
qGN
1 (linear)
83
132
2
T1
1 (linear)
1414
1480
4
T2
1 (linear)
1445
1506
4

Aps a parametrizao do software FID3.4, este criou a rvore de deciso


fuzzy mostrada no anexo A. Alm da rvore o programa criou o arquivo
testpedranf13.file onde esto os resultados obtidos nos testes da rvore de deciso
fuzzy, esse arquivo est descrito no anexo A. No anexo A descreve o arquivo
pedranf13.attrs.gen onde esto as parties finais dos atributos da rvore. A figura
5.3 mostra um exemplo da partio final gerada pelo software FID3.4 no atributo
Extrao para a classificao do defeito tipo pedra. Na figura 5.3 mostrado que o
software fez um particionamento linear utilizando formas trapezoidais, descritas no
apndice D.
Partio do atributo Extrao

Extrao1

Grau de pertinncia

Extrao2
Extrao3

1,2
1
0,8
0,6
0,4
0,2
0

50

100 150 200 250 300 350 400 450 500 550

Extrao
Figura 5.3 - Grfico da partio do atributo Extrao para a classificao do defeito do tipo
pedra NOVOVIDRO

O atributo extrao foi dividido em trs termos extrao1, extrao2 e


extrao3, a rvore utilizou esse particionamento para determinar o grau de

Captulo 5 - Resultados e Anlise

67

pertinncia do atributo extrao nas diversas divises efetuadas na rvore de


deciso fuzzy.
A tabela 5.7 traz os resultados obtidos com a classificao do defeito tipo
pedra utilizando a rvore de deciso fuzzy (FID3.4).
Tabela 5.7 Resultados da rvore de Deciso Fuzzy FID3.4 para as classes de defeito
Baixo e Muito Baixo do tipo pedra NOVOVIDRO
Parmetros da varivel
Variveis
Funo
Limite
Limite
de Pertinncia
inferior
superior
106
305
Trapezoidal
Extrao
1436
1458
Trapezoidal
T1
1482
1489
Trapezoidal
T2
1487
1506
Trapezoidal direita
248
305
*
TRec 1
230
325
*
TRec 2
1475
1505
*
T Abbada
1300
1340
*
T Fuso
1320
1340
*
T Afinagem
90
130
*
qGN
0
< 24
Classe de defeito Baixo
DP
Classe de defeito Muito Baixo
Obs: * atributos no utilizados pelo FID3.4 na rvore de deciso final.

Os resultados da classificao da rvore de Deciso Fuzzy FID3.4


mostrados na tabela 5.7 tiveram um custo de validao cruzada de 25,67 %, erro
padro de 2,96% e um custo de resubstituio de 15,40%. A rvore implementada
no software FID3.4 teve custos menores que os encontrados na rvore de deciso
CART (tabela 5.4). Alm dos custos menores, os atributos da rvore tm agora a
sua variao associada a uma funo de pertinncia (funes trapezoidais), isso
deve permitir aos operadores do processo um ajuste mais suave nos valores das
variveis de entrada do forno de fuso.

Comparando os resultados na rvore de deciso fuzzy (tabela 5.7) com os


dados do processo de fabricao da NOVOVIDRO (tabela 5.5) verifica-se que a
rvore obteve uma boa classificao para o defeito tipo pedra e indicou que as
condies operacionais do forno permitem produzir o vidro com uma taxa satisfatria
de defeitos. Os dados da tabela 5.5 foram utilizados para testar as condies de
operao da produo do vidro no algoritmo da rvore de deciso fuzzy obtida, e
obteve-se uma classificao dos defeitos como Media (taxa de defeitos entre 24%

Captulo 5 - Resultados e Anlise

68

e 30%). A tabela 5.5 mostra que a porcentagem de defeito tipo pedra foi de 29%,
tendo, portanto a rvore classificado corretamente o defeito.

A classificao do defeito tipo pedra tambm foi estudada utilizando-se a


Teoria de Redes Neurais (algoritmo back-propagation) descrita no apndice C.
Utilizou-se o pacote de software Statistica para a gerao da rede neural do tipo
perceptrons de mltiplas camadas MLP. A base de dados utilizada foi a mesma
dos testes anteriores (tabela 5.2) e a parametrizao da rede foi feita no prprio
software Statistica, como descrito na seo 4.6.
A configurao da rede neural para o defeito tipo pedra foi de 9 neurnios na
camada de entrada, 12 neurnios na camada intermediria e 5 neurnios na
camada de sada. A figura 5.4 apresenta a topologia da rede MLP para a
classificao do defeito tipo pedra construda no pacote de software Statistica. A
rede neural teve um desempenho satisfatrio com o custo de validao cruzada de
5,93%, erro padro de 1,16% e custo de resubstituio de 1,63% para a
classificao do defeito tipo pedra.

Prof ile : MLP 9:9-11-5:1 , Index = 10


Train Perf . = 0,996000 , Select Perf . = 0,944000 , Test Perf . = 0,980000

Figura 5.4 Exemplo da topologia da Rede Neural utilizada para classificao do defeito tipo
pedra NOVOVIDRO

Captulo 5 - Resultados e Anlise

69

A tabela 5.8a mostra os limites inferiores e superiores das variveis de


entrada para a rede neural construda. Analisando os valores da tabela 5.8a pode-se
notar que o intervalo entre os limites das variveis de entrada foram maiores para a
classificao usando a rede MLP quando comparados com a rvore de deciso
CART e a rvore de deciso fuzzy FID3.4. Com o intervalo entre os limites maiores
tem-se uma classificao mais abrangente, mas todas as classes de defeito esto
contidas nessa classificao e, como foi visto anteriormente, para a operao do
processo deve-se trabalhar com defeitos nos nveis Baixo e Muito Baixo.
Utilizando-se a tabela 5.5, foi testada a rede MLP com os dados de operao da
fbrica e obteve-se como resultado uma classificao do defeito tipo pedra Mdio.
Essa classificao foi correta, pois os dados da fbrica mostram uma porcentagem
de 29% de defeito tipo pedra e a classificao Mdio caracterizada pela
porcentagem de defeitos na faixa de 24 at 30%.

Tabela 5.8a Resultados da Rede Neural MLP para a classificao do defeito tipo pedra
NOVOVIDRO
Valores da varivel
Variveis
Unidades
Limite inferior
Limite superior
Extrao
62
473
kg.h-1
T1
1414
1480
C
T2
1450
1506
C
TRec 1
234
310
C
TRec 2
219
324
C
T Abbada
1470
1505
C
T Fuso
1293
1340
C
T Afinagem
1320
1339
C
qGN
84
131
m3.h-1

Analisando as classificaes do defeito tipo pedra feitas nesta seo, atravs


da rvore de deciso CART, rvore de deciso fuzzy FID3.4 e a rede neural
(algoritmo back-propagation) pode-se dizer que os resultados foram satisfatrios. A
rede neural apresentou a melhor classificao, com os custos de validao cruzada
de 5,93%, erro padro de 1,16% e custo de resubstituio de 1,63%. Mas as rvores
de deciso, alm de obter uma classificao satisfatria do defeito permitiu a
determinao dos limites de operao das variveis do processo para a produo do
vidro, com a classificao dos defeitos em Baixo e Muito Baixo. Este ponto um

Captulo 5 - Resultados e Anlise

70

indicador de vantagem na aplicao das rvores de deciso, pois com isso pode-se
ter uma maior compresso do processo de fabricao do vidro e propor novos
procedimentos para a reduo dos defeitos.

A tabela 5.8b mostra os limites da variveis de entrada para as classificaes


utilizando a rvore deciso CART, rvore de deciso fuzzy FID3.4 e a rede
neural MLP. Na tabela 5.8b tm-se os limites inferior e superior para cada de
Inteligncia Artificial utilizada nesta tese. Os limites so para classificao do defeito
tipo pedra para as classes Baixo e Muito Baixo.

Tabela 5.8b Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4
e a rede neural MLP utilizadas nas classificaes do defeito tipo pedra
para as classes Baixo e Muito Baixo Base NOVOVIDRO
rvore CART
rvore Fuzzy
Redes Neurais
Variveis de
Limite
Limite
Limite
Limite
Limite
Limite
Entrada
Inferior
Superior
Inferior
Superior
Inferior
Superior
Extrao

80

271

106

305

62

473

T1

1435

1470

1436

1458

1414

1480

T2

1470

1495

1482

1506

1450

1506

TRec 1

248

305

248

305

234

310

TRec 2

230

325

230

325

219

324

T Abbada

1475

1505

1475

1505

1470

1505

T Fuso

1300

1340

1300

1340

1293

1340

T Afinagem

1320

1340

1320

1340

1320

1339

qGN

90

130

90

130

84

131

DP

< 24

< 24

< 24

Captulo 5 - Resultados e Anlise

71

5.1.2 Classificao do Defeito Tipo Bolha - NOVOVIDRO


Apresentam-se os resultados obtidos na classificao do defeito tipo bolha. A
primeira classificao foi feita utilizando a rvore de Deciso CART.

Para a classificao do defeito tipo bolha, as porcentagens de bolhas no vidro


produzido foram agrupadas em cinco grupos ou classes, conforme mostrado na
tabela 5.9.
Tabela 5.9 - Agrupamento do defeito do tipo bolha NOVOVIDRO
Classes
Limite Inferior
Limite Superior
da porcentagem do da porcentagem do
defeito (%)
defeito (%)
Muito Alto
34
----Alto
30
< 34
Mdio
26
< 30
Baixo
22
< 26
Muito Baixo
0
< 22

Com a utilizao dos agrupamentos da tabela 5.9, redefiniu-se a base de


dados NOVOVIDRO, assim pde-se aplicar a rvore de deciso para classificao
dos defeitos. Uma amostra da base de dados modificada est descrita na tabela 5.2.

A tabela 5.10 mostra que a melhor rvore obtida foi a de nmero 9 (marcada
com * na tabela). Conforme descrito na seo anterior, a escolha da rvore foi feita
atravs da regra do erro padro. A rvore escolhida teve um custo de validao
cruzada de 26,54%, erro padro de 1,40% e um custo de resubstituio de 16,27%.
A rvore escolhida est descrita na figura aa.2 do anexo A.

Pode-se observar no grfico da figura 5.5 o comportamento dos custos de


validao cruzada (custo CV) e de resubstituio para a sucesso de rvores
construdas pela rvore de deciso - CART para o defeito tipo bolha.

Captulo 5 - Resultados e Anlise

72

Tabela 5.10 Custos e taxa de erro envolvidos na escolha da rvore para o defeito tipo bolha
NOVOVIDRO
Custo da
Custo de
Complexidade
Nmero de Validao Cruzada
Erro Padro
Resubstituio
do N
Ns
(CV cost)
(Std. Error)
(Resub. Cost) (Node complexity)
Terminais
1
2
3
4
5
6
7
8
*9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

108
99
97
69
65
45
39
37
30
26
25
20
18
17
16
14
12
9
8
6
5
4
3
1

0,267465
0,266467
0,267465
0,267465
0,267465
0,260479
0,265469
0,269461
0,265469
0,283433
0,300399
0,300399
0,318363
0,319361
0,324351
0,324351
0,338323
0,356287
0,371257
0,393214
0,404192
0,423154
0,437126
0,650699

0,013983
0,013967
0,013983
0,013983
0,013983
0,013865
0,013950
0,014016
0,013950
0,014237
0,014482
0,014482
0,014716
0,014729
0,014789
0,014789
0,014947
0,015129
0,015263
0,015431
0,015503
0,015608
0,015670
0,015061

0,031936
0,034930
0,035928
0,063872
0,069860
0,109780
0,127745
0,134731
0,162675
0,180639
0,185629
0,211577
0,223553
0,230539
0,238523
0,255489
0,273453
0,303393
0,316367
0,350299
0,368263
0,392216
0,421158
0,650699

0,000000
0,000333
0,000499
0,000998
0,001497
0,001996
0,002994
0,003493
0,003992
0,004491
0,004990
0,005190
0,005988
0,006986
0,007984
0,008483
0,008982
0,009980
0,012974
0,016966
0,017964
0,023952
0,028942
0,114770

Captulo 5 - Resultados e Anlise

73

Cost Sequence f or Class Bolhas


Cost statistics f or successiv e trees
Selected tree denoted by *
,80
,70
,60

Cost

,50
,40
,30
,20
,10
,00
-,10

CV cost
Resub. cost

24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 *9 8 7 6 5 4 3 2 1
Tree number

Figura 5.5 - Custo das rvores construdas para o defeito tipo bolha - NOVOVIDRO

No grfico da figura 5.6 pode-se verificar que as variveis T1 (temperatura


mdia da zona de queima 1 (grau de relevncia-100%)), Extrao (grau de
relevncia-94%) e T2 (temperatura mdia da zona de queima 2 (grau de relevncia65%)) so as mais relevantes na classificao do defeito tipo bolha.

Predictor Variable Importance Rankings


Dependent v ariable: Class Bolhas
Rankings on scale f rom 0=low importance to 100=high importance
100

Ranking

80

60

40

20

T2

T1

qGN

TAfinagem

TFusao

TAbobada

TRec2

TRec1

Extrao

Predictor v ariable

Figura 5.6 - Grfico do grau de relevncia dos atributos na classificao do defeito tipo bolha
NOVOVIDRO

Captulo 5 - Resultados e Anlise

74

A anlise da rvore de deciso construda para o defeito tipo bolha mostra


que foram utilizadas as trs variveis mais prioritrias na sua construo. As
variveis temperatura mdia do ar de sada do recuperador 1 (Trec1), temperatura
mdia do ar de sada do recuperador 2 (Trec2), temperatura mdia da abbada do
forno (TAbbada), temperatura mdia de fuso (Tfuso), temperatura mdia de
afinagem (TAfinagem) e a quantidade mdia de gs natural utilizado na combusto
(qGN) no foram priorizadas pelo algoritmo CART para construir a rvore.

A tabela 5.11 traz os valores encontrados pela rvore de deciso para a


classificao do defeito tipo bolha. Os valores encontrados para as variveis de
operao do forno de fuso foram para as classes de defeito Baixo e Muito Baixo,
tendo em vista que esta a situao onde se encontra a menor quantidade de
defeitos e a melhor condio para a produo do vidro.
Tabela 5.11 - Resultados da rvore de Deciso CART para as classes de defeito Baixo e
Muito Baixo do tipo bolha NOVOVIDRO
Valores da varivel
Variveis
Unidades
Limite inferior
Limite superior
Extrao
50
373
kg.h-1
T1
1431
1457
C
T2
1468
1493
C
TRec 1
248
305
C
TRec 2
230
325
C
T Abbada
1475
1505
C
T Fuso
1300
1340
C
T Afinagem
1320
1340
C
qGN
90
130
m3.h-1
Porcen. (%) de
DB
0
< 26
bolha

Comparando os valores dos limites de operao obtidos na rvore deciso,


com os valores para uma situao operacional da fbrica da NOVOVIDRO verificase que a rvore obteve uma boa classificao para o defeito tipo bolha e indicou que
para a situao operacional da fbrica as variveis do processo de fabricao
poderiam apresentar resultados satisfatrios com relao ao defeito tipo bolha. A
tabela 5.5 mostra os valores para a situao operacional da fbrica da
NOVOVIDRO (PINA, 2002; PINA; LIMA, 2002; SINDEPEDIP, 2000) e a
classificao do defeito tipo bolha para as condies de operao da fbrica.

Captulo 5 - Resultados e Anlise

75

Para as condies operacionais da fbrica da NOVOVIDRO mostradas na


tabela 5.5 a rvore estimou a classe de defeitos tipo bolha como Baixo (22% at
26% de defeitos), mas as condies operacionais da fbrica indicam uma taxa de
20%. A taxa de 20% corresponde classificao de defeitos tipo bolha Muito
Baixo. Apesar das taxas de custos e erro da rvore estarem satisfatrias para a
classificao, para as condies operacionais no houve uma classificao correta.
Pode-se atribuir a classificao incorreta aos agrupamentos dos defeitos descritos
na tabela 5.9, os quais feitos em funo de informaes empricas do processo e
talvez um novo particionamento possa melhorar o resultado da rvore. Para a
aplicao da rvore na produo do vidro a classificao do defeito tipo bolha em
Baixo ao invs de Muito Baixo no teria um custo alto, pois foi considerado que
para a produo do vidro uma taxa de defeitos tipo bolha Baixo ou Muito Baixo
satisfatrio para a produo.

A classificao do defeito tipo bolha utilizando a rvore de deciso fuzzy


utilizou a base de dados descrita na tabela 5.2. Utilizou tambm os agrupamentos do
defeito tipo bolha descrito na tabela 5.9.

Como descrito anteriormente, o software FID3.4 utiliza trs arquivos para


construir a rvore de deciso fuzzy. Os arquivos so: arquivo dos eventos (data.dat),
arquivo de atributos (data.attrs) e o arquivo de parmetros (par.template). O arquivo
de eventos a base de dados descrita na tabela 5.2 no formato .dat. O arquivo de
atributos descreve os atributos utilizados para construo da rvore. A tabela 5.6
mostra os atributos e a configurao utilizada para o defeito do tipo bolha. Os limites
das variveis para o particionamento e o nmero de parties foram obtidos aps a
anlise da descrio do funcionamento da fbrica da NOVOVIDRO (PINA, 2002;
PINA; LIMA, 2002; SINDEPEDIP, 2000).

A tabela 5.12 traz os resultados obtidos com a classificao do defeito tipo


bolha utilizando a rvore de deciso fuzzy (FID3.4).

Captulo 5 - Resultados e Anlise

76

Tabela 5.12 - Resultados da rvore de Deciso Fuzzy FID3.4 para as classes de defeito
Baixo e Muito Baixo do tipo bolha NOVOVIDRO
Parmetros da varivel
Variveis
Funo
Limite
Limite
de Pertinncia
inferior
superior
76
416
Trapezoidal
Extrao
1438
1451
Trapezoidal
T1
1484
1485
Trapezoidal
T2
1485
1502
Trapezoidal
272
288
Trapezoidal
TRec 1
230
325
*
TRec 2
1475
1505
*
T Abbada
1300
1340
*
T Fuso
1320
1340
*
T Afinagem
90
130
*
qGN
0
< 26
Classe de defeito Baixo
DB
Classe de defeito Muito Baixo
Obs: * atributos no utilizados pelo FID3.4 na rvore de deciso final.

Os resultados da classificao da rvore de deciso fuzzy mostrados na


tabela 5.12 teve um custo de validao cruzada de 24,74%, erro padro de 3,24% e
custo de resubstituio de 20,84%. Os custos da rvore de deciso fuzzy FID3.4
para o defeito tipo bolha foram satisfatrios, mas o erro padro aumentou se
comparado ao erro da rvore de deciso CART. Esse aumento do erro padro
deve-se ao aumento das faixas das variveis (tabela 5.12), o qual provocou um
maior nmero de classificaes incorretas para o defeito do tipo bolha. Apesar dos
custos maiores, os atributos da rvore tm agora a sua variao associada a uma
funo de pertinncia (funes trapezoidais), o que deve permitir aos operadores do
processo um ajuste mais suave nos valores das variveis de entrada do forno de
fuso.
Comparando os resultados na rvore de deciso fuzzy FID3.4 (tabela 5.12)
com os dados do processo de fabricao da NOVOVIDRO (tabela 5.5) obteve-se
uma classificao do defeito como Baixo (taxa de defeitos entre 22% e 26%).
Pode-se notar que ocorreu com a rvore de deciso fuzzy o mesmo erro de
classificao, pois para as condies operacionais da fbrica tem-se taxa de defeito
do tipo bolha de 20% (defeito Muito Baixo). Como descrito anteriormente, na
produo do vidro as taxas de defeito Baixo e Muito Baixo so satisfatrias para a
fabricao do vidro na NOVOVIDRO.

Captulo 5 - Resultados e Anlise

77

A classificao do defeito tipo bolha tambm foi estudada utilizando-se a


Teoria de Redes Neurais (algoritmo back-propagation) descrita no apndice C.
Utilizou-se o pacote de software Statistica para a gerao da rede neural do tipo
perceptrons de mltiplas camadas MLP.

A configurao da rede neural para o defeito do tipo bolha foi de 9 neurnios


na camada de entrada, 20 neurnios na camada intermediria e 5 neurnio na
camada de sada. A rede neural apresentou um custo de validao cruzada de
21,95%, erro padro de 1,16% e um custo de resubstituio de 8,93%.
A tabela 5.13a mostra os limites inferiores e superiores das variveis de
entrada para a rede neural construda.
Tabela 5.13a - Resultados da Rede Neural MLP para a classificao do defeito tipo bolha NOVOVIDRO
Valores da varivel
Variveis
Unidades
Limite inferior
Limite superior
Extrao
46
555
kg.h-1
T1
1414
1480
C
T2
1447
1501
C
TRec 1
240
310
C
TRec 2
224
330
C
T Abbada
1469
1502
C
T Fuso
1295
1340
C
T Afinagem
1320
1339
C
qGN
83
132
m3.h-1

Os testes com as condies operacionais da fbrica classificaram o defeito


tipo bolha como Muito Baixo (porcentagem de defeito de 0,00% at 22%). A tabela
5.5 mostra que a porcentagem de defeito do tipo bolha na fbrica foi de 20%, tendo,
portanto a rede classificado corretamente o defeito.

Analisando as classificaes do defeito tipo bolha feitas nesta seo, atravs


da rvore de deciso CART, rvore de deciso fuzzy FID3.4 e a rede neural
(algoritmo back-propagation) pode-se dizer que os resultados foram satisfatrios
apesar dos custos de validao cruzada e resubstituio terem sidos maiores que os
encontrados na classificao do defeito tipo pedra. A rede neural apresentou a
melhor classificao, com os custos de validao cruzada de 21,95%, erro padro
de 1,16% e custo de resubstituio de 8,93%. Apesar dos menores custos na
classificao a rede neural tem uma tendncia a apresentar uma super-

Captulo 5 - Resultados e Anlise

78

aprendizagem dos dados (overfitting), pois o custo de resubstituio

foi bem

menor que o custo de validao cruzada. A classificao do defeito feita pela rvore
de deciso CART, alm de obter uma classificao satisfatria do defeito permitiu
a determinao dos limites de operao das variveis do processo para a produo
do vidro com a classificao dos defeitos em Baixo e Muito Baixo. A rvore de
deciso fuzzy FID3.4 tambm apresentou resultados satisfatrios, alm de permitir
aos operadores do processo um ajuste mais suave nos valores das variveis de
entrada do forno de fuso e conseqentemente testar novos limites de operao
tentando reduzir os defeitos.

A tabela 5.13b mostra os limites da variveis de entrada para as


classificaes utilizando a rvore deciso CART, rvore de deciso fuzzy FID3.4
e a rede neural MLP. Na tabela 5.13b tm-se os limites inferior e superior para
cada de Inteligncia Artificial utilizada nesta tese. Os limites so para classificao
do defeito tipo bolha para as classes Baixo e Muito Baixo.
Tabela 5.13b - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4
e a rede neural MLP utilizadas nas classificaes do defeito tipo bolha
para as classes Baixo e Muito Baixo Base NOVOVIDRO
Variveis de
rvore CART
rvore Fuzzy
Redes Neurais
Entrada

Limite

Limite

Limite

Limite

Limite

Limite

Inferior

Superior

Inferior

Superior

Inferior

Superior

Extrao

50

373

76,43

416,04

46

555

T1

1431

1457

1438,00

1451,15

1414

1480

T2

1468

1493

1484,33

1502,76

1447

1501

TRec 1

248

305

272

288

240

310

TRec 2

230

325

230

325

224

330

T Abbada

1475

1505

1475

1505

1469

1502

T Fuso

1300

1340

1300

1340

1295

1340

T Afinagem

1320

1340

1320

1340

1320

1339

qGN

90

130

90

130

83

132

DB

< 26

< 26

< 26

Captulo 5 - Resultados e Anlise

79

5.1.3 Classificao do Defeito Tipo Corda NOVOVIDRO


Apresentam-se os resultados obtidos na classificao do defeito tipo corda. A
primeira classificao foi feita utilizando a rvore de Deciso CART.

Para a classificao dos defeitos do tipo corda, as porcentagens de corda no


vidro produzido foram agrupadas em cinco grupos ou classes, conforme mostrado
na tabela 5.14.
Tabela 5.14 - Agrupamento do defeito tipo corda - NOVOVIDRO
Classes
Limite Inferior
Limite Superior
da porcentagem do da porcentagem do
defeito (%)
defeito (%)
Muito Alto
18
----Alto
11
< 18
Mdio
7
< 11
Baixo
5
<7
Muito Baixo
0
<5

Com a utilizao dos agrupamentos da tabela 5.14, redefiniu-se a base de


dados NOVOVIDRO, assim pde-se aplicar a rvore de deciso para classificao
do defeito do tipo corda. Uma amostra da base de dados modificada est descrita na
tabela 5.2.

A tabela 5.15 mostra que a melhor rvore obtida foi a de nmero 9 (marcada
com * na tabela). Na figura 5.7 mostrado o grfico do custo de validao cruzada e
custo de resubstituio.

A classificao do defeito do tipo corda apresentou um custo de validao


cruzada de 25,60%, um erro padro 1,38% e um custo de resubstituio 13,00%.

Captulo 5 - Resultados e Anlise

80

Tabela 5.15 - Custos e taxa de erro envolvido na escolha da rvore para o defeito tipo corda
NOVOVIDRO
Complexidade
Custo de
Nmero de
Custo da
do n
Erro padro
Resubstituio
Ns
Validao cruzada
(Node
(Std. Error)
(Resub.Cost)
Terminais
(CV cost)
complexty)
118
0,268000
0,014006
0,039000
0,000000
1
112
0,268000
0,014006
0,041000
0,000333
2
106
0,268000
0,014006
0,044000
0,000500
3
103
0,268000
0,014006
0,046000
0,000667
4
77
0,268000
0,014006
0,072000
0,001000
5
73
0,266000
0,013973
0,077000
0,001250
6
69
0,258000
0,013836
0,083000
0,001500
7
66
0,258000
0,013836
0,088000
0,001667
8
*9
45
0,256000
0,013801
0,130000
0,002000
41
0,275000
0,014120
0,142000
0,003000
10
39
0,275000
0,014120
0,149000
0,003500
11
27
0,275000
0,014120
0,197000
0,004000
12
25
0,281000
0,014214
0,206000
0,004500
13
22
0,281000
0,014214
0,220000
0,004667
14
20
0,279000
0,014183
0,230000
0,005000
15
18
0,289000
0,014335
0,241000
0,005500
16
16
0,314000
0,014677
0,253000
0,006000
17
15
0,339000
0,014969
0,261000
0,008000
18
14
0,345000
0,015032
0,271000
0,010000
19
9
0,352000
0,015103
0,324000
0,010600
20
8
0,364000
0,015215
0,336000
0,012000
21
7
0,404000
0,015517
0,351000
0,015000
22
4
0,445000
0,015715
0,415000
0,021333
23
3
0,458000
0,015756
0,444000
0,029000
24
2
0,571000
0,015651
0,566000
0,122000
25
1
0,711000
0,014335
0,711000
0,145000
26

Captulo 5 - Resultados e Anlise

81

Cost Sequence f or Class Cordas


Cost statistics f or successiv e trees
Selected tree denoted by *
,80
,70
,60

Cost

,50
,40
,30
,20
,10
,00
-,10
26
25
24
23
22
21
20
19
18
17
16
15
14
13
12
11
10
*9
8
7
6
5
4
3
2
1

CV cost
Resub. cost

Tree number

Figura 5.7 - Custo das rvores construdas para o defeito tipo corda - NOVOVIDRO

No grfico da figura 5.8 pode-se verificar que as variveis T2 (temperatura


mdia da zona de queima 2 (grau de relevncia-100%)), Extrao (grau de
relevncia-98%), T1 (temperatura mdia da zona de queima 1 (grau de relevncia82%)) e TRec1 (temperatura mdia do ar de sada do recuperador 1 (grau de
relevncia-51%)) so as mais relevantes na classificao do defeito tipo corda.

Predictor Variable Importance Rankings


Dependent v ariable: Class Cordas
Rankings on scale f rom 0=low importance to 100=high importance
100

Ranking

80

60

40

20

T2

T1

qGN

TAfinagem

TFusao

TAbobada

TRec2

TRec1

Extrao

Predictor v ariable

Figura 5.8 - Grfico do grau de relevncia dos atributos na classificao do defeito tipo corda
NOVOVIDRO

Captulo 5 - Resultados e Anlise

82

A anlise da rvore de deciso construda para o defeito do tipo corda mostra


que foram utilizadas as quatro variveis mais prioritrias na sua construo. As
variveis temperatura mdia do ar de sada do recuperador 2 (Trec2), temperatura
mdia da abbada do forno (TAbbada), temperatura mdia de fuso (Tfuso),
temperatura mdia de afinagem (TAfinagem) e a quantidade mdia de gs natural
utilizado na combusto (qGN) no foram utilizadas pelo algoritmo CART para
construo da rvore.

A tabela 5.16 traz os valores encontrados pela rvore de deciso para a


classificao do defeito tipo corda. Os valores encontrados para as variveis de
operao do forno de fuso foram para as classes dos defeitos Baixo e Muito
Baixo, tendo em vista que esta a situao onde se encontra a menor quantidade
de defeito tipo corda e a melhor condio para produo do vidro.
Tabela 5.16 - Resultados da rvore de Deciso CART para as classes de defeito Baixo e
Muito Baixo do tipo corda NOVOVIDRO
Valores da varivel
Variveis
Unidades
Limite inferior
Limite superior
Extrao
62
452
kg.h-1
T1
1426
1476
C
T2
1482
1495
C
TRec 1
248
305
C
TRec 2
230
325
C
T Abbada
1475
1505
C
T Fuso
1300
1340
C
T Afinagem
1320
1340
C
qGN
90
130
m3.h-1
DC
0
<7
Porcen. (%) de
corda

Comparando-se os valores dos limites de operao obtidos na rvore de


deciso, com os valores para uma situao operacional da fbrica da
NOVOVIDRO, verifica-se que a rvore obteve uma boa classificao para o defeito
tipo corda e indicou que para a situao operacional da fbrica as variveis do
processo de fabricao poderiam apresentar resultados satisfatrios com relao ao
defeito do tipo corda. A tabela 5.5 mostra os valores para a situao operacional da
fbrica da NOVOVIDRO (PINA, 2002; PINA; LIMA, 2002; SINDEPEDIP, 2000) e a
classificao do defeito tipo corda para as condies de operao da fbrica.

Captulo 5 - Resultados e Anlise

83

Para as condies operacionais da fbrica da NOVOVIDRO mostradas na


tabela 5.5 a rvore estimou a classe de defeitos do tipo corda como Mdia
(porcentagem de defeito do tipo corda entre 7% at 11%). A tabela 5.5 mostra que a
porcentagem de defeito tipo corda foi de 9%, tendo, portanto a rvore classificado
corretamente o defeito.

A classificao do defeito tipo corda utilizando a rvore de deciso fuzzy


FID3.4 utilizou a base de dados descrita na tabela 5.2. Utilizou tambm os
agrupamentos do defeito tipo corda descritos na tabela 5.14.

A tabela 5.17 traz os resultados obtidos com a classificao do defeito tipo


corda utilizando a rvore de deciso fuzzy - FID3.4.
Tabela 5.17 - Resultados da rvore de Deciso Fuzzy FID3.4 para as classes de defeito
Baixo e Muito Baixo do tipo corda NOVOVIDRO
Parmetros da varivel
Variveis

Extrao
T1
T2
TRec 1
TRec 2
T Abbada
T Fuso
T Afinagem
qGN
DC

Limite

Limite

Funo

inferior

superior

de Pertinncia

171
1415
1482
1490
235
211
1469
1294
1320
83
0

357
1442
1495
1506
311
340
1505
1340
1340
132
<7

Trapezoidal
Trapezoidal
Trapezoidal
Trapezoidal direita
*
*
*
*
*
*
Classe de defeito Baixo
Classe de defeito Muito Baixo

Obs: * atributos no utilizados pelo FID3.4 na rvore de deciso final.

Os resultados da classificao da rvore de deciso fuzzy mostrados na


tabela 5.17 tiveram um custo de validao cruzada 28,45%, erro padro de 2,12% e
custo de resubstituio de 24,36%.

A tabela 5.5 foi utilizada para testar as condies operacionais da fbrica na


rvore de deciso fuzzy, tendo-se obtido uma classificao dos defeitos como
Mdia (taxa de defeitos entre 7% e 11%). A tabela 5.5 mostra que a porcentagem

Captulo 5 - Resultados e Anlise

84

de defeito do tipo corda foi de 9%, tendo, portanto a rvore classificado corretamente
o defeito.

A classificao do defeito do tipo corda tambm foi estudada utilizando-se a


Teoria de Redes Neurais (algoritmo back-propagation). A configurao da rede
neural para o defeito tipo corda foi de 9 neurnios na camada de entrada, 12
neurnios na camada intermediria e 5 neurnios na camada de sada. A tabela
5.18a mostra os resultados da rede neural MLP para a classificao do defeito tipo
corda.
Tabela 5.18a - Resultados da Rede Neural MLP para a classificao do defeito tipo corda NOVOVIDRO
Valores da varivel
Variveis
Unidades
Limite inferior
Limite superior
Extrao
60
455
kg.h-1
T1
1413
1476
C
T2
1447
1502
C
TRec 1
240
310
C
TRec 2
224
330
C
T Abbada
1469
1502
C
T Fuso
1295
1340
C
T Afinagem
1320
1339
C
qGN
83
129
m3.h-1

A base de dados utilizada foi a base descrita na tabela 5.2 e a parametrizao


da rede feita no prprio software, como descrito na seo 4.6. A rede neural
apresentou um custo de validao cruzada de 8%, erro padro de 0,43% e custo de
resubstituio de 3,09%.

Os testes na rede neural com as condies operacionais da fbrica


classificaram o defeito tipo corda como Mdio (porcentagem de defeitos de 7% at
11%). A tabela 5.5 mostra que a porcentagem de defeito do tipo corda na fbrica foi
de 9%, tendo, portanto a rede classificado corretamente o defeito.

Analisando as classificaes do defeito tipo corda feitas nesta seo, atravs


da rvore de deciso CART e rvore de deciso fuzzy FID3.4 apesar da
classificao correta, essas classificaes apresentaram um custo de validao
cruzada alto. A rede neural (algoritmo back-propagation) apresentou a melhor
classificao, com os custos de validao cruzada de 8,00%, erro padro de 0,43%

Captulo 5 - Resultados e Anlise

85

e custo de resubstituio de 3,09%. Alm dos custos reduzidos a rede neural no


apresentou uma tendncia a super-aprendizagem (overfitting) dos dados.
A tabela 5.18b mostra os limites da variveis de entrada para as
classificaes utilizando a rvore deciso CART, rvore de deciso fuzzy FID3.4
e a rede neural MLP. Na tabela 5.18b tm-se os limites inferior e superior para
cada de Inteligncia Artificial utilizada nesta tese. Os limites so para classificao
do defeito tipo corda para as classes Baixo e Muito Baixo.

Tabela 5.18b - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4
e a rede neural MLP utilizadas nas classificaes do defeito tipo corda
para as classes Baixo e Muito Baixo Base NOVOVIDRO
Variveis de
rvore CART
rvore Fuzzy
Redes Neurais
Entrada

Limite

Limite

Limite

Limite

Limite

Limite

Inferior

Superior

Inferior

Superior

Inferior

Superior

Extrao

62

452

171,87

357,24

60

455

T1

1426

1476

1415,00

1442,00

1413

1476

T2

1482

1495

1482,00

1506

1447

1502

TRec 1

248

305

235

311

240

310

TRec 2

230

325

211

340

224

330

T Abbada

1475

1505

1469

1505

1469

1502

T Fuso

1300

1340

1294

1340

1295

1340

T Afinagem

1320

1340

1320

1340

1320

1339

qGN

90

130

83

132

83

129

DC

<7

<7

<7

A tabela 5.18c mostra os resultados das classificaes dos defeitos tipo


pedra, bolha e corda para os valores operacionais da fbrica da NOVOVIDRO.
Tabela 5.18c - Resultado da classificao dos defeitos tipo pedra, bolha e corda para os
valores operacionais da fbrica da NOVOVIDRO
Tipo de defeito Classificao real
rvore CART
rvore Fuzzy
Redes Neurais
DP

Mdia (29)

Mdia

Mdia

Mdia

DB

Muito Baixa (20)

Baixa

Baixa

Muito Baixa

DC

Mdia (9)

Mdia

Mdia

Mdia

Captulo 5 - Resultados e Anlise

86

5.2 Base de dados VIDROS PARA EMBALAGENS.


Nesta seo descrevem-se os resultados da classificao aplicados base
de dados Vidros para Embalagens. Um exemplo da base de dados Vidros para
Embalagens est mostrada na tabela 5.19, a base tem 368 amostras. As variveis
de entrada so o xido de ferro, o coque, a pirita, o sulfato de sdio, REDOX e a
extrao do vidro no forno de fuso. No apndice A tm-se o detalhamento da
composio qumica dessas matrias-primas. Nesta base de dados verifica-se que
os defeitos esto relacionados com as matrias primas utilizadas na fabricao do
vidro. Para a utilizao da base de dados foram feitos agrupamentos dos defeitos
que sero descritos nas sub-sees seguintes.

5.2.1 Classificao do Defeito Tipo Pedra Vidros para Embalagens


Para a classificao do defeito tipo pedra utilizou-se o nmero de ocorrncias
desse defeito no processo de fabricao do vidro para embalagens (tabela 5.19). Os
defeitos tipo pedra foram agrupados em cinco classes. A tabela 5.20 mostra os
agrupamentos para este tipo de defeito.

A rvore escolhida como a melhor, analisando-se os custos e o tamanho da


rvore, foi rvore de nmero 3, utilizando-se a regra do erro padro descrita na
seo 5.1. A tabela 5.21 mostra os custos de validao cruzada, resubstituio, alm
do erro padro e a complexidade dos ns. Pode-se verificar que a rvore de nmero
3 apresenta um custo de validao cruzada (custo CV) de 36,79%, um erro padro
de 2,52% e um custo de resubstituio de 16,89%.

Na figura aa.4 do anexo A tem-se o fluxograma da rvore de deciso


construda pelo CART para o defeito tipo pedra utilizando-se a base de dados
Vidros para Embalagens.

Captulo 5 - Resultados e Anlise

87

Tabela 5.19 - Amostra da base de dados Vidros para Embalagens com os agrupamentos dos
defeitos tipos pedra, bolha e transmitncia da luz no vidro

Captulo 5 - Resultados e Anlise

88

Tabela 5.20 - Agrupamento do defeito tipo pedra - Vidros para Embalagens


Limite Inferior
Limite Superior
Classes
(nmero de
(nmero de
ocorrncias)
ocorrncias)
Muito Alto
4200
----Alto
3614
< 4200
Mdio
2700
< 3614
Baixo
1200
< 2700
Muito Baixo
0
< 1200

Tabela 5.21 - Custos e taxa de erro envolvidos na escolha da rvore para classificao do
defeito tipo pedra - Vidros para Embalagens
Complexidade
Nmero de
Custo da
Erro
Custo de
do n
Ns
validao cruzada
Padro
Resubtituio
(Node
Terminais
(CV cost)
(Std. Error)
(Resub.Cost)
complexty)
73
0,348774
0,024877
0,098093
0,000000
1
55
0,367847
0,025172
0,147139
0,002725
2
*3
48
0,367847
0,025172
0,168937
0,003114
44
0,414169
0,025712
0,185286
0,004087
4
32
0,414169
0,025712
0,239782
0,004541
5
20
0,446866
0,025952
0,305177
0,005450
6
14
0,476839
0,026072
0,359673
0,009083
7
11
0,501362
0,026100
0,392371
0,010899
8
8
0,558583
0,025920
0,435967
0,014532
9
5
0,599455
0,025578
0,501362
0,021798
10
3
0,629428
0,025210
0,550409
0,024523
11
2
0,681199
0,024326
0,618529
0,068120
12
1
0,711172
0,023658
0,711172
0,092643
13

Na figura 5.9 tem-se o grfico do custo de validao cruzada e custo de


resubstituio para o defeito tipo pedra para a base de dados Vidros para
Embalagens.

A figura 5.10 mostra os graus de relevncia dos atributos da rvore de


Deciso - CART. Os atributos com maior relevncia foram a Extrao (grau de
relevncia de 100%), o xido de ferro (grau de relevncia de 83%), a Pirita (grau
de relevncia de 75%) e o Sulfato de Sdio (grau de relevncia de 73%). Pode-se
notar na figura 5.10 que as diferenas entre os graus de relevncia dos atributos no
so grandes, informando a distribuio uniforme da interferncia das matrias
primas na ocorrncia do defeito tipo pedra na produo do vidro.

Captulo 5 - Resultados e Anlise

89
Cost Sequence f or Pedras01
Cost statistics f or successiv e trees
Selected tree denoted by *

,80
,70
,60

Cost

,50
,40
,30
,20
,10
0,00
13

12

11

10

*3

CV cost
Resub. cost

Tree number

Figura 5.9 Custo das rvores construdas para classificao do defeito tipo pedra - Vidros
para Embalagens

Predictor Variable Importance Rankings


Dependent v ariable: Pedras01
Rankings on scale f rom 0=low importance to 100=high importance
100

Ranking

80

60

40

Extrao

REDOX

S Sdio

Pirita

Coque

O ferro

20

Predictor v ariable

Figura 5.10 - Grfico do grau de relevncia dos atributos para o defeito tipo pedra Vidros
para Embalagens

Na tabela 5.22 tm-se os resultados da rvore de deciso CART para o


defeito tipo pedra para a base de dados Vidros para Embalagens.

Captulo 5 - Resultados e Anlise

90

Tabela 5.22 - Resultados da rvore de Deciso CART para as classes de defeito Baixo e
Muito Baixo do tipo pedra Vidros para Embalagens
Variveis
xido de Ferro
Coque Petrleo
Pirita
Sulfato Sdio
Redox
Extrao
Pedra

Valores da varivel
Limite inferior
Limite superior
3,25
3,74
0,21
1,30
0,52
0,55
3,90
4,50
18,59
23,55
72
78
0
< 2700

Unidades
kg
kg
kg
kg
ndice
T.dia-1
Nmero de
pedras

Na tabela 5.23 tm-se os valores das matrias-primas utilizadas na


fabricao do vidro tipo mbar para a base de dados Vidros para Embalagens.
Tabela 5.23 - Valores das matrias-primas utilizadas no processo de fabricao do vidro tipo
mbar Vidros para Embalagens
Variveis
Valores da varivel
Unidades
xido de Ferro
3,31
kg
Coque Petrleo
1,23
kg
Pirita
0,45
kg
Sulfato Sdio
4,34
kg
Redox
21,32
ndice
Extrao
74
T.dia-1
Pedra
3314
Nmero de pedras
Bolha
14
Nmero de bolhas
Transmitncia da Luz
30
ndice da transmitncia

Para as condies operacionais da fbrica da Vidros para Embalagens


mostradas na tabela 5.23, a rvore estimou a classe de defeito tipo pedra como
Mdia (nmero de defeito do tipo pedra de 2700 at 3614). A tabela 5.23 mostra
que o nmero de defeitos tipo pedra foi de 3314, tendo, portanto a rvore
classificado corretamente o defeito.

A classificao do defeito do tipo pedra utilizando a rvore de deciso fuzzy


FID3.4 utilizou a base de dados descrita na tabela 5.19. Utilizou tambm os
agrupamentos do defeito tipo pedra descritos na tabela 5.20.

A tabela 5.24 traz os resultados obtidos com a classificao do defeito tipo


pedra utilizando a rvore de deciso fuzzy - FID3.4.

Captulo 5 - Resultados e Anlise

91

Tabela 5.24 - Resultados da rvore de Deciso Fuzzy FID3.4 para as classes de defeito
Baixo e Muito Baixo do tipo pedra - Vidros para Embalagens
Parmetros da varivel
Variveis
Funo
Limite
Limite
de Pertinncia
inferior
superior
xido de Ferro
2,08
3,78
*
Coque Petrleo
0,21
1,30
*
Pirita

0,31

0,39

Sulfato Sdio
Redox
Extrao
Pedra

4,13
18,59
75
0

4,50
23,55
78
< 2700

Trapezoidal

Trapezoidal direita
*
Trapezoidal
Classe de defeito Baixo
Classe de defeito Muito Baixo
Obs: * atributos no utilizados pelo FID3.4 na rvore de deciso final.

Os resultados da rvore de deciso fuzzy FID3.4 mostrados na tabela 5.24


tiveram um custo de validao cruzada de 28,26%, erro padro de 1,89% e custo de
resubstituio de 26,81%.

Para as condies operacionais da fbrica de Vidros para Embalagens


mostradas na tabela 5.23 a rvore estimou a classe de defeitos do tipo pedra como
Mdia. A tabela 5.23 mostra que o nmero de defeito do tipo pedra foi de 3314,
tendo, portanto a rvore classificado corretamente o defeito.

A classificao do defeito tipo pedra tambm foi estudada utilizando-se a


Teoria de Redes Neurais (algoritmo back-propagation). A base de dados utilizada foi
a mesma dos testes anteriores (tabela 5.19) e a parametrizao da rede feita no
prprio software como descrito na seo 4.6. A rede neural apresentou um custo
de validao cruzada de 43,26% , erro padro de 2,21% e o custo de resubstituio
de 37,32% para classificao do defeito tipo pedra. A rede neural apresentou uma
topologia MLP de 6 neurnios na camada de entrada, 10 neurnios na camada
intermediria e 5 na camada de sada. Utilizando-se os dados de fabricao do
vidro na entrada da rede MLP encontrou-se uma classificao do defeito tipo pedra
de Mdia. A tabela 5.23 mostra que o nmero de defeito do tipo pedra foi de 3314,
tendo, portanto a rede classificado corretamente o defeito.

Captulo 5 - Resultados e Anlise

92

A tabela 5.25a mostra os limites utilizados na rede neural para a


classificao do defeito tipo pedra.
Tabela 5.25a - Resultados da Rede Neural MLP para a classificao do defeito tipo pedra Vidros para Embalagens
Valores da varivel
Variveis
Unidades
Limite inferior
Limite superior
xido de Ferro
2,08
3,78
kg
Coque Petrleo
0,21
1,30
kg
Pirita
0,20
0,60
kg
Sulfato Sdio
3,90
4,50
kg
Redox
18,59
23,55
ndice
Extrao
62
85
T.dia-1

Analisando as classificaes do defeito tipo pedra feitas nesta seo, atravs


da rvore de deciso CART, rvore de deciso fuzzy FID3.4 e a rede neural
(algoritmo back-propagation) apresentaram valores altos para os custos de validao
cruzada e resubstituio, apesar das classificaes corretas os custos de validao
cruzada e resubstituio da rede neural foram os mais altos 43,26% e 37,32%
respectivamente. Apesar dos resultados das classificaes no apresentarem
resultados to satisfatrios como os encontrados na seo anterior, pode-se notar
que a relevncia dos atributos encontradas na classificao foram coerentes com a
relevncia dada pelos operadores do processo. A experincia dos operadores da
fbrica indica que a variao da extrao, principalmente quando a mesma tem seu
valor aumentado, faz com que a mistura vtrea no seja homognea, ocasionando o
surgimento das pedras. O sulfato de sdio responsvel pela reduo da
temperatura de fuso das matrias primas do vidro e a sua variao pode provocar o
aumento do nmero de pedras no vidro. Em Maia (2003), o autor tambm
recomenda um controle na extrao para evitar o aparecimento das pedras. Pode-se
verificar que em Luiz (1999) o autor relaciona o nmero de pedras ao sulfato de
sdio.
A tabela 5.25b mostra os limites da variveis de entrada para as
classificaes utilizando a rvore deciso CART, rvore de deciso fuzzy FID3.4
e a rede neural MLP. Na tabela 5.25b tm-se os limites inferior e superior para
cada de Inteligncia Artificial utilizada nesta tese. Os limites so para classificao
do defeito tipo pedra para as classes Baixo e Muito Baixo.

Captulo 5 - Resultados e Anlise

93

Tabela 5.25b - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4
e a rede neural MLP utilizadas nas classificaes do defeito tipo pedra
para as classes Baixo e Muito Baixo Base Vidros para Embalagens
Variveis de
rvore CART
rvore Fuzzy
Redes Neurais
Entrada

Limite

Limite

Limite

Limite

Limite

Limite

Inferior

Superior

Inferior

Superior

Inferior

Superior

xido de Ferro

3,25

3,74

2,08

3,78

2,08

3,78

Coque Petrleo

0,21

1,30

0,21

1,30

0,21

1,30

Pirita

0,52

0,55

0,31

0,39

0,20

0,60

Sulfato Sdio

3,90

4,50

4,13

4,50

3,90

4,50

Redox

18,59

23,55

18,59

23,55

18,59

23,55

Extrao

72

78

75

78

62

85

Pedra

< 2700

< 2700

< 2700

5.2.2 Classificao do Defeito Tipo Bolha Vidros para Embalagens


Para a classificao do defeito tipo bolha utilizou-se o nmero de ocorrncias
desse defeito no processo de fabricao do vidro para embalagens (tabela 5.19). Os
defeitos tipo bolha foram agrupados em cinco classes. A tabela 5.26 mostra os
agrupamentos para este tipo de defeito.
Tabela 5.26 - Agrupamento do defeito tipo bolha - Vidros para Embalagens
Limite Inferior
Limite Superior
Classes
(nmero de
(nmero de
ocorrncias)
ocorrncias)
Muito Alto
25
----Alto
17
< 25
Mdio
10
< 17
Baixo
5
< 10
Muito Baixo
0
<5

Captulo 5 - Resultados e Anlise

94

A rvore escolhida como a melhor, analisando-se os custos e o tamanho da


rvore, foi a de nmero 10. A tabela 5.27 mostra os custos e taxa de erro envolvidas
na escolha da rvore para classificao do defeito tipo bolha. O custo de validao
cruzada foi de 59,12%, erro padro de 2,57% e custo de resubstituio de 55,31%.

Na figura aa.5 do anexo A tem-se o fluxograma da rvore de deciso


construda pelo CART para o defeito tipo bolha para a base de dados Vidros para
Embalagens.

Tabela 5.27 - Custos e taxa de erro envolvidos na escolha da rvore para classificao do
defeito tipo bolha - Vidros para Embalagens
Nmero de
Custo da
Custo de
Complexidade
Erro padro
Ns
Validao cruzada
Resubstituio
do n
(Std. Error)
Terminais
(CV cost)
(Resub.Cost) Node complexty)
47
0,621253
0,025321
0,370572
0,000000
1
44
0,613079
0,025424
0,373297
0,000908
2
38
0,613079
0,025424
0,381471
0,001362
3
33
0,613079
0,025424
0,389646
0,001635
4
29
0,602180
0,025549
0,397820
0,002044
5
24
0,596730
0,025607
0,411444
0,002725
6
20
0,585831
0,025712
0,430518
0,004768
7
15
0,588556
0,025687
0,457766
0,005450
8
13
0,583106
0,025737
0,471390
0,006812
9
*10
9
0,566757
0,025866
0,501362
0,007493
8
0,577657
0,025783
0,509537
0,008174
11
4
0,591281
0,025661
0,553134
0,010899
12
3
0,607629
0,025488
0,577657
0,024523
13
2
0,621253
0,025321
0,615804
0,038147
14
1
0,683924
0,024270
0,683924
0,068120
15

Captulo 5 - Resultados e Anlise

95

Na figura 5.11 tem se o grfico do custo de validao cruzada e custo de


resubstituio para o defeito tipo bolha para a base de dados Vidros para
Embalagens.

Cost Se quen ce for Bolhas0 1


Cost statistics for successive tr ees
Selected tree denoted by *
,80
,75
,70
,65

Cost

,60
,55
,50
,45
,40
,35
,30
15

14

13

12

11 *10

CV cost
Resub. cost

Tree number

Figura 5.11 - Custo das rvores construdas para o defeito tipo bolha Vidros para
Embalagens

A figura 5.12 mostra os graus de relevncia dos atributos da rvore de


Deciso - CART. Os atributos com maior relevncia foram o xido de ferro (grau de
relevncia de 100%), o Coque (grau de relevncia de 68%), REDOX (grau de
relevncia de 62%) e a Pirita (grau de relevncia de 56%). Pode-se notar na figura
5.10 que as diferenas entre os graus de relevncia dos atributos no so grandes,
informando a distribuio uniforme da interferncia das matrias primas na
ocorrncia do defeito tipo bolha na produo do vidro.

Captulo 5 - Resultados e Anlise

96

Predictor Variable Importance Rankings


Dep endent va riable : Bolhas01
Rankings o n scale from 0=low impo rta nce to 100 =high importan ce

100

Ranking

80

60

40

20

0
O ferro

Coque

Pirita

S Sdio

REDOX

Extrao

Predictor variable

Figura 5.12 - Grfico do grau de relevncia dos atributos para o defeito tipo bolha Vidros
para Embalagens

Na tabela 5.28 tem se os resultados da rvore de deciso CART para o


defeito tipo bolha para a base de dados Vidros para Embalagens.

Tabela 5.28 - Resultados da rvore de Deciso CART para as classes de defeito Baixo e
Muito Baixo do tipo bolha Vidros para Embalagens
Valores da varivel
Variveis
Unidades
Limite inferior
Limite superior
xido de Ferro
3,28
3,78
kg
Coque Petrleo
0,21
1,29
kg
Pirita
0,20
0,60
kg
Sulfato Sdio
3,90
4,50
kg
Redox
18,59
23,55
ndice
Extrao
76
85
T.dia-1
Bolhas
0
< 10
N. bolhas

Para as condies operacionais da fbrica de Vidros para Embalagens


mostradas na tabela 5.23, a rvore estimou a classe de defeito tipo bolha como
Mdia (nmero de defeitos do tipo bolha de 10 at 17). A tabela 5.23 mostra que o
nmero de defeito do tipo bolha foi de 14, tendo, portanto a rvore classificado
corretamente o defeito.

Captulo 5 - Resultados e Anlise

97

A classificao do defeito tipo bolha feita atravs da rvore de deciso fuzzy


FID3.4 utilizou a base de dados descrita na tabela 5.19. Utilizou-se tambm os
agrupamentos do defeito tipo bolha descritos na tabela 5.26.

A tabela 5.29 traz os resultados obtidos com a classificao do defeito tipo


bolha utilizando a rvore de deciso fuzzy - FID3.4.
Tabela 5.29 - Resultados da rvore de Deciso Fuzzy FID3.4 para as classes de defeito
Baixo e Muito Baixo do tipo bolha - Vidros para Embalagens
Parmetros da varivel
Funo
Limite
Limite
Variveis
de Pertinncia
inferior
Superior
xido de Ferro
3,48
3,78
Trapezoidal direita
Coque Petrleo

0,56

1,30

Trapezoidal

Pirita

0,31

0,46

Trapezoidal

Sulfato Sdio

4,13

4,50

Redox

19,64

21,92

Trapezoidal

Extrao

75

78

Classe de defeito Baixo


Bolhas
0
< 10
Classe de defeito Muito Baixo
Obs: * atributos no utilizados pelo FID3.4 na rvore de deciso final.

Os resultados da classificao da rvore de deciso fuzzy FID3.4 mostrados


na tabela 5.29 tiveram um custo de validao cruzada de 41,74%, erro padro de
3,72% e custo de resubstituio de 35,14%.

Comparando-se os resultados na rvore de deciso fuzzy (tabela 5.29), com


os dados de operao da fabrica de Vidros de Embalagens - WBV (tabela 5.23),
verifica-se que a rvore classificou o defeito tipo bolha como Mdio. A tabela 5.23
mostra que o nmero de defeito tipo bolha foi de 14, tendo, portanto a rvore
classificado corretamente o defeito.
A classificao do defeito tipo bolha tambm foi estudada utilizando-se a
Teoria de Redes Neurais (algoritmo back-propagation). A base de dados utilizada foi
a mesma dos testes anteriores (tabela 5.19) e a parametrizao da rede feita no
prprio software, como descrito na seo 4.6. A rede neural apresentou um custo
de validao cruzada de 47,14% , erro padro de 4,26% e custo de resubstituio de

Captulo 5 - Resultados e Anlise

98

39,32% para classificao do defeito tipo bolha. A rede neural apresentou uma
topologia MLP de 6 neurnios na camada de entrada, 20 neurnios na camada
intermediria e 5 na camada de sada. Utilizando-se os dados de fabricao do
vidro na entrada da rede MLP, encontrou-se uma classificao do defeito tipo bolha
como Mdia. A tabela 5.23 mostra que o nmero de defeito tipo bolha foi de 14,
tendo, portanto a rvore classificado corretamente o defeito.

A tabela 5.30a mostra os limites utilizados na rede neural para a


classificao do defeito tipo bolha.
Tabela 5.30a - Resultados da Rede Neural MLP para a classificao do defeito tipo bolha Vidros para Embalagens
Valores da varivel
Variveis
Unidades
Limite inferior
Limite superior
xido de Ferro
2,08
3,78
kg
Coque Petrleo
0,21
1,30
kg
Pirita
0,20
0,60
kg
Sulfato Sdio
3,90
4,50
kg
Redox
18,59
23,55
ndice
Extrao
62
85
T.dia-1

Analisando as classificaes do defeito tipo bolha feitas nesta seo, atravs


da rvore de deciso CART, rvore de deciso fuzzy FID3.4 e a rede neural
(algoritmo back-propagation) apresentaram valores altos para os custos de validao
cruzada e resubstituio, apesar das classificaes corretas os custos de validao
cruzada e resubstituio da rvore de deciso CART foram os mais altos 59,12% e
55,31% respectivamente. A relevncia dos atributos encontradas na classificao
foram coerentes com a relevncia fornecidas pelos operadores do processo. O xido
de ferro apresentou uma relevncia muita alta na ocorrncia dos defeitos do tipo
bolha, os outros atributos tiveram quase o mesmo grau de relevncia para a rvore.
Em Luiz (1999) e BEERKENS; STEINER (2002) os autores demonstram a influencia
do Oxido de Ferro no surgimento de bolhas na produo do vidro para embalagens.

A tabela 5.30b mostra os limites da variveis de entrada para as


classificaes utilizando a rvore deciso CART, rvore de deciso fuzzy FID3.4
e a rede neural MLP. Na tabela 5.30b tm-se os limites inferior e superior para
cada de Inteligncia Artificial utilizada nesta tese. Os limites so para classificao
do defeito tipo bolha para as classes Baixo e Muito Baixo.

Captulo 5 - Resultados e Anlise

99

Tabela 5.30b - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4
e a rede neural MLP utilizadas nas classificaes do defeito tipo bolha
para as classes Baixo e Muito Baixo Base Vidros para Embalagens
rvore CART
rvore Fuzzy
Redes Neurais
Variveis de Entrada

Limite

Limite

Limite

Limite

Limite

Limite

Inferior

Superior

Inferior

Superior

Inferior

Superior

xido de Ferro

3,28

3,78

3,48

3,78

2,08

3,78

Coque Petrleo

0,21

1,29

0,56

1,30

0,21

1,30

Pirita

0,20

0,60

0,31

0,46

0,20

0,60

Sulfato Sdio

3,90

4,50

4,13

4,50

3,90

4,50

Redox

18,59

23,55

19,64

21,92

18,59

23,55

Extrao

76

85

75

78

62

85

Bolhas

< 10

< 10

< 10

5.2.3 Classificao da Transmitncia da Luz no vidro Vidros para


Embalagens
Para a classificao da transmitncia da luz no vidro do tipo mbar utilizouse s medies feitas durante o processo de fabricao do vidro para embalagens
descrito no apndice A. As medies esto registradas na base de dados (tabela
5.19) do processo de fabricao do vidro para embalagens da fbrica WBV.

Os valores da transmitncia da luz no vidro foram agrupados em cinco


classes. A tabela 5.31 mostra os agrupamentos para os valores da transmitncia da
luz no vidro tipo mbar.

Captulo 5 - Resultados e Anlise

100

Tabela 5.31 - Agrupamento dos valores da Transmitncia da Luz (vidro tipo mbar) - Vidros
para Embalagens
Limite Inferior
Limite Superior
Classes
(ndice da transmitncia)
(ndice da transmitncia)
Muito Alto
35
----Alto
31
< 35
Mdio
27
< 31
Baixo
22
< 27
Muito Baixo
0
< 22

A rvore escolhida como a melhor, analisando-se os custos e o tamanho da


rvore, foi a de nmero 6. A tabela 5.32 mostra os custos e taxa de erro da rvore
escolhida, a qual apresentou um custo de validao cruzada de

30,33%, erro

padro de 2,40% e um custo de resubstituio de 22,55%.

Na figura aa.6 do anexo A tem-se o fluxograma da rvore de deciso


construda pelo CART para a Transmitncia da Luz utilizou-se a base de dados
Vidros para Embalagens.

Na figura 5.13 tem se o grfico do custo de validao cruzada e custo de


resubstituio para a classificao da transmitncia da luz.
Tabela 5.32 - Custos e taxa de erro envolvidos na escolha da rvore para classificao da
Transmitncia da Luz - Vidros para Embalagens

1
2
3
4
5
*6
7
8
9
10
11
12
13

Nmero de
Ns
Terminais

Custo da
validao cruzada
(CV cost)

Erro
Padro
(Std. Error)

Custo de
Resubtituio
(Resub.Cost)

Complexidade
do n
(Node complexty)

68
64
62
39
25
21
17
14
13
8
5
3
1

0,239130
0,239130
0,252717
0,277174
0,304348
0,304348
0,336957
0,345109
0,375000
0,385870
0,415761
0,456522
0,510870

0,022236
0,022236
0,022654
0,023333
0,023986
0,023986
0,024640
0,024782
0,025237
0,025376
0,025692
0,025966
0,026058

0,081522
0,084239
0,086957
0,149457
0,203804
0,225543
0,252717
0,274457
0,282609
0,336957
0,385870
0,445652
0,510870

0,000000
0,000679
0,001359
0,002717
0,003882
0,005435
0,006793
0,007246
0,008152
0,010870
0,016304
0,029891
0,032609

Captulo 5 - Resultados e Anlise

101

Cost Sequence f or Transmitncia da Luz


Cost statistics f or successiv e trees
Selected tree denoted by *
,60

,50

Cost

,40

,30

,20

,10

0,00
13

12

11

10

*6

CV cost
Resub. cost

Tree number

Figura 5.13 - Custo das rvores construdas para a classificao da transmitncia da luz Vidros para Embalagens

A figura 5.14 mostra os graus de relevncia dos atributos da rvore de


Deciso CART para a classificao da transmitncia da luz no vidro.

Os atributos com maior relevncia para classificao da transmitncia da luz


no vidro tipo mbar foram o REDOX (grau de relevncia de 100%), o xido de
ferro (grau de relevncia de 93%), o Coque (grau de relevncia de 93%) e o Sulfato
de Sdio (grau de relevncia de 86%). Pode-se notar na figura 5.14 que as
diferenas entre os graus de relevncia dos atributos no so grandes, informando a
distribuio uniforme da interferncia das matrias primas na transmitncia da luz no
vidro tipo mbar.

Captulo 5 - Resultados e Anlise

102
Predictor Variable Importance Rankings
Dependent v ariable: Transmitncia da Luz

Rankings on scale f rom 0=low importance to 100=high importance

100

Ranking

80

60

40

20

0
O f erro

Coque

Pirita

S Sdio

REDOX

Extrao

Predictor v ariable

Figura 5.14 - Grfico do grau de relevncia dos atributos para a transmitncia da luz no vidro
tipo mbar - Vidros para Embalagens

Na tabela 5.33 tm-se os resultados da rvore de deciso CART para a


classificao da transmitncia da luz no vidro tipo mbar utilizando-se a base de
dados Vidros para Embalagens.
Tabela 5.33 - Resultados da rvore de Deciso CART para a classe Mdia
transmitncia da luz - Vidros para Embalagens
Valores da varivel
Variveis
Unidades
Limite inferior
Limite superior
xido de Ferro
3,12
3,78
Kg
Coque Petrleo
1,18
1,30
Kg
Pirita
0,48
0,54
Kg
Sulfato Sdio
4,26
4,50
Kg
Redox
18,59
23,55
ndice
Extrao
73,35
85,40
T.dia-1
Transmitncia
27
< 31
ndice da
da luz do vidro
transmitncia
mbar

para a

Para as condies operacionais da fbrica de Vidros para Embalagens


mostradas na tabela 5.23, a rvore estimou a classe da transmitncia da luz no vidro
tipo mbar como Mdia (ndice da transmitncia 27 at 31). A tabela 5.23 mostra
que o ndice da transmitncia foi de 30, tendo, portanto a rvore classificado
corretamente a transmitncia da luz no vidro tipo mbar.

Captulo 5 - Resultados e Anlise

103

A classificao da transmitncia da luz no vidro feita atravs da rvore de


deciso fuzzy FID3.4 utilizou a base de dados descrita na tabela 5.19. Utilizou
tambm os agrupamentos dos valores da transmitncia da luz no vidro do tipo
mbar descritos na tabela 5.31.

A tabela 5.34 traz os resultados obtidos com a classificao da transmitncia


da luz no vidro tipo mbar utilizando a rvore de deciso fuzzy - FID3.4.
Tabela 5.34 - Resultados da rvore de Deciso Fuzzy FID3.4 para a classe
transmitncia da luz - Vidros para Embalagens
Parmetros da varivel
Variveis
Funo
Limite
Limite
de Pertinncia
inferior
superior
xido de Ferro
2,08
3,04
Trapezoidal
3,04
3,78
Trapezoidal direita
Coque Petrleo
0,21
1,30
Trapezoidal
Pirita
Sulfato Sdio
Redox

0,20
3,90
18,59
22,12
62
27

0,60
4,50
22,12
23,55
85
< 31

Mdia da

Trapezoidal
*
Trapezoidal
Trapezoidal direita
*
Transmitncia da Luz
Classe Mdia

Extrao
Transmitncia
da luz do vidro
mbar
Obs: * atributos no utilizados pelo FID3.4 na rvore de deciso final.

Os resultados da classificao da rvore de deciso fuzzy FID3.4 mostrados


na tabela 5.34 teve um custo de validao cruzada de 22,05%, erro padro de
1,87% e custo de resubstituio de 13,27%.

Comparando-se os resultados na rvore de deciso fuzzy FID3.4 (tabela


5.34) com os dados de operao da fbrica de Vidros de Embalagens - WBV (tabela
5.23), verifica-se que a rvore classificou a transmitncia da luz como Mdia. A
tabela 5.23 mostra que o ndice da transmitncia foi de 30, tendo, portanto a rvore
classificado corretamente a transmitncia da luz no vidro tipo mbar.

A classificao da transmitncia da luz no vidro tambm foi estudada


utilizando-se a Teoria de Redes Neurais (algoritmo back-propagation). A base de
dados utilizada foi a mesma dos testes anteriores (tabela 5.19) e a parametrizao
da rede feita no prprio software, como descrito na seo 4.6. A rede neural
apresentou um custo de validao cruzada de 27,63% , erro padro de 2,26% e

Captulo 5 - Resultados e Anlise

104

custo de resubstituio de 25,43% para classificao da transmitncia da luz no


vidro tipo mbar. A rede neural apresentou uma topologia MLP de 6 neurnios na
camada de entrada, 38 neurnios na camada intermediria e 5 na camada de sada.

Utilizando-se os dados de fabricao do vidro na entrada da rede MLP


encontrou-se uma classificao da transmitncia da luz no vidro de Mdia. A tabela
5.23 mostra que o ndice da transmitncia da luz no vidro tipo mbar foi de 30,
tendo, portanto a rede neural classificado corretamente a transmitncia. A tabela
5.35a mostra os limites utilizados na rede neural para a classificao da
transmitncia da luz no vidro tipo mbar.
Tabela 5.35a - Resultados da Rede Neural MLP para a classificao da transmitncia da luz Vidros para Embalagens
Valores da varivel
Variveis
Unidades
Limite inferior
Limite superior
xido de Ferro
2,08
3,78
kg
Coque Petrleo
0,21
1,30
kg
Pirita
0,20
0,60
kg
Sulfato Sdio
Redox
Extrao

3,90
18,59
62

4,50
23,55
85

kg
ndice
T.dia-1

Analisando as classificaes da transmitncia da luz no vidro tipo mbar


feitas nesta seo, atravs da rvore de deciso CART, rvore de deciso fuzzy
FID3.4 e a rede neural (algoritmo back-propagation) apresentaram valores razoveis
para os custos de validao cruzada e resubstituio. Os melhores resultados foram
alcanados pela rvore de deciso fuzzy FID3.4, custo de validao cruzada de
22,05%, erro padro de 1,87% e custo de resubstituio de 13,27%. A relevncia
dos atributos encontrada na classificao foi coerente, pois o REDOX, xido de
Ferro e o Coque so as matrias primas que mais influenciam no ndice da
transmitncia da luz no vidro tipo mbar (CTVC, 2005; FARMACOPEIA, 2005;
JAIME, 2005; PHARMACOPEIA, 1990;). Em EDWARDS; PEELER (2000)
mostrado a influncia do REDOX na transmitncia da luz no vidro.

A tabela 5.35b mostra os limites da variveis de entrada para as


classificaes utilizando a rvore deciso CART, rvore de deciso fuzzy FID3.4
e a rede neural MLP. Na tabela 5.35b tm-se os limites inferior e superior para

Captulo 5 - Resultados e Anlise

105

cada de Inteligncia Artificial utilizada nesta tese. Os limites so para classificao


transmitncia da luz para a classe Mdia.

Tabela 5.35b - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4
e a rede neural MLP utilizadas nas classificaes da transmitncia da luz
Base Vidros para Embalagens
rvore CART
rvore Fuzzy
Redes Neurais
Variveis de Entrada

Limite

Limite

Limite

Limite

Limite

Limite

Inferior

Superior

Inferior

Superior

Inferior

Superior

xido de Ferro

3,12

3,78

2,08

3,78

2,08

3,78

Coque Petrleo

1,18

1,30

0,21

1,30

0,21

1,30

Pirita

0,48

0,54

0,20

0,60

0,20

0,60

Sulfato Sdio

4,26

4,50

3,90

4,50

3,90

4,50

Redox

18,59

23,55

18,59

23,55

18,59

23,55

Extrao

73

85

62

85

62

85

Pedra

27

< 31

27

< 31

27

< 31

A tabela 5.35c mostra os resultados das classificaes dos defeitos tipo pedra
e bolha e a transmitncia da luz para os valores operacionais da fbrica da WBV.

Tabela 5.35c - Resultados das classificao dos defeitos tipo pedra e bolha e da
transmitncia da luz Vidros para Embalagens
Tipo de defeito

Classificao real

rvore CART

rvore Fuzzy

Rede Neural

Nmero de Pedras

Mdia (3314)

Mdia

Mdia

Mdia

Nmero de Bolhas

Mdia (14)

Mdia

Mdia

Mdia

ndice da Transmitncia

Mdia (30)

Mdia

Mdia

Mdia

Captulo 5 - Resultados e Anlise

106

5.3 Base de dados VIDROS PLANOS


Nesta seo so mostrados os resultados dos testes feitos com a rvore de
deciso - CART, a rvore de deciso fuzzy FID3.4 e a rede neural (algoritmo
back-propagation) usando a base de dados Vidros Planos. Essa base de dados
formada por informaes coletadas nos fornos de fabricao do vidro plano na
fbrica da Unio Brasileira do Vidro (UBV).
As informaes da base de dados so as variveis de entrada temperatura
da cmera 3 (ponto 1), temperatura da cmera 4 (ponto 2), temperatura com
medio ptica da fuso do vidro (ponto 3), temperatura da abbada 6 (ponto 4),
temperatura da abbada 7 (ponto 5), temperatura da sada da abbada (spout) 8
(ponto 6), temperatura da soleira 11 (ponto 7), temperatura da sada da soleira 12
(ponto 8), canal 1 (ponto 9), temperatura do canal 2 (ponto 10) e as variveis de
sada so os padres dos vidros fabricados. A figura 5.15 mostra os pontos de
medio utilizados no forno de fuso para vidros planos.
Ponto 1

Ponto 2

Ponto 3

Ponto 4

Ponto 5

Ponto 6

Ponto 7

Ponto 8

Ponto 10

Ponto 9

Figura 5.15 - Ilustrao dos pontos de medio das variveis do forno de produo do Vidro
Plano.

Os vidros planos produzidos na fbrica da UBV tm diversos padres. Neste


trabalho analisou-se os principais padres produzidos na fbrica. Esses padres tm
a seguinte nomenclatura: CANELADO, SILESIA, MOSAICO, MARTELADO,

Captulo 5 - Resultados e Anlise

107

PONTILHADO e ARTICO. Uma amostra desses padres est descrita na seo


2.4. A tabela 5.36 traz uma amostra da base de dados Vidros Planos da fbrica da
UBV. A base de dados constituda de 2640 amostras.

A tabela 5.37 mostra os custos e taxa de erro envolvidas na escolha da rvore


para classificao dos padres do vidro plano. A rvore escolhida como a melhor,
analisando-se os custos e o tamanho da rvore, foi a de nmero 18. O custo de
validao cruzada foi de 25,60%, erro padro de 0,85% e custo de resubstituio de
23,78%. Na figura 5.16 tm-se o grfico do custo de validao cruzada e custo de
resubstituio para a classificao dos padres dos vidros planos.

Na figura 5.17 tm-se o grfico do grau de relevncia dos atributos para


determinao dos padres dos vidros planos na fbrica da UBV.

Os atributos com maior relevncia foram as variveis de entrada


temperatura da soleira 11 (ponto 7) (grau de relevncia de 100%), temperatura da
sada da abbada (spout) 8 (ponto 6) (grau de relevncia de 97%), temperatura da
sada da soleira 12 (ponto 8) (grau de relevncia de 95%), temperatura da abbada
6 (ponto 4) (grau de relevncia de 93%) e temperatura da abbada 7 (ponto 5)
(grau de relevncia de 86%), conforme se pode ver na figura 5.15.

Captulo 5 - Resultados e Anlise

108

Tabela 5.36 - Amostra da base de dados Vidros Planos com os padres de vidro planos
produzidos na fbrica da UBV

Captulo 5 - Resultados e Anlise

109

Tabela 5.37 - Custos e taxa de erro envolvidos na escolha da rvore para a classificao dos
padres do vidro plano

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
*18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

Nmero de
Ns
Terminais

Custo da
validao cruzada
(CV cost)

Erro
Padro
(Std. Error)

Custo de
Resubstituio
(Resub.Cost)

Complexidade
do n
(Node complexty)

76
65
62
60
53
48
44
43
42
41
38
37
36
35
33
30
29
26
25
23
20
17
16
15
14
13
12
10
9
6
5
4
2
1

0,187500
0,187121
0,192803
0,192803
0,197727
0,198485
0,198106
0,198864
0,200758
0,199242
0,203788
0,215530
0,217045
0,223864
0,225379
0,234848
0,250379
0,256061
0,286742
0,289773
0,289773
0,289773
0,298106
0,319318
0,334091
0,346212
0,370455
0,373106
0,409848
0,479924
0,479924
0,554545
0,708712
0,833333

0,007596
0,007591
0,007678
0,007678
0,007752
0,007763
0,007757
0,007768
0,007796
0,007774
0,007840
0,008003
0,008023
0,008113
0,008132
0,008250
0,008432
0,008495
0,008802
0,008829
0,008829
0,008829
0,008903
0,009074
0,009180
0,009260
0,009399
0,009413
0,009572
0,009723
0,009723
0,009673
0,008843
0,007253

0,119697
0,123864
0,125758
0,127273
0,135227
0,142803
0,149621
0,151515
0,153788
0,156818
0,167045
0,171591
0,176515
0,181818
0,192803
0,210985
0,217424
0,237879
0,245076
0,260985
0,285606
0,310606
0,319318
0,328409
0,339394
0,350758
0,363258
0,389773
0,403409
0,471591
0,501894
0,549242
0,713258
0,833333

0,000000
0,000379
0,000631
0,000758
0,001136
0,001515
0,001705
0,001894
0,002273
0,003030
0,003409
0,004545
0,004924
0,005303
0,005492
0,006061
0,006439
0,006818
0,007197
0,007955
0,008207
0,008333
0,008712
0,009091
0,010985
0,011364
0,012500
0,013258
0,013636
0,022727
0,030303
0,047348
0,082008
0,120076

Captulo 5 - Resultados e Anlise

110

Cost Sequence for Padro


Cost statistics for successive trees
Selected tree denoted by *
1,00

,90

,80

,70

Cost

,60

,50

,40

,30

,20

0,00

34
33
32
31
30
29
28
27
26
25
24
23
22
21
20
19
*18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1

,10

CV cost
Resub. cost

T ree number

Figura 5.16 - Custos das rvores construdas para classificao dos padres dos vidros planos

Predictor Variable Importance Rankings


Dependent v ariable: Padro
Rankings on scale f rom 0=low importance to 100=high importance
100

Ranking

80
60
40
20

Temp ptica (LE)

Soleira Spout (12)

Soleira (11)

Abbada Spout (8)

Abboda (7)

Abbada (6)

Camera 04

Camera 3

Canal 02

Canal 01

Predictor v ariable

Figura 5.17 - Grfico do grau de relevncia dos atributos para a determinao dos padres dos
vidros planos

Na figura aa.7 do anexo A tem-se o fluxograma da rvore de deciso CART


para a classificao dos padres de vidro plano. A tabela 5.38 mostra os dados
operacionais para fabricao de vidros planos na fbrica da UBV.

Captulo 5 - Resultados e Anlise

111

Tabela 5.38 Dados operacionais para fabricao dos padres de vidros planos
Valores operacionais para fabricao dos padres do vidro plano - UBV
CANELADO SILESIA MOSAICO MARTELADO PONTILHADO ARTICO
Varivel
Temp. Canal 01
231
318
266
268
296
271
Temp. Canal 02
258
260
461
260
256
255
Temp. Cmera 03
1200
1306
1236
1216
1312
1260
Temp. Cmera 04
1260
1326
1304
1283
1326
1246
Temp. Abbada 6
1469
1474
1477
1482
1476
1469
Temp. Abbada 7
1422
1478
1470
1460
1482
1464
Temp. Abbada
Spout (8)
1306
1250
1268
1302
1320
1306
Temp. Soleira (11)
1151
1155
1155
1166
1175
1163
Temp. Soleira
Spout (12)
992
962
980
1012
978
958
Temp. ptica
1536
1524
1533
1536
1538
1543

A tabela 5.39 traz os resultados obtidos pela rvore de deciso CART para
os padres de vidro plano da UBV. Os valores de limite inferior e superior para a
produo dos padres foram testados na rvore de deciso CART e comparados
com os valores operacionais da tabela 5.38,

obtendo-se um resultado bastante

satisfatrio para a classificao dos padres de vidros planos.

A classificao dos padres do vidro plano utilizando a rvore de deciso


fuzzy - FID3.4 utilizou a base de dados descrita na tabela 5.36.

A tabela 5.40 traz os resultados obtidos com a classificao dos padres do


vidro plano utilizando a rvore de deciso fuzzy - FID3.4. Essa classificao teve um
custo de validao cruzada de 21,18%, erro padro de 1,56% e custo de
resubstituio de 17,54% .

Os resultados da classificao da rvore de deciso fuzzy mostrados na


tabela 5.40 foram satisfatrios e comparando-se os resultados da rvore de deciso
- CART e a rvore FID3.4, pode-se dizer que as duas obtiveram uma boa
classificao dos padres dos vidros planos.

Captulo 5 - Resultados e Anlise

112

Tabela 5.39 - Resultados da rvore de deciso CART para os padres de vidros - Vidros
planos

Captulo 5 - Resultados e Anlise

113

Tabela 5.40 - Resultados da rvore de deciso fuzzy FID3.4 para as classes de padres dos
vidros planos

Captulo 5 - Resultados e Anlise

114

A classificao dos padres tambm foi estudada utilizando-se a Teoria de


Redes Neurais (algoritmo back-propagation) descrita no apndice C.

A classificao utilizando a rede neural - MLP para os padres de vidro planos


teve um custo de validao cruzada de 15,67%, erro padro de 1,12% e custo de
resubstituio de 8,54% . Esse resultado satisfatrio para a classificao dos
padres de vidros planos.
Tabela 5.41 - Resultados da Rede Neural MLP para a classificao dos padres dos vidros
planos
Valores da varivel
Variveis
Unidades
Limite inferior
Limite superior
Temp. Canal 01
190
588
C
Temp. Canal 02
126
572
C
Temp. Cmera 03
1169
1443
C
Temp. Cmera 04
1140
1448
C
Temp. Abbada 6
1212
1509
C
Temp. Abbada 7
1246
1504
C
Temp. Abbada
1012
1496
C
Spout (8)
Temp. Soleira (11)
1117
1469
C
Temp. Soleira
895
1212
C
Spout (12)
Temp. ptica
1327
1556
C

Analisando as classificaes para os padres do vidro plano produzidos na


UBV, a rede neural (algoritmo back-propagation) teve o melhor desempenho para a
classificao dos padres. A rede classificou corretamente os padres e teve os
menores custos de validao cruzada e resubstituio. As classificaes com as
rvores de deciso CART e FID3.4 tambm tiveram resultados satisfatrios, pois
alm da classificao correta dos padres pde-se obter os limites inferior e superior
das variveis de entrada dos fornos e com isso indicar os melhores pontos de
operao para cada padro. A rvore de deciso fuzzy alm obter os limites de cada
padro permite associar a esses limites, funes de pertinncia trapezoidais. Essa
associao permite suavizar a transio das variveis de entrada para as mudanas
na produo dos padres.

Captulo 5 - Resultados e Anlise

115

As tabelas 5.42, 5.43, 5.44, 5.45, 5.46 e 5.47 mostram os limites da variveis
de entrada para as classificaes utilizando a rvore deciso CART, rvore de
deciso fuzzy FID3.4 e a rede neural MLP. As tabelas so referentes aos
padres de vidro plano CANELADO, SILESIA, MOSAICO, MARTELADO,
PONTILHADO e ARTICO respectivamente. As tabelas trazem tambm os valores
de operao para produo de cada padro. Os limites das rvores de deciso e da
rede neural mostram que pode-se flexibilizar os pontos de operao para produo
de cada padro, melhorando o controle do processo de fabricao do vidro plano.

Tabela 5.42 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4 e
a rede neural MLP utilizadas na classificao do padro CANELADO
Base - Vidros Planos
Variveis
de
Entrada

Variveis na
produo

Temp. Canal 01
Temp. Canal 02

rvore CART

rvore Fuzzy

Redes Neurais

Limite
Inferior

Limite
Superior

Limite
Inferior

Limite
Superior

Limite
Inferior

Limite
Superior

231
258

190
126

588
572

190
126

588
572

190
126

588
572

Temp. Cmera 03

1200

1169

1443

1169

1443

1169

1443

Temp. Cmera 04

1260

1140

1448

1140

1448

1140

1448

Temp. Abbada 6

1469

1212

1509

1212

1509

1212

1509

Temp. Abbada 7

1422

1438

1504

1438

1504

1246

1504

Temp. Abbada
Spout (8)

1306

1274

1496

1274

1496

1012

1496

Temp. Soleira (11)

1151

1160

1469

1160

1469

1117

1469

Temp. Soleira
Spout (12)

992

988

1212

988

1212

895

1212

Temp. ptica

1536

1327

1556

1327

1556

1327

1556

Captulo 5 - Resultados e Anlise

116

Tabela 5.43 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4 e
a rede neural MLP utilizadas na classificao do padro SILESIA Base Vidros Planos
rvore CART
rvore Fuzzy
Redes Neurais
Variveis na
Variveis de Entrada
Limite
Limite
Limite
Limite
Limite
Limite
produo
Inferior Superior Inferior Superior Inferior Superior
Temp. Canal 01

318

190

588

190

588

190

588

Temp. Canal 02

260

126

572

126

572

126

572

Temp. Cmera 03

1306

1169

1443

1169

1443

1169

1443

Temp. Cmera 04

1326

1140

1448

1140

1448

1140

1448

Temp. Abbada 6

1474

1347

1509

1347

1509

1212

1509

Temp. Abbada 7

1478

1438

1504

1438

1504

1246

1504

Temp. Abbada
Spout (8)

1250

1012

1360

1012

1360

1012

1496

Temp. Soleira (11)

1155

1117

1469

1117

1469

1117

1469

Temp. Soleira
Spout (12)

962

1005

1212

1005

1212

895

1212

Temp. ptica

1524

1327

1556

1327

1556

1327

1556

Tabela 5.44 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4 e
a rede neural MLP utilizadas na classificao do padro MOSAICO
Base - Vidros Planos
rvore CART
Variveis de
Entrada

Variveis na
produo

Temp. Canal 01
Temp. Canal 02
Temp. Cmera 03
Temp. Cmera 04
Temp. Abbada 6
Temp. Abbada 7
Temp. Abbada
Spout (8)
Temp. Soleira (11)
Temp. Soleira
Spout (12)
Temp. ptica

266
461
1236
1304
1477
1470

190
126
1169
1140
1212
1246

1268

Limite
Limite
Inferior Superior

rvore Fuzzy

Redes Neurais

Limite
Inferior

Limite
Superior

Limite
Inferior

Limite
Superior

588
572
1443
1448
1480
1470

190
126
1169
1140
1212
1246

588
572
1443
1448
1480
1470

190
126
1169
1140
1212
1246

588
572
1443
1448
1509
1504

1012

1496

1012

1496

1012

1496

1155

1117

1469

1117

1469

1117

1469

980

1005

1212

1005

1212

895

1212

1533

1327

1556

1327

1556

1327

1556

Captulo 5 - Resultados e Anlise

117

Tabela 5.45 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4 e
a rede neural MLP utilizadas na classificao do padro MARTELADO
Base - Vidros Planos
rvore CART
Variveis de
Entrada

Variveis na
produo

Temp. Canal 01

268

Limite
Inferior

Limite
Superior

190

588

rvore Fuzzy
Limite
Limite
Inferior Superior
190

588

Redes Neurais
Limite
Inferior

Limite
Superior

190

588

Temp. Canal 02

260

126

572

126

572

126

572

Temp. Cmera 03

1216

1169

1443

1169

1443

1169

1443

Temp. Cmera 04

1283

1140

1448

1140

1448

1140

1448

Temp. Abbada 6

1482

1212

1480

1212

1480

1212

1509

Temp. Abbada 7
Temp. Abbada
Spout (8)
Temp. Soleira (11)
Temp. Soleira
Spout (12)
Temp. ptica

1460

1446

1504

1446

1504

1246

1504

1302

1012

1496

1012

1496

1012

1496

1166

1117

1469

1117

1469

1117

1469

1012

970

1212

970

1212

895

1212

1536

1327

1556

1327

1556

1327

1556

Tabela 5.46 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4 e
a rede neural MLP utilizadas na classificao do padro PONTILHADO
Base - Vidros Planos
Variveis de
Entrada

Variveis na
produo

Temp. Canal 01

rvore CART

rvore Fuzzy

Redes Neurais

296

Limite
Inferior
190

Limite
Superior
588

Limite
Inferior
190

Limite
Superior
588

Limite
Inferior
190

Limite
Superior
588

Temp. Canal 02

256

126

572

126

572

126

572

Temp. Cmera 03

1312

1169

1443

1169

1443

1169

1443

Temp. Cmera 04

1326

1140

1448

1140

1448

1140

1448

Temp. Abbada 6

1476

1212

1509

1212

1509

1212

1509

Temp. Abbada 7

1482

1315

1484

1315

1484

1246

1504

1320

1274

1496

1274

1496

1012

1496

1175

1117

1469

1117

1469

1117

1469

978

970

1212

970

1212

895

1212

1538

1327

1556

1327

1556

1327

1556

Temp. Abbada
Spout (8)
Temp. Soleira
(11)
Temp. Soleira
Spout (12)
Temp. ptica

Captulo 5 - Resultados e Anlise

118

Tabela 5.47 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4 e
a rede neural MLP utilizadas na classificao do padro ARTICO Base Vidros Planos
Variveis de Entrada

Variveis na
produo

rvore CART

rvore Fuzzy

Redes Neurais

Limite
Inferior

Limite
Superior

Limite
Inferior

Limite
Superior

Limite
Inferior

Limite
Superior

Temp. Canal 01

271

190

588

190

588

190

588

Temp. Canal 02

255

126

572

126

572

126

572

Temp. Cmera 03

1260

1169

1443

1169

1443

1169

1443

Temp. Cmera 04

1246

1140

1448

1140

1448

1140

1448

Temp. Abbada 6

1469

1390

1509

1390

1509

1212

1509

Temp. Abbada 7

1464

1246

1470

1246

1470

1246

1504

Temp. Abbada
Spout (8)

1306

1274

1345

1274

1345

1012

1496

Temp. Soleira (11)

1163

1117

1469

1117

1469

1117

1469

Temp. Soleira
Spout (12)

958

1025

1212

1025

1212

895

1212

Temp. ptica

1543

1327

1556

1327

1556

1327

1556

Capitulo 6 - Concluses e Consideraes Finais

119

6 CONCLUSES E CONSIDERAES FINAIS

Nesta tese foram aplicadas tcnicas de Inteligncia Artificial ao processo de


fabricao de Vidro. As tcnicas utilizadas foram baseadas na Teoria Fuzzy, rvores
de Deciso e Redes Neurais. As trs tcnicas tm sido empregadas com sucesso
nas mais diversas aplicaes nas reas de automao e controle, reconhecimento
de padres, reconhecimento de voz, deteco de falhas, classificao entre outras.
A Teoria Fuzzy permite trabalhar com as incertezas e prov um entendimento
simblico para compreenso do conhecimento. As rvores de Deciso tm
capacidade de construir decises simblicas para a classificao de problemas e,
atravs do conhecimento obtido, pde-se construir regras simblicas para uma
tomada de deciso. A Teoria Fuzzy tambm pde ser incorporada s rvore de
deciso, aumentando seu poder de representao e aplicabilidade. As Redes
Neurais (algoritmo back-propagation) tm apresentado timos resultados na
aprendizagem de funes e em problemas de classificao.

A tese demonstrou a aplicao bem sucedida das trs tcnicas de


Inteligncia Artificial (IA) em processos de fabricao de Vidro.

Na primeira fbrica aplicaram-se, as tcnicas de IA para classificar os defeitos


que ocorrem no Vidro para Embalagens, em funo das condies operacionais dos
fornos de fuso. Os principais defeitos estudados foram os tipo pedra, bolha e as
cordas. Utilizaram-se os dados da fbrica modelo do projeto NOVOVIDRO,
desenvolvido em Portugal, para o estudo de melhorias nos processos de produo
do vidro para embalagens. Os resultados obtidos para as classificaes dos defeitos
da base de dados da NOVOVIDRO foram satisfatrios e mostraram que a
aplicao das tcnicas de IA ao processo de fabricao do vidro promissora.

Capitulo 6 - Concluses e Consideraes Finais

120

Na segunda fbrica aplicaram-se as tcnicas para classificar os defeitos em


funo das matrias primas utilizadas na produo do vidro. Foram utilizados os
valores das matrias primas para a produo de vidro e a quantidade de defeitos
tipos pedra, bolhas e a transmitncia da luz no vidro para a aplicao das tcnicas,
com o objetivo de classificar os defeitos. As classificaes obtidas com as tcnicas
foram corretas para os dados operacionais da fbrica, mas tanto as rvores de
deciso como as redes neurais (algoritmo back-propagation) apresentaram
desempenho inferior quando comparado com as classificaes obtidas na base de
dados da NOVOVIDRO. Estima-se que isso se deve distribuio uniforme do
grau de relevncia das variveis utilizadas na classificao dos defeitos.

Na terceira fbrica, as tcnicas foram aplicadas na classificao dos padres


de fabricao do vidro plano. A base de dados Vidros Planos tem as informaes
operacionais dos fornos de fuso e os seis padres principais produzidos na fbrica
da UBV. A classificao dos padres teve um bom resultado e quando comparara-se
os dados operacionais para produo do vidro planos com os limites inferior e
superior das rvores de deciso e da rede neural, conclui-se que essas tcnicas
classificam corretamente os padres e tambm mostram que as informaes sobre
as classificaes podem flexibilizar a operao da produo desses vidros.

6.1 Propostas de continuao do trabalho


O estudo sobre a utilizao de rvores de Deciso combinadas com as
Redes Neurais e a Teoria Fuzzy tem aplicao em diversos problemas da rea da
aprendizagem computacional. O desenvolvimento das pesquisas nessas reas tem
sido grande, com aplicaes utilizando as tcnicas isoladas ou combinadas.

Capitulo 6 - Concluses e Consideraes Finais

121

Como continuao deste trabalho podem ser citadas as seguintes linhas de


pesquisas:

1. Utilizao de Algoritmos Genticos (AG) para a escolha da melhor funo


de pertinncia para os atributos das rvores de deciso fuzzy.

2. Utilizao de um Otimizador gentico para a escolha dos atributos mais


relevantes para a construo das rvores de deciso.

3. Estudar os parmetros do processo para minimizar os danos causados


pela baixa qualidade da matria-prima

4. Estudar as diversas etapas do processo de fabricao do vidro e a


utilizao de uma otimizao global para os parmetros de produo,
visando melhorar os ndices de qualidade (reduo dos defeitos).

Referncias Bibliogrficas

122

REFERNCIAS BIBLIOGRFICAS

ABIVIDRO - Associao Tcnica Brasileira das Indstrias Automticas de Vidro.


Relatrio tcnico: Historia do vidro. ABIVIDRO Out 2005.
http://www.abividro.org.br

ABNT - Associao Brasileira de Normas Tcnicas. Embalagens de Vidro para


produtos alimentcios Requisitos e Mtodos de ensaio NBR 14910 Anexo
A: No Conformidades Visuais. ABNT - Dez 2002.

ABONYI, JANOS; ROUBOS, JOHANNES A; SZEIFERT, FERENC. Data-driven


generation of compact, accurate, and linguistically sound fuzzy classifiers
based on a decision-tree initialization. International Journal of Approximate
Reasoning 32 2003.

AKERMAN, MAURO. A Elaborao do Vidro. So Paulo: CETEV - Centro tcnico


de elaborao do Vidro, 2000a. http://www.saint-gobain-cetev.com.br/escola/

____. Natureza, Estrutura e Propriedades do Vidro. So Paulo: CETEV - Centro


tcnico de elaborao do Vidro, 2000b. http://www.saint-gobain-cetev.com.br/escola/

ALI, Y. M; ZHANG, LIANGCHI. A methodology for fuzzy Modeling of engineering


Systems. Fuzzy Sets and Systems 118 - 2001.

ALSBERGAV, B.K. et al. Classification of pyrolysis mass spectra by fuzzy


multivariate rule induction-comparison with regression, K-nearest neighbour,
neural and decision-tree methods. Analytica Chimica Acta 348 1997.

APOLLONI, BRUNO; ZAMPONI, GIACOMO; ZANABONI, ANNA MARIA. Learning


fuzzy decision trees. Neural Networks 11 1998.

ASTM - American Society for Testing and Materials. Standard Terminology of


Glass and Glass Products1 - Designation: C 162 03. Annual Book of ASTM
standards - Philadelphia - ASTM 1997a.

____. Standard Test Methods for Chemical Analysis of Soda-Lime and


Borosilicate Glass1- Designation: C 169 92. (Reapproved 2000) - Annual Book of
ASTM standards - Philadelphia ASTM 1997b.

Referncias Bibliogrficas

123

____. Standard Practices for Measurement of Liquidus Temperature of Glass


by the Gradient Furnace Method1 - Designation: C 829 81 (Reapproved 2000).
Annual Book of ASTM standards - Philadelphia - ASTM 1997c.

AYALA, I. LUIS; SOLS, IVAN J. Structured Logic Control in Glass Preparation


Processes. IEEE Transactions on industry Applications Vol. 29 N 3 - May/June 1991.

BABUSKA, ROBERT. Fuzzy Modeling and Identification Toolbox. Control


Engineering Laboratory. Faculty of Information Technology and Systems University of Technology The Netherlands 1998.

BACKX, TON C. et al. Model-Based Control of Glass Melting Furnaces and


Forehearths: First Principles-Based Model of Predictive Control System
Design. 63rd Conference on Glass Problems. The Ohio State University - 2002.

BEERKENS, R. G. C. Advances in the modelling of the quality of glass melting


processes. Eindhoven University of Technology Department of Chemical
Engineering and Chemistry Eindhoven - The Netherlands December - 2002.

BEERKENS, R. G. C.; KAHL, KATRIN. Redox and sulfur chemistry of soda lime
silica glass melts. ICG Amsterdam Redox & Sulfur Chemistry of Glass Melts - 2000.

BEERKENS, R.G. C.; STEINER, J. VAN DER SCHAAF. Numerical simulation of


bubble growth in foam glass containing polyvalent ions. Eindhoven University of
Technology - Glass Technology Group - Eindhoven The Netherlands - 2002.

BENNINGHOFF, H. J.; DROSTE, J. New On-line Tool to Classify up to 100% of


Defect Types for Flat and Processed Glass. Glass Processing Days, 1821 June
2001.

BOERSTOEL, G. P.; LANKHORST, A. M. Modelling Combustion Chambers of


Glass Melting Furnaces: A validation Study. The 18 th Internacional Congress on
Glass; July 5 to 10, - San Franscisco - California - 1998.

BONTEMPI, GIANLUCA; BIRATTARI, MAURO. Toolbox for Neuro-Fuzzy


Identification and Data Analysis - Universit Libre de Bruxelles, Belgium, Abril 1999.

Referncias Bibliogrficas

124

BOSSLEY, KEVIN MARTIN. Neurofuzzy Modelling Aproaches in System


Identification. University of Southampton, Thesis of Doctor of Philosophy, Faculty of
Engineering and Applied Science , Department of Electronics and Computer Science
- 1997.

BRAATZ, C. et al. Process Technology for Modern Large Area Glass Coating. pg
391-394. Glass Processing Days - 2003.

BRAGA, A DE PADUA; LUDEMIR, T BERNARDA; CARVALHO, ANDRE C. P. DE L.


FERREIRA. Redes Neurais Artificiais Teoria e aplicaes. Rio de Janeiro
Editora LTC Livros Tcnicos e Cientficos - 2000.

BREIMAN, L. et al. Classification and Regression Trees. New York Chapman &
Hall - 1984.

BRINK, JOSEPH A.JR; SHREVE, R. NORRIS. Indstrias de processos qumicos.


Editora Guanabara Koogan 4 edio 1997.

BURNSID, PHILIP. Comprehensive Flow Modeling Software for the Glass


Industry. Fluent Inc. Corporation . New York - EUA 2000.
http://www.fluent.com/solutions/glass/

BURROWS, WILLIAM R. Cart Regression Models for Predicting UV Radiation at


the Ground in the Presence of Cloud and Other Environmental Factors. Canada
- Journal of Applied Meteorology Volume 36. American Meteorological Society
1997.

____. Cart Neuro Fuzzy Statistical Data Modeling - Part 1: Method and Part
2: Results. American Meteorological Society 14TH Probability & Statistics - 1998

BURROWS, WILLIAN R. et al. Cart Decision Tree Statistical Analysis and


Prediction of Summer Season Maximum Surface Ozone for the Vancouver,
Montreal and Athantic Regions of Canada. Canada - Journal of Applied
Meteorology Volume 34. American Meteorological Society 1995.

CALLISTER, WILLIAM D. JR. Materials science and engineering: an


introduction. Edio 2nd. ed. - New Jersey - John Wiley - 2005.

Referncias Bibliogrficas

125

CAMP, M. G. C.; BRAAK, BERT F. J. The reduction of persistent TV glass


defects. Sixtieth Conference on Glass Problems Eindhoven - The Netherlands 1999.

CARLSON, N. M. et al. Evaluation of a Novel Temperature Sensing Probe for


Monitoring and Controlling Glass Temperature in a Jouleheated Glass Melter.
American Ceramic Society EUA - Journal Ceramic Transactions vol. 107 p.p.
373-380 2000.

CARVALHO, M. G.; KAYALCOL, N. Computational intelligence technologies in


the design of hierarchical control architecture of glass melting furnaces.
Portugual - Glass Technology Vol. 44 N I - February - 2003.

CHANG, ROBIN L. P; PAVLIDIS, THEODOSIOS. Fuzzy Decision Tree Algorithms.


IEEE Transactions on Systems, Man, and Cybernetics, vol. SMC-7, N 1, p.p 28-35
January 1977.

CORDN, OSCAR. et al. Genetic Fuzzy Systems: Evolutionary Tuning and


Learning of Fuzzy Knowledge Bases. Advanges in Fuzzy Systems Applications
and Theory. Vol. 19 - 2001.

COSTA, HERBERT R. N.; GARCIA, CLAUDIO. Neuro-Fuzzy Identification of a pH


Neutralization Process. II International Conference System Identification and
Control Problems - SICPRO 2003 Moscou 2003.

CTCV - Centro de Tecnologia da Cermica e Vidro. Base de Dados de Defeitos


Ocorrentes em produtos Cermicos e Vidro. CTCV Portugal - 2005.
http://www.ctcv.pt/

DANTAS, B. H. FIORELLA. Microscopia Eletrnica de Varredura Aplicada


Avaliao de Embalagens de Vidro. Relatrio Tcnico: Vol. 16 N 2 - CETEA Centro de Pesquisa e Desenvolvimento de Embalagens. So Paulo Brasil Abril
2004. http://www.cetea.ital.sp.gov.br/lab_vidros.htm

DIJK, FRANCISCUS A. G. VAN. Glass Defects Originating from Glass


Melt/Fused Cast AZS Refractory Interaction. Tese de Doutoramento. Universidade
Tcnica de Eindhoven Holanda 1994.

DONG, MING; KOTHARI, RAVI. Look-Ahead Based Fuzzy Decision Tree


Induction. IEEE Transactions on Fuzzy Systems, Vol. 9, N 3, June 2001.

Referncias Bibliogrficas

126

DUARTE, ANDR LUS DE CASTRO MOURA. Transferncia de Tecnologia na


Indstria de Processo Contnuo. So Paulo EAESP/FGV Dissertao de
Mestrado apresentada a Fundao Getlio Vargas Escola de Administrao de
Empresas de So Paulo 2001.

DUCH, WLODZISLAW; ADAMEZAK, RAFAL; GRABCZEWSKI, KRZYSZTOF. A


New Methodology of Extraction, Optimization and Application of Crisp and
Fuzzy Logical Rules. IEEE Transactions on Neural Network, Vol. 12 N 02 - March
- 2001.

DREYFUS, CATHERINE; DREYFUS, GRARD. A machine learning approach to


the estimation of the liquidus temperature of glass-forming oxide blends.
Journal of Non-Crystalline Solids 318 2003.

EDWARDS, T. B.; PEELER, D. K. Impact of REDOX on Glass Durability: The


Glass Selection Process. Immoblization Technology Section. Savannah River
Technology Center Prepared for the U.S. Department of Energy Under Contract March 2004.

ELOVEDI, ZIED; MELLOULI, KHALED; SMETS, PHILIPPE. Belief Decision Trees:


Theoretical foundations IRIDA. Universidade Livre de Bruxellas Blgica
Setembro - 2000.

ER, MENG JOO; WU, SHIQIAN. A fast learning algorithm for parsimonious fuzzy
neural systems. Fuzzy sets and systems - 126, pp 337-351 - 2002.

FAIFER, MACIEJ; JANIKOW, CEZARY; KRAWIEC, KRZYSZTOF. Extracting Fuzzy


Symbolic Representation from Artificial Neural Networks. Proc. of The 18th
International Conference of the North American Fuzzy Information Processing
Society New York City USA June - 1999.

FARMACOPIA. FARMACOPIA BRASILEIRA. Oficializada pelo Governo Federal


Decreto N 78840 de 25.XI.1976. Revista e Complementada conforme a Portaria
Ministerial N 383/1977. Reviso 2005. http://www.farmacopeia.org.br/

FREITAG, DOUGLAS W.; RICHERSON, DAVID W. Opportunities for Advanced


Ceramics to Meet the Needs of the Industries of the Future. Chapter Six: Glass
Industry. Industrial Technologies Energy Efficiency and Renewable Energy. U.S
Departament of Energy - December - 1998.

Referncias Bibliogrficas

127

GALEA, MICHELLE; SHEN, QIANG; LEVINE, JOHN. Evolutionary approaches to


fuzzy modelling for classification. The Knowledge Engineering Review vol 1
Cambridge UK 2005.

HAAGH, GERARD; HEGEN, DRIES; CAMP, OLAF O. Simulation of the integral


forming process of Tv-panels. Proceedings of the 2 nd International Colloquium on
Modeling of Glass Forming and Tempering - France - 2002.

HADJILI, M. et al. Identification of Fuzzy Models for A Glass Furnance Process.


Proceedings of the 1998 IEEE International - Conference on Control Applications Italy - September - 1998.

HAN, C. Z. et al. Identification and Control of a Large Kinescope Glass Furnace.


Automatica, Vol. 30 N 5, pp. 887-892 1994.

HASKELL, RICHARD E. Regression Tree Fuzzy Systems. Proc. ICSC Symposium


on Soft Computing, Fuzzy Logic, Artificial Neural Networks and Genetic Algorithms University of Reading, Whiteknights, Reading, England, pp. B.1B.6 - March - 1996.

____. Neuro-Fuzzy Classification and Regression Trees. Proc. Third International


Conference on Applications of Fuzzy Systems and Soft Computing, Wiesbaden,
Germany - 1998.

HASKELL, RICHARD E.; LEE, C.; HANNA, D. M. Geno-fuzzy classification trees.


Pattern Recognition 37/8 pp. 1653-1659 - 2004.

HAYKIN, SIMON. Neural Networks: a comprehensive foundation. MacMillan


Publishing Company New York 1994.

HELLENDOORN, HANS; DRIANKOV, DIMITER. Fuzzy Model Identification:


Selected Approaches. Spring Germany - 1997.

HERROD, RICHARD A.; RICKEL, JEFF W.; GARLAND, TERESA. Glass Annealing
Process Simulation Using Expert Systems: A Glass Industry Application of
Artificial Intelligence. IEEE Transactions on industry Applications Vol. 24 N 1January/February - EUA - 1988.

HINES, J. WESLEY; MATLAB Supplement to Fuzzy and Neural Approaches in


Engineering. A Wiley-Interscience Publication 1997.

Referncias Bibliogrficas

128

HORST, LOCH; KRAUSE, DIETER. Mathematical Simulation in Glass


Technology. Springer - September 2002.

HUANG, HAN-PANG; LIANG, CHAO-CHIUM. Strategy-based decision making of


a soccer robot system using a real-time self-organizing fuzzy decision tree.
Fuzzy Sets and Systems 127, p.p 49-64 - 2002.

ISHIBUICHI, HISAO; YAMAMOTO, TAKASHI. Comparison of Heuristic Criteria


for Fuzzy Rule Selection in Classification Problems. Fuzzy Optimization and
Decision Making. vol 3 N 2 p.p 119-139 June 2004.

JAIME, SANDRA BALAN MENDOZA. Ampolas e Fracos de Vidro Tipo I para


produtos de uso Parenteral. Relatrio Tcnico: Vol. 10 N 3 - CETEA - Centro de
Pesquisa e Desenvolvimento de Embalagens. So Paulo Brasil - Julho - 1998.
http://www.cetea.ital.sp.gov.br/lab_vidros.htm

____. Frasco de Vidro para Produtos Farmacuticos: Desempenho Mecnico.


Relatrio Tcnico: Vol. 16 N 3 - CETEA - Centro de Pesquisa e Desenvolvimento
de Embalagens. So Paulo Brasil Abril - 2004.
http://www.cetea.ital.sp.gov.br/lab_vidros.htm

____. Frascos de Vidro para produtos farmacuticos: Padronizao e


Especificao junto ABNT. Relatrio Tcnico: Vol. 17 N 2 - CETEA - Centro
de Pesquisa e Desenvolvimento de Embalagens. So Paulo Brasil - Maro 2005.
http://www.cetea.ital.sp.gov.br/lab_vidros.htm

JAMISON, KEITH; EISENHAVER, JACK; RASH, JULIE. Glass Industry


Technology. Workshop the Glass Manufacturing Industry Council (GMIC) EUA
2002. http://www.gmic.org/

JANG, J. S. ROGER. Neuro-fuzzy Modelling: Architectures, Analyses and


Applications. University of California Berkeley, Thesis of Doctor of Philosophy,
Department of Electrical Engineering and Computer Science - 1992.

____. Structure Determination in Fuzzy Modeling: A Fuzzy CART Approach.


Proc. of IEEE Internacional Conference on Fuzzy Systems Orlando - June - 1994

JANG, J. S. ROGER; SUN, C-T; MIZUTANI, E. Neuro-Fuzzy and Soft Computing:


A Computational Approach to Learning and Machine Intelligence. Prentice-Hall
EUA 1997.

Referncias Bibliogrficas

129

JANIKOW, CEZARY Z. Fuzzy Decision Trees: Issues and Methods. IEEE


Transactions on Systems, Man, and Cybernetics Part B: CYBERNETICS, vol. 28
N 1, p.p 1 14 February 1998. http://www.cs.umsl.edu/~janikow/fid/fid34/

____. Exemplar Learning in Fuzzy Decision Trees. Mathematics and Computer


Science - University of Missouri - 1999. http://www.cs.umsl.edu/~janikow/fid/fid34/

JANIKOW, C. Z.; FAIFER, MACIEJ Fuzzy Partitioning with FID3.1 Mathematics


and Computer Science - University of Missouri 2000.
http://www.cs.umsl.edu/~janikow/fid/fid34/

JIA, LI; LI, ERGUO; YU, JINSHOU. Designing neurofuzzy system based on
ICART algorithm and its application for modeling jet fuel endpoint of
hydrocracking process. Engineering Applications of Artificial Intelligence 16 2003.

KACZMAR, URSZULA MARKOWSKA; TRELAK, WOJCIECH. Extraction of Fuzzy


Rules from Trained Neural Network Using Evolutionary Algorithm. ESANN'2003
proceedings - European Symposium on Artificial Neural Networks. Belgium April 2003.

KASABOV, NICOLA K. Foundations of Neural Networks, Fuzzy Systems, and


Knowledge Engineering (Computational Intelligence). The MIT Press 1996a.

____. Learning fuzzy rules and approximate reasoning in fuzzy neural


networks and hybrid systems. Fuzzy Sets and Systems 82 1996b.

KHALEEL, M.A.; HESS, A.C. Needs and Progress in the Development of


Computational Tools for Modeling Fabrication and Performance Assessment of
Automotive Glass. Glass Processing Days June - 2001.

KLINKENBERG, A. M.; HEGEN, D.; O. M. G. C. Transient Temperature


Calculations in Glass Forming Processes. Proceedings of Eurotherm 73 on
Computacional Thermal Radiation in Participating Media. Belgium April - 2003.

KRUSE, RUDOLF; NAUCK, DETLEF. Generating Rules from Data by Fuzzy and
Neuro-Fuzzy Methods. Proceeding of the 3rd German GI-Workshop Neuro-Fuzzy
Systems - University of Braunschweig Germany - 1995a.

Referncias Bibliogrficas

130

____. Learning Methods for Fuzzy Systems. Proceeding of the 3rd German GIWorkshop Neuro-Fuzzy Systems - University of Braunschweig - Germany - 1995b.

LAEVSKY, K. Modelling and simulation of glass manufacturing processes.


Eindhoven University of Technology - Eindhoven The Netherlands - 2001.

LEE, CHUEN CHIEN. Fuzzy Logic in Control Systems: Fuzzy Logic Controller:
Part I. IEEE Transactions on Systems, Man, and Cybernetics, Vol. 20, n 2, p.p 404418, March/April - 1990a.

____. Fuzzy Logic in Control Systems: Fuzzy Logic Controller: Part II. - IEEE
Transactions on Systems, Man, and Cybernetics, Vol. 20, n 2, p.p 419-435,
March/April - 1990b.

LEHMAN, RICHARD. Overview of Glass Properties: Glass Engineering.


Department of Ceramics and Materials Engineering Rutgers University - New Jersey,
USA - 2001.

____. The Mechanical Properties of Glass - Theoretical strength, practical


strength, fatigue, flaws, toughness, chemical processes Glass Engineering.
Department of Ceramics and Materials Engineering. Rutgers University - New
Brunswick - New Jersey 2002.

____. Glass Engineering: Ceramics and Materials Engineering. School of


Engineering Flat Glass Manufacture and Fabrication. Egyptians - 2004.

LI, PING; HASKELL, RICHARD E.; HANNA, D. M. Optimizing Fuzzy Decision


Trees Using Genetic Algorithms. 2003 International Conference on Artificial
Intelligence - June 23-26 - 2003.

LUIZ, MAURO LCIO NASCIMENTO. Influncias da substituio do Sulfato de


Sdio na produo de Vidros Planos Sodo-Clcicos pelo Processo FLOAT.
So Paulo. Dissertao de Mestrado. Escola Politcnica da Universidade de So
Paulo, Departamento de Engenharia Metalrgica e de Materiais, So Paulo SP,
Brasil - 1999.

LUTSKO, JAMES; SUREZ, ALBERTO. Globally Optimal Fuzzy Decision Trees


for Classification and Regression. IEEE Transactions on Pattern Analysis and
Machine Intelligence, Vol. 21 n 12 December - 1999.

Referncias Bibliogrficas

131

MAIA, SAMUEL BERG. O Vidro e sua fabricao. Editora Intercincia. Rio de


Janeiro - 2003.

MANGONON, PAT L. The Principles of Materials Selection for Engineering. New


Jersey - Prentice-Hall, 1999.

MARI, EDUARDO A. Los Vidros: Propiedades, Tecnologas de Fabricacion y


Aplicaciones. Editoral Amricalee - Buenos Aires - Argentina - 1982.

MARQUES, ANA; COSTA, DANIEL; PINTO, NUNO. Materiais Cermicos e Vidro:


Aplicaes Eltricas do Vidro. FEUP/DEEC. Universidade do Porto Faculdade
de Engenharia FEUP 2003.

MARSALA, CHRISTOPLE. Apprentissage inductif en prsence de donnes


imprcises: construction et utilisation darbres de dcision flous. Tese de
Doutorado Departamento de Informtica Universidade de Paris 1998.

MCLELLAN, GEORGE W.; SHAND, ERROL B. Glass Engineering Handbook.


Publisher CBLS 2002.

MICHIE, D. ; SPIEGELHALTER, D. J.; TAYLOR, C. C. (editores) Machine Learning,


Neural and Statistical Classification. Ellis Horwood - 1994.

MILAR, CLAUDIA REGINA. Extrao de Conhecimento de Redes Neurais


Artificiais utilizando Sistemas de Aprendizado Simblico e Algoritmos
Genticos. Tese de Doutorado - Instituto de Cincias Matemticas de So Carlos
USP - So Carlos 2003.

MITCHELL, TOM M. Machine Learning. Coleo: Mcgraw-Hill Series in Computer


Science 1997.

MITRA, SUSHMITA; KONWAR, KISHORI M.; PAL, SANKAR K. Fuzzy Decision


Tree, Linguistic Rules and Fuzzy Knowledge-Based Network: Generation and
Evaluation. IEEE Transactions on Systems, Man, and Cybernetics Part C:
Applications and Reviews, Vol. 32, N 4 November - 2002.

MONARD, MARIA CAROLINA; MARTINS, CLAUDIA APARECIDA. rvores de


Deciso Binrias: Descrio e implementao de algoritmos para a construo
e poda no aprendizado indutivo de mquina. Relatrio Tcnico Instituto de
Cincias Matemticas de So Carlos - So Carlos SP Fevereiro 1994.

Referncias Bibliogrficas

132

MURTHY, SREERAMA K. Automatic Construction of Decision Trees from Data:


A Multi-Disciplinary Survey. Siemens Corparate Research. Kluwer Academic
Publishers - EUA 1996

MUYSENBERG, H. P. H.; SIMONIS, F. The use of Numerical Flow Models in the


Glass Melting Process. Proceedings 16 th Inetrnational Congress on Glass vol. 6
1992.

NAUCK, DETLEF. Neuro-Fuzzy Systems: Review and Prospects. Proc. Fifth


European Congress on Intelligent Techniques and Soft Computing (EUFIT97)
Aachem , p.p 1044-1053 - Germany - 1997.

OLARU, CRISTINA; WEHENKEL, LOUIS. A complete fuzzy decision tree


technique. Fuzzy Sets and Systems, Volume 138, page 221-254 - 2003

PINA, JOO M. Operao e Controlo de um Forno de Vidro. Dissertao de


Mestrado. Depto de Engenharia Eltrica e Computao - Instituto Superior Tcnico.
Lisboa Portugual 2002.

PINA, JOO M.; LIMA, PEDRO U. An Operation System for Industrial


Processes: Application to a Glass Furnace. Proceedings of the 10th
Mediterranean Conference on Control and Automation - MED2002 - Lisbon Portugal - 2002.

____. A glass furnace operation system using fuzzy modelling and genetic
algorithms for performance optimisation. Engineering Applications of Artificial
Intelligence 16 2003.

PINA, JOO M.; SANTOS, R. Resoluo do Problema de Sequenciamento numa


Fbrica da Indstria Vidreira Utilizando Algoritmos Genticos Aplicados a
Optimizao Multiobjectivo com Prioridades e Restries. Instituto Superior
Tcnico. Lisboa Portugual 2003.

PHARMACOPEIA. The United States Pharmacopeia. The National Formulary.


USP XXII NF XVII. pg 1627-1734 - United States Pharmacopeial Covention.
Washington EUA - January - 1990.

ROA-SEPULVEDA, C. A. et al. Economic dispatch using fuzzy decision trees.


Electric Power Systems Research 66 2003.

Referncias Bibliogrficas

133

ROMRO, E. et al. Determination of the Heat Transfer in Industrial Glass


Tempering Process by Computacional Fluid Dynamics. pg 747-749. Glass
Processing Days - 2003.

SCOTT, T. MISTURE. Characterization of Glass Surfaces and Coatings Using Xray Reflectivity X-ray reflectivity can be used to probe the physical nature of
films and surfaces, including near-surface mass density and chemical or
density gradients. American Ceramic Society Bulletin The Glass Researcher vol.
14 n 2 - N.Y. - EUA - April - 2005.

SHAW, I. S; SIMES, M. G. Controle e Modelagem Fuzzy. Editora Edgard Blcher.


Fapesp 1999.

SHELBY, J. E. Introduction to Glass Science and Technology. The Royal Society


of Chemistry Cambridge 1997.

SHI, YAN; MIZUMOTO, MASAHARU. A New aprroach of neuro-fuzzy learning


algorithm for tuning fuzzy rules. Fuzzy Sets and Systems 112 2000.

SINDEPEDIP. Programa: Projecto Mobilizador para o Desenvolvimento


Tecnolgico. NOVOVIDRO: Relatrio Final Global. Projecto co-financiado pelo
Estado Portugus Fundo Social Europeu atravs da Medida 4.4, Aco B,
Processo 25/00168. Disponvel em http://in3.dem.ist.utl.pt/novovidro/ Dezembro
2000.

SMITH, WILLIAM F. Princpios de Cincia e Engenharia dos Materiais. Rio de


Janeiro. McGraw-Hill - 1998.

SOUZA, FLVIO JOAQUIM DE. Modelos Neuro-Fuzzy Hierrquicos. Tese de


Doutorado. Pontifcia Universidade Catlica do Rio de Janeiro, Departamento de
Engenharia Eltrica, Rio de Janeiro SP, Brasil - 1999.

STARR, FRANK. Art, History, Science, Literature, Social Studies, Technology:


A Resource for Glass. The Corning Museum of Glass Education. New York EUA
- 1998. http://www.cmog.org/

SUREZ, ALBERTO; LUTSKO, JAMES F. Globally Optimal Fuzzy Decision


Trees for Classification and Regression. IEEE Transactions on Pattern Analysis
and Machine Intelligence, vol. 21, N 12, December - 1999.

Referncias Bibliogrficas

134

TERHASEBORG, H; SPAANENBURG, L; NIJHUIS, J. A. G; Fuzzy Diagnosis of


Float-Glass Production Furnace. Computational Intelligence Theory and
Applications volume 1226 - 1997.

TORGO, LUIS F. R ALVES. Inductive Learning of Tree-Based Regression


Models. Tese de Doutorado. Faculdade de Cincias da Universidade do Porto.
Departamento de Cincias da Computao. Portugal - Setembro - 1999.

VELTHUIS, J. F. M. et al. A Rapid Simulation Model Of The Combustion Space


of Glass Melting Furnaces. Proc. 5th Int. Conference on Technologies and
Combustion for a Clean Environment. Lisbon Portugual 1999.

VERHEIJEN, O. S. Advanced Operation Support System for Redox Control.


Advances in fusion and processing of glass conference NY USA 2003a.

____. Thermal and chemical behavior of glass forming batches. Tese de


Doutoramento - Universiteit Eindhoven The Netherlands 2003b.

WANG, XIAOMENG ; BORGELT, CHRISTIAN. Information Measures in Fuzzy


Decision Trees. Department of Computer Science. University of Magdeburg 2002.

WONG, JAU-MIN. et at. Building a Medical Decision Support System for Colon
Polyp Screening by using Fuzzy Classification Trees. Applied Intelligence 22
2005.

YILDIZ, O. TANER; ALPAYDIN, ETHEM. Linear Discriminant Trees. International


Journal of Pattern Recognition and Artificial Intelligence vol. 19 - n 3 2005.

ZADEH, LOTFI A. Outline of a New Approach to the Analysis of Complex


Systems and Decision Processes. - IEEE Transactions on Systems, Man, and
Cybernetics, Vol SMC-3, n 1, p.p 28-44, January - 1973.

ZANOTTO, E. D. Vidros: arte, cincia e tecnologia de 4000 ac a 2000 dc. Revista


Engenharia de Materiais. Brasil, v.1, n.1, p. 33-36 - 1989a.

____. Glass industry and research in Brazil. Revista Engenharia de Materiais.


Brasil, v.1, n 1, p. 33-36 - 1989b.

Referncias Bibliogrficas

135

____. Vidro: Cincia, Tecnologia e Emprego no Brasil no limiar do Terceiro


Milnio. ENFMC Caxamb MG 1998.

ZHOU, ZHI-HUA; CHEN, ZHAO-QIAN. Hybrid Decision Tree. Knowledge-Based


Systems - vol.15, no.8, pp.515-528 2002.

APNDICE A Processos de fabricao do vidro

Apndice A - Processos de fabricao do vidro

137

APNDICE A Processos de fabricao do vidro

A.1 Matrias usadas na fabricao do vidro


As matrias-primas usadas para a fabricao do vidro so em sua grande
maioria naturais e encontradas no Brasil. Uma matria prima importante do vidro
industrializada, a barrilha, sendo fabricada usando-se o processo Solvay.
As matrias-primas usadas na indstria do vidro fornecem os xidos vidroformadores, os xidos estabilizadores, os xidos fundentes e os xidos acessrios.

A.1.1 Matrias-primas Minerais


So matrias-primas usadas na fabricao de vidros encontradas na
natureza e devem ser beneficiadas antes de serem usadas. O beneficiamento
consiste geralmente em um processo de moagem, de uma seleo granulomtrica e
freqentemente de um processo de limpeza (lavagem ou flotao) (AKERMAN,
2000a; AKERMAN, 2000b; BRINK; SHREVE, 1997).

Exemplos de matrias-primas de origem mineral so: (AKERMAN, 2000a;


AKERMAN, 2000b; CALLISTER, 2005; BRINK; SHREVE, 1997):

Areia (SiO2): um dos principais componentes do vidro. Antigamente era


introduzida diretamente no processo de fundio sem o processo de beneficiamento.
Hoje o processo de beneficiamento controlado e so feitos procedimentos para
eliminao de impurezas e excesso de xido de ferro, alm de sofrer um processo
de classificao quanto ao tamanho dos gros.

Feldspato de Potssio ou de Sdio: um mineral que, dependendo do


local da lavra, sofre apenas um processo de moagem seguido de um processo de
classificao granulomtrica ou, quando o teor de xido de ferro e de metais
pesados for muito alto, submetido a um processo de flotao para a eliminao
destas impurezas. Os feldspatos tm a frmula geral de R2O.Al2O3.6SiO2

onde

Apndice A - Processos de fabricao do vidro

138

R2O representa Na2O ou K2O ou uma mistura dos dois. Os feldspatos tm vrias
vantagens sobre outros materiais usados como fonte de Al2O3 porque so baratos,
puros, fusveis e so compostos totalmente por xidos formadores de vidro, como
Al2O3, Na2O, K2O e SiO2. O teor de alumina tem a finalidade de aumentar a
resistncia mecnica do vidro e de retardar o processo de desvitrificao.

Dolomita: um mineral composto por uma mistura de carbonatos de clcio


e de magnsio. Seu beneficiamento consiste somente em um processo de moagem
e em uma seleo granulomtrica. A frmula da dolomita CaCO3.MgCO3.
As matrias-primas de origem mineral so geralmente de baixo custo e
podem ser adquiridas na granulometria desejada, pois geralmente so mineradas
em blocos sofrendo posteriormente processos de britagem seguida de moagem.

Uma desvantagem do uso de matrias-primas de origem mineral a


variao quanto sua composio qumica. A freqncia de anlises qumicas dos
lotes de materiais de origem mineral deve ser bem maior do que para matriasprimas industrializadas. Outra desvantagem do uso de minerais o alto teor de
impurezas, principalmente o xido de ferro. importante controlar constantemente a
procedncia dos minrios, pois lotes diferentes significam composies diferentes e
devem, portanto, ser considerados como lotes separados durante o clculo das
receitas para o vidro a ser produzido (AKERMAN, 2000a; AKERMAN, 2000b;
BRINK; SHREVE, 1997).

A.1.2 Matrias-primas Industrializadas


Estes produtos so elaborados por converses qumicas de matrias-primas
encontradas na natureza em produtos qumicos, s vezes por meio de processos
qumicos complexos e de custo elevado.

Exemplos de matrias-primas industrializadas:

Barrilha: O carbonato de sdio comercial conhecido como barrilha ou soda


Solvay fabricado no Brasil pelo processo Solvay (figura a.1). O processo usa
como matrias primas o carbonato de clcio, sal marinho e amnia. At pouco

Apndice A - Processos de fabricao do vidro

139

tempo, o carbonato de clcio era obtido pela extrao e calcinao das conchas do
fundo da lagoa de Araruama (RJ). Essa prtica foi interrompida por presso dos
rgos de Defesa Ambiental e atualmente obtido de depsitos naturais. O sal
marinho vem, principalmente, de salinas do Nordeste. Este processo se baseia na
baixa solubilidade do bicarbonato de sdio, particularmente em presena de excesso
de CO2. Quando uma soluo concentrada de cloreto de sdio (salmoura)
saturada com amnia e com CO2, o carbonato de amnio formado, a princpio, reage
com o cloreto de sdio, o qual em presena de excesso de CO2 passa a bicarbonato
de sdio pouco solvel. Tem-se na figura a.1 um diagrama do processo de
fabricao da barrilha (BRINK; SHREVE, 1997).

Figura a.1 - Fluxograma de fabricao da barrilha pelo processo Solvay (BRINK; SHREVE,
1997)

As reaes que ocorrem no processo da barrilha so:

2NH3 + CO2 + H2O

(NH4)2 CO3

(NH4)2 CO3 + 2NaCl

Na2 CO3 + 2NH4 Cl

Na2 CO3 + CO2 + H2O

2NaHCO3

Apndice A - Processos de fabricao do vidro

140

O bicarbonato de sdio assim formado perde CO2 por aquecimento, que


retorna ao processo e se transforma em carbonato de sdio.

2NaHCO3

Na2CO3 + CO2 + H2O

A amnia recuperada, aquecendo-se a soluo de cloreto de amnio com


cal apagada, obtida pela calcinao do calcrio.

2NH4Cl + CaO + H2O

2NH3 + CaCl2 + 2H2O

O carbonato de sdio obtido por esse processo tem alto grau de pureza e
produz o cloreto de clcio como subproduto. A principal impureza do carbonato de
sdio, assim obtido, o cloreto de sdio, que raramente excede 0,5%. Conforme o
processo de calcinao do bicarbonato de sdio, obtm-se carbonato de sdio em
vrias granulaes.

Carbonato de potssio (K2CO3) produzido a partir de cloreto de potssio


(KCl), a carbonatao feita com gs carbnico (CO2).
Carbonato de brio: obtido a partir de um mineral encontrado na natureza
chamado barita, que um sulfato de brio.

Carbonato de estrncio: produzido a partir de um mineral chamado


celestita.

xido de antimnio (Sb2O3): formado a partir de um processo de


oxidao do antimnio metlico.

Silicato de zircnio: introduzido no vidro com a finalidade de adicionar


ZrO2 composio do vidro. encontrado na natureza na forma de silicato de
zircnio e modo.

Litargrio (PbO): o xido de chumbo obtido fundindo lingotes de chumbo


metlico em um ambiente extremamente oxidante, ou seja, excesso de oxignio.

Apndice A - Processos de fabricao do vidro

141

um processo insalubre. Como todos os derivados de chumbo, litargrio um produto


que pode trazer conseqncias negativas sade, provocando uma das doenas
industriais mais graves, o saturnismo. O manuseio de produtos derivados de
chumbo deve ser feito com todo cuidado, usando equipamentos de proteo
industrial (EPI) adequados como roupa anti-esttica, luvas e mscaras contra poeira.
Um outro derivado de chumbo muito aplicado na indstria de vidro o silicato de
chumbo, que obtido fundindo em um forno rotativo chumbo metlico com areia de
quartzo, formando um vidro primrio, o silicato de chumbo (AKERMAN, 2000a;
AKERMAN, 2000b; BRINK; SHREVE, 1997).

Os produtos industrializados geralmente apresentam composies qumicas


mais constantes, com baixos teores de impurezas, com controle durante o processo
de fabricao e com superviso de entrada das matrias-primas. Por esta razo, a
freqncia de anlise de amostras dos produtos qumicos industrializados usados na
composio do vidro pode ser menor do que a freqncia com que produtos de
origem mineral devem ser analisados (AKERMAN, 2000a; AKERMAN, 2000b;
BRINK; SHREVE, 1997).

Cacos de vidro: O caco no considerado matria-prima, pois o prprio


vidro. O caco entra no forno misturado com as matrias primas, geralmente em uma
proporo de 50 a 60%, dependendo, essa proporo, de uma srie de fatores, tais
como: tipo de vidro, processo de fabricao e a qualidade do vidro que se deseja
obter. A sua presena no processo acarreta uma reduo no consumo de
combustvel, na medida em que o volume de gases gerados na fuso da carga por
quilo de vidro fundido menor, a temperatura de fuso do caco menor, a
quantidade de gua por quilo de vidro diminui, alm de facilitar as reaes entre
vitrificantes e fundentes. Como o caco disseminado na mistura sob a ao das altas
temperaturas tem logo a sua viscosidade reduzida, isto , amolece, ele atua como
adesivo, evitando a segregao dos materiais. Por outro lado, cada pequeno pedao
de caco espalhado na mistura age como uma janela, permitindo que o calor radiante
da chama dos queimadores penetre na mistura, acelerando sua fuso. O uso do
caco tem um lado econmico tambm, que o aproveitamento de um material que
j tem um custo agregado da mo-de-obra e do combustvel gasto na fabricao
(AKERMAN, 2000a; AKERMAN, 2000b; BRINK; SHREVE, 1997).

Apndice A - Processos de fabricao do vidro

142

O caco de vidro um acelerador do processo de fuso. Com temperaturas


em redor de 500 C, os cacos de vidro se fundem do estado slido para a condio
lquida, sendo, portanto a primeira fase lquida do processo de fuso, causando uma
diminuio da temperatura necessria para a fuso da mistura.
Os cacos de vidro, anteriormente, eram freqentemente chamados de
sucata de vidro, o que dava a impresso de se tratar de material de baixa
qualidade. Depsitos de cacos s vezes pareciam verdadeiros depsitos de lixo
(figura a.2). No podemos esquecer que muitas vezes o caco o componente que
entra em maior peso na mistura. Variaes na composio qumica dos cacos
podem causar variaes na composio do vidro produzido e, portanto, podem
variar as propriedades do vidro.

Figura a.2 - Reciclagem do vidro (cacos de vidro) contendo muitas impurezas como plsticos
e metais que devem ser removidos antes da utilizao do caco

A.1.3 Comportamento das matrias-primas na fabricao do vidro


Como mencionado anteriormente, todas as matrias-primas recebidas na
fbrica de vidro devem ter sua composio qumica e granulomtrica conhecidas,
porque as caractersticas fsicas e qumicas do vidro so dependentes da sua
composio, que depende da soma dos componentes provenientes das matriasprimas e a granulao das matrias-primas importante para o processo de fuso

Apndice A - Processos de fabricao do vidro

143

das mesmas. Deve ser organizado um programa de amostragem, adotando-se os


mtodos preconizados pelas normas existentes: ASTM (1997a) e Pharmacopeia
(PHARMACOPEIA, 1990), empregando-se pessoal treinado para a tomada de
amostras representativas do lote de matrias-primas em exame. Devem ser
guardados todos os resultados das anlises qumica e granulomtrica das matriasprimas, para orientao ou futura referncia (FARMACOPIA, 2005; MAIA 2003).
Nas reaes qumicas abaixo mostradas, os gases e vapores resultantes de
decomposio das matrias-primas esto assinalados com ( ), indicando que no
ficam no vidro e so expelidos pela chamin dos fornos.

- Areia, quartzito

SiO2

- Soda ou barrilha
Na2O + CO2

Na2CO3
- Soda custica ou hidrxido de sdio

Na2O + H2O

2NaOH

- Carbonato de potssio
K2O + CO2

K2CO3
- Calcrio ou carbonato de clcio

CaO + CO2

CaCO3

- Dolomita ou carbonato duplo de clcio e magnsio


CaCO3.MgCO3

CaO + MgO + 2CO2

- Feldspato silicato duplo de alumnio e R2O onde R2O pode ser:


Na2O
R2 O

K2O
CaO

R2O.Al2O3.6SiO2

Apndice A - Processos de fabricao do vidro

144

- Brax ou tetraborato de sdio hidratado

Na2B4O7.10H2O

Na2O + 2B2O3 + 10H2O

- Tetraborato de sdio anidro


Na2B4O7

Na2O + 2B2O3

- cido brico
2H3BO3

B2O3 + 3H2O

- Salitre ou nitrato de sdio


4NaNO3

4NO + 3O2 + 2Na2O

- Alumina hidratada
Al2O3.3H2O

Al2O3 + 3H2O

- Litargrio
PbO

- Monossilicato de chumbo
PbO.SiO2
- Sulfato de sdio
Na2 SO4

Na2O + SO3

A composio dos vidros evidenciada pela anlise qumica. Quando se


analisa um vidro, seus elementos constituintes so representados pelos seus xidos
respectivos e a soma do peso desses xidos igual ao peso da amostra analisada
dentro dos limites dos erros experimentais. Esta a melhor evidncia de que os
vidros so compostos de xidos (MAIA, 2003; MARI, 1982). Existem algumas
excees: o vidro alabastro e o vidro opalino, por exemplo, contm fluoreto.
Tambm, pequenas quantidades de cloretos podem estar presentes em alguns
vidros. Porm, com exceo dessas pequenas variaes, pode-se dizer que o vidro

Apndice A - Processos de fabricao do vidro

tradicional, como os produtos cermicos, composto de xidos.

145

Os xidos

componentes do vidro se combinam formando silicatos simples e complexos. A slica


existente em excesso na mistura se dissolve nos silicatos fundidos, dando origem ao
vidro. Diversas tentativas feitas para representar a composio do vidro por uma
frmula qumica no obtiveram bons resultados, por isso costuma-se representar o
vidro pela sua composio percentual (ASTM, 1997a; ASTM, 1997b; MAIA 2003;
MARI, 1982).

A figura a.3 mostra um simples exemplo das reaes que acontecem entre
gros de areia e soda. Os vidros tipo Soda-lime, os mais utilizados, apresentam
uma complexidade maior e as tentativas para representar as reaes qumicas
desses parecem ser desaconselhveis tamanha a complexidade (ASTM, 1997a;
ASTM, 1997b; HORST, 2002).

Para calcular a composio do vidro feito um conjunto de operaes


matemticas que fornece a proporo em que cada matria-prima deve ser
adicionada composio, ou seja, a formulao para se atingir como objetivo a
anlise qumica padro do vidro a ser produzido (AKERMAN, 2000b; BRINK;
SHREVE, 1997).

Para a realizao deste clculo, parte-se de trs grupos de informaes


fundamentais, e que so:

A. A anlise qumica de cada uma das matrias-primas disponveis.


B. A anlise qumica padro do vidro a ser produzido.
C. Dados tcnicos que so fixados pelo responsvel para a elaborao do
vidro.

Como exemplos: teor de caco a ser empregado; teor de afinante; peso de


composio que se quer fazer por batelada (normalmente a capacidade do
misturador) e no caso de utilizao parcial de alguma matria-prima
alternativa, qual a taxa de substituio da tradicional (AKERMAN, 2000b).

Apndice A - Processos de fabricao do vidro

146

Figura a.3 - Imagens microscpicas do derretimento de gros de areia em soda. Imagem


superior: Os dois gros de areia no apresentam nenhuma reao significante a
800 C. Imagem do centro: Depois de 880 C desapareceram os gros de soda e
uma camada de reao se formou nas superfcies dos gros de areia. Imagem
inferior: A 1200 C desapareceram as reaes, mas os dois gros de areia ainda
so visveis. Bolhas pequenas de CO2 tambm podem ser vistas (HORST, 2002)

A.2 Propriedades do Vidro


As propriedades dos vidros, assim como de todos os outros materiais,
dependem de suas caractersticas estruturais, no caso dos vidros dependem muito
da composio qumica. A estrutura por sua vez, est condicionada principalmente
pela composio qumica, e em menor escala tambm pela histria trmica.

A variao das propriedades com a composio pode ser avaliada, com


certa aproximao, em funo da concentrao dos componentes, mediante
expresses lineares nas quais intervm fatores de proporcionalidade obtidos
experimentalmente para cada xido. Entretanto, deve-se advertir que as faixas de
aplicao destas frmulas aditivas so mais ou menos restritas, j que perdem sua
validade quando as mudanas de composio provocam mudanas estruturais no

Apndice A - Processos de fabricao do vidro

147

vidro, ou do lugar a interao entre seus componentes (HAAGH; HEGEN; CAMP,


2002; MAIA, 2003).

Com relao histria trmica, j vimos que a velocidade com a qual


efetuado o resfriamento do vidro dentro do intervalo de transformao ou, dito de
outra forma, o tempo que o vidro teve para dissipao do calor, determina o seu
grau de relaxao estrutural que influi sobre suas caractersticas finais (AKERMAN,
2000b; HAAGH; HEGEN; CAMP, 2002; MAIA, 2003).

A figura a.4 mostra um esquema, de maneira qualitativa, de como variam as


propriedades dos vidros em relao ao aumento de um de seus xidos constituintes.

Por exemplo:
Aumentando-se o Na2O (xido de sdio) do vidro aumenta-se a sua fluidez,
expanso e solubilidade, mas por outro lado diminui a sua durabilidade.

O Al2O3 (alumina ou xido de alumnio), ao contrrio do Na2O, aumenta a


durabilidade e faz aumentar a viscosidade.

O BaO (xido de brio) e o PbO (xido de chumbo) aumentam a


densidade e reduzem a viscosidade, alm de aumentarem a expanso trmica.

O CaO (xido de clcio) favorece a desvitrificao.

Em resumo, os xidos que compem o vidro podem ser classificados como


segue:

1- xidos formadores: ou seja, xidos fundamentais para a formao do


vidro, como por exemplo, os xidos de silcio e de boro.

2- xidos estabilizadores: os quais so adicionados para garantir ao vidro


uma boa resistncia qumica e garantir a no cristalizao do vidro; os mais comuns
so os xidos de clcio, magnsio e a alumina.

Apndice A - Processos de fabricao do vidro

148

3- xidos fundentes: so os xidos que possuem a funo de diminuir a


temperatura da mistura de xidos e permitir que o vidro possa ser trabalhado a
temperaturas razoavelmente baixas. Como exemplos desses xidos podem citar os
xidos de sdio e de potssio.

Na figura a.4 tm-se trs linhas desenhadas em ngulo de aproximadamente


120 C entre cada limite. Em direo ao canto inferior direito, pode-se verificar o
efeito do Silcio (SiO2). Este xido responsvel pela alta viscosidade do vidro
fundido e essencial para a formao do vidro. A slica tambm contribui para
diminuir a expanso trmica dos vidros. Aumentar o teor de SiO2 no vidro significa
maior temperatura de fuso da composio, maior viscosidade, menor coeficiente de
expanso e melhor resistncia qumica.

Figura a.4 Influencia dos xidos nas propriedades dos vidros (AKERMAN, 2000b)

Em direo do canto inferior esquerdo pode-se verificar o efeito de Na2O, o


xido de sdio promove melhor fluidez e maior expanso trmica ao vidro.
tambm o xido primordialmente responsvel pelo ataque da gua ao vidro, ou seja,
a solubilidade.
Na terceira direo superior o xido de clcio, CaO, o qual fornece ao vidro
maior durabilidade contra o ataque da gua, ), melhorando a resistncia qumica do

Apndice A - Processos de fabricao do vidro

149

vidro e a tendncia a desvitrificao do vidro (ou a tendncia dos vidros de se


cristalizar. Um aumento do teor de CaO no vidro significa um aumento da
viscosidade e da temperatura de fuso do vidro.

A.2.1 Viscosidade
A viscosidade de um vidro uma de suas mais importantes propriedades
sob o ponto de vista da tecnologia empregada na elaborao e conformao do
vidro.

Ela determina as condies de fuso, temperaturas de trabalho e

recozimento, comportamento na afinagem (remoo de bolhas do banho),


temperatura mxima de utilizao e taxa de desvitrificao. A viscosidade varia
enormemente com a composio e temperatura. A temperatura mxima de fuso
determinada como sendo aquela na qual o vidro que esta sendo elaborado atinja
uma fluidez tal que permita a retirada de bolhas e a homogeneizao qumica
necessria para o produto (AKERMAN, 2000b; LEHMAN, 2001; MCLELLAN, 2002).

Para o incio da conformao, a viscosidade deve ser tal que permita a


deformao do vidro sem grandes esforos, mas tambm, no pode ser muito baixa
de maneira a preservar a forma adquirida. Ao final da conformao, a viscosidade
deve j estar num nvel tal que seja mantida a forma final da pea (BRINK; SHREVE,
1997; HORST, 2002).

Nos processos automticos e contnuos empregados na indstria vidreira, as


mquinas de conformao devem ser alimentadas com vidro de viscosidade
constante, sob pena de ocorrerem variaes dimensionais e outros defeitos. Os
vidreiros devem, portanto, ter um bom domnio sobre os fatores que afetam a
viscosidade do banho, alm de adequar a curva viscosidade x temperatura

condies reais de conformao (capacidade de esfriamento durante a conformao


e tempo de conformao mecnica) (AKERMAN, 2000b; HORST, 2002). A figura a.5
mostra uma simulao utilizando o software POLYFLOW da empresa Fluent
(BURNSID, 2000), onde o processo de fabricao fortemente influenciado pela
viscosidade da massa vtrea e a temperatura da mesma.

Apndice A - Processos de fabricao do vidro

(a)

150

(b)

Figura a.5 - Simulao do processo de fabricao de um prato (a) e um copo (b) (viscosidade e
temperatura so essncias para obteno de um produto sem falhas (simulao
com o software POLYFLOW Fluent) (BURNSID, 2000; HORST, 2002))

A.2.2 Propriedades pticas


O vidro, por no apresentar estrutura cristalina, mas sim randmica (tem
ordem de curto alcance) em todas as direes, tem a caracterstica de ser isotrpico,
isto , suas propriedades independem da direo na qual so analisadas. Portanto,
quando uma massa de vidro homognea e no sujeita a tenses, ela
opticamente isotrpica. Quando um feixe de luz incide sobre uma superfcie de vidro,
parte da luz refletida e o restante passa para dentro do vidro, onde, devido maior
densidade deste, o feixe desviado, ou refratado. Parte da energia luminosa
perdida por absoro no vidro. Com a sada do feixe pela superfcie oposta, os
fenmenos de reflexo e refrao se repetem. A transmitncia do vidro a relao
entre a intensidade do feixe emergente e a intensidade do feixe incidente
(AKERMAN, 2000b; SMITH, 1998).

A.2.3 Resistncia Mecnica


A resistncia do vidro geralmente tratada usando os termos, frgil (baixa
resistncia ao impacto), fraco (baixa resistncia ruptura), duro (difcil de riscar),
rgido (resistente deformao elstica) e tenaz (resistente ao impacto). O vidro
um material frgil, porm no fraco. Ele tem grande resistncia ruptura, podendo

Apndice A - Processos de fabricao do vidro

151

mesmo ser utilizado em pisos, duro e rgido, porm no tenaz, no sendo


apropriado para aplicaes sujeitas a impactos.
Comparando-se o vidro com um material tenaz, o ao, por exemplo, quando
este ltimo submetido a cargas crescentes num ensaio de trao existe uma fase
em que ele se comporta como uma mola e quando cessada a fora que o deforma,
retorna forma original. Porm chegando-se a um valor de tenso, denominado
limite de resistncia, ele vai se deformar plasticamente (no volta mais forma
original) e se continuar a aumentar o esforo vai se romper no valor conhecido como
limite de ruptura (AKERMAN, 2000b; SMITH, 1998).

O vidro na regio elstica se comporta como o ao. Quando a tenso cessa,


ele volta ao formato original. Porm o vidro no se deforma plasticamente
temperatura ambiente e ao passar seu limite de resistncia se rompe
catastroficamente. Seu limite de resistncia igual ao limite de ruptura (AKERMAN,
2000b; SMITH, 1998).

Pode-se calcular teoricamente a resistncia de um material frgil, pois, a


fora necessria para romp-lo a necessria para romper as ligaes dos seus
tomos. No caso dos vidros comerciais esta fora da ordem de 21 GPa (2100
kg/mm2). Porm na prtica raramente se consegue, em condies muito especiais,
chegar a 15 GPa (1500 kg/mm2) e vidros comuns como de uma garrafa de cerveja,
ou de janela apresentam resistncia da ordem de 0,01 a 0,1 GPa (1 a 10 kg/mm2)
(AKERMAN, 2000b; SMITH, 1998).

A.2.4 Resistncia ao Choque Trmico


O vidro no um bom condutor de calor. Quando coloca-se um lquido
quente dentro de um copo de vidro a superfcie em contato se aquece e se dilata.
Enquanto isto a superfcie externa ainda fria e no se dilata. Como resultado geramse tenses de trao na superfcie fria externa, e se de valores acima do que o vidro
pode suportar ele quebra. Desta maneira pode-se afirmar que a capacidade de
resistir a choques trmicos inversamente proporcional a quanto o vidro se dilata

Apndice A - Processos de fabricao do vidro

152

quando aquecido, ou seja, quanto maior for dilatao trmica, menor ser a
resistncia do vidro a mudanas bruscas de temperatura.

A dilatao trmica depende da composio qumica do vidro.

Para os

vidros sodo-clcicos, que compreendem os vidros de embalagens e planos, peas


de 4 a 5 mm de espessura suportam em torno de 60 C de diferena de temperatura.

Quanto mais fina for a pea, ainda que produzida com o mesmo vidro,
menor sero as diferenas de temperatura entre os pontos frios e quentes e,
portanto mais resistente ela ser ao choque trmico. A quebra sempre se d na
regio mais fria da pea, onde ocorre a trao, e comumente o risco maior de
quebra quando o vidro est quente e sofre um esfriamento rpido.

Para aumentar a resistncia ao choque trmico de produtos de vidro,


fundamentalmente se empregam dois recursos:

a) A tmpera, que deixa a superfcie do vidro em compresso e neste caso


as diferenas de temperaturas necessrias para fraturar a pea devem ser maiores
para poderem ultrapassar o efeito de compresso da superfcie ocasionada pela
tmpera. A resistncia a choque trmicos destes vidros chega at cerca de 200 C.
o caso da linha comercila da Santa Marina Duralex, que so produtos
domsticos de vidro sodo-clcicos temperados, e que, portanto resistem sem
problemas gua fervente (BRINK; SHREVE, 1997; HORST, 2002).

b) A mudana da composio do vidro para que dilate menos com o


aquecimento, o caso do vidro comercial da Santa Marina denominado Marinex,
que se trata de um vidro borossilicato, que dilata cerca de 50% menos do que um
vidro sodo-clcico para as mesmas temperaturas, e por isso pode resistir a
esfriamentos bruscos de at 150 C. Este vidro quando temperado pode ainda
atingir resistncia a choques trmicos de at 400 C (SHELBY, 1997).

Apndice A - Processos de fabricao do vidro

153

A.2.5 Durabilidade Qumica


Entre as principais caractersticas do vidro destaca-se sua elevada
durabilidade qumica. No obstante suas boas qualidades, nem os melhores vidros
(por ex. o de SiO2) podem ser considerados rigorosamente inertes. Portanto todos
os vidros sofrem alteraes superficiais quando colocados em contato com uma
soluo aquosa. Os vidros so muito resistentes a solues cidas, e levemente
bsicas (pH < 9), porm so atacveis por solues bsicas (SHELBY, 1997).

A.2.6 Caractersticas da Cor do Vidro.


A cor do vidro um parmetro importante visto que comercialmente tem-se
que produzir um vidro onde a cor seja idntica em diversos lotes do produto. Nas
fabricas, a cor tem que ser reproduzida ao longo dos anos, sem variao
significativa, pois, uma pea, seja de mesa ou de janela, trocada mesmo depois de
muitos anos, deve ter o mesmo aspecto.
Quando h referncia a esta ou aquela cor, evita-se confiar apenas nos
sentidos e transforma-se a cor em nmeros. Desta maneira, pode-se comparar cores
produzidas com anos de diferena e ainda em fbricas diferentes.

Quando colocamos uma amostra de vidro no equipamento de medir cor,


que chamado de colormetro, este nos fornece nmeros que permitem localizar a
cor no grfico da figura a.6. Pode-se assim, se necessrio, produzir a mesma cor do
vidro antigo em um novo produto (AKERMAN, 2000a).

Apndice A - Processos de fabricao do vidro

154

Figura a.6 - Diagrama que mostra o efeito dos corantes na cor do vidro (AKERMAN, 2000a;
AKERMAN, 2000b; SMITH, 1998)

Atravs da experincia sabe-se o efeito de diversos materiais sobre a cor


dos vidros, como est indicado no grfico da figura a.6. Ento, para produzir
determinada cor basta acrescentar a mistura de colorantes correspondentes.
Depois do vidro pronto, mede-se a cor e marca-se o ponto no grfico. Se a
cor estiver correta, continua-se fazendo igual, mas se chega-se a um ponto afastado
do objetivo feita uma correo, na quantidade de colorante adicionada at chegarse ao objetivo e assim faz-se o controle sobre a cor.
Pode-se ocorrer situaes em que utiliza-se mais que um colorante, pois a
cor requerida intermediria entre dois materiais, aumentam-se a dificuldade da
operao, mas o princpio continua o mesmo.

A. Controle da cor no vidro branco


O vidro branco considerado um material sem cor, mas na realidade todos
os vidros brancos tm uma cor presente de graus variveis. A cor varia de um azul
muito plido at uma tonalidade rosa-morango em diversos graus de concentrao
(AKERMAN, 2000a; AKERMAN, 2000b; SMITH, 1998).

O grau de cor presente

Apndice A - Processos de fabricao do vidro

155

(pureza) depende da qualidade dos ingredientes que se enfornam. Isto inclui as


matrias primas, caco e, num grau menor, as condies em que se funde o vidro.

Os agentes corantes mais comuns encontrados no vidro branco so o


Ferro (Fe) e o cromos (Cr) e o efeito destes elementos na cor varia com o estado da
Valncia de cada um no vidro fundido. Pode-se ter um efeito diferente dependendo
se o estado de oxidao do vidro for oxidante (+) ou redutor (-).

Se oxidante ou redutor depende dos ingredientes da mistura e tambm da


atmosfera do forno. A contaminao do caco tambm tem um importante papel nas
condies de oxidao/reduo (Redox). Esta contaminao formada geralmente
por materiais orgnicos (lixo, comida, plstico, papel, etc) (AKERMAN, 2000a;
AKERMAN, 2000b; SMITH, 1998). Na figura a.7 temos um exemplo de monitorao
do fator Redox (SINDEPEDIP, 2000).

B. O efeito do ferro na cor


O ferro se encontra no vidro no estado tri-valente (Fe2O3), que o mais
oxidado (+) e no estado bi-valente (FeO) que mais reduzido (-).
O efeito corante do FeO 5 ou 6 vezes maior que o do Fe2O3. Portanto
mais desejvel manter o mximo de ferro no estado do Fe2O3. Este Fe2O3 causa no
vidro um tom ligeiramente amarelo-verdoso e o FeO resulta em um tom mais azulverdoso. (BEERKENS; KAHL, 2000; EDWARDS; PEELER, 2004; VERHEIJEN,
2003a).

Figura a.7 - Monitorao do REDOX atravs de uma sonda na produo do vidro (VERHEIJEN,
2003a )

Apndice A - Processos de fabricao do vidro

156

C. O efeito do cromo na cor


O xido crmico (Cr2O3) um agente corante primrio para todos os vidros
verdes, devido ao cromo dar uma grande colorao verde ao vidro branco. O cromo
no estado reduzido (Cr2O3) d uma tonalidade fortemente esverdeada ao vidro,
enquanto o cromo no estado oxidado (Cr2O3) d uma cor mais amarelo-verdosa.
Como no caso do ferro, o cromo se incorpora no vidro pelas matrias primas, caco e
outras contaminaes (AKERMAN, 2000a; AKERMAN, 2000b; SMITH, 1998).

D. Descolorao do vidro branco


A descolorao do vidro branco na realidade uma mscara das
tonalidades verdes ocasionadas pelo ferro e cromo como impurezas das matriasprimas que neutraliza o vidro resultando em uma tonalidade menos aparente. Os
agentes oxidantes tambm so utilizados para manter o estado de oxidao sob
controle. Os materiais descolorantes mais comumente utilizados so o selnio, o
qual, por ele prprio d uma tonalidade rosa-morango ao vidro, e o cobalto que d
ao vidro uma tonalidade azulada. Estes materiais so utilizados juntos em diferentes
propores para obter a tonalidade de cor aceitvel para os diferentes clientes
(JAMISON; EISENHAVER; RASH, 2002).

E. Vidro mbar
A cor mbar formada pela combinao dos ons Fe3+ e (S2-), junto com
ons Na+. Apesar de a cor envolver ons oxidantes e redutores, o vidro mbar
fortemente reduzido. Isto devido ao estado de valncia do Enxofre, que muda mais
facilmente que os ons de Ferro ou Sdio. Portanto, enquanto praticamente todo o
enxofre se reduz, somente ao redor de 85% do ferro reduzido e todo o sdio
permanece oxidado.

A cor mbar controlada pelo nvel de redox, geralmente com uma fonte de
carbono. Adicionando mais carvo se reduz mais o enxofre a sulfeto (S2-) e escurece
a cor. Deve existir suficiente Fe2O3 presente para combinar-se com o (S2-) e formar a
cor desejada. De fato, com mais Fe2O3 presente, se requer menos S2- para se
chegar ao objetivo.

Apndice A - Processos de fabricao do vidro

157

Isto importante porque um nvel baixo de enxofre dissolvido implica em um


vidro menos propenso a produzirem bolhas (blisters). As experincias mostram que
o ferro total, expresso como Fe2O3, deve estar entre 0,28 a 0,30 % em peso
(AKERMAN, 2000b; LUIZ, 1999)

Como a cor mbar depende do Redox do vidro, qualquer coisa que mude o
nvel do Redox afetar a cor. Os agentes oxidantes tais como sulfato de sdio,
gessos, etc, clareiam a cor enquanto os agentes redutores como carvo e alumnio
metlico o escurecem. Como o Fe2O3 est envolvido, o ferro metlico geralmente
provoca manchas escuras (dark streaks) no vidro mbar.

Ao se agregar ao vidro mbar um agente redutor potente, ou ainda uma


grande quantidade de um agente redutor normal, pode se clarear a cor em lugar de
escurec-la. Isto acontece porque aps reduzir todo o enxofre, o agente redutor
comea a afetar o Fe2O3, reduzindo-o para FeO. Isto deixa Fe2O3 insuficiente para
formar os centros de cor e a cor clareia. O vidro est agora super reduzido. As
tentativas para escurecer a cor com adies de carvo resultam em clareamentos da
mesma. O passo apropriado retirar carvo ou adicionar um agente oxidante, como
sulfato de sdio (LUIZ, 1999).

Um vidro mbar super-reduzido tem freqentemente um alto nvel de pedras


(seeds) e tem tendncia a formarem bolhas (blisters). Aumentar a utilizao de
caco, s vezes super reduz o vidro mbar. O caco mbar contm to baixos teores
de enxofre, a grande parte dele j reduzido, que no existe suficiente sulfeto
presente para refinar o vidro e permanecer reduzido pelos contaminantes do prprio
caco. Tem-se descoberto que freqentemente necessrio aumentar o sulfato de
sdio quando o nvel de caco atinge 50 % ou mais (LUIZ, 1999).

Apndice A - Processos de fabricao do vidro

158

F. Vidros verdes
Todos os vidros de cor verde contm Cr2O3 em algum nvel. A cor do vidro
verde depende da quantidade de Cr2O3 e outros corantes especficos para uma
determinada cor verde particular que se deseje fabricar. Por exemplo, o verde
esmeralda contm perto de 0.125 % de Cr2O3 enquanto o verde Gergia contm
perto de 0.018 % de Cr2O3 e 0.002 % de CoO. O verde Gergia uma cor muito
menos intensa que o verde esmeralda e tambm tem uma ligeira cor azulada.

O verde Champagne contm perto de 0,20 % de Cr2O3, 0,01 % de CoO, e


perto de 0,025 % de NiO. O xido de nquel absorve quase uniformemente no
espectro visvel pelo que confere uma tonalidade cinza ao vidro.

Todos os vidros verdes mencionados tm praticamente o mesmo Redox que


o vidro branco, ou seja, perto de +10. Alguns clientes desejam um vidro verde que
absorva luz na parte ultravioleta do espectro; isto , menos que 400 nm de
comprimento de onda. No passado isto era obtido utilizando CrO3 como corante e
mantendo o vidro fortemente oxidado. Devido toxicidade de Cr6+ e dificuldade
em refinar um vidro fortemente oxidado se desenvolveu um mtodo diferente. O
vidro verde Champagne, absorvente do ultravioleta, tem um Redox de
aproximadamente (-5). A absoro ultravioleta se deve a uma cor levemente mbar
que se mascara com 0,20% Cr2O3. No se utiliza xido de nquel. A leve cor mbar e
o Redox negativo se obtm utilizando caco mbar.

A.3 Tipos de Vidros Comerciais


1. Slica fundida: o vidro mais importante de um nico componente. Caracterizase pelo baixo coeficiente de expanso e pelo elevado ponto de amolecimento o que
lhe confere uma alta resistncia trmica e permite que seja usado alm das faixas de
temperatura dos outros vidros. Este vidro tambm muito transparente radiao
ultravioleta e tem alta resistncia qumica. Alm disso, apresenta uma elevada
transmisso espectral ptica e no est sujeito deteriorao por radiao que
provoca o escurecimento em outros vidros. Esse vidro ideal para aplicao nas

Apndice A - Processos de fabricao do vidro

159

janelas dos veculos espaciais, janelas para tnel de vento e para sistemas pticos
em dispositivos espectrofotomtricos. Mas o vidro de slica de difcil
processamento e custo elevado (BRINK; SHREVE, 1997; SMITH, 1998).

2. Silicatos alcalinos: Os silicatos alcalinos so os nicos vidros de dois


componentes que tm importncia comercial. So solveis em gua. A areia e a
barrilha so simplesmente fundidas e os produtos so os silicatos de sdio. O
conhecimento das relaes de equilbrio destes sistemas dois componentes
ajudou os especialistas em Vidro a entender o comportamento de sistemas mais
complexos. A soluo de silicato de sdio conhecida tambm como vidro de gua,
amplamente usada como adesivo de papel na fabricao de caixas de papel
ondulado (BRINK; SHREVE, 1997; SMITH, 1998).

3. Vidro base de soda e clcio: o vidro que se fabrica em maior quantidade


atualmente e serve para a fabricao de vasos de todas as espcies, de vidros
planos e vidros de automvel, de janelas, painis, de loua de mesa, etc. A
composio bsica deste vidro : 71 a 73% - SiO2, 12 a 14% - Na2O, 10 a 12% CaO. O Na2O e o CaO diminuem o ponto de amolecimento deste vidro de 1600 C
para cerca de 730 C, para que o vidro seja mais fcil de ser trabalhado. Ao vidro
sdico-clcio adicionam-se entre 1 a 4% MgO a fim de impedir a desvitrificao, e
adiciona-se entre 0,5 e 1,5 % de Al2O3 para aumentar a durabilidade. Esse vidro
tambm usado em produtos planos, recipientes, objetos prensados e soprados, e em
produtos de iluminao, sempre que no for exigida uma grande resistncia qumica
e ao calor.

4. Vidro de chumbo: so de grande importncia em trabalhos ticos em virtude do


seu alto ndice de refrao e da alta disperso. Vidros de chumbo com teores de
chumbo (PbO) de at 92 % so fundidos, atingindo densidade de 8,0 e ndice de
refrao de 2,2. O vidro de chumbo usado na fabricao de cones para cinescpio
de televisores em cores contm em redor de 22 % de PbO e tem uma densidade de
3,02 g/cm3. Devido ao seu alto brilho tambm utilizado na industria de peas
ornamentais de vidro e de clices para bebidas. Ainda so usados como proteo
para radiao de elevada energia e encontram aplicao para janelas de radiao,
invlucros de lmpadas florescentes, vidros pticos, etc.

Apndice A - Processos de fabricao do vidro

160

5. Vidro de boro-silicatos: esses vidros contm usualmente cerca de 13 a 28% de


xido de Boro (B2O3) e 80 a 87% de slica (SiO2) o coeficiente de expanso baixo,
a resistncia ao choque trmico elevada, a estabilidade qumica excelente e a
resistncia eltrica grande. Entre as vrias aplicaes esto as travessas de cozinha
(assadeiras tipo Pyrex), a vidraria de laboratrio, tubulaes, isoladores de altatenso e anis de vedao.

6. Vitrocermicos: utilizado em utenslios domsticos para o transporte de alimento


diretamente do forno para a mesa ou geladeira sem ocorrer possibilidade de
quebra, alm de diversas aplicaes (MARQUES; DANIEL; PINTO, 2003).

7. Fibra de vidro e de reforo: usada na industria txtil e diversas aplicaes.

8. Fibras pticas: so utilizadas nos meios de comunicao, em equipamentos


cirrgicos para diversos exames clnicos e diversas aplicaes.

9. Vidros especiais: so os vidros coloridos, vidro opaco, vidro translcido, vidros


de segurana laminados e temperados, vidro fotossensvel e muito outros vidros
com as mais diferentes aplicaes.

A.4 Processo de fabricao do vidro

O processo de fabricao constitudo de vrios passos. Entre a aquisio


das matrias primas at a sada do produto final tem-se vrios procedimentos. As
principais etapas da fabricao do vidro, esto ilustradas no fluxograma da figura a.8
(AKERMAN 2000a).

Apndice A - Processos de fabricao do vidro

161

Figura a.8 - Fluxograma das operaes que ocorrem em uma vidraria (AKERMAN 2000a)

Pode-se resumir o processo de fabricao do vidro em quatro fases


principais:
Fuso.
Conformao ou moldagem.
Recozimento.
Acabamento.

A. Fuso
A transformao de matrias primas em vidro d-se inicialmente, por ao
de calor, em fornos de vidro. Estes se revestem assim de primordial importncia em
todo este processo, estando a sua construo e operao diretamente ligadas
qualidade do vidro produzido. Os fornos de vidro so caracterizados pela sua
geometria, pela forma como o vidro colhido e trabalhado, pelo tipo de separao
entre as zonas de fuso e de trabalho, pela localizao e direo das chamas no seu
interior, e pela forma como o calor proveniente da combusto recuperado, bem

Apndice A - Processos de fabricao do vidro

162

como relativamente ao tipo de vidro produzido. Com relao a fonte de calor


utilizada, os fornos de vidro dizem-se de aquecimento por combusto (chamas),
eltrico, ou misto, em que utilizam-se de aquecimento por combusto e reforo
eltrico. Os fornos de fuso do vidro tambm podem ser classificados como fornos
de cadinho (ou pote) ou fornos-tanque. Os fornos tanque podem ser divididos em
forno dirio ou forno contnuo (na figura a.9 tem-se um esquema de um fornotanque). Os fornos de cadinho ou pote, com a capacidade aproximada de 2 (duas)
toneladas ou menos, so adotados nas pequenas produes de vidros especiais, ou
quando essencial proteger o banho fundido da ao dos produtos de combusto.
So empregados principalmente na manufatura de vidro tico, de vidro artstico e de
vidro plano em chapa fundida (ASTM, 1997c; BACKX; et al, 2002; MAIA, 2003;
MARI, 1982; MUYSENBERG; SIMONIS, 1992)

O tipo mais importante de fornos operados continuamente o do forno


tanque; relativamente aos fornos operados intermitentemente, os mais importantes
so os fornos pote. A fuso de vidro compreende a fuso das matrias primas, a
afinao e homogeneizao da massa resultante, e posterior disponibilidade desta
para ser trabalhada. Nos fornos tanque estas etapas esto presentes de maneira
simultnea no interior destes, em diferentes locais. Nos fornos pote, tm lugar em
alturas diferentes no mesmo local. A figura a.9 apresenta as diferentes vistas de um
forno de vidro tipo tanque de funcionamento contnuo (BEERKENS, 2002;
BOERSTOEL; LANKHORST, 1998, SINDEPEDIP, 2000; ).

As partes do forno tipo tanque so:


Abbada (crown): parte superior do tanque. O calor proveniente da
combusto transmitido, por reflexo, superfcie do vidro;
Soleira (bottom): Fundo do forno. A correta distribuio de temperaturas
na soleira um fator essencial na operao de fornos de vidro;
Boca de enforna (doghouse): Abertura no forno por onde so introduzidas
as matrias primas (composio), quer automaticamente, recorrendo a
um dispositivo denominado enfornadora, quer de forma manual;
Garganta (throat): canal que separa as zonas de fuso e de trabalho;

Apndice A - Processos de fabricao do vidro

163

Aberturas dos queimadores: locais por onde so introduzidos os


queimadores, dispositivos que permitem a combusto.

Recuperadores

Figura a.9 - Representao de diferentes vista de um forno de vidro. a) Vista exterior do forno, b)
Vista do tanque de fuso do forno (abbada, soleira, boca de enforna, degrau,
abertura de queimador, c) Vista dos tanques de fuso e zona de trabalho do forno
garganta (SINDEPEDIP, 2000)

Ao entrar no forno, as matrias primas comeam a fundir-se, afundando-se


na massa fundente existente por ao das correntes de conveco de vidro fundido,
j que a sua densidade aumenta. Este processo tem lugar na seo de fuso, onde
ocorrem uma srie de reaes qumicas, levando perda de cerca de 17% da
massa das matrias primas. O vidro em fuso passa ento seco de afinao,
onde, novamente em conseqncia das correntes de vidro, so libertadas bolhas
gasosas resultantes das reaes anteriores. Esta seco geralmente definida
atravs da existncia de uma barreira fsica, denominada degrau, de eletrodos ou
borbulhadores (BRAATZ; et al, 2003; PINA; LIMA, 2002; PINA; LIMA, 2003;
SINDEPEDIP, 2000).
A prxima etapa a passagem zona de trabalho, onde o vidro pode ser
colhido (figura a.9). Pode ainda existir, entre a seo de afinao e a zona de
trabalho, uma seo de refino, onde o vidro que retorna desta ltima, por exemplo,

Apndice A - Processos de fabricao do vidro

164

aps perodos de paragem, reaquecido sem alterar a temperatura do vidro na zona


de fuso.

A zona de trabalho est separada da zona de fuso por uma reduo na


largura do forno e na altura da abbada, constituindo um canal denominado
garganta. Esta possibilita uma separao bem definida que evita correntes de
retorno, e conseqente mistura, entre o vidro mais frio da zona de trabalho e o da
zona de fuso, mais quente.

As chamas no interior do forno so classificadas de acordo com a sua


disposio e com o percurso dos gases resultantes da combusto ao abandonarem
o forno (figura a.10). Assim, relativamente disposio, podem ser cruzadas (crossfired) ou estar situadas na parte de trs do forno (end-fired), junto entrada das
matrias primas. As chamas podem ter direo em forma de U (U shaped), ou serem
paralelas superfcie do vidro (SINDEPEDIP, 2000).

Figura a.10 - Imagem do forno tipo tanque com a massa vtrea e os queimadores (HORST,
2002)

Apndice A - Processos de fabricao do vidro

165

Figura a.11 - Imagem da sada do vidro do forno (gota) para etapa conformao e moldagem
(SINDEPEDIP, 2000)

B. Conformao ou moldagem
O vidro pode ser conformado mquina ou modelado a mo. O principal
fator a ser considerado na conformao mecnica o do modelo da mquina de
vidro, que deve ser capaz de completar o objeto em alguns segundos. Durante este
tempo relativamente curto, o vidro transforma-se de lquido viscoso em slido
translcido. Por isso, tm-se vrios problemas operacionais a serem resolvidos: o
escoamento do calor, a estabilidade dos metais em contato com o vidro fundido, as
tolerncias nos mancais, etc. Tratar todos esses problemas em conjunto complexo.
O xito destas mquinas decorrente do trabalho dos profissionais que trabalham
com o vidro (figura a.11). Os vidros mais comuns conformados mecanicamente so
os vidros de janela, a chapa de vidro, o vidro por flutuao, as garrafas, os bulbos de
lmpadas e os tubos (AKERMAN 2000a).
O vidro de janela antigamente era fabricado por um processo manual muito
difcil, em que se colhia uma gota de vidro na extremidade de uma cnula e se a
transformava, mediante sopro, num cilindro. As bases do cilindro eram ento
cortadas, a superfcie cilndrica era partida em duas, aquecida num forno e ento
planificada. Este processo manual no mais utilizado. Atualmente usam-se os
processos contnuos ou suas modificaes, conforme figura a.12) (AKERMAN
2000a; TERHASEBORG; SPAANENBURG; NIJHUIS, 1997).

Apndice A - Processos de fabricao do vidro

166

Figura a.12 - Processo de fabricao do vidro plano (BRINK; SHREVE, 1997)

O vidro por flutuao desenvolvido pela Pilkington Brothers (figura a.12), na


Inglaterra, constitui uma melhoria fundamental na fabricao de folha de vidro de alta
qualidade. Uma chapa de vidro, obtida por laminao, posta a flutuar num banho
de metal fundido, em atmosfera controlada. Na entrada da cmara de flutuao, a
temperatura suficientemente elevada para que o vidro seja bastante mole para
flutuar. A superfcie inferior retificada pelo contato com o metal, e a superfcie
superior escoa sob a ao da gravidade at ser tambm plana. Esta tcnica de
manter a superfcie do vidro a uma temperatura elevada at que as irregularidades
sejam eliminadas pelo escoamento denominado polimento a fogo. A qualidade da
superfcie conseguida to prxima da que se obtm pelo esmirilhamento e
polimento mecnicos que o vidro por flutuao substitui a chapa de vidro polida em
muitas aplicaes (figura a.13) (BRINK; SHREVE, 1997; KHALEEL; HESS, 2001).

Figura a.13 - Processo de fabricao do vidro plano por flutuao e vidro impresso (AKERMAN
2000a; ABIVIDRO, 2005)

Apndice A - Processos de fabricao do vidro

167

A arte de soprar o vidro uma das mais antigas e at o sculo passado


dependia somente da fora do sopro humano para formar e modelar o vidro fundido.
As demandas modernas de vidro soprado, entretanto, foraram o desenvolvimento
de mtodos mais rpidos e mais baratos de produo. A mquina de fabricar
garrafas apenas uma mquina de efetuar uma operao de conformao que usa
a presso do ar para criar um espao oco interno. Diversos tipos de mquinas
fabricam os esboos (parsons), que so as taas parcialmente moldadas (figura
a.14) (AKERMAN 2000a).

Figura a.14 - Processo de fabricao de uma taa (HORST, 2002)

Uma das maneiras de fabricao das garrafas a de alimentao a suco.


Essa tcnica tambm adotada, com algumas variaes, na fabricao de bulbos e
de copos de parede (HORST, 2002). Na mquina alimentada suco o vidro
contido numa cuba circular rasa em rotao aspirado para os moldes. O molde
ento se afasta da superfcie do vidro abre-se e deixa o esboo sustentado pelo
pescoo. O molde da garrafa logo toma posio em torno do esboo e um jato de ar
comprimido provoca a moldagem do vidro contra as paredes. O molde fica em torno
da garrafa at que seja realizada uma outra operao de pega depois do que libertase a garrafa e prepara-se para iniciar a mesma seqncia de operaes com um
outro esboo. As operaes so completamente automticas, e no so raras as
velocidades de 60 unidades por minuto. O alimentador a gotas constitui um dos mais
importantes desenvolvimentos da fabricao automtica de vidros. Na figura a.15

Apndice A - Processos de fabricao do vidro

168

pode-se ver uma simulao da gota do vidro proveniente da zona de trabalho. Essa
simulao mostrada no software POLYFLOW da empresa FLUENT e permite
estudar o comportamento da gota com relao a sua temperatura e viscosidade.
Esse estudo fundamental para obter-se sucesso na etapa de conformao (figura
a.15) (HORST, 2002).

Figura a.15 - Simulao da gerao de uma gota para o processo de fabricao do vidro
(HORST, 2002)

Nesta operao, o vidro fundido escoa do forno atravs de uma calha de


colada, no final da qual h um orifcio. O vidro, ento, goteja pelo orifcio e uma
tesoura mecnica corta uma gota (pode-se ver a simulao da gota do vidro na
figura a.15) com o exato tamanho que se deseja. Esta gota dirigida por um funil
para o molde do esboo, que principia a conformao da garrafa numa posio
invertida (figuras a.14 e a.16) (HORST, 2002; SINDEPEDIP, 2000).

Figura a.16 - Produo de potes e garrafas nas maquinas de conformao (JAMISON;


EISENHAVER; RASH, 2002)

Apndice A - Processos de fabricao do vidro

169

A fabricao da ampola (figura a.16) de vidro era difcil at que se


inventaram as fundies centrfugas, que utiliza um molde giratrio para conseguir
uma espessura mais uniforme da parede (JAIME, 1998; JAIME, 2004; JAIME, 2005).

C. Recozimento
Para reduzir a tenso dos vidros, necessrio recozer todos os objetos de
vidro, sejam os que foram fabricados mecanicamente, seja os fabricados
manualmente. O recozimento envolve, resumidamente, duas operaes: (I)
manuteno da massa de vidro acima de certa temperatura crtica durante um tempo
suficientemente dilatado para que as tenses internas sejam reduzidas graas ao
escoamento plstico, ficando abaixo de um mximo predeterminado, e (2)
resfriamento da massa at a temperatura ambiente, com lentido suficiente para
manter a tenso abaixo deste mximo. O forno de recozimento nada mais que
uma cmara aquecida, cuidadosamente projetada, onde a taxa de resfriamento pode
ser controlada de modo a satisfazer s exigncias anteriores (as figura a.17 e figura
a.18 mostram as simulaes das temperaturas no forno de fuso) (AKERMAN
2000a).

Figura a.17 - Simulao das temperaturas envolvidas no processo de fabricao do vidro


(HORST, 2002)

Apndice A - Processos de fabricao do vidro

170

Figura a.18 - Descrio do processo atravs da simulao das temperaturas do processo de


fabricao. Relao das temperaturas de fuso do vidro e a sua temperatura para
comformao (HORST, 2002)

D. Acabamentos
Todos os tipos de vidro recozido devem sofrer algumas operaes de
acabamento (figura a.19), que, embora relativamente simples, so muito
importantes. Elas incluem a limpeza o esmerilhamento, a lapidao, o despolimento,
o esmaltamento, a graduao e a calibrao. Embora nem todas sejam necessrias
para todos os vidros, uma etapa ou mais so sempre necessrias (AKERMAN
2000a).

Figura a.19 - Produto final do processo de fabricao do vidro (HORST, 2002)

Apndice A - Processos de fabricao do vidro

171

A.5 Exemplos de Automao do Processo de Fabricao do Vidro

Atualmente tm-se diversas solues de automao aplicadas indstria do


vidro. Essas solues buscam melhorar o processo em diversos pontos. Pode-se
citar a crescente preocupao com o meio-ambiente e a respectiva legislao
ambiental que tem conseguido aumentar a preservao e a reduo do impacto
ambiental (PINA; LIMA, 2002; SINDEPEDIP, 2000; ZANOTTO, 1989a; ZANOTTO,
1989b).
A

competitividade

entre

as

empresas

da

indstria

do

vidro

tem

proporcionado a aplicao da automao nas reas de racionamento de energia,


aumento da eficincia do processo e a reduo de custos (SINDEPEDIP, 2000;
ZANOTTO, 1989b).

Nas figuras 2.20, 2.21 e 2.22 tem-se exemplos da automao na indstria do


vidro.

Figura a.20 - Processo automatizado de produo de garrafas de vidro (JAMISON;


EISENNHAVER; RASH, 2002)

Apndice A - Processos de fabricao do vidro

Figura

a.21

Processo automatizado de
EISENNHAVER; RASH, 2002)

172

produo

ampolas

de

vidro

Figura a.22 - Processo automatizado de produo do vidro plano

(JAMISON;

Apndice A - Processos de fabricao do vidro

173

Como j mencionado nos captulos anteriores o processo de fabricao do


vidro tem uma alta complexidade. Essa complexidade no inviabiliza a utilizao de
sistemas de controle convencionais para controlar as variveis de baixo nvel. Alis,
estes se revelam extremamente eficazes, se aliados a uma escolha correta dos
sensores e atuadores (PINA; LIMA, 2002; SINDEPEDIP, 2000).

Tm surgido nos ltimos anos diversos ambientes de simulao e


modelagem para os processos de fabricao do vidro. Pode-se citar os sistemas
PolyFlow da Fluent,

Glass Furnance Model (GFM), Advanced Process Control

(APC) para otimizao da produo do vidro (BURNSID, 2000; VELTHUIS; et al,


1999).
Os modelos obtidos nos sistemas de simulao e modelagem apresentam
dificuldades para sua utilizao nos sistemas de controle implementados na indstria
do vidro. Pode-se citar que os elevados tempos de atraso, as diferentes constantes
de tempo envolvidas, a elevada quantidade de variveis envolvidas e a
complexidade das relaes tm aumentado a dificuldade da utilizao da
modelagem matemtica nos sistemas de controle (BEERKENS; STEINER, 2002;
BURNSID, 2000; VELTHUIS; et al, 1999;).

Especialmente na indstria brasileira do vidro, a habilidade e o


conhecimento adquirido durante anos de trabalho nessa indstria pelos operadores
de mquinas, fornos e controle de matrias primas garantem um bom desempenho
do processo do vidro nas indstrias (MAIA, 2003; MARI, 1982).

A indstria do vidro tem nos ltimos cinqenta anos vencido vrios desafios
tcnicos significantes e com isso tm melhorado suas metas com relao reduo
dos custos, aumento da eficincia energtica e de produo, e a qualidade dos
produtos. Tm-se avanado nos seguintes pontos: materiais, medidas do processo,
automatizao, e compreenso melhor do vidro, que criaram novas oportunidades
para melhorar os processos de produo. A seguir tem-se os principais itens nos
avanos da indstria do vidro.

Apndice A - Processos de fabricao do vidro

174

A. Controle do processo: O controle do processo permite aos


fabricantes aperfeioar e automatizar a produo do vidro e sua fabricao. Os
sistemas de controle observam as condies do processo, medindo, monitorando
e atuando na produo do vidro. Analisando os dados do processo em tempo-real
podem-se identificar problemas potenciais, e ajustar as variveis de processo
automaticamente para as condies timas. A atuao correta no processo de
produo pode afetar a qualidade dos produtos finais por vrios dias (AYALA;
SOLIS, 1991; BACKX; et at, 2002; CARVALHO; KAYALCOL, 2003; DUARTE,
2001).

B. Sensores avanados: Sensores e outras ferramentas de deteco


que medem e enviam relatrios sobre as condies industriais formam um
histrico de todo o processo, nos sistemas de controle do processo. Eles
permitem aos operadores melhorar a eficincia e aperfeioar o desempenho
provendo dados em tempo real das condies da fuso do vidro, a atmosfera de
combusto nos fornos e isso permitem fazer ajustes mais apropriados (figura
a.23) (CARLSON; et al, 2000; CARVALHO; KAYALCOL, 2003;

C. Melhoria do processo: As melhorias do processo envolvem uma


variedade de pontos na fabricao do vidro como: equipamentos, matriasprimas, procedimentos operacionais, e sistemas de produo. O objetivo
aumentar a produo do vidro, reduo dos custos, melhorar a qualidade, e usar
novas tcnicas de fabricao, modelagem e acabamento do vidro (DREYFUS, C;
DREYFUS, G, 2003; FREITAG; RICHERSON, 1998; LAEVSKY, 2001; SCOTT,
2005)

D. Materiais que suportam temperaturas mais altas: Materiais durveis


e baratos continuam sendo um das necessidades mais importantes na produo
de vidro. Alm de refratrios (materiais que compem as paredes dos fornos),
uma variedade de outros materiais que entram em contato constante com o vidro
fundido e com o gs em combusto teve avanos tecnolgicos nos ltimos anos.
Os fornos de vidro operam continuamente a temperaturas que alcanam 1400 C
no banho fundido e 1600 C na atmosfera de combusto de uma batelada da

Apndice A - Processos de fabricao do vidro

175

produo, entre oito a dez anos de vida til. A substituio de partes do forno e
equipamentos que falham durante a produo bastante limitada e limitaes no
desempenho dos materiais do forno podem limitar a eficincia energtica e
degradar a qualidade do vidro.

Figura a.23 - Processo automatizado com a utilizao de sensores e cmeras

A.6 Sistemas de Automao da Indstria do Vidro


Em Pina e Lima (2002) tem-se um exemplo de uma arquitetura de
automao do processo de automao de uma fbrica modelo para produo do
vidro. O sistema subdividido em sistema integrado de gesto energtica, sistema
de apoio produo, sistema de operao do forno, sistema integrado de
monitorao e superviso, como mostrado na figura a.24 (PINA; LIMA, 2002;
SINDEPEDIP, 2000).

Apndice A - Processos de fabricao do vidro

176

Esse projeto chamado de NOVOVIDRO (Novas Tecnologias e


Inovao na Indstria do Vidro) foi desenvolvido em Portugal, e suas definies e
implementaes esto descritas no relatrio final de SINDEPEDIP (2000). O projeto
consiste, em linhas gerais, no desenvolvimento e implementao de uma unidade de
fabricao de carter piloto, com vista ao desenvolvimento e aplicao de novas
tecnologias e conceitos na produo de vidro (PINA; LIMA, 2002; SINDEPEDIP,
2000). No projeto NOVOVIDRO foi constituda a empresa Neovidro e construda
uma indstria de tecnologia do vidro. Nesta indstria seriam testados e avaliados
diversos mtodos de engenharia de processos para a fabricao do vidro.

desenvolvimento do sistema de monitorao do processo proporcionou obter dados


da fabricao que foram usadas para montar estratgias de controle mais eficazes.
Neste trabalho utilizou-se os dados da produo relativos operao do forno do
projeto NOVOVIDRO. Esses dados foram utilizados para testar os algoritmos de
aprendizagem em estudo neste trabalho.
Alm do exemplo do projeto NOVOVIDRO, diversos outros avanos foram
notados nas fabricas de vidro. Esses pontos de avanos so os diversos sensores,
atuadores e softwares especficos para cada etapa do processo. Pode-se citar os
avanos na Termogrfica com os detectores de temperaturas por sinais
infravermelhos, sondas e medidores de Redox bem como software para controle
desse importante parmetro. Avanos nos equipamentos de espectrometria (como
os espectrofotmetros de absoro atmica) e outros equipamentos usados nos
laboratrios e fbricas do vidro.

Figura a.24 - Exemplo de automatizao da fabrica do projeto NOVOVIDRO (SINDEPEDIP, 2000)

APNDICE B Teoria Fuzzy

Apndice B Teoria Fuzzy

178

APNDICE B - TEORIA FUZZY


B.1 Teoria Fuzzy
A definio formal dos conjuntos nebulosos teve sua origem nos trabalhos
do Prof. Lofti A. Zadeh, em 1965, na Universidade da Califrnia, Berkeley (ZADEH,
1973). Podemos dizer que a inteligncia humana tem a caracterstica de
"nebulosidade", pois tem a capacidade de resumir os fatos observados e, mesmo
tendo uma grande capacidade para informaes adquiridas, pode selecionar as mais
importantes.
Um dos exemplos mais usados para exemplificar a Teoria Fuzzy seria a
anlise da idade de uma pessoa. Podemos classificar uma pessoa como jovem,
adulta ou velha. Mas qual a idade que uma pessoa deixa de ser jovem para ser
adulta ou velha? Dizemos que uma pessoa jovem, adulta ou velha uma afirmao
nebulosa (fuzzy).

B.2 Definies
Este captulo descreve as definies sobre a Teoria Fuzzy utilizadas neste
trabalho.
Seja U uma coleo de objetos, a qual pode ser discreta (nmero finito
de elementos) ou contnua. U denominado de Universo de Discurso e u representa
um elemento genrico de U (LEE, 1990a; LEE, 1990b)

a) Conjunto Fuzzy: um conjunto fuzzy F num universo de discurso U


caracterizado por uma funo de pertinncia F : U [0,1], que associa a cada
elemento u de U um nmero F(u) no intervalo [0,1], representando o grau de
pertinncia de u em F. Um conjunto fuzzy pode ser visto como uma generalizao
do conceito de um conjunto ordinrio, cuja funo de pertinncia assume apenas
dois valores {0,1}. Portanto, um conjunto fuzzy F em U pode ser representado por
um conjunto de pares ordenados de um elemento genrico u e o seu grau de
pertinncia (LEE, 1990a; LEE, 1990b):

Apndice B Teoria Fuzzy

179

F = { (u, F(u)) | u U }

(B.2.1)

Quando U contnuo, um conjunto fuzzy pode ser escrito da seguinte


maneira:

F = F (u) / u ,

(B.2.2)

onde o smbolo de integral

, representa a unio dos pares (u, F (u) )

representados por (F(u) / u ).

Quando U discreto, um conjunto fuzzy F representado por,


n

F = F (ui ) / ui ,

(B.2.3)

i =1

onde o smbolo de somatria tambm representa a operao de unio.

b) Suporte, Ponto de Crossover e "Fuzzy Singleton: o suporte de um


conjunto fuzzy F um conjunto no fuzzy (conjunto crisp) de todos os pontos u em U
tal que F(u) > 0. Em particular, o elemento u em U tal que F(u) = 0.5 chamado de
Ponto de "Crossover'" e um conjunto cujo suporte um nico ponto em U com F(u)
= 1.0, denominado "Fuzzy Singleton" (LEE, 1990a; LEE, 1990b).

B.3. Operaes sobre Conjuntos Fuzzy


As operaes com conjuntos Fuzzy podem ser definidas a partir de dois
conjuntos fuzzy A e B no universo de discurso U, com funes de pertinncia A e B
, respectivamente. As operaes de unio, interseo e complemento so definidas
a seguir (LEE, 1990a; LEE, 1990b):

Apndice B Teoria Fuzzy

180

a) Unio: a funo de pertinncia A B da unio A B definida para


todo u U.

A B (u) = max{(A (u), B (u)}

(B.3.1)

b) Interseo: a funo de pertinncia A B da interseo A B definida


para todo u U.

A B (u) = min{(A (u), B (u)}

c) Complemento: a funo de pertinncia

(B.3.2)

__
A

do complemento de um

conjunto fuzzy A definida para todo u U.

__ (u) = 1 - A(u)

(B.3.3)

d) Produto Cartesiano: se A1, ... ,An so conjuntos fuzzy em U1,...,Un


respectivamente, o produto cartesiano de A1,...,An um conjunto fuzzy no espao U1
x ... x Un com uma funo de pertinncia igual a [21],

A1 x

... x An

(u1 , u2 ,... , un) = min{A1 (u1), u2 ,..., An (un)}

(B.3.4)

ou

A1 x

... x An

(u1 , u2 ,... , un) = A1 (u1) A2 (u1) ... An (un)}

onde () representa a operao de produto algbrico.

e) Relao Fuzzy: uma relao fuzzy de paridade n um conjunto fuzzy em


U1 x ... x Un e expresso como (LEE, 1990a; LEE, 1990b).

RU1 x

... x Un

= {((u1 , ... , un), r (u1 , ... , un)) (u1 , ... , un) U1 x ... x Un }

(B.3.5)

Apndice B Teoria Fuzzy

181

f) Composio Sup-Star: se R e S so relaes fuzzy UV e VW,


respectivamente, a composio de R e S uma relao fuzzy denotada por,

RS

e definida atravs de (LEE, 1990a; LEE, 1990b).


R S = { [ (u,w), sup (R (u,v) * S (v,w)) ], u U, v V, w W }

(B.3.6)

onde (*) pode ser qualquer operador da classe de normas triangulares.

B.4. Variveis Lingsticas

a)

Nmero Fuzzy: um nmero fuzzy F no universo contnuo U um

conjunto fuzzy F em U normal e convexo, isto [20],


.. max F (u) = 1,

(normal)

u U
.. F (u1 + (1-)u2 ) > min(F (u1), F (u2)),

(convexo) (B.4.1)

u1, u2 U, [0,1]

b)

Variveis lingsticas: uma varivel lingstica caracterizada por

uma quntupla (x, T (x), U, G, M), onde x o nome de uma varivel, T (x) o
conjunto de termos de x, ou seja, o conjunto dos nomes dos valores lingsticos de
x, e cada valor so interpretados como um nmero Fuzzy definido em U, G a regra
sinttica para gerao dos nomes dos valores de x e M uma regra semntica que
associa a cada valor um significado. Por exemplo, se a velocidade interpretada
como varivel lingstica, ento, o seu conjunto de termos T (velocidade) poderia ser
(LEE, 1990a; LEE, 1990b):

T (velocidade) = { baixa, mdia, rpida, .....}

Apndice B Teoria Fuzzy

182

onde cada termo de T (velocidade) caracterizado por um conjunto Fuzzy no


universo de discurso U = (0,100). Podemos interpretar baixa a velocidade abaixo de
40 km/h, mdia como uma velocidade em torno de 55 km/h e rpida uma velocidade
acima de 70 km/h. Esses termos podem ser caracterizados como conjuntos fuzzy
com funes de pertinncia, como mostra a Figura b.1 (LEE, 1990a; LEE, 1990b).
u
1

Abaixa

rpida

mdia

Velocidade (km/h)
0

40

55

70

Figura b.1 - Representao da varivel Fuzzy (Velocidade)

B.5. Lgica Fuzzy e Raciocnio Aproximado


Tanto em lgica fuzzy como em raciocnio aproximado, existem duas
importantes regras de inferncia denominadas Modus Ponens Generalizado (GMP)
e Modus Tollens Generalizado (GMT). Temos abaixo a descrio dessas regras
(LEE, 1990a; LEE, 1990b).

a) Modus Ponens Generalizado

premissa 1:

x = A'

premissa 2:

se x = A ento y = B

Conseqncia: y = B'

b) Modus Tollens Generalizado

premissa 1:

y = B'

premissa 2:

se x = A ento y = B

conseqncia: x = A'

Apndice B Teoria Fuzzy

183

A inferncia est baseada na regra de inferncia composicional para


raciocnio aproximado, sugerida por Zadeh (1973). Os conjuntos fuzzy A, A', B, B'
so utilizados como valores lingsticos para as variveis x, y, ao invs de conjuntos
precisos, como em lgica clssica.
A regra de inferncia Modus Ponens Generalizado, que se reduz a Modus
Ponens quando A' = A e B' = B, um processo de inferncia direto forward data
driven inference que particularmente til para controladores fuzzy. A regra de
inferncia Modus Tollens Generalizado um processo de inferncia reverso
(backward goal driven inference), comumente utilizado em sistema especialista
para diagnstico, como exemplo diagnstico do estado de um automvel (LEE,
1990a; LEE, 1990b).

a) Regra de Inferncia Composicional (Sup-Star): se R uma relao


Fuzzy em U V e x um conjunto fuzzy em U, ento a regra de inferncia SupStar define que o conjunto fuzzy y em V induzido por x dado por

y=xoR

(B.5.1)

onde x o R a composio Sup-Star de x e R. Se Star representa o operador


mnimo, ento, essa definio se reduz regra de inferncia composicional de
Zadeh (ZADEH, 1973; LEE, 1990a; LEE, 1990b).

B.6. Funes de Implicao Fuzzy

Uma regra de controle fuzzy uma relao fuzzy que expressa como uma
implicao fuzzy. Em lgica fuzzy existem muitos caminhos para a definio de
implicao fuzzy (LEE, 1990a; LEE, 1990b). A definio de uma implicao fuzzy
pode ser expressa atravs de uma funo de implicao fuzzy.
A escolha de uma funo de implicao fuzzy envolve critrios que esto
descritos em Lee (1990b).
Na literatura podem ser encontradas atualmente cerca de 40 funes de
implicao fuzzy (LEE, 1990b).

Em geral, essas implicaes podem ser

Apndice B Teoria Fuzzy

184

classificadas em trs categorias bsicas: conjuno fuzzy, disjuno fuzzy e


implicao fuzzy. A seguir sero mostrados alguns tipos de funes de implicao
fuzzy (LEE, 1990b).

a)

Normas

Triangulares:

uma

norma

triangular,

representada

genericamente por (*), uma funo (*): [0,1] [0,1) [0,1], que inclui as
operaes de interseo, produto algbrico, produto limitado e produto drstico. As
operaes associadas so definidas para todo x, y [0,1]: (LEE, 1990b).

interseo:

xy

= min { x, y }

produto algbrico:

xy

= xy

produto limitado:

x~y

= max { 0, x + y - 1}

produto drstico:

x y =1

y = y x=0
0 x, y < 1

b) Co-Normas Triangulares: uma co-norma triangular, representada


genericamente por +, uma funo +: [0,1] x [0,1] [0,1], que inclui as
operaes de unio, soma algbrica, soma limitada, soma drstica e soma disjunta.
As operaes associadas so definidas para todo x, y [0,1]: (LEE, 1990b).

unio:

x y = max ( x , y )

soma algbrica:

x + y = x + y - xy

soma limitada: x y = min {1, x + y }

soma drstica:

x y=0

y = y x=0
1 x, y > 0

soma disjunta:x y = max {min(x, 1-y), min(1 - x,y)},

As normas triangulares so empregadas para definir conjunes em


raciocnio aproximado, enquanto co-normas triangulares desempenham o mesmo
papel para disjunes.

Apndice B Teoria Fuzzy

185

Uma regra de controle fuzzy (proposio condicional em lgica nebulosa) do


tipo se x = A ento y = B representada por uma funo de implicao fuzzy e
denotada por A B, onde A e B so conjuntos fuzzy definidos nos universos de
discurso U e V, com funes de pertinncia A

B , respectivamente (LEE,

1990b).
c) Conjuno Fuzzy: uma conjuno fuzzy definida para todo u U e v

V atravs de (LEE, 1990b).


AB = AB =
(B.6.1)

= A ( u ) * B ( ) ( u, ) ,
UxV

onde ( * ) um operador representando uma norma triangular.


d) Disjuno Fuzzy: uma disjuno fuzzy definida para todo u U e v
V atravs de (LEE, 1990b).

A B = AB =
(B.6.2)

= A (u ) + B ( ) (u, ) ,
UxV

onde ( + ) um operador que representa uma co-norma triangular.

e) Implicao Fuzzy: a implicao fuzzy est associada a cinco famlias de


funes de implicao fuzzy em uso (LEE, 1990b):

e1) Implicao Material:

A B = (not A) + B

e2) Clculo Proposicional:

A B = (not A) + (A * B)

e3) Clculo Proposicional Extendido:

A B = (not A not B) + B

e4) Generalizao de Modus Ponens:

A B = sup {c [0,1], A * c B}

e5) Generalizao de Modus Tollens:

A B = inf {t [0,1], B + t A}

Baseadas nessas definies, muitas funes de implicao fuzzy podem ser


geradas a partir das normas triangulares e co-normas triangulares. Por exemplo,
utilizando-se a definio de conjuno fuzzy, a implicao de Mandani, Rc, obtida
se o operador de interseo for utilizado. Se o produto algbrico for utilizado, obtm-

Apndice B Teoria Fuzzy

186

se a implicao fuzzy proposta por Larsen, Rp. As implicaes fuzzy mais correntes
esto definidas abaixo (LEE, 1990b).

A. Regra do mnimo para implicao fuzzy (Mandani):

RC = A B =

UxV

A (u ) B (v ) / (u, v ).

(B.6.3)

B. Regra do produto para implicao fuzzy (Larsen):

Rp = A B =

UxV

A (u ) B (v ) / (u, v ).

(B.6.4)

C. Produto limitado:

Rbp = A B =

UxV

A (u) B (v) /(u, v).

(B.6.5)

D. Produto drstico:

Rdp = A B = A (u) B (v) /(u, v).


UxV

(B.6.6)

E. Regra aritmtica para implicao fuzzy (Zadeh):

R a = ( notA V ) (U B ) =

= 1 1 A (u ) + B (u ) / (u, v ).
uxv

(B.6.7)

F. Regra Max-Min para implicao fuzzy (Zadeh):

Rm = ( A B ) (notA V ) =

( A (u ) B (v)) (1 A (u )) / (u, v).


uxv

G. Seqncia padro:

(B.6.8)

Apndice B Teoria Fuzzy

187

Rs = A V U B =

(A(u) > B(v)) /(u,v)

UxV

1 A (u ) B (v)
onde A (u ) > B (v) =

0 A (u ) > B (v)

(B.6.9)

H. Implicao fuzzy Booleana:

Rb = (notA V ) (U B) =

(B.6.10)

= (1 A (u )) (B (v)) /(u, v).


uxv

I. Implicao fuzzy de Goguen:

R = A V U B =

onde

( (u ) >> (v)) /(u, v)


uxv

A (u ) B (v )
1

A (u ) >> B (v ) =
A (u ) (u ) > (v )
B
B (v ) A

(B.6.11)

B.7 Operadores Fuzzy


Na Teoria Fuzzy pode-se definir os seguintes operadores (LEE, 1990b;
SHAW, 1999):

a) Operador Concentrador:

tomamos o operador

conc(x) = x ; > 1

(B.7.1)

Exemplo: o operador muito da varivel lingstica IDADE um operador de


concentrao.

Apndice B Teoria Fuzzy

188
Jovem
Muito Jovem

Figura b.2 - Operador de Concentrao.

b)

Operador de Dilatao:

Tomamos o operador de dil (x) = x ; 0 < 1

Exemplos:

os

operadores

"Suficientemente,

(B.7.2)

Razoavelmente,

Quase,

Moderadamente so operadores de dilatao, como se constata abaixo

Quase Jovem
Q

Figura b.3 - Operador de Dilatao.

c) Operador de Normalizao: define-se o Operador de Normalizao

Norm( A) ( x) =

A( x )
max A( x )

(B.7.3)

d) Operador de Ligaes (conectivos "e" e "tambm"): na maioria dos


controladores Fuzzy, os conectivos de sentenas "e" so usualmente interpretados
como uma conjuno Fuzzy no espao do produto cartesiano das variveis
envolvidas. Por exemplo, na regra se (x = A e y = B) ento z = C, o antecedente
interpretado como um Conjunto Fuzzy no espao UV, como a funo de pertinncia
dada por (LEE, 1990b):

Apndice B Teoria Fuzzy

189

AB (u,v) = min { A(u), B (v) }

(B.7.4)

ou
AB (u,v) = { A(u) B(v) }

(B.7.5)

onde U e V so universos de discurso associados com A e B, respectivamente.

Quando um sistema fuzzy caracterizado por um conjunto de regras de


controle fuzzy, a ordem em que aparecem as regras na base de conhecimento deve
ser irrelevante. Isso implica que os conectivos de sentenas "tambm" devem
possuir as propriedades de comutatividade e associatividade. Nesse sentido,
devemos notar que os operadores de normas triangulares e co-normas triangulares
possuem tais propriedades e, portanto, se qualificam para a interpretao do
conectivo "tambm". Esta caracterstica ser utilizada na elaborao do Simulador
Fuzzy, visto que na maioria das aplicaes pesquisadas, o controle fuzzy usa as
formas triangulares e trapezoidais para descrever as funes de pertinncia (LEE,
1990b):

d) Operadores Composicionais: em geral, um operador composicional


pode ser expresso como uma composio sup-star, onde "sup" denota o operador
supremo e "star" denota um operador; como por exemplo, min (mnimo), produto
etc., escolhido para uma aplicao especfica. Na literatura, podem ser encontrados
quatro tipos de operadores composicionais utilizados como regra de inferncia
composicional (LEE, 1990b):
Operao sup-min;
Operao sup-produto;
Operao sup-produto limitado;
Operao sup-produto drstico.

Em aplicaes de controle, os operadores sup-min e sup-produto so


mais utilizados.

APNDICE C Redes Neurais

Apndice C - Redes Neurais

191

APNDICE C Redes Neurais

C. 1 Redes Neurais Artificiais


O

crebro

humano

uma

estrutura

muito

complexa

que

pesa

aproximadamente um quilo e quinhentos gramas, mas que contm uma quantidade


enorme de neurnios: 100 bilhes (HAYKIN, 1994).

Para se ter uma idia da

complexidade do sistema nervoso, pode-se pegar um milmetro cbico de tecido


cerebral e nele vo existir aproximadamente 100 mil neurnios que estabelecem um
bilho de conexes uns com os outros. Se houvesse a medio, uma por uma, de
todas as ramificaes que essas clulas apresentam chegar-se-ia concluso que o
crebro contm uma fiao de 100 mil quilmetros, duas vezes e meia a
circunferncia da Terra (HAYKIN, 1994). No crebro, um neurnio a unidade
celular principal do sistema nervoso. Cada neurnio recebe e combina sinais de
muitos outros neurnios e produz sinais para o axnio conduzir certas aes. A
Neurocomputao tem emergido desta inspirao (HAYKIN, 1994).

Trabalhos em redes neurais artificiais tm se inspirado na maneira como o


crebro processa suas tarefas, pela cognio usada, que segue um caminho
totalmente diferente do computador digital convencional. O trabalho pioneiro do
anatomista Santiago Ramn y Cajal em 1911 introduziu a idia de neurnios como
constituintes

estruturais

do

crebro.

Isto

entendimento do crebro (HAYKIN, 1994).


biolgico e suas sinapses.

colaborou

imensamente

para

A figura c.1 mostra um neurnio

Apndice C - Redes Neurais

192

Figura c.1 - Neurnio Biolgico

Conforme Shepherd (HAYKIN, 1994) estimado na ordem de 10 bilhes o


nmero de neurnios no crtex humano e 60 trilhes de sinapses ou conexes,
valores estes que contribuem para que esta rede que o crebro seja uma estrutura
altamente eficiente. Estima-se a eficincia energtica da mente na ordem de 10-16
joules (J) por operao por segundo, enquanto que o correspondente valor para os
melhores computadores em uso hoje da ordem de 10-6 joules por operao por
segundo (HAYKIN, 1994).
O crebro um sistema de processamento de informao altamente
complexo, no-linear fazendo clculos em paralelo. A estrutura do crebro e a
capacidade de organizar seus neurnios tornam possvel o ser humano fazer certas
tarefas, tais como reconhecimento de padres, percepo e controle motor, muitas
vezes mais rpido do que o mais veloz computador digital existente atualmente
(HAYKIN, 1994).
Os neurnios so conectados por estruturas elementares e unidades
funcionais que servem de intermedirio para as interaes entre os neurnios. Estas
estruturas chamadas sinapses basicamente atuam atravs de reaes qumicas.
Substncias transmissoras (neuro-transmissores) que propaga atravs das junes
sinpticas entre os neurnios so liberadas durante o processo, que parte do
processo pr-sinptico e ento age como um processo ps-sinptico. Neste sentido,
este processo sinptico pode ser entendido como uma converso, ou seja, a sinapse
converte um sinal eltrico pr-sinptico em um sinal qumico e depois retorna a um
sinal eltrico ps-sinptico (BRAGA; LUDEMIR; CARVALHO, 2000; HAYKIN, 1994).
Na descrio tradicional da organizao neuronal, assumido que a sinapse seja

Apndice C - Redes Neurais

193

uma simples conexo que pode impor uma excitao ou inibio, mas no ambas,
no neurnio receptivo.

Haykin (1994) apresenta a seguinte definio para uma rede neural biolgica
quando vista como uma mquina adaptativa:
Uma rede neural artificial um processador distribudo massivamente em
paralelo que tem a propenso natural para armazenar conhecimentos experimentais
e torn-los disponveis para uso. Parece-se com a mente em dois aspectos:
1. Conhecimento adquirido pela rede atravs do processo de
aprendizagem.
2. Os pesos das conexes entre neurnios, conhecido como
sinapses, so usados para armazenar o conhecimento.

O procedimento usado para representar o processo de aprendizagem,


comumente chamado algoritmo de aprendizagem, tem a funo de modificar os
pesos das conexes da rede, buscando alcanar um objetivo inicial projetado. Redes
Neurais Artificiais so tambm referenciados na literatura como neurocomputers,
redes conexionistas, processadores distribudos em paralelo, etc (BRAGA;
LUDEMIR; CARVALHO, 2000).
O interesse em redes neurais data do incio da dcada de 1940, com o
trabalho pioneiro de McCulloch e Pitts (HAYKIN, 1994). Depois, em 1949, Hebb
sugeriu um mtodo para que os parmetros do modelo do neurnio de McCullochPitts pudessem se auto-ajustar. Estes primeiros estudos das redes neurais
biolgicas formaram os fundamentos do que se tornou conhecido como Redes
Neurais Artificiais (RNAs).

Durante a metade da dcada de 1950 e incio de 1960, uma classe de assim


chamadas "learning machines" originada por Rosenblatt causaram significante
excitao entre pesquisadores da teoria de reconhecimento de padres,
principalmente pela apresentao em seu trabalho no livro Perceptrons (HAYKIN,
1994).

Em 1960, Widrow e Hoff introduziram o algoritmo "Least Mean Square"

(LMS), conhecido como mnimos quadrados, que usaram para formular o Adaline
(elemento linear adaptativo). A principal diferena entre o "Perceptron", apresentado

Apndice C - Redes Neurais

194

por Rosemblatt, e o Adaline de Widrow situa-se no procedimento de treinamento.


Widrow e seus estudantes propuseram uma das primeiras redes neurais com
camadas treinveis com mltiplos elementos adaptativos, que foi chamada de
Madaline (mltiplo Adaline) (HAYKIN, 1994; KOSKO, 1992; KOVCS, 1996).
Aps a apresentao do perceptron em 1960, acreditava-se que redes
neurais (Perceptrons) poderiam fazer qualquer coisa, ou seja, resolver qualquer
problema. Ento, um livro de Minsky e Papert foi publicado, onde os autores usaram
uma elegante matemtica para demonstrar que existiam limites para o perceptron
com apenas uma camada intermediria, sendo que o mesmo no poderia nem
mesmo resolver o simples problema do "Ou exclusivo (XOR) (HAYKIN, 1994).
Aps a publicao do livro de Minsky e Papert, as limitaes de
computadores e estaes de trabalhos para conduzir experimentos, e tambm, a
falta de suporte financeiro para conduzir projetos nesta rea, levaram as pesquisas
com redes neurais ao esquecimento pelo menos at o incio de 1980. Alguns
estudos iniciaram nesta dcada, aparecendo trabalhos em mapas auto-organizativos
(conhecidos como self-organizing maps) que usam aprendizado competitivo. J em
1980, vrias contribuies apareceram e tambm a retomada do interesse e o
retorno do apoio s pesquisas em redes neurais (HAYKIN, 1994).

Grossberg apresentou em 1980 um trabalho inicial em aprendizado


competitivo estabelecendo um novo princpio de auto-organizao usando filtro
adaptativo "botton-up". Aps alguns estudos, Grossberg apresentou uma nova
classe de redes neuronais conhecida como Teoria da Ressonncia Adaptativa (ART)
(HAYIN, 1994).

Hopfield em 1982 (HAYKIN, 1994) usou a idia de uma funo de energia


para formular uma nova maneira de entender os clculos feitos pelas redes
recorrentes com conexes de sinapse simtricas (HAYKIN, 1994).

Esta classe

particular de redes neurais com feedback atraiu grande ateno nos anos 80, e
com o tempo tornou-se conhecida como Redes de Hopfield. No mesmo ano de
1982, Kohonen (1982) (HAYKIN, 1994) publicou um artigo no qual utilizava mapas
auto-organizativos com uma estrutura uni ou bi-dimensional, diferentes em alguns
aspectos do primeiro trabalho de Willshaw e Von der Malsburg que tambm usaram
aprendizado competitivo (HAYKIN, 1994).

Apndice C - Redes Neurais

195

O algoritmo de aprendizagem mais popular at ento foi o "backpropagation", desenvolvido por Rumelhart, Hinton e Willian em 1986 (HAYKIN,
1994). Esta popularidade se deu, principalmente, aps a publicao de um livro de
dois volumes, Processamento Paralelo Distribudo: Exploraes na Microestrutura
do Conhecimento, escrito por Rumelhart e McClelland.

Broomhead e Lowe (HAYKIN, 1994) descreveram um procedimento para o


projeto de uma rede neural (feedforward) usando funes de base radial,
conhecida na literatura como "Radial Basis Function (RBF).

C.2 Redes Neurais Artificiais Conceitos bsicos


As redes neurais artificiais tm inspirao nas redes neurais biolgicas, isto
, no neurnio biolgico. O neurnio biolgico consiste em ncleo, axnio e
dendritos. As junes entre neurnios constituem as sinapses. Um neurnio artificial,
ou elemento processador, modela os axnios e dendritos de sua contraparte
biolgica atravs de conexes e as sinapses utilizando ponderaes ou pesos de
ajuste.
As redes neurais artificiais so arquiteturas extremamente paralelas, que
trabalham com algoritmos voltados ao processo de aprendizagem e precisam de alta
capacidade de processamento (geralmente precisam de computadores de ltima
gerao para rodar os algoritmos de aprendizagem) (BRAGA; LUDEMIR;
CARVALHO, 2000).

As principais vantagens das redes neurais artificiais so: tolerncia falhas;


aplicaes em tempo real; alta capacidade de auto-adaptao; capacidade de
resolver problemas prticos sem a necessidade da definio de listas de regras ou
de modelos precisos. As redes neurais artificiais oferecem melhores abordagens
para problemas que requeiram: reconhecimentos de padres; classificao de
padres; associao de padres; identificao; resistncia ao rudo; aproximao de
funes e aprendizado. Dentre as principais reas de aplicao pode-se citar: reas
onde difcil criar modelos precisos da realidade e onde tm-se problemas com

Apndice C - Redes Neurais

196

freqentes mudanas de ambiente de atuao (BRAGA; LUDEMIR; CARVALHO,


2000).

C.2.1 Neurnio artificial


O modelo matemtico de um neurnio artificial foi idealizado por Warren
McCulloch, um psiquiatra e neuroanatomista, e Walter Pitts, matemtico, em 1943
(HAYKIN, 1994).

Um modelo de rede neural artificial caracterizado pelos seus neurnios


(neurnios de McCulloh e Pits) isoladamente, as conexes entre eles (arquitetura ou
topologia da rede) e seu esquema de aprendizado. Cada neurnio artificial
(elemento processador) possui certo nmero de entradas e somente um nico sinal
de sada que se propaga atravs das conexes com os outros neurnios. A cada
entrada de um neurnio artificial est associado um peso "sinptico que pode ser
excitatrio (positivo) ou inibitrio (negativo), normalmente variando de -1 a +1. A
Figura c.2 mostra um modelo de neurnio artificial. O sinal de entrada pode assumir
uma variao contnua (desde -1 at +1) ou discreta (restrito aos valores binrios ou
0 ou 1). Um valor contnuo poderia significar o grau de veracidade (ou possibilidade)
associado a uma entrada, e no caso discreto, se a entrada falsa ou verdadeira.

O modelo do neurnio de McCulloh e Pits descrito por:

y = f

onde

x w
j

(C.2.1)

i =1

xi = entradas, i = 0, 1, 2, ..., N,
xo = vis = 1,
wi = pesos variveis.

Neste modelo, xo usado para produzir um vis para a funo de ativao


f(.). McCulloch e Pitts no desenvolveram nenhum mtodo atravs do qual o
neurnio pudesse adaptar seus pesos em um processo de "aprendizagem". Em

Apndice C - Redes Neurais

197

1949, Hebb postulou uma frmula matemtica simples para mudar os pesos dos
neurnios em proporo para as ativaes do neurnio (HAYKIN, 1994):

wi = Y ( x) xi

i = 0, 1, 2, ..., N

(C.2.2)

onde x representa o vetor de (N+1) entradas e o parmetro de aprendizado.

Figura c.2 - Modelo de Neurnio Artificial McCulloch-Pits (HAYKIN, 1994)

At o momento pode-se dizer que redes neurais artificiais tm pelos dois


componentes: neurnios (elementos de processamento) e conexes. A rede pode
ser comparada a um grafo orientado composto por certo nmero de ns ou
neurnios interconectados que operam em paralelo. Cada neurnio artificial possui
um numero de entrada e somente um nico sinal de sada que se propaga atravs
das conexes com outros neurnios.
Porm h outros componentes das redes neurais: padres e funes.

Padres so dados de entrada da rede. Eles so codificaes


que corresponde a certa modelagem da realidade de uma
aplicao definida para a RNA.

Funes so modelos matemticos utilizados no treinamento e


reconhecimento de padres.

As redes no podem operar sem dados. Esses dados so os padres


apresentados a uma RNA. Os padres podem ser valores numricos ou mesmo
caracteres que sero posteriormente transformados em nmeros. A um determinado

Apndice C - Redes Neurais

198

padro de entrada corresponde um sinal de sada, sendo que a dimenso (tipo) do


padro de entrada pode ser diferente do padro de sada.

Uma das principais aplicaes de redes neurais artificiais (RNAs) o


reconhecimento (classificao) de padres. Por exemplo, em reconhecimento da fala
existem tipos diferentes de caractersticas envolvidas. Nesta aplicao, o padro de
entrada pode ser uma matriz que contm o caracter, e a sada apenas um nmero
que indica se o caracter foi reconhecido ou no. Assim, temos um padro de entrada
com dimenso diferente do padro de sada. Alm disso, neste caso torna-se
essencial um pr-processamento de informaes. Isso significa que a seleo e
representao correta das caractersticas do padro a ser aplicado podem afetar a
desempenho da rede. Criar o melhor conjunto possvel de caractersticas como
padro o primeiro passo para o sucesso de qualquer aplicao em RNA's.

Das funes utilizadas em RNA's, pode-se distinguir basicamente em dois


tipos: funes para transferncia de sinais entre neurnios e funes aprendizado de
padres. As funes de transferncia, tambm chamadas de funes de limiar, so
aquelas responsveis por determinar a forma e a intensidade de alterao dos
valores transmitidos de um neurnio a outro (HAYKIN, 1994).

As funes de transferncias podem ser divididas em funo de ativao e


funo de propagao (HAYKIN, 1994). A funo de ativao processa os estmulos
ponderados pelos respectivos pesos (sinapses) e mede o estado de ativao para o
neurnio. A funo de propagao se encarrega de propagar o estado de ativao
como estmulo para outros neurnios. Dentre as funes de ativao as mais
utilizadas so (BRAGA; LUDEMIR; CARVALHO, 2000; HAYKIN, 1994).

1. Linear (utilizada em 99% dos casos)


n

a i ( x , w )= w x = wij x j
T

(C.2.3)

j =1

2. Esfrica
n

a i ( x , w ) = 2 ( x j wij ) 2
j =1

(C.2.4)

Apndice C - Redes Neurais

199

3. Mahalanobis

a i ( x , w) = ( x wi ) T 1 ( x wi )

(C.2.5)

= X X

(C.2.6)

4. Polinomial
n

a i ( x , w ) = x j ij
w

j =1

(C.2.7)

A funo de propagao tambm conhecida como limiar lgico (threshold)


quem define e envia para fora do neurnio o valor do estmulo a ser passado
adiante, para os prximos neurnios da rede (BRAGA; LUDEMIR; CARVALHO,
2000; HAYKIN, 1994).

Como funo de propagao as mais encontradas na literatura so (Tabela c.1):

a) Funo degrau: limita a sada do neurnio a apenas dois valores (0 ou


1). Normalmente utilizada para criar neurnios que tomem decises binrias, como
nos classificadores. limitada (bounded), porm no derivvel;

b) Funo linear: no limitada. Neurnios com esta funo de


propagao podem ser utilizados como aproximadores lineares;

c) Funo sigmoidal (logstica): permite que a entrada assuma qualquer


valor no intervalo (- e ) e os comprime para o intervalo [0, +1]. a funo
geralmente adotada em redes neurais, em virtude de ser contnua, monotnica, no
linear e facilmente diferencivel em qualquer ponto;

d) Funo tangente hiperblica: mapeia a entrada dos neurnios no


intervalo [-1, +1]. Possui as mesmas caractersticas e emprego da funo logstica
sigmoidal, possibilitando que as sadas sejam simtricas.

Apndice C - Redes Neurais

200

O ideal na funo de propagao que ela seja no linear, limitada,


monotnica e continuamente derivvel em todos os seus pontos.

Aps os estmulos de entrada ter sido processado pela funo de ativao, o


estado de ativao passado para a funo de propagao que produz o valor de
sada do neurnio. A funo matemtica de mapeamento do neurnio, chamada de
funo de transferncia f(.) , portanto, constituda pela composio das funes
de propagao p(.) e de ativao a(.), ou seja:
f(.) = p(.).a(.)

(C.2.7)

C.2.2 Arquiteturas das Redes Neurais


Uma rede neural completa organizada na forma de camadas. Uma rede
neural pode possuir n neurnios na camada de entrada, m neurnios na camada
seguinte e assim sucessivamente at a camada final, de sada. A forma pela qual os
neurnios esto conectados uns aos outros (topologia ou arquitetura da rede) causa
um enorme efeito na operao da rede neural. Sua topologia determina o tipo de
processamento que ir acontecer. Algumas redes possuem elos de realimentao e
outras no. Outras estruturas de redes podem envolver conexes inibitrias entre
um neurnio e o restante dos outros naquela camada, minimizando o nmero de
neurnios ativos numa espcie de competio.

A maneira de fazerem-se as conexes entre os neurnios artificiais em uma


RNA feita basicamente de dois modos: com ou sem realimentao. Pode-se dividir
as RNAs em duas classes principais (BRAGA; LUDEMIR; CARVALHO, 2000;
HAYKIN, 1994).

TABELA c.1 - Funes de propagao (HAYKIN, 1994; BRAGA; LUDEMIR; CARVALHO, 2000)
Funo

Equao com
Polarizao

Sem polarizao

Com polarizao

Apndice C - Redes Neurais

Degrau

201

1, x > b
y =
0, x < b

+1

+1
0

Degrau
Simtrico

1, x > b

=
y
0, x < b

-b
+1

+1
0

-b

y=x+b

-1

-1
+b

+1
Linear

0 +1

-b

0
-b

+1
Logstica
Sigmoidal

1
1+ e

+1

(n + b )
0

-b

+1
+1
Tangente
Sigmoidal

y=

( x + b) e ( x + b)
=
( x + b) + e ( x + b)
e
e

-b

-1

-1

a) RNAs no-recorentes (Feed-Forward): suas sadas no realimentam


suas entradas, o que tambm as tornam conhecidas como sem memria. Essas
redes so caracterizadas tambm por no possurem conexes unindo neurnios da
mesma camada e nem de um neurnio para outro da camada anterior. As entradas
so aplicadas todos os neurnios da primeira camada. A figura c.3 mostra um
exemplo de arquitetura pertencente classe de RNAs no-recorrentes.

Apndice C - Redes Neurais

202

Entradas
Camada
Intermediria
Camada de
Sada
Sada

Sentido das Ligaes

Figura c.3 - Arquitetura de RNAs no-recorrentes (HAYKIN, 1994; BRAGA; LUDEMIR;


CARVALHO, 2000)

b) RNAs recorrentes : suas sadas so determinadas pelas entradas atuais e


pelas sadas anteriores, isso ocorre porque h realimentao das sadas para as
entradas. Nem todas as entradas precisam ser aplicadas a cada um dos neurnios
da camada de entrada, podendo ainda haver conexes entre os neurnios de uma
mesma camada. Nesta classe as RNAs funcionam por equilbrio de funes de
energia e podem ser comparadas a Flip-Flops que se retroalimentam com suas
prprias sadas at chegarem a um estado de equilbrio dinmico. Um exemplo
desta classe de RNA a rede Hopfield (HAYKIN, 1994). A figura c.4 mostra um
exemplo de arquitetura pertencente classe de RNAs recorrentes (HAYKIN, 1994;
BRAGA; LUDEMIR; CARVALHO, 2000).
Entradas
Camada
Intermediria
Camada de
Sada
Sada

Figura c.4 - Arquitetura de RNAs recorrentes (HAYKIN, 1994; BRAGA; LUDEMIR; CARVALHO,
2000)

Apndice C - Redes Neurais

203

A definio da arquitetura de uma Rede Neural Artificial um parmetro


importante na sua concepo, uma vez que ela restringe o tipo de problema que
pode ser tratado pela rede. Redes com uma camada nica de n tipo modelo de
McCulloch e Pitts s podem resolver problemas linearmente separveis. Redes
recorrentes so mais apropriadas para resolver problemas que envolvam
processamento temporal. Fazem parte da definio da arquitetura os seguintes
parmetros: nmero de camadas da rede, nmero de ns em cada camada, tipo de
conexo entre os ns e a topologia da rede (HAYKIN, 1994).

C.2.3 Aprendizado em Redes Neurais


Redes Neurais Artificiais possuem a capacidade de aprender por exemplos e
fazer interpolaes e extrapolaes sobre o que aprenderam. No aprendizado em
Redes Neurais Artificiais (conexionista), no se procura obter regras como na
abordagem simblica da Inteligncia Artificial, mas sim determinar a intensidade de
conexes entre os neurnios. Um conjunto de procedimentos bem definidos para
adaptar os parmetros de uma RNA para que a mesma possa aprender uma
determinada funo chamado de algoritmo de aprendizado (BRAGA; LUDEMIR;
CARVALHO, 2000; HAYKIN, 1994).

Podem-se ainda classificar as redes neurais atravs do seu algoritmo de


aprendizagem, basicamente tm-se dois tipos:

a)

Aprendizado

supervisionado:

utiliza

um

conjunto

de

pares

(entrada/sada), em que para cada padro de entrada especificado um padro de


sada desejado (resposta desejada). O aprendizado ocorre no momento em que a
sada gerada pela rede, a partir dos clculos efetuados com o padro de entrada e
os pesos correntes, for diferente da sada desejada, a rede dever ento, segundo
alguns critrios, ajustar seus pesos de forma a reduzir o erro. Essa dinmica
repetida para todo conjunto de dados (entradas e sadas) inmeras vezes, at que a
taxa de erro esteja dentro de uma faixa considerada satisfatria (BRAGA; LUDEMIR;
CARVALHO, 2000; HAYKIN, 1994).

Apndice C - Redes Neurais

204

O processo bsico do aprendizado supervisionado pode ser resumido


pelos seguintes passos (para um treinamento incremental):
Passo 1: Escolha inicial dos pesos, em geral esses valores so pequenos
e escolhidos aleatoriamente;
Passo 2: Apresentao de uma entrada cuja sada correspondente
conhecida;
Passo 3: Clculo da sada a ser gerada pela rede;
Passo 4: Clculo do erro (sada desejada x sada gerada);
Passo 5: Ajuste dos pesos;
Passo 6: Verificao do erro, se satisfatrio fim, caso contrrio retorna
ao passo 2.

b) Aprendizado no-supervisionado: este tipo de aprendizado tambm


conhecido como aprendizado auto-supervisionado, e classifica os padres similares
sem utilizarem pares (entrada - sada), isto , no treinamento da rede so usados
apenas valores de entrada. A rede trabalha essas entradas e se organiza de modo a
classific-las mediante algum critrio de semelhana. Esse tipo de rede utiliza os
neurnios como classificadores, e os dados de entrada como elementos de
classificao.

C.2.4 Modelos de Redes Neurais


Em 1958 Rosenblatt (HAYKIN, 1994) demonstrou algumas aplicaes
prticas usando o perceptron. O perceptron um neurnio de McCulloch-Pitts de
um simples nvel de conexo. O perceptron capaz de separar linearmente
vetores de entrada em classes de padres atravs de hiperplanos. A Figura c.5
mostra o perceptron de N-entradas e M-classes (sadas). Este perceptron pode
ser descrito por (HAYIN, 1994):

y j = f

x w
i

i =1

ij

i=1, 2, ..., M

(C.2.4.1)

Apndice C - Redes Neurais

205

onde a funo f(x) = 1(x), a funo de passo unitrio.

Figura c.5 - Perceptron de uma camada simples (HAYKIN, 1994)

Rosemblatt derivou a regra de aprendizado baseado no ajuste do peso na


proporo entre os neurnios de sada e as sadas desejadas. O ajustamento dos
pesos dado por:

wi = ( yid yi ) xi
onde i=1, 2, ..., M,

(C.2.4.2)

j=1, 2, ..., N, e yd vetor sada desejada.

O perceptron representou um grande passo na aplicao de RNAs, porm,


ainda muitos problemas no pode ser resolvidos com o perceptron com uma nica
camada. As capacidades do perceptron de uma simples camada so limitadas a
fronteiras de deciso linear e funes lgicas simples. O perceptron de camada
simples no pode resolver o problema simples do XOR. Isto levou ao
desenvolvimento do perceptron multi-camadas (MLP), que em geral, consiste de
uma camada de entradas, uma ou mais camadas intermedirias (escondidas) e uma
camada de sada. A Figura c.6 ilustra um perceptron de trs camadas. O MLP
sobrepem muitas das limitaes do perceptron de camada simples. Usando o
perceptron em paralelo em estrutura de cascata, fronteiras de deciso mais
complexas e funes booleanas podem ser modeladas. Contudo, muitas diferentes
estruturas de redes neurais podem ser usadas para modelar e mapear. Achar a
estrutura tima que produza os melhores resultados no uma tarefa fcil. Portanto,
existem regras e algoritmos para achar uma estrutura apropriada perceptron
(HAYKIN, 1994).

Apndice C - Redes Neurais

206

Figura C.6 - Perceptron com trs camadas (MLP) (HAYKIN, 1994)

a) Rede MLP com Algoritmo Back-propagation


Um dos algoritmos mais utilizados no treinamento das Redes Neurais o
algoritmo back Propagation. A rede neural baseada no algoritmo de aprendizado
back propagation a mais difundida. Trata-se de uma rede perceptron (nolinear) de multicamadas feedforward, onde nenhuma informao retropropagada
durante sua operao. assim denominada pelo seu esquema de aprendizado
supervisionado, no qual um sinal de erro de sada retropropagado pela rede
modificando o peso das conexes de forma a minimizar este erro.
Uma rede back propagation requer no mnimo trs camadas que so
usualmente referenciadas como camada de entrada, invisvel ou intermediria, e de
sada. A camada de entrada meramente passiva, isto , somente recebe os
padres de entrada (vetores de entrada). Diferentemente da camada de entrada, a
camada intermediaria e a de sada processa ativamente os dados. A camada de
sada como sugere seu nome, apresenta os resultados da rede, um conjunto de
variveis contnuas de sada (vetores de sada), um valor para cada n (HAYKIN,
1994).

Apndice C - Redes Neurais

207

O algoritmo backpropagation foi derivado de forma independente por vrias


pessoas trabalhando em campos diferentes. Werbos, em 1974, descobriu o
algoritmo backpropagation enquanto trabalhando em sua tese de doutorado
(republicado como Werbos, 1994) e o chamou de dynamical feedback algorithm.
Parker redescobriu o algoritmo em 1982 e o chamou de learning logic algorithm.
Finalmente, em 1986, Rumelhart, Hinton e Williams redescobriram e popularizaram o
algoritmo (HAYKIN, 1994). O algoritmo backpropagation usa o mesmo princpio da
Regra Delta, isto , minimiza a soma dos quadrados dos erros de sada,
considerando sua mdia sobre o conjunto de treinamento, usando uma busca
baseada na direo do gradiente. Por essa razo o algoritmo backpropagation
tambm chamado de Regra Delta Generalizada. A modificao crucial foi substituir
as unidades de McCulloch e Pits por unidades com funes de ativao contnuas e
suaves. Isso possibilitou a aplicao de uma busca tipo gradient-descent, mesmo
nas unidades escondidas. A funo de ativao padro para unidades escondidas
so as funes chamadas squashing ou S-shaped, tais como a funo
sigmide,

sig ( x) =

1
1 + e x

(C.2.4.3)

e a funo tangente hiperblica,

tanh(x) = 2 sig (2x) 1

(C.2.4.4)

Algumas vezes a classe geral de funes tipo squashing


denominada de funo sigmoidal. A funo sigmide cresce monotonicamente de 0
at 1, enquanto que a funo tangente hiperblica cresce de -1 at 1. Observe que a
funo sigmide pode ser vista como uma aproximao suave da funo bipolar
{0,1}, enquanto que a funo tangente hiperblica pode ser vista como uma
aproximao de uma funo bipolar {-1,1} , como no ADALINE de Widrow. A funo
sig (x/T) tende para a funo bipolar quando T tende a zero e o parmetro T

Apndice C - Redes Neurais

208

chamado de temperatura, sendo que algumas vezes usado para mudar a


inclinao das funes sigmide e tangente hiperblica em torno do ponto do meio.
Em algumas aplicaes, especialmente em reconhecimento de padres, onde
precisamos ou queremos limitar a excurso da sada das unidades de sada, usamse funes tipo squashing nas unidades de sada.
A dificuldade em treinar um perceptron mltiplas camadas que no
existe um erro pr-definido para as unidades de sada. Como o algoritmo BP uma
regra de aprendizado de superviso forte, ns temos o valor que as unidades de
sada devem seguir, mas no para as unidades escondidas. Como no caso da Regra
Delta, busca-se alterar os pesos na direo que diminui o erro de sada.

b) Rede com Funo de Base Radial (RBF)


A funo de ativao aplicada a cada n da maioria das redes multicamadas
utiliza como argumento o produto escalar do vetor de entrada e do vetor de pesos
deste n. Existem, porm, redes multicamadas em que a ativao de um n pode
ser funo da distncia entre seus vetores de entrada e do peso. Uma destas redes
a rede de Funo Base Radial, RBF (Radial Basis Function). Este nome se deve
utilizao, pelos ns da camada intermediria, de funes de base radiais. Os ns
das camadas intermedirias das redes do tipo MLP utilizam, geralmente, funes
de base sigmoidais (BRAGA; LUDEMIR; CARVALHO, 2000; HAYKIN, 1994).

comum associar a rede RBF a uma rede com uma camada intermediria embora
redes RBF com mais de uma camada intermediria tenham sido propostas. A
arquitetura tpica de uma rede do tipo RBF ilustrada pela figura c.7.

Apndice C - Redes Neurais

209

.
Figura c.7 - Rede RBF (Radial Basis Function) (HAYKIN, 1994)

Cada camada de uma rede RBF desempenha um papel especfico para o


seu comportamento. A primeira camada, cujos ns utilizamos funes de base
radiais, agrupa os dados de entrada em clusters. Esta camada transforma um
conjunto de padres de entrada no linearmente separveis em um conjunto de
sadas linearmente separveis. A segunda camada, camada de sada procura
classificar os padres recebidos da camada anterior. Esta camada pode ser uma
rede do tipo Adaline, uma vez que seus padres de entrada so linearmente
separveis.

Funes radiais representam uma classe especial de funes cujo valor


diminui ou aumenta em relao distncia de um ponto central. Diferentes funes
de base radiais tm sido utilizadas em redes RBF. As mais comuns so:

Funo gaussiana: f (u ) = exp( 2 ) ;

Funo multiquadrtica: f (u ) = 2 + 2 ;

(C.2.4.5)

(C.2.4.6)

Apndice C - Redes Neurais

210

2
Funo thin-plate-spline: f (u ) = . log(v)

(C.2.4.7)

onde = ||x - ||, que dado geralmente pela distncia euclidiana, x o vetor de
entrada, e e representam o centro e a largura da funes radial,
respectivamente. Deve ser observado que estas funes podem ser utilizadas em
qualquer tipo de rede (com uma ou mais camadas intermedirias).

Como pode ser observada nas funes apresentadas, a funo radial mais
utilizada possuem dois parmetros: o centro e o raio . A distncia euclidiana ||x-

|| do vetor de entrada x ao vetor centro i serve de entrada para a funo, que


retorna o valor de ativao da unidade intermediria. A resposta gerada por um dado
n de sada, nj, da rede definida pela equao:

y j = w ji ( x - ui
i =1

) + w jo

(C.2.4.8)

onde wjo representa o termo de polarizao.

Tanto as redes RBF como as redes MLP so aproximadores universais


de funes, portanto so redes teoricamente equivalentes. Existem, no entanto,
vrias diferenas entrem estes dois modelos. A primeira diferena diz respeito
partio do espao de padres de entrada realizada pela camada intermediria de
cada modelo.
Cada n da camada intermediria de uma rede RBF define uma
hiperelipside no espao de padres de entrada. Desta forma, uma rede RBF
constri aproximadores locais, isto , apenas as regies do espao de entrada que
apresentam dados de treinamento tero resposta da rede. A resposta de uma
funo radial (por exemplo, a funo gaussiana) diminui conforme os padres
(pontos do espao de entrada) se distanciam do centro da funo radial.

Apndice C - Redes Neurais

211

As redes MLP (perceptron de mltiplas camadas), por outro lado,


particionam o espao de entradas atravs de hiperplanos no caso de uma rede com
apenas uma camada intermediria de trs ns. Uma rede MLP constri
aproximadores globais com maior capacidade de generalizao para regies onde
no h dados de treinamento. Entretanto, isto permite que dados completamente
diferentes daqueles utilizados no treinamento sejam classificados em uma das
classes existentes, o que conhecido como problemas dos falsos padres.
Uma outra diferena entre as redes MLP e RBF que enquanto nas
redes MLP o valor de ativao de uma unidade nj da camada interna uma funo
do produto escalar entre o vetor de entrada e o vetor de pesos da unidade, na rede
RBF o valor de ativao dado em funo da distncia euclidiana entre o vetor de
entrada e o vetor centro da unidade.
Assim como ocorre para as redes MLP, durante o projeto de redes RBF
necessrio definir o nmero de ns da camada intermediria. Como cada n agrupa
os padres em um cluster, que posteriormente utilizado pelo n da camada de
sada, esta escolha deve ser realizada de forma criteriosa. Uma alternativa definir
o nmero de ns como igual ao nmero de padres de treinamento. Cada centro
pode ser situado sobre um vetor de entrada para a sada. Com isso, a rede RBF
mapeia com exatido o vetor de entrada para a sada correta. Contudo, esta
interpolao exata indesejvel, principalmente no caso de exemplos com rudo,
pois pode levar ao overfitting 1. Uma das maneiras de tratar o problema consiste
em utilizar um nmero de funes radiais menor que o nmero total de padres de
treinamento. Alm disso, as posies dos centros no devem ser restritas apenas
aos vetores de entrada. A escolha das novas posies deve ser realizada durante o
treinamento da rede. Tem-se abaixo uma tabela de comparaes entre as Redes
MLP e RBF (BRAGA; LUDEMIR; CARVALHO, 2000).

Overfitting: especializao excessiva (super-aprendizagem) para o conjunto de dados de


aprendizado. Ocorre tambm com as rvores de deciso gerando um nvel de erro grande quando
novas amostras de dados so submetidas ao conjunto de regras gerado.

Apndice C - Redes Neurais

212

Tabela c.2 - Comparao de uma rede RBF tpica com uma rede MLP convencional
(BRAGA; LUDEMIR; CARVALHO, 2000)
Rede MLP versus Rede RBF
MLP
RBF
Pode ter uma ou mais camadas
Geralmente possui apenas uma camada
intermedirias
intermediria
Ns das camadas intermedirias e de sada Ns das camadas intermedirias tm funes
tm funes semelhantes
diferentes dos ns da camada de os sada
Entrada da funo de ativao o produto Entrada da funo de ativao a distncia
interno dos vetores de entrada e de pesos
euclidiana entre os vetores de entrada e os
pesos
Separa padres de entrada com hiperplanos Separa
padres
de
entrada
com
hiperelipsides
Melhor em problemas complexos
Melhor em problemas bem definidos
Constri
aproximadores
globais
para Constri
aproximadores
locais
para
mapeamento entrada-sada
mapeamento entrada-sada

Tm-se a seguir comparaes entre os sistemas baseados em regras e os


sistemas baseados em Redes Neurais.
Tabela c.3 - Resumo comparando sistemas baseados em regras (abordagem simblica) com
os baseados em redes neurais (abordagem conexionista) (BRAGA; LUDEMIR;
CARVALHO, 2000)
Sistemas baseados em regras (Sistemas
Sistemas baseados em Redes Neurais
Especialistas)
Excelente capacidade explanao.
Pouca ou nenhuma capacidade de
explanao
Requer um especialista articulado para seu
Requer muitos exemplos, mas um
Desenvolvimento.
especialista no necessrio.
Muitos ncleos adaptveis esto disponveis Poucos ncleos disponveis na praa. A maior
no mercado.
parte precisa ser adaptada para a aplicao.
Tempo mdio de desenvolvimento: 12 a 18
Tempo mdio de desenvolvimento: to
meses.
somente umas poucas semanas ou meses
Sistema preferido quando os exemplos so
Sistema preferido nos casos em que existe
escassos e um especialista est disponvel. uma infinidade de exemplos e um especialista
no est disponvel.
Sistemas bem sucedidos e disponveis
Poucos sistemas bem sucedidos distribudos
comercialmente.
na praa e disponveis para referncia
pblica.
Grandes Sistemas podem ser de difcil e
Grandes redes no podem ser construdas
intrincada manuteno se no foram
atualmente. Redes menores podem ser
cuidadosamente projetados e desenvolvidos. hierarquicamente encadeadas para os
problemas mais complexos, facilitando a
manuteno.
Sistemas construdos a partir da extrao de Sistemas construdos atravs de treinamento
conhecimento e desenvolvimento baseado
utilizando amostras de bases de dados.
em regras.
Problema da exploso combinatria (muitas Excelente capacidade para lidar de uma s
regras) e ativao indesejada de regras
vez com um grande volume de dados de
similares.
entrada.
Procedimentos de validao de sistemas
A validao de sistemas completos depende
completos mais bem aceitos.
de anlises estatsticas do seu desempenho.
Funcionam muito bem nos tradicionais
Para redes maiores, melhores desempenhos
computadores digitais.
so obtidos com o uso de placas
aceleradoras especficas ou com chips
preparados para processamento paralelo.

APNDICE D - Sistemas Neuro-Fuzzy

Apndice D - Sistemas Neuro-Fuzzy

214

APNDICE D - Sistemas Neuro-Fuzzy


D.1 Introduo
Atualmente tm-se a aplicao de sistemas baseados na Teoria Fuzzy nas
mais diversas reas, como em automao e controle, reconhecimento de padres,
robtica, aprendizado computacional entre outras. A construo de um sistema fuzzy
apresenta dois problemas encontrar uma funo de pertinncia apropriada e regras
fuzzy que representam o sistema estudado Esses problemas podem ser resolvidos
utilizando atravs da capacidade de aprendizagem das Redes Neurais (ALI; ZHANG,
2001; BONTEMPI; BIRATTARI, 1999; ; HINES, 1997;SOUZA, 1999).

Os sistemas que combinam a Teoria Fuzzy e as Redes Neurais so


chamados de Sistemas Neuro-Fuzzy e tm-se nesses sistemas a preciso e a
capacidade de treinamento das redes neurais aliada a facilidade de representao
do conhecimento dos sistemas baseados na Teoria Fuzzy.

D.2 Sistemas Neuro-Fuzzy


Temos atualmente diversas arquiteturas de sistemas neuro-fuzzy (JIA; LI;
YU, 2003; KACZMAR; TRELAK, 2003; KRUSE; NAUCK, 1995a; KRUSE; NAUCK,
1995b; NAUCK, 1997; SOUZA, 1999). Devido natureza dual destes sistemas, em
Souza (1999), o autor prope dividi-los em duas categorias:
1. Quanto as caractersticas fuzzy do sistema,
2. Quanto s caractersticas de aprendizado.

Conforme pode ser observado, uma categoria contempla o lado fuzzy


enquanto a outra contempla o lado neural (referente s caractersticas de
aprendizado) dos sistemas neuro-fuzzy.

Apndice D - Sistemas Neuro-Fuzzy

215

Com relao as caractersticas fuzzy dos sistemas neuro-fuzzy pode-se


classificar os sistemas em:

Modelo fuzzy:
Mamdani, Larsen, Takagi-Sugeno, Tsukamoto.

Formato das funes de pertinncia (FP):


Triangular, trapezoidal, gaussiano, sino, sigmoidal, singleton.

Particionamento do espao de E/S:


Fuzzy grid, adaptive fuzzy grid, fuzzy boxes, fuzzy clusters, BSP,
quad tree.

Mtodo de defuzzificao:
Centro de rea, mdia ponderada, centro de somas, caixa preta
(black box), outros.

E com relao as caractersticas de aprendizado dos sistemas neuro-fuzzy,


pode-se classificar os sistemas em:

Apresentao dos padres de treinamento:


Aprendizado on line, aprendizado off line.

Identificao da estrutura:
Identificao prvia:
Com apoio de especialista; mtodo auto-organizado; mtodo
da distribuio uniforme das funes de pertinncia.
Identificao automtica:
Incremental; decremental.

Identificao (aprendizado) dos parmetros:


Antecedentes; antecedentes e conseqentes; antecedentes,
conseqentes e peso das regras.

1. Descrio dos Sistemas Neuro-Fuzzy com relao s caractersticas Fuzzy


Com relao s caractersticas fuzzy dos sistemas neuro-fuzzy, elas foram
divididas em quatro sub-classes.:

Modelo fuzzy

Formato das funes de pertinncia

Apndice D - Sistemas Neuro-Fuzzy

Particionamento do espao de entrada/sada

Mtodo de defuzzificao

216

Essas caractersticas esto descritas a seguir.

a) Modelo fuzzy implementado


As regras fuzzy formam a parte fundamental da estrutura de conhecimento
em um sistema fuzzy de inferncia. Aps a construo da base de regras fuzzy
preciso o disparo de um mecanismo de inferncia (ou lgica de tomada de
decises). O mecanismo de inferncia usa implicaes fuzzy e as regras fuzzy para
dar uma sada ou deciso de controle. Os mecanismos de inferncia podem ser
divididos em quatro principais: Mandani, Larsen, Tsukamoto e Takagi-Sugeno.

a.1) Mandani
Esse modo de raciocnio criado por Mandani utiliza a regra de operao
de mnimo, como uma funo de implicao fuzzy. Nesse modo de raciocnio, a isima regra conduz seguinte deciso de controle (LEE, 1990b):
C' (w) = i Ci (w)

(D.2.1)

o que implica que a funo de pertinncia C da conseqncia C dada por:


C (w) = C1 C2 ,

(D.2.2)

= [1 C1 (w)] [2 C2 (w)]

O processo de raciocnio para regra de operao de mnimo como funo de


implicao fuzzy ilustrado na Figura d.1, onde podemos ver a utilizao da
operao de mnimo, visto que a comparao das regras A1, A2 e B1, B2 resulta
nos valores mnimos de cada comparao para poder compor a sada C.

Apndice D - Sistemas Neuro-Fuzzy

uB1

uA1
1

217

uC1
B1

A1

C1
uC
1

uA2

uC2

uB2
A2

0
x0

B2

0
y0

C2

0
min

Figura d.1 Modelo de Mandani com composio Min/Max (LEE, 1990b)

a.2) Larsen (Produto)


Este mtodo, desenvolvido por Larsen, utiliza a regra do produto algbrico
como funo de implicao. Nesse caso, a i-sima regra conduz seguinte deciso
de controle (LEE, 1990b):
Ci (w) = i . C1 (w),

(D.2.3)

a funo de pertinncia C dada por,


C (w) = C1 C2

(D.2.4)

= [1 . C1 (w)] [2 . C2 (w)]

O mtodo de raciocnio para regra da operao do produto algbrico como


funo de implicao fuzzy ilustrado graficamente na Figura d.2, onde as
operaes com as regras A1, A2 e B1, B2 so analisadas conforme os clculos do
produto algbrico (LEE, 1990b):

Apndice D - Sistemas Neuro-Fuzzy


uA1
1

218
uB1

A1

uC1
B1

C1
uC

uA2

A2

B2

y0

C2

x0

uC2

uB2

min

Figura d.2 - Mtodo de Larsen (produto algbrico como funo de implicao) (LEE, 1990b)

a.3) Tsukamoto
O mtodo proposto por Tsukamoto uma simplificao do raciocnio fuzzy
proposto por Mandani, onde as funes de pertinncia dos conjuntos fuzzy Ai, Bi e
Ci so monotnicas. O resultado inferido a partir da primeira regra 1 tal que 1 =
C1 (w1). O resultado inferido a partir da segunda regra 2 = C2 (w2). Uma ao
de controle escalar pode, ento, ser deduzida como (LEE, 1990b):

zo = 1w1 1++22 w2

(D.2.5)

Esse processo de raciocnio representado graficamente na Figura d.3

uA1

uB1

uA2

uB2

uC1

uC2

x0

y0

0
min

Figura d.3 - Mtodo de Tsukamoto (LEE, 1990b)

Apndice D - Sistemas Neuro-Fuzzy

219

a.4) Takagi-Sugeno

Neste modelo, a sada de cada regra uma funo das variveis de


entrada. Geralmente a funo que mapeia a entrada e sada para cada regra uma
combinao linear das entradas, isto z = px1 + qx2 + r. No caso em que p =q = 0,
temos z=r (fuzzy singleton). A sada do sistema obtida pela mdia ponderada
(procedimento de defuzzificao) das sadas de cada regra, usando-se o grau de
disparo (firing strength) dessas regras como pesos da ponderao. A figura d.4
ilustra esse modelo (JANG, 1992; JANG, 1994; JANG; SUN; MIZUTANI, 1997).

Figura d.4 Mtodo de Takagi/Sugeno (JANG, 1992)

b) Formato das Funes de Pertinncia


Vrios perfis de funes de pertinncia so encontrados na
implementao de sistemas fuzzy e neuro-fuzzy. Os cinco tipos mais comuns de
funes de pertinncia so descritos a seguir (BABUSKA, 1998; SOUZA, 1999):

b.1) Triangular: esse perfil tem a vantagem de ser computacionalmente simples.


descrito por trs termos (ou etiquetas): SL, C e SR (spread left, Center e Spread
Right) e definido pelas expresses abaixo:

Apndice D - Sistemas Neuro-Fuzzy

x SL
C SL

(x) =

(x) =

220

, para SL x C

x SR
C SR

, para

(x) = 0

C x SR

, para

SL x C

Temos na Figura d.5, um exemplo de uma funo de pertinncia de perfil


triangular com seus parmetros.

x
SL

SR

Figura d.5 - Funo de pertinncia de formato triangular (SOUZA, 1999)

b.2) Trapezoidal: Essa funo de pertinncia pode ser descrito por trs variveis
u, v e d que regulam a inclinao das bordas da funo pertinncia
trapezoidal (mais crisp ou mais fuzzy). As expresses a seguir definem este perfil
(HINES, 1997; JANG; SUN; MIZUTANI, 1997; SOUZA, 1999):

( x ) = [1 g ( x , d ) - g( x , d )]
se s.d > 1
1,

onde g(s,d) = s.d , se 0 s.d 1


0 , se s.d < 0

A figura d.6 ilustra uma funo de pertinncia de formato trapezoidal.

Apndice D - Sistemas Neuro-Fuzzy

221

u (x) 1

0
u

u+1/d

v-1/d

Figura d.6 - Funo de pertinncia com formato trapezoidal (SOUZA, 1999)

Outras funes de pertinncia trapezoidais utilizam quatro parmetros,


permitindo que as bordas do trapzio tenham diferentes inclinaes. A figura d.7
ilustra um exemplo de tal funo de pertinncia descrita pelas expresses seguintes
(SOUZA, 1999):

0, x a
1 - (b - x)/(b - a), a < x b

(x) = 1, b < x c
(d - x)/(d - c),
c< x d

0, x > d
onde a , b, c e d so parmetros do formato da funo de pertinncia.

A figura d.7 ilustra uma funo de pertinncia de formato trapezoidal descrita


por quatros parmetros.
u(x)
1,0

x
a

Figura d.7 - Funo de pertinncia com formato trapezoidal descrita por 4 parmetros (SOUZA,
1999)

Apndice D - Sistemas Neuro-Fuzzy

222

b.3) Gaussiano: este perfil descrito pela expresso abaixo, onde m a mdia e v
o desvio padro (SOUZA, 1999):

( x) = e

xm
)2
v

Este formato de funo de pertinncia empregado em aplicaes de


agrupamentos (clusters), que utilizam medidas de similaridades (por ex. distncia
euclidiana), ou seja, padres semelhantes exibem pequenas distncias entre si.
Quanto mais prximo da mdia m est o padro, maior o grau de pertinncia do
mesmo. A figura d.8 ilustra este formato (SOUZA, 1999).

Figura d.8 - Funo de pertinncia de formato gaussiano (SOUZA, 1999)

d.4) Sino: este perfil de funo de pertinncia definido pela expresso abaixo
(SOUZA, 1999):

(x) =

1
x c
1 + (
)
a

2b

onde a varivel c define o centro da FP , a define a largura e b o decaimento da


funo de pertinncia, como mostrado na figura d.9 (SOUZA, 1999).

Apndice D - Sistemas Neuro-Fuzzy

223

Figura d.9 - Funo de pertinncia com formato sino (SOUZA, 1999)

b.5) Sigmoidal: este perfil baseado na funo sigmide, bastante usada no estudo
de redes neurais. As funes de pertinncia deste tipo so criadas utilizando-se
apenas uma ou duas funes sigmides superpostas (figura d.10) (SOUZA, 1999).

( x) = sig ( x, a, b) =

1
1 + e a ( x b )

Figura d.10 - Funo de pertinncia com formato sigmoidal (SOUZA, 1999)

b.6) Singleton: as funes de pertinncia descritas at agora podem ser usadas


tanto nos termos antecedentes quanto nos termos conseqentes das regras. No
conseqente temos um tipo de funo muito usada em sistemas neuro-fuzzy, a
funo fuzzy singleton. Neste formato, a funo de pertinncia tem valor igual a 1
(um) apenas em um ponto de seu domnio, e valor 0 (zero) nos demais pontos. Sua
principal vantagem simplificar o processo de defuzzificao. Na figura d.11 tem-se
um exemplo de funo fuzzy singleton, onde a funo assume o valor 1 (um)
apenas para x = a (SOUZA, 1999).

Apndice D - Sistemas Neuro-Fuzzy

224

(x)
1

x=a

Figura d.11 - Funo de pertinncia fuzzy singleton (SOUZA, 1999)

C.) Particionamento do espao de Entrada e Sada


As variveis de entrada e sada dos sistemas de inferncia fuzzy so divididas
em vrios termos lingsticos (por ex. baixo, mdio e alto), que so utilizados pelas
regras fuzzy.
O particionamento do espao de entrada indica a forma como as variveis
de entrada fuzzy esto relacionadas com este espao (exemplo: velocidade baixa
representada por um trapzio com os parmetros a, b, c, e d). O particionamento do
espao de entrada tambm tem relao com as regras, pois a partir dele tm-se as
relaes de regras fuzzy pr-determinada. O particionamento do espao de sada
costuma ser mais simples e est associado aos conseqentes das regras (SOUZA,
1999).
A figura d.12 mostra vrios tipos de particionamento possveis para o espao
de entrada. Os exemplos ilustrados nesta figura referem-se a sistemas com duas
variveis de entrada, mas podem ser generalizados. Desta forma, as variveis do
espao de entrada correspondem dimenso horizontal e vertical de cada figura.
O particionamento fuzzy grid da figura d.12 (a) fixo, no permitindo ajustes
nas funes de pertinncia. Os sistemas que o utilizam ajustam apenas os
parmetros dos conseqentes.
Na figura d.12 (b), o particionamento adaptive fuzzy grid, como o prprio
nome diz, adaptativo e permite ajustes nos perfis das funes de pertinncia. Os
particionamentos fuzzy grid so simples e intuitivos, porm, medida que o nmero
de variveis de entrada e sada aumenta, o numero de parties cresce
combinatoriamente.

Apndice D - Sistemas Neuro-Fuzzy

225

As figuras d.12 (c) e (d) mostram os particionamentos fuzzy box e fuzzy


cluster, respectivamente.

Os particionamentos BSP e Quad tree das figuras d.12 (e) e (f) so flexveis e
minimizam, um pouco, o problema do crescimento exponencial do nmero de regras,
pois s criam novas regras localmente, conforme o conjunto de treinamento. Sua
vantagem principal permitir a criao de sistemas que constroem sua prpria
estrutura de forma automtica (SOUZA, 1999).

Figura d.12 - Particionamento possveis para o espao de entrada (SOUZA, 1999)

D) Mtodos de Defuzzificao.

Uma vez feitas as avaliaes das proposies (regras) fuzzy, deve-se


determinar o valor da sada do sistema. Este processo chama-se defuzzificao
(LEE, 1990b).

Apndice D - Sistemas Neuro-Fuzzy

226

Vrias estratgias de defuzzificao tm sido propostas e so descritas


abaixo as mais utilizadas nos sistemas neuro-fuzzy.

a) Mtodo do critrio mximo (MOM): neste mtodo tem-se a ao de


controle feita atravs do valor mximo que a funo de pertinncia apresentar (LEE,
1990b; SHAW; SIMES, 1999). Na figura d.13, o cursor indica o valor mximo da
sada.

Figura D.13 - Simulao no software Fuzzytech de uma sada no mtodo MOM


(SHAW; SIMES, 1999)

b) Mtodo da mdia dos mximos (COM): o controlador fuzzy gera uma


ao de controle atravs do valor mdio de todas as aes de controle, onde a
funo de pertinncia assume o valor mximo (LEE, 1990b; SHAW; SIMES, 1999):

zo =

Wj

j =1

onde wj o valor de suporte no qual a funo de pertinncia z (wj) assume o seu


valor mximo e l o nmero de valores suporte. A figura d.14 mostra um exemplo
do mtodo COM.

Apndice D - Sistemas Neuro-Fuzzy

227

Figura d.14 - Simulao no software Fuzzytech de uma sada no mtodo COM (SHAW;
SIMES, 1999)

c) Mtodo do Centro de Gravidade (COA): baseia-se no clculo do centro de


gravidade da funo de pertinncia, para um universo discreto, ou seja, quando se
est trabalhando com as funes de pertinncia do tipo triangular ou trapezoidal. O
clculo do Centro de Gravidade resulta em:
n

zo =

z ( W j ). W

i =1
n

z (W j )

i =1

onde n o nmero de nveis de quantizao da sada, wj o valor de suporte no


qual a funo de pertinncia z (wj) assume o seu valor mximo. A figura d.15
mostra um exemplo do mtodo COA.

Apndice D - Sistemas Neuro-Fuzzy

228

Figura d.15 - Simulao no software Fuzzytech de uma sada no mtodo COA (SHAW;
SIMES, 1999)

2. Descrio dos Sistemas Neuro-Fuzzy com relao s caractersticas de


aprendizado
Dividiu-se em trs subclasses os sistemas neuro-fuzzy quanto s
caractersticas de aprendizado.

Apresentao dos padres de treinamento;

Mtodo de identificao da estrutura;

Aprendizado dos parmetros.

Essas caractersticas esto descritas a seguir.

a) Aprendizagem dos padres de treinamento

A apresentao dos padres de treinamento pode ser realizada de duas


formas diferentes: o aprendizado off-line e o aprendizado on-line (SOUZA, 1999).

Aprendizado off-line
A atualizao dos parmetros/estruturas acontece somente aps a
apresentao de todo o conjunto de treinamento, isto , aps uma
poca ou varredura. Esta forma requer um conjunto de dados de

Apndice D - Sistemas Neuro-Fuzzy

229

treinamento disponvel antes da identificao da estrutura e dos


parmetros, o que em certas situaes pode se constituir em um
problema.

Aprendizado on-line
A atualizao dos parmetros acontece logo aps cada par de
treinamentos ter sido apresentado. Esta estratgia de aprendizado
indicada para sistemas com caractersticas variantes ou quando
no se tem mo, previamente, um conjunto de dados de
treinamento.

b) Mtodo de identificao da estrutura

A identificao da estrutura est relacionada determinao de um nmero


adequado de regras fuzzy e de um particionamente de E/S satisfatrio, com o
esboo inicial das funes de pertinncia. H duas vertentes principais para
promover a identificao da estrutura de um sistema neuro-fuzzy: identificao
prvia e identificao automtica (SOUZA, 1999).

b.1 Identificao Prvia


Este tipo de identificao precede o ajuste dos parmetros dos sistemas.
Utiliza-se para tal um conhecimento prvio do sistema a ser desenvolvido. Podem-se
destacar trs mtodos para realizar tal tarefa. O mtodo com apoio do especialista,
mtodo auto-organizado e aprendizado competitivo e mtodo da distribuio
uniforme das funes de pertinncia.

b.2 Identificao Automtica


Na identificao e gerao automtica o aprendizado das regras pode ser
feito de forma incremental ou decremental (SOUZA, 1999).

b.2.1) O aprendizado incremental das regras significa partir inicialmente de uma


base de regras vazia (camada de regras vazia) ou de uma regra default e adicionar

Apndice D - Sistemas Neuro-Fuzzy

230

novas regras, segundo uma determinada heurstica. Geralmente isto s possvel


com o conhecimento da sada desejada (aprendizado supervisionado).

b.2.2) O aprendizado decremental das regras inicia-se com um conjunto


superestimado de regras, o que pode gerar um sistema inconsistente. Segue-se
ento um processo de eliminao de regras suprfluas, tornando o sistema
consistente. Tal procedimento computacionalmente dispendioso, mas pode ser
feito quando no h informao disponvel sobre a sada desejada (o reinforcement
learning aplicvel).

C) Aprendizado dos parmetros

Como identificao dos parmetros entende-se o ajuste dos parmetros do


sistema, tais como os pesos fuzzy e o peso ou importncia relativa destas regras.
Nem todos os sistemas neuro-fuzzy utilizam ajuste do peso das regras. Neste caso,
o peso fixo e de valor unitrio, o que permite uma boa interpretao semntica das
regras fuzzy levantadas pelo processo de aprendizado.

Aps a definio da estrutura (ou durante esta), os pesos fuzzy e, se for o


caso, os pesos das regras do sistema neuro-fuzzy, devem ser ajustados por algum
critrio para minimizar o erro. Pode-se dividir os sistemas neuro-fuzzy em trs tipos
(SOUZA, 1999):

c.1) Sistemas com identificao apenas dos antecedentes


So encontrados entre os sistemas voltados para tarefas de classificao.
Neste caso no h conseqentes a serem ajustados. O perfil das funes de
pertinncia dos antecedentes das regras fuzzy geralmente ajustado por um
algoritmo supervisionado de retropropagao do erro. Um exemplo tpico o
NEFCLASS de Nauck (1997).

Apndice D - Sistemas Neuro-Fuzzy

231

c.2) Sistemas com identificao dos antecedentes e conseqentes


Representam a grande maioria dos sistemas neuro-fuzzy. Neste caso, o
peso de cada regra fixo e de valor unitrio, o que permite uma fcil interpretao
do significado das regras. O aprendizado dos antecedentes e conseqentes pode
ser feito simultaneamente ou em dois passos. Um exemplo inovador desse tipo de
sistema neuro-fuzzy o FSOM (Fuzzy Self-Organized Map). Este utiliza um
algoritmo supervisionado chamado LVQ (Learning Vector Quantization) no ajuste
dos antecedentes e um algoritmo gradiente decrescente no ajuste dos conseqentes
(SOUZA, 1999).

c.3) Sistemas com identificao dos antecedentes, conseqentes e peso das


regras
Nesses sistemas o aprendizado de todos os parmetros realizado de uma
forma global atravs de um algoritmo supervisionado, que os ajusta num mesmo
passo. Geralmente utilizado o algoritmo de back-propagation .

D.3 Exemplos de Modelos Neuro-Fuzzy


Existem diferentes formas de combinar as redes neurais artificiais e os
sistemas fuzzy:

a) ANFIS - Adaptive network-based fuzzy inference system


O sistema neuro-fuzzy ANFIS foi criado por Jang (1992). Sua popularidade
j o levou a ser inserido no Matlab. Esta arquitetura pode ser usada na
implementao de sistemas para previso e aproximao de funes, embora o
autor tenha proposto variantes para outras aplicaes. Funcionalmente, esta
arquitetura equivalente a um sistema de inferncia fuzzy de Tsukamoto, embora se
possa implementar, tambm, um sistema de inferncia fuzzy de Takagi-Sugeno.
Uma rede ANFIS consiste em um sistema de inferncia fuzzy baseado em
uma rede adaptativa direta. Uma rede adaptativa direta formada por dois tipos de
ns.

Apndice D - Sistemas Neuro-Fuzzy

232

i) N adaptativo. representado por um quadrado. A funo do n


depende das sadas dos ns da camada anterior e de um conjunto de parmetros

( ,
1

... q ) , que devem ser treinadas por um algoritmo de treinamento.

ii) N fixo. representado por crculo. Este se diferencia do n


adaptativo porque na sua funo do n no h parmetros a serem treinados.

A partir de um conjunto de dados de treinamento, deve-se treinar a rede de


forma a se achar um conjunto de parmetros para os ns adaptativos que
minimizem um funcional de interesse. Esses algoritmos de treinamento so
conhecidos como regras de aprendizado.
Na figura d.17 mostra-se o raciocnio tipo Takagi/Sugeno e seu equivalente
em ANFIS (JANG, 1992; JANG, 1994; JANG; SUN; MIZUTANI, 1997).

Figura d.16 - (a) Mecanismo de inferncia Takagi-Sugeno. (b) equivalente ANFIS (JANG, 1992)

b) FSOM - Fuzzy Self-Organized Man

O sistema neuro-fuzzy FSOM (Fuzzy Self-Organized Man) foi


desenvolvido por Vuorimaa (SOUZA, 1999) e utiliza o particionamento fuzzy-box no
espao de entrada. As funes de pertinncia utilizadas nos antecedentes das

Apndice D - Sistemas Neuro-Fuzzy

233

regras tm perfil triangular e so descritas por trs parmetros: centro (C), largura
esquerda (S1) e largura direita (Sr). Os conseqentes das regras so singletons ou
combinaes lineares das entradas.

O formato de uma regra fuzzy i, neste

sistema, como visto abaixo:


If X1 Ui,1 and X2 Ui,2 and X3 Ui,3 and then y = ai
onde cada condio (Xj Xij) interpretada como o grau de pertinncia Uij(Xj) do
valor Xj no conjunto fuzzy Uij. O nvel de disparo (first strength) de cada regra
calculado de acordo com:
i = min { Ui,1(X1), Ui,2(X2),... Ui,n(Xn) }

O mtodo de defuzzificao empregado o mtodo da mdia ponderada. A


figura d.17 mostra um sistema FSOM com duas entradas e uma sada. Este modelo
usa como conseqentes combinaes lineares das entradas X1 e X2 (camada 4). As
camadas deste sistema neuro-fuzzy semelhantes s do sistema ANFIS, exceto
pelo fato deste sistema utilizar o particionamento do tipo fuzzy box.

Figura d.17 Arquitetura de um FSOM com duas entradas e uma sada (SOUZA, 1999)

Apndice D - Sistemas Neuro-Fuzzy

234

C) Sistema Neuro-Fuzzy NEFCLASS

O sistema neuro-fuzzy NEFCLASS foi desenvolvido por Nauck e Kruse


(1995a) e sua aplicao bsica para sistemas de classificao. Nauck (1997)
desenvolveu tambm dois outros sistemas neuro-fuzzy, um para aplicaes em
controle NEFCON e outro para aplicaes em previso e aproximao de funes
NEFPROX. Um exemplo de arquitetura desse sistema ilustrado na figura d.18
(KRUSE; NAUCK, 1995a; KRUSE; NAUCK, 1995b; NAUCK, 1997).

Figura d.18 - Sistema NEFCLASS com duas entradas, cinco regras e duas classes de sada.

ANEXO A Testes das bases de dados

Anexo A Testes das bases de dados

AA1. Fluxogramas das rvores de deciso - CART

236

Anexo A Testes das bases de dados

237

Classification Tree for Class Pedras


Number of splits = 23; Number of terminal nodes = 24
1

Medio

559

441
Extrao<=271,15

Medio

361

198

276

165

T 1<=1442,2

T 2<=1485,6

Medio

59

6 Alto

45

153

T 2<=1489,1
9

10

171

105

T 2<=1476,1

Medio

Baixo

302

Alto

129

T 1<=1440,8
11

Medio

36
T 1<=1445,2

12Alto

Baixo

13

14

Medio

Medio

Baixo

79

223

13

17

18

Medio

Alto

42

37

99

124

T 1<=1434,
28

32

122

Baixo

19

20

21

Baixo

Medio

Muito Baixo

92

31

30

28

36

T 2<=1480,
38
Medio

39

Medio

32

33

Baixo

22
Muito Alto

Extrao<=148,6

23

24

Baixo

Medio
40

Muito Baixo

34

43
Muito Baixo

T 1<=1435,9
45

Medio

Alto

10

13

T 2<=1478,2
Alto

46

96
T 1<=1432,7

25

26

Alto

26

47
Medio

Figura aa.1 rvore de Deciso CART para o defeito tipo pedra NOVOVIDRO

35
Alto

27
Medio

22

T 2<=1469,2

23

44

Alto

Alto

24

42

Alto

33

Medio

T 2<=1477,2
41

64
T 2<=1476,

Muito Alto

63

40

41

15

Baixo

Medio

140

T 2<=1478,7

T Rec1<=279,09

Medio

30

31

T 2<=1488,2

T 2<=1483,
29

31

T 2<=1470,6

Medio

15
Baixo

Extrao<=80,374
16

Medio

11

T 2<=1489,4
36
Alto

37
Medio

Anexo A Testes das bases de dados

238

Classification Tree for Class Bolhas


Number of splits = 29; Number of terminal nodes = 30
Medio

360

640
Extrao<=188,09

51

309

413

227

T 1<=1431,4
4

Extrao<=373,06

25

285

Alto

Medio

Medio

24

T 1<=1428,5
8

Baixo

Medio

26

Medio

Baixo

67

346

T 2<=1493,4

31

196

T 1<=1431,7

Baixo 10

11

Alto

T 1<=1431,1

12
Alto

13

Muito Alto 14

Medio

Alto

15

Medio
89

196

19

Extrao<=50,578
17

Baixo

18
Muito Alto

66

176

T 1<=1435,2

20

Baixo
28

27

29

51

T Rec1<=268,
34
Muito Baixo

T 2<=1490,8

Alto

Alto

Medio

30

Baixo

Muito Baixo

T 2<=1496,

23

Alto

24

25
Muito Alto

Muito Alto

31

182

Alto

32

Alto

33

Muito Alto
279

11

177

T 1<=1460,3
Medio

37

5
T 1<=1458,5

38

Alto

39

40

41

Alto

25

209

Muito Alto

70

Extrao<=121,8
42

Baixo
26

188

T 2<=1468,1

T 1<=1434,4

Baixo

22

290

125

36 Baixo

35

24

T 1<=1424,5
21

18

T 2<=1469,3

Medio

Baixo
39

38

Medio
20

19

T 1<=1457,

27 Muito Baixo

26

308

T 1<=1427,

16 Baixo

23

48

65

112

Extrao<=318,28
Medio

43

Extrao<=419,82

Medio

44

45

Alto

46

47

Medio

Alto
88

121

20

T 1<=1438,
Medio
Medio 48

50

32

T 1<=1435,7
50

49

Alto
57

33
T 1<=1437,4

51

Alto

52

53

Medio

64

20

Extrao<=252,83
Medio

54

55
Medio

25

32

T Rec1<=263,69
Baixo

58

59

Medio

Medio

Figura aa.2 rvore de Deciso CART para o defeito tipo bolha NOVOVIDRO

13

T 1<=1446,
56
Medio

57
Alto

Anexo A Testes das bases de dados

239

Classification Tree for Class Cordas


Number of splits = 44; Number of terminal nodes = 45
Alto 1

361

639
T 2<=1481,8

Alto
2

97

264

368

271

Extrao<=141,33
4

Extrao<=280,14

Alto

48

5 Alto

49

Medio

161

103

T 2<=1477,8

Muito Baixo
7

314

54

T 2<=1479,

9 Alto

Muito Baixo

247

24

T 2<=1492,4

Alto 10

Medio

Medio 11

T 2<=1494,2

12

Muito Baixo
14

13

Muito Baixo

15
Alto

to Alto

45

12

T Rec1<=286,3
16

17

149

72

T 2<=1463,5

195

119

Extrao<=373,04
19 Alto

18

31

Medio 20

Extrao<=187,11

24

Medio
23

Baixo

AltoMuito Alto
Muito Alto

107

42

61

Extrao<=390,06

20

22

T 2<=1475,4
43

42 Alto

57

Extrao<=148,6
Medio 44

45

Alto Medio

qGN<=118,23

17

T 1<=1434,8

62

63

Alto

Medio

64

65
Medio

135

60

T 1<=1441,6

31 Baixo
Alto

Medio 30

Alto

16

25

T 1<=1454,2

29 Medio

28

11

21

Baixo

Alto 35

T 1<=1445,1

64

Muito Baixo

Muito Baixo

27

Muito Baixo

37

Medio 36

Medio

Muito Baixo 26

25

T 2<=1486,9

Medio 34

42

37

141

33

Extrao<=343,4
Muito Baixo

38

28

107

47

Extrao<=,09595
Alto

50

21

94

T 1<=1428,8
66

12

T 2<=1488,5

Alto

35

Medio

69

71

70

52

39

27

T 2<=1483,6
Medio
72

26

T 2<=1487,7
Alto

83

10

T Fusao<=1325,
Extrao<=130,16
Medio

82

84
Medio

Alto
85
86
Baixo

87

Medio

54

T 1<=1453,7

73
Baixo

74

Muito Baixo
17

57

T 1<=1441,
57

Muito Baixo 56

55

40
Medio

Medio

75
Alto

T 2<=1490,4
76
Medio

77
Baixo

11

Extrao<=231,3
Medio
88 89

Baixo

Figura aa.3 rvore de Deciso CART para o defeito tipo corda NOVOVIDRO

138

T 2<=1492,2
58

18

T 2<=1486,4

Baixo

61 Baixo

59

51

T 2<=1482,9
78

T 2<=1487,6

79
Muito Baixo

41
Muito Baixo

15

60
Baixo Muito Baixo Alto Medio

Muito Baixo

Alto

Medio

11

T 1<=1441,4
Medio

Medio
53

21

T Afinagem<=1325,5
Baixo

68

67

Medio

13

26

T 1<=1436,

51
Medio

Muito Baixo

34

Baixo
Medio 49

48

48

T 2<=1488,6

Alto

47

13

Extrao<=452,3

Medio

T Rec1<=270,2
46

82

T 1<=1441,9

33

32

205

Extrao<=8,7539

Medio
22

21 Baixo

45

80
Baixo

81
Muito Baixo

Anexo A Testes das bases de dados

240

Classification Tree for Pedras01


Number of splits = 47; Number of terminal nodes = 48
Baixa

305

62
Extrao<=81,35

Baixa 2

Muito Alto

222

83

14

48

S Sdio<=4,39

Coque<=1,175

Baixa 4

Media 5

94

128

77

84

12

116

Extrao<=74,85
16

Media

17

Muito Baixa

12
Muito Alto

53

Extrao<=72,3

24

Media

Baixa 19

Muito Alto 21

20

22
Alta

76

Extrao<=80,55
Muito Alto 29

28 Media

72

Coque<=1,165

66

43

44

Media

Alta

Media
14

58

45

16

Alta

48

Extrao<=78,95

Muito Alto

69
Media

Alta

70

30

18

Media

26

Baixa 47

16

34

20

56

51

30

20

Pirita<=,55

57

58
Baixa
Muito Alto

28

Extrao<=79,45
59

60
Baixa

Baixa

24

23
Muito Alto

24

REDOX<=-19,69
Muito Alto 38

39
Media

22

2
Coque<=1,29

Muito Alto

52

53

74
Alta

83

Media

84

85
Baixa

Media

22

10

Alta

65

Muito Alto

REDOX<=-22,51

Muito Alto

76

77
Alta

87
Muito Baixa
2

O ferro<=3,74
Media

Muito Baixa

92

93

Muito Alto 94

95

Media 67

Media

86

16

Muito Alto 66

Extrao<=81,15

20

Extrao<=75,8

Muito Alto

75

Extrao<=79,75

Media

Extrao<=74,5
64

Extrao<=84,1
Media
25
26
27
Baixa Muito Alto

Media 24

8
8
REDOX<=-20,59
Extrao<=81,6

Extrao<=75,3
Media

73

Media
4

Extrao<=74,7

10

Coque<=1,275
Muito Alto
62
63
Baixa

61

14

12

Extrao<=82,4

50

Muito Alto 15

26

Muito Alto

72
Baixa

REDOX<=-19,29
REDOX<=-,0836
Baixa
Alta
91
89
90
Media 88
Media

Extrao<=75,75

Muito Alto 49

48

Baixa

71

82
Alta

22

Alta

Media
46

Pirita<=,325

Baixa 81

80

33

Pirita<=,525

Extrao<=78,45

26

Extrao<=82,55

O ferro<=3,675
Extrao<=80,95
Media
37
34
35
36
Media
Muito Alto Alta

16

10
Extrao<=79,25

Media
68

27

Muito Alto

Baixa
6

50

O ferro<=3,2575

Extrao<=78,7
Media

55

Baixa

Baixa
32

30
31
BaixaMuito Baixa

10

Coque<=1,175
Media

50
S Sdio<=4,375

REDOX<=-20,68

42

54

10

Pirita<=,55

20

Media 14

Extrao<=82,4

Baixa

28

13

Extrao<=77,85

18

10

Extrao<=81,7

Media 11

Baixa 10

Muito Alto

Extrao<=72,45
Baixa 9

10

Muito Alto

Coque<=1,225
8 Media

Media

Figura aa.4 rvore de Deciso CART para o defeito tipo pedra Vidros para Embalagens

78

79

Media Muito Alto

Extrao<=84,8
40
41
Media Muito Alto

Anexo A Testes das bases de dados

241

Classification Tree for Bolhas01


Number of splits = 8; Number of terminal nodes = 9
Baixa

180

187
O ferro<=3,455

Media

128

52

173

Pirita<=,325
4

12

O ferro<=3,275

40
O ferro<=3,34

Media

10

Alta

11

Muito Alto

Media
50

26

26

Extrao<=79,1

14
Extrao<=81,7

12
Media

20

13

14

15

Muito Alto

Alta

Muito Alto

30
Extrao<=76,3

Baixa

16

Muito Alto
Baixa

76

14
Coque<=1,29

Media

52

Baixa

17
Media

Figura aa.5 rvore de Deciso CART para o defeito tipo bolha Vidros para Embalagens

Media

Anexo A Testes das bases de dados

242

Classification Tree for Transmitncia da Luz


Number of splits = 20; Number of terminal nodes = 21
1

Media

243

125
Pirita<=,535

70

173

51

74

S Sdio<=4,255
4

Media

Baixa

REDOX<=-23,05
5

Media

Media

Baixa

Media
46

24

169

REDOX<=-21,42
8

Alta

11

12

Baixa

13

24

133

36

12

Pirita<=,475
15

Muito Alta

16

S Sdio<=4,025
20
Baixa

21
Muito Alta

18

17

40

93

Pirita<=,325
22

18

Media

Baixa

24

12

Coque<=1,185

23

24

S Sdio<=4,44
25

Media

Alta

26

27

Media

Baixa

Baixa
38

20

Extrao<=82,7
28

Media

Media

30

Muito Alta

28

16

Extrao<=77,8
34

4
O ferro<=3,7

31

Baixa
10

O ferro<=3,59
29

32
Baixa

33
Media

Extrao<=81,35
Media

35

36

37
Alta

Baixa

Media
12

16
Extrao<=81,2
39Media

38
Media
10

S Sdio<=4,32
40
Baixa

41

31

REDOX<=-23,49

Baixa

16

Alta

Media
6

Alta

Media

Muito Alta

Extrao<=78,45
14

43
Extrao<=71,8

10

Media
22

Coque<=,775

Media

Figura aa.6 rvore de Deciso CART para a transmitncia da luz Vidros para Embalagens

19
Alta

Anexo A Testes das bases de dados

243

Classification Tree for Padro


Number of splits = 25; Number of terminal nodes = 26
CANELADO

598
2042
Abboda (7)<=1437,5

PONTILHADO

CANELADO
2

419

582
179

1460

Soleira (11)<=1159,5

Abbada Spout (8)<=1273,5


MOSAICO

ART ICO

MARTELADO

ELADO

79

288

949

100

294

Soleira Spout (12)<=1005,5


MART ELADO
CANELADO
8

Abbada Spout (8)<=1255,5


MOSAICO

10

133

13

ART ICO

29

398

155

74

265

Abbada Spout (8)<=1344,5


Soleira (11)<=1138,5

CANELADO

PONT ILHADO

12

11

37

14

Soleira (11)<=1173,5

SILESIA

63

511

551
20

Soleira Spout (12)<=963,5

437

Abbada Spout (8)<=1306,5

Soleira Spout (12)<=987,5

17

15
16

PONTILHADO

PONT ILHADO

PONTILHADO

18

19

MART ELADO 21

ART ICO

22

23

PONTILHADO MOSAICO

ART ICO SILESIA

76

316

246

79
Soleira Spout (12)<=986,5
PONT ILHADO
24

173

82

305

Soleira (11)<=1164,5

SILESIA

26

25

ART ICO

Abbada (6)<=1455,5

Soleira (11)<=1196,5
SILESIA

MOSAICO
27

28

29

MARTELADO

44

25

186

35
Soleira Spout (12)<=993,5
SILESIA

264

57

33

MART ELADO

114

243

60

191

21

Abboda (7)<=1462,
Camera 04<=1298,
Soleira Spout (12)<=977,5
CANELADO
PONTILHADO
37
34

35

31

CANELADO

MART ELADO

32

PONTILHADO
30

38

36

Abbada Spout (8)<=1328,


PONTILHADO

39

40

CANELADO

41

MART ELADOART ICO


MOSAICO

41

120

219

73

71

Soleira Spout (12)<=968,


Abbada Spout (8)<=1324,5

43

Soleira Spout (12)<=1027,


SILESIA

PONT ILHADO

PONTILHADO
ART ICO 42

24

44

45
CANELADO

46

47

SILESIA

37

28
83

Soleira (11)<=1151,5
49

MOSAICO
48

SILESIA

191
Camera 04<=1276,5
MART ELADO PONTILHADO
50

51

Figura aa.7 rvore de Deciso CART para os padres do vidro plano impresso - Vidros Planos

Anexo A Testes das bases de dados

244

AA2 Exemplo de rvore de deciso fuzzy gerada no FID3.4.


Defeito Tipo Pedra.
---INFO--T-norm for f1 to build tree Product
T-norm for f2 to build tree Minimum
T-norm for f1 used in inference Product
T-norm for f2 used in inference Minimum
Method of inference
Set-based
Method used to resolve internal conflicts best leaf
Method used to resolve external conflicts Inference 1
Stretch domain for delta for set inferences? No
Number of events
1000
Number of attributes
4
Number of decisions
5
IN to stop expansion
0.700
PN to stop expansion
1.000
Gain to stop expansion of var 0.100
minInfPN
0.200
minInfPkNQt
0.000
minInfPKappaNQt
0.000
Fuzzify unrecognized event Yes, degree=1
Fuzzify level to start at 0
Reduce gain for larger domains No
Use file Pedranf13tes.dat for testing
Save testing results to file testpedranf13.file
No Chi-squared test
Rchi=4.00
Print long tree
Print tree to file: treepedranf13.file
Not using spreadsheet file
Randomize the random seed? yes
CF
0.000
K
0.500
----------

--TREE : T-norm is Product


[] : IN=0.87 PN=1000.00 : MAlto=60.00 Alto=237.00 Medio=403.00 Baixo=229.00 MBaix=71.00
[T2=T21] : IN=0.57 PN=62.00 : MAlto=34.00 Alto=22.00 Medio=6.00 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T11] : IN=0.00 PN=5.38 : MAlto=5.38 Alto=0.00 Medio=0.00 Baixo=0.00
MBaix=0.00
[T2=T21][T1=T12] : IN=0.27 PN=15.63 : MAlto=13.50 Alto=2.00 Medio=0.13 Baixo=0.00
MBaix=0.00
[T2=T21][T1=T13] : IN=0.56 PN=31.33 : MAlto=13.46 Alto=15.67 Medio=2.21 Baixo=0.00
MBaix=0.00
[T2=T21][T1=T13][Extracao=Extracao1] : IN=0.31 PN=4.58 : MAlto=0.00 Alto=3.67
Medio=0.91 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T13][Extracao=Extracao1][TAfinagem=TAfinagem1] : IN=0.00 PN=0.50 :
MAlto=0.00 Alto=0.00 Medio=0.50 Baixo=0.00 MBaix=0.00

Anexo A Testes das bases de dados

245

[T2=T21][T1=T13][Extracao=Extracao1][TAfinagem=TAfinagem2] : IN=0.20 PN=4.08 :


MAlto=0.00 Alto=3.67 Medio=0.40 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T13][Extracao=Extracao2] : IN=0.63 PN=3.72 : MAlto=0.60 Alto=1.81
Medio=1.30 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T13][Extracao=Extracao2][TRec1=TRec12] : IN=0.00 PN=0.97 : MAlto=0.00
Alto=0.00 Medio=0.97 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T13][Extracao=Extracao2][TRec1=TRec14] : IN=0.54 PN=2.75 : MAlto=0.60
Alto=1.81 Medio=0.33 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T13][Extracao=Extracao3] : IN=0.21 PN=7.21 : MAlto=0.75 Alto=6.45
Medio=0.00 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T13][Extracao=Extracao4] : IN=0.43 PN=5.83 : MAlto=3.10 Alto=2.73
Medio=0.00 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T13][Extracao=Extracao5] : IN=0.20 PN=10.00 : MAlto=9.00 Alto=1.00
Medio=0.00 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T13][Extracao=Extracao5][TFusao=TFusao1] : IN=0.39 PN=1.45 :
MAlto=0.45 Alto=1.00 Medio=0.00 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T13][Extracao=Extracao5][TFusao=TFusao2] : IN=0.00 PN=8.54 :
MAlto=8.54 Alto=0.00 Medio=0.00 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T14] : IN=0.67 PN=5.67 : MAlto=1.67 Alto=2.33 Medio=1.67 Baixo=0.00
MBaix=0.00
[T2=T21][T1=T14][Extracao=Extracao2] : IN=0.00 PN=0.67 : MAlto=0.00 Alto=0.00
Medio=0.67 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T14][Extracao=Extracao3] : IN=0.63 PN=2.17 : MAlto=1.00 Alto=0.33
Medio=0.83 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T14][Extracao=Extracao3][TRec1=TRec12] : IN=0.00 PN=0.83 : MAlto=0.00
Alto=0.00 Medio=0.83 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T14][Extracao=Extracao3][TRec1=TRec14] : IN=0.35 PN=1.33 : MAlto=1.00
Alto=0.33 Medio=0.00 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T14][Extracao=Extracao3][TRec1=TRec14][TAfinagem=TAfinagem1] :
IN=0.00 PN=0.24 : MAlto=0.00 Alto=0.24 Medio=0.00 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T14][Extracao=Extracao3][TRec1=TRec14][TAfinagem=TAfinagem2] :
IN=0.18 PN=1.09 : MAlto=1.00 Alto=0.09 Medio=0.00 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T14][Extracao=Extracao4] : IN=0.21 PN=1.56 : MAlto=0.00 Alto=1.39
Medio=0.17 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T14][Extracao=Extracao5] : IN=0.43 PN=1.28 : MAlto=0.67 Alto=0.61
Medio=0.00 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T14][Extracao=Extracao5][TRec1=TRec12] : IN=0.00 PN=0.61 : MAlto=0.00
Alto=0.61 Medio=0.00 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T14][Extracao=Extracao5][TRec1=TRec14] : IN=0.00 PN=0.67 : MAlto=0.67
Alto=0.00 Medio=0.00 Baixo=0.00 MBaix=0.00
[T2=T21][T1=T15] : IN=0.43 PN=4.00 : MAlto=0.00 Alto=2.00 Medio=2.00 Baixo=0.00

Anexo A Testes das bases de dados

AA3. Exemplo de configurao dos atributos do FID3.4


9
Extracao 1 -1 0 480 5 5
TRec1 1 -1 235 311 5 5
TRec2 1 -1 211 334 2 2
Tabobada 1 -1 1469 1505 2 2
TFusao 1 -1 1294 1340 2 2
TAfinagem 1 -1 1320 1340 2 2
qGN
1 -1 83 132 2 2
T1
1 -1 1414 1480 5 5
T2
1 -1 1445 1506 5 5
05
MAlto
Alto
Medio
Baixo
MBaixo

AA4. Exemplos de configuraes do FID3.4


#ant and no parameters may be left out.
#T-norm to use for f1 when building tree
#choices are minimum, product, bounded product, drastic product, and best.
#these choices are also used for f2Build, f1Inf, and f2Inf.
#best means the t-norm resulting in the highest information gain will be
#chosen for each node that will be split. NOTE: it is suggested dprod not be
#used for inferences unless fuzzy sets overlap so that membership is always 1
#somewhere
f1Build
prod #[min | prod | bprod | dprod | best]
#T-norm used for f2 when building tree
f2Build
min #[min | prod | bprod | dprod | best]
#T-norm used in f1 for inference
f1Inf
prod #[min | prod | bprod | dprod | best]
#T-norm used in f2 for inference
f2Inf
min #[min | prod | bprod | dprod | best]
#Inference method to use
#choices are set-based and example-based
infKind
set #[set | example]
#method to resolve internal conflicts
#The valid options for InternalConflict depend upon which inference method is
#chosen and which external conflict is used

246

Anexo A Testes das bases de dados

#internal conflict methods for set based are: all (use all leaves), best(use
#majority class), cg (center of gravity), mcg (max center gravity)
#inference methods for example based are: all(use all leaves), best (use
#majority class), maxx(use example with highest membership in leaf),maxxk(use
#example with highest combined membership in leaf and decision class)
InternalConflict
best #[best | cg | mcg | all | maxx | maxxk]
#method to resolve external conflicts
#(meaning depends on which inference chosen above)
#maximum value allowed for set-based inference is 3,
#maximum value allowed for example-based inference is 2
ExternalConflict
0
#[0 | 1 | 2 | 3]
#options specifying weights to use in particular inferences
#the following 5 options are all boolean values
#used in set-based inferences involving internal best/external 0 and external 1
#used in example based inferences involving external 0/internal maxx and maxxg
usePkL
0
#[0 | 1]
#used in set-based inferences with external 0/internal cg and mcg and external 1
#used in example-based inferences with external 0/internal maxx and maxxg
usePL
0
#[0 | 1]
#used in set-based inferences with external 0/internal best and cg
useArea
0
#[0 | 1]
#used in set-based inferences with external 1
useRatio
0
#[0 | 1]
#used in example-based inferences with external 0/internal all and best
useWeight
0
#[0 | 1]
#stretch domain for delta to use in set inferences
stretchSetDelta
0
#[0 | 1]
#Degree of fuzzification fon unrecognized events
#0 is no fuzzification,
#1 means fuzzification is only performed for linear values
#2 means all values are fuzzified
fuzStopLevel

#[0 | 1 | 2]

#fuzStartLevel to start with


fuzStartLevel
0

#[0 | 1 | 2]

#Use IV method to reduce gain for large domains


iv
0
#[0 | 1]
#Information content at which expansion should be stopped
minBuildIN
0.2 #[0..1]
#Minimal event count at which expansion should be stopped
minBuildPN
1
#[>= 0]

247

Anexo A Testes das bases de dados

#Minimal gain level at which attribute will not be used for expansion
minGain
0.1 #[0..1]
#Minimal event count
minInfPN

0.2

#[> 0]

#Minimal ratio of PkN/PN in a leaf to be used in inferences


#not using the majority decision in the leaf
#0 indicates all values are used, 1 indicates only those above average
minInfPkNQt
0
#[0..1]
#Minimal ratio of PkN/PN in a leaf to be used in inferences
#using the majority decision in the leaf
#0 indicates each best decision is used, 1 indicates only those best decision
#takin ALL examples in the leaf is used
minInfPKappaNQt
0
#[0..1]
#Chi-square test. Specify 0 if no test should be performed, otherwise indicate
#signifcance level of test
#Significance levels: 1=0.1, 2=0.05, 3=0.025, 4=0.01 (2 is suggested)
chi
0
#[0..4]
#Used to determine if Chi-squared test is unreliable. If PhatkNp is
#greater than or equal to Rchi, for any k,p, then it is unreliable
Rchi
4.0
#any value, but 4 is recommended
#Randomize the random seed
random
1
#[0 | 1]
#Print tree?
tree
short #[none | short | long]
#Output file for tree
#not printed if none chosen above
treeOut
treeubvpadrao.file

248