ANLISE DE TCNICAS INVERSAS PARA AVALIAO DE

PARMETROS EM PROBLEMA DE TRANSFERNCIA DE

CALOR POR CONVECO
A. R. S. FERREIRAa
a

SE/4 Instituto Militar de Engenharia Praa

General Tibrcio, 80. Praa Vermelha, Rio de

Janeiro RJ
rafaela.anna@gmail.com

RESUMO
Problemas inversos tem sido de muita valia para diversos campos da
engenharia na atualidade, podendo ser usado desde a rea da
robtica como tambm na rea trmica. O presente trabalha visa
analisar tcnicas estocsticas (Particle Swarm Otimization e
Random Restricted Window) e determinsticas (LevenbergMarquardt, Gradiente Conjugado e Gradiente Conjugado com
Problema Adjunto), sendo estas usadas para determinar parmetros
desconhecidos em uma equao matemtica que modela
transferncia de calor por conveco entre uma placa e o meio.
Dados experimentais foram obtidos, e a eles foram comparados
dados simulados, obtendo funes de minimizao. Anlises de
sensibilidade so feitas para os parmetros desconhecidos e em
seguida feita a utilizao dos mtodos. Os resultados obtidos
convergem, obtendo-se os parmetros desconhecidos bem prximos
aos da realidade.

Palavras-chaves: Problemas Inversos, Mtodos Determinsticos,

Mtodos Estocsticos, Anlise de Sensibilidade.

NOMENCLATURA
t
q0
m
h
T(t)
T0
e

tempo, s
fluxo de calor inicial, Wm-2
termo relativo frequncia, s-1
coeficiente de transferncia de calor, Wm-2K-1
temperatura do corpo no tempo t , K
temperatura inicial do corpo, K
funo exponencial

INTRODUO
Problema inverso tem emergindo como sendo
mais uma rea multidisciplinar. Sua definio vem do
prprio antagonismo com a definio de problema
direto, que procura os efeitos, sendo as causa
conhecidas. Ento, problemas inversos estudam
causas, estas apoiadas na anlise de seus efeitos
(Velho, 2008).
Problemas inversos so geralmente problemas
mal postos, ou seja: ou a soluo no existe, ou a
soluo no nica ou a soluo no possui uma
dependncia continua com os dados de entrada.

Assim, pode-se ter o seguinte esquema,

apresentado na Fig. 1, de como o problema inverso se
relaciona com o problema direto.

Figura 1. Relao entre problemas inversos e

problemas diretos
Observa-se que problemas inversos logo se
relacionam com rotinas de otimizao. Isso porque
quando se quer determinar um parmetro
desconhecido para um determinado efeito, pretendese tambm que ele seja o melhor. Por conta disso,
essas disciplinas sempre andam de mos dadas.
Em relao classificao, problemas inveros
podem ter vrias. Neste trabalho, trataremos de duas:
quanto a natureza estatstica e quanto a natureza da
propriedade estimada.

Em relao natureza estatstica, podem ser

estocsticos e deterministicos. Os mtodos
estocsticos projetam seu fluxo de dados de sada
baseados em dados aleatrios de entrada, sendo estes
mtodos ditos mais prximos a realidade. Os mtodos
estocsticos aboradados neste trabalho sero o
Random Restricted Window (R2W) e o Particle
Swarm Optimization (PSO). J os mtodos
deterministicos produzem dados de sada baseados
em dados passados como dados de entrada, ou seja,
dados conhecidos. Os estudados aqui sero
Levenberg-Marquardt (LM), Gradiente Conjugado
(GC) e Gradiente Conjugado com Problema Adjunto
(GCA).
Em relao natureza da propriedade estimada,
podem estimar um conjunto de coeficientes da
modelagem ou uma funo desconhecida, esta ser
trabada como uma funo discreta (podendo
posteriormente ser usado mtodos de interpolao). O
nico mtodo que ser usado para estimar funo ser
o GCA.
A avaliao dos mtodos ser via comparativa
ente eles por meio de nmero de iteraes, tempo de
iterao e grficos dos dados experimentais, dados
simulados e evoluo da funo objetivo.
TEORIA
Random Restricted Window
De acordo com Bihain et al. (2012), o mtodo
R2W projetado por meio de uma busca aleatria,
que tem o domnio de busca reduzido de acordo com
o quadrado dos resduos entre os valores calculados
com a simulao computacional e os dados
experimentais.
Primeiramente, o algoritmo verifica a funo
objetivo com estimativas aleatrias, obtendo os
melhores valores (nos intervalos de valores
estimados) para os parmetros quando a funo
objetivo resulta em um menor resduo. Assim, para
um domnio de valores (Z), i escolhido, sendo:

(1)

onde representa o menor valor do parmetro,

representa o maior valor do parmetro e R um
nmero aleatrio pertencente ao intervalo [0,1].
Gerando os valores dos parmetros, calcula-se
um novo valor para a funo objetivo atravs dos
resduos quadrados e analisa qual o menor valor para
a funo objetivo. Verifica-se para essa menor
cotao da funo objetivo quais os respectivos
parmetros. Estes iro ser os melhores valores
obtidos. As quantidades do
e do
so
atualizadas da seguinte forma:

(2)

(3)

onde o melhor valor dos parmetros e o fator

de restrio da janela de busca.

Figura 2. Representao esquemtica do algoritmo

R2W (Bihain et al. 2012)
Particule Swarm Optimization
O mtodo PSO foi desenvolvido por Kennedy e
Eberhart (1995), criando uma metodologia para
interaes entre indivduos pertencentes a um grupo,
baseando-se na busca de comida por um bando de
pssaros.
Otimizao por exame de partcula colhe
informaes de melhor experincia individual de
cada entidade, dando um peso a esta, e dando peso
tambm para a relao dessas experincias
individuais com a melhor experincia do grupo.
A cada parmetro, ou partcula, associada uma
velocidade, que atualizada pela Eq. (4) e os valores
das partculas pela Eq. (5):

#, $

onde:
k

,
! "

! "
(4)

(5)

nmero da iterao
velocidade da partcula i na
iterao k+1

peso inercial

velocidade da partcula i na
iterao k

constantes de acelerao
, #

nmeros
randmicos
, , #,
distribudos
uniformemente
entre 0 e 1

melhor posio encontrada pela

partcula i at a iterao k

partcula i na iterao k
!

melhor posio encontrada pela

$
populao at a iterao k
Inicialmente, gera-se uma populao aleatria,
gerando valores para a funo objetivo. O melhor
valor inicial de cada partcula associado a essa
populao aleatria. A partir dessa funo objetivo,
verifica-se o menor valor, e com a partcula associada
a esse numero, alocando ele na posio de melhor
posio para a populao.

Em seguida, calcula-se a nova velocidade de

cada partcula, assim como a nova posio de cada
partcula. Com novos valores para a populao,
encontram-se os novos melhores valores individuais e
o novo melhor valor global por meio do novo valor
de resduo. E assim segue-se at ir de encontro com o
critrio de parada.
Em relao aos parmetros usados na Eq. (4),
relevante alguns comentrios. O parmetro dito
peso inercial no sentido de atenuar ou acelerar a
velocidade da partcula. A constante de acelerao
para a segunda parcela denominada de acelerao
cognitiva, e para a terceira chamada de acelerao
social. Podem tambm serem chamadas de foras de
atrao ou parmetro de aprendizagem. Esse
parmetro reflete o peso que a experincia individual
ou social ter, qual vai pesar mais. No presente
trabalho, trata-se esse dois parmetros com o mesmo
valor, sendo este sempre pertencente ao intervalo
[1,2].
Os nmeros randmicos do a forma estocstica
ao
mtodo,
proporcionando-o
uma
maior
proximidade com a realidade.
Anlise de Sensibilidade
Outra rea multidisciplinar a anlise de
sensibilidade, aplicada nas engenharias, economia,
contabilidade, etc. Isso porque ela proporciona uma
anlise de novos cenrios.
A anlise de sensibilidade feita atravs dos
coeficientes de sensibilidade, dado por:
%&

'()

'*+

&

O mtodo de Levenberg-Marquardt tem como

objetivo resolver problemas de mnimos quadrados
no lineares. A inteno dos autores do mtodo foi de
criar um mtodo que tendesse ao mtodo de
Gradiente de Descida quando prximo do ponto
inicial e se aproximasse do mtodo de Gauss-Newton
quando prximo do mnimo da norma dos mnimos
quadrados (Orlande et al, 2008).
O mtodo LM, como falado, prope-se a
minimizar problemas de mnimos quadrados.
Aplicando esse objetivo em problemas inversos, temse o erro como uma equao de minimos quadrados
entre valores experimentais e valores simulados.
Assim:
.

34 01

2#

(7)

onde
S = soma dos erros quadrados ou funo
objetivo
0 , # , , 6 2 = vetor de parmetros
desconhecidos
, ( ) = ,( , ) = valor simulado no
tempo
1 = 1( ) = valor medido no tempo
N = total de parmetros desconhecidos
I = total de medidas, 7 9
Para minimizar a Eq. (7), toma-se sua derivada,
aparecendo o coeficiente de sensibilidade, e
expandindo ,( ) em torno de , obtem-se:
=

+ 0(% )- (% )2: (% )- 01 ,(

)2 ( 8 )

(6)

o parmetro a ser analisado na funo , .

Ozisik e Orlande (2000) define o coeficiente de
sensibilidade % & como sendo a medida de
sensibilidade da funo estimada , com respeito a
mudanas no parmetro & . Pequenos valores de
grandeza de % & indicam que grandes mudanas em &
produzem pequenos efeitos em , , dificultando a
estimativa de & . Esse efeito visto quando o
determinante da matriz de identificao %- %
aproximadamente zero, ditando um problema inverso
mal-condicionado.
recomendado que o coeficiente de
sensibilidade seja avaliado antes da resoluo do
problema inverso, j que a partir da sua anlise podese verificar qual a melhor posio de sensores (para
aferio de dados experimentais, por exemplo), para
quais parmetros a ateno deve ser dirigida, etc.
De um modo geral, anlise de sensibilidade
utilizada para tomar melhores decises, decidir quais
dados estimados devem ser refinados antes de tomar
deciso e concentrar-se nos elementos crticos
durante a implementao (da Silva e Belderrain,
2004).
onde

Mtodo de Levenberg-Marquardt

A Eq. (8) demonstra o mtodo de GaussNewton. Aplica-se bem quando j se encontra perto
da soluo. Entretanto, pode-se encontrar um
determinante aprozimadamente igual zero para a
matriz de identificao (%- %), inviabilizando o
mtodo, como j discutido anteriormente. Para
contornar esse problema, foi acrescentando valores a
diagonal principal da matriz de identificao. Com
isso, chega-se a uma nova equao de atualizao de
parmetros:
,(

=
)2

+ 0(% )- (% ) + ; < 2: (% )- 01
(9)

O parmetro ; serve como um fator de

amortecimento de oscilaes e instabilidades
proveniente de mal-condicionamento do problema.
Com isso, no inicio ele tomado com um alto valor,
j que normalmente o problema mal-condicionado
nas
estimativas
iniciais,
proporcinando
a
singularidade da matriz de identificao (tendendo ao
mtodo Gradiente de Descida). E ao longo das
iteraes, faz-se pequeno o fator de amortecimento
(tendendo ao mtodo de Gauss-Newton).
Ento, o fator de amortecimento sendo sempre
positivo, faz com que a matriz 0(% )- (% ) + ; < 2

seja positiva definida. Alm disso, o fator influencia

tanto na direo de descida, quanto no tamanho do
passo, permitindo que o mtodo no precisse de uma
busca linear para descobir o tamanho timo do passo
a ser dado em cada iterao (Maffra e Gattass, 2008).
Por fim, o mtodo LM tem a seguinte iterao:
Entradas:
dados
experimentais
1 ,
=
estimativas iniciais de parmetros
,
=
0.001, A 0.
;
1. Resolver o problema direto: ,
;
2. Calcular .
;
3. Verificar critrio de parada;
4. Calcular o coeficiente de sensibilidade e a
matriz
de
identificao
e
< BCDE % - % ";
5. Resolver a Eq. (9);
6. Resolver o problema direto para
7. Calcular .
;
8. Se .
.
;
10; e
resolver passo 4;
9. Seno, ou seja, se .
< .

0.1; ;
;
10. k = k+1;
11. Verificar critrio de parada.

O mtodo do Gradiente Conjugado melhora a

taxa de convergencia do mtodo de Gradiente de
Descida escolhendo direes de descida que so uma
combinao linear da direo gradiente com a direo
de descida da iteraao anterior no sentido de
minimizar a funo objetivo (Ozisik e Orlande,
2000).
O algoritmo do mtodo tem a seguinte forma:

1.
2.
3.
4.
5.
6.
7.
8.
9.
onde

Entradas:
dados
experimentais
1 ,
=
estimativas iniciais de parmetros
,
A 0.
Resolver o problema direto: ,
;
Calcular .
;
Verificar critrio de parada;
Calcular o coeficiente de sensibilidade;
Calcular .
(Eq. (10)) e I (Eq. (11)
ou Eq. (12));
Calcular a direo B (Eq. (13);
Calcular
(Eq. (14));
Fazer
B ;
Voltar a 1.

( 12 )

OQR "P
T
+URMN *
+

Mtodo do Gradiente Conjugado

O
T
+URMN * "P+

I B

( 13 )

MWO X O P M( *O ":ZP
Y

MWO X O P MWO X O P

( 14 )

o tamanho do passo de busca

Na Eq. (14),
e B a direo de descida. A direo de descida
uma combinao da direo do gradiente com a
direo de descida do passo anterior, como mostrado
a Eq. (13). As Eqs. (11) e (12) do o coeficiente de
conjugao. Essas equaes asseguram que o ngulo
entre a direo de descida e a direo negativa do
gradiente menor que 90, ento a funo objetivo
minimizada (Ozisik e Orlande, 2000).
Mtodo do Gradiente Conjugado com Problema
Adjunto
Em muitos problemas inversos, nem sempre se
consegue ter uma equao direta para o clculo do
gradiente, como na Eq. (10). O mtodo do Gradiente
Conjugado com Problema Adjunto vem no sentido de
obter essa equao por meio de dois problemas
auxiliares, o problema adjunto e o problema de
sensibilidade.
O problema de sensibilidade e o de adjunto vem
da considerao que os parmetros descohecidos
sofrem uma pequena pertubao , pertubando
consequentemente os dados simulados , e a
funo objetivo . . Resolvendo o problema direto
para e ,, obtem-se a soluo do problema de
sensibilidade, soluo que vai ser usada par ao
calculo do passo.
No problema adjunto, um multiplicador de
Lagrange (\) aparece na Eq. (7) no sentido de que os
dados simulados necessitam atender a uma restrio,
que a de satisfazer o problema direto. Ento a Eq.
(7) ser adicionado o problema direto multiplicado
por \. Pertuba-se a equao resultante em ., , e
. Resolvendo a equao, tem-se uma nova apenas
com os termos pertubados. Dessa equao de termos
pertubados, tira-se um problema de valor de contorno
para o multiplicador de Lagrande, sendo esse
problema o chamado problema adjunto. Com a
soluo do problema adjunto, obtem-se o gradiente
da funo objetivo.
Assim, o algoritmo para o mtodo do Gradiente
Conjugado com Problema adjunto:

S dado pela Eq. (7).

.
I

2 %

- 01

O
O
OQR "P S
T
+URLMN * "P+ MN * ": N *
+
V

OQR "P
T
+URMN *
+

( 10 )
( 11 )

1.
2.
3.

Entradas:
dados
experimentais
estimativas iniciais de parmetros
A 0.
Resolver o problema direto: ,
;
Verificar critrio de parada;
Resolver problema adjunto: \;

1 ,
=
,

Calcular gradiente da funo objetivo:

.
;
5. Calcular I (Eq. (11) ou Eq. (12)) e B (Eq.
(13));
6. Fazer = B ;
7. Resolver o problema de sensibilidade:
,( );
8. Calcular ;
9. Fazer
=
B ;
10. Voltar a 1.

Calcular I (Eq. (11) ou Eq. (12)) e B (Eq.

(13));
6. Fazer E( ) = B ;
7. Resolver o problema de sensibilidade:
,(E( ) );
8. Calcular ;
9. Fazer E( )
= E( ) B ;
10. Voltar a 1.

4.

Observa-se que no existe uma frmula exata

para o problema adjunto, gradiente da funo
objetivo, problema de sensibilidade e para o passo de
busca. Isso porque so equao particulares, depende
do problema. O unico ponto em comum que todos
os dados sero tratados como continuos em vez de
discretos.
Todos esses passos so para estimativa de
parmetros. Como falado anteriormente, a nica
tcnica usada para estimar funes seria de Gradiente
Conjugado com Problema Adjunto.
Para estimativa de funo, existe uma condio
para a funo estimada (E( ), funo dependente do
tempo) (Ozisik e Orlande, 2000):
-

^- _)`ab 4= E( )# B G
)`)c)ab

5.

Critrio de Parada
Para todos os algoritmos, o critrio de parada
ser um AND entre nmero de iteraes at uma
determinada quantidade e norma da funo objetivo
ser menor que uma tolerncia.
EXPERIMENTO PROBLEMA DIRETO
O problema teste e dados experimetais foram
dados em sala. O problema consiste em determinar a
temperatura de uma placa de expessura determianda
ao longo do tempo.

( 15)

A funo objetivo ter a seguinte forma:

-

.(E( )) = ^- _)`ab 4=01 , (E( ))2# B

)`)c)ab

( 16 )

Observa-se que para cada instante de tempo,

tem-se um valor para E( ) (sendo este ento um
vetor). Ento, analisa a estimativa de funo com a
viso de pontos discretos no tempo. No final da
iterao, quando o critrio de parada atendido,
tendo os pontos da funo viveis, pode-se obter uma
forma para a funo atravs de mtodo de
interpolao.
Na estimativa de funo tambm se considera
que ocorre uma pertubao nos valores da funo
(E( )), consequentemente aparece uma pertubao
nos dados simulados (,(E( ))) e na funo
objetivo (.(E( ))).
A anlise de resoluo do problema de
sensibilidade e do problema adjunto semelhante ao
problema inverso de estimao de parmetro.
O algoritmo tambm semelhante:

1.
2.
3.
4.

Entradas:
dados
experimentais
(1),
estimativas iniciais de parmetros (E( )= ),
A = 0.
Resolver o problema direto: ,(E( ) );
Verificar critrio de parada;
Resolver problema adjunto: \;
Calcular gradiente da funo objetivo:
H.(E( ) );

Figura 3 Transferncia de calor por conveco em

uma placa (Notas de aula)
A equao diferencial para este problema d-se
por:
X((-)
X-

+ e,( ) =

fg(-)
h

, i 0, , 0) = ,= ( 17 )

j( ) = j=

( 18 )

Logo, a equao direta :

,( ) = ,=

:f-

gk
h

(1

:f- )

( 19 )

Tem-se os seguintes parmetros:

,( ) = temperatura do corpo no tempo t;
,= = temperatura inicial;
e = funo exponencial;
j= = fonte de calor;
h = coeficiente de transferncia de calor;
m = termo relativo frequncia.
5

Neste trabalho, ,= 0 l, m = 2.45 Wm:# K : .

Para estimativa de parmetros, os desconhecidos
sero e e j= . Para estimativa de funo, a fonte de
calor ser tomada como uma funo desconhecida.
Todos os algoritmos foram desenvolvidos em
MATLAB R1012a, instalado em um notebook com
sistema operacional Windows 64 bits, com 4,00 GB
de memria RAM e com processador Intel Core
i5, CPU 2,40 GHz.
O nmero de iteraes mximo ser 1000 e a
tolerncia para a norma ser 10:s .
RESULTADOS E DISCUSSES
Como visto, problemas inversos esto
diretamente ligados com a resoluo dos seus
respectivos problemas diretos. No presente trabalho,
o problema direto dado pela Eq. (19). Com esse
problema de transferncia de calor por conveco,
objetiva-se estimar os parmetros j= e e.
Inicialmente faz-se uma anlise de sensibilidade
para o problema direto, ou seja, verifica quanto varia
a funo quando se varia os parmetros, alm de se
verificar se os parmetros podem ser estimados
simultaneamente.

Figura 5. Comparao entre os dados experimentais e

dados simulados do mtodo R2W
Observa-se que os dados simulados obtidos no
final da iterao esto de acordo com os dados
experimentais, mostrando uma convergncia do
mtodo. Em relao evoluo da funo objetivo,
esta mostrada na Fig. 6.

Figura 6. Evoluo da funo objetivo para o mtodo

R2W
Figura 4. Anlise de sensibilidade para o problema
direto
Como pode ser visto os parmetros no se
apresentam como dependentes um do outro,
possibilitando as suas estimaes simultaneamente.
Alm disso, pode ser visto que uma pequena variao
do parmetro e causa uma grande variao na
funo do problema direto. O contrrio se mostra
com o parmetro j= : seu jacobiano no varia ao
longo dos seus valores, mostrando uma pequena
dependncia da funo do problema direto para com
esse parmetro.
O primeiro mtodo observado ser o R2W. Seu
grfico comparando os dados simulados e os dados
experimentais dado pela Fig. 5.

A funo objetivo do mtodo R2W inicia em

um valor alto e logo em seguida vai para um valor
mpinimo e segue at atingir a tolerncia da sua
norma. Parece que rapidamente o mtodo atingiu a
tolerncia, mas no o que se mostra quando se
observa o nmero de iteraes do mtodo. Esse
nmero varia de 200 at o nmero mximo, 1000.
Isso porque se trata de um mtodo probabilstico:
como alguns parmetros so randmicos, a
convergncia no tem a mesma velocidade em todos
os testes. Assim como a quantidade de iteraes
varia, o valor para a funo objetivo tambm varia, s
que esse em intervalos pequenos.
Para o mtodo PSO apresentado tanto os
grficos de comparao entre os dados (Fig. 7)
quanto a evoluo da funo objetivo (Fig. 8), como
tambm o grfico de disperso dos pontos da
populao na primeira iterao (Fig. 9) e na ltima
iterao (Fig. 10).

Figura 7. Comparao entre os dados experimentais e

dados simulados do mtodo PSO

Figura 8. Evoluo da funo objetivo para o mtodo

PSO

Figura 9. Disperso da populao na primeira

iterao do PSO

iteraes do mtodo. Ou seja, maior a relevncia

tanto para a experincia individual quanto para a
experincia do grupo.
As Fig. 9 e Fig. 10 mostram como ocorre a
disperso dos indivduos. A princpio ocorre o caos.
Ao longo da siteraes, os indivduos vo sendo
atrados para o ponto que mostra as melhores
experiencias.
O mtodo Levenberg-Marquardt tambm se
mostrou satisfatrio. As Fig. 11 e Fig. 12 mostram a
comparao entre os dados e a evoluo da funo
objetivo, respectivamente.

Figura 11. Comparao entre dados simulados e

dados experimentais do LM

Figura 12. Evoluo da funo objetivo no LM

Este mtodo precisou de 562 iteraes para que
sua funo objetivo alcanasse a tolerncia. Como
esperado, o fator de amortecimento termina seu valor
em zero, igualando o mtodo LM como mtodo de
Gauss-Newton.
As Fig. 13 e Fig. 14 mostram a evoluo do
mtodo do Gradiente Conjugado.

Figura 10. Disperso da populao na ltima iterao

no PSO
Como esperado, a Fig. 7 mostra que o mtodo
converge para o esperado. A Fig. 8 mostra como a
minimizao da funo objetivo se comporta ao
longo das iteraes, que variam tambm entre 200 e
1000, com uma maior frequencia para valores
menores que 500. Isto tambm por ser um mtodo
probabilstico. E essa reduo do nmero de iteraes
pode ser garantida a considerao da experincia do
grupo e do indivduo.
Foi observado tambm que quanto maiores as
minhas constantes de acelerao, menor o nmero de

Figura 13. Comprao entre dados experimentais e

dados simulados do GC

modo geral, mostrou-se um mtodo ineficaz, alm de

ser muito particularizado.
A Tab. 1 mostra um comparativo geral entre os
mtodos.

Figura 14. Evoluo da funo objetivo no GC

O mtodo do Gradiente Conjugado foi o mtodo
que mostrou uma convergncia mais rpida,
necessitando de 66 iteraes para atingir seu objetivo.
Isso se deve ao fato dele garantir uma direo e um
passo que resultaro em uma busca mais definida.
O mtodo Gradiente Conjugado com Problema
Adjunto s foi feito para estimativa de parmetro.
Para estimativa de funo o mtodo no ficou claro
para a autora. A Figura 15 mostra a comparao entre
a funo simulada e a experimental. E a Figura 16
mostra a evoluo da funo objetivo.

Tabela 1. Comparativo geral entre os mtodos

Itera
Tempo
Funo
Parmetr
es
computacio
objetivo
os
nala
LM
562
0.1205
9.6860*
6.9644*
10-6
10-4
59.9991
GC
66
0.0316
7.4343*
6.9642*
10-7
10-4
60.0003
GC
1000
0.2307
269.015
59.1096
A
1
PS
304
0.9237
3.7294*
6.9648*
O
10-6
10-4
59.9995
R2
748
1.6553
7.2941*
6.9646*
W
10-7
10-4
59.9998
a
Medido em segundos

25

Na Tab. 1, o tempo computacional mostrado,

evidenciando que o mtodo do Gradiente Conjugado
o mais rpido, alm de conseguir uma menor
funo objetivo.
Atravs desta mesma tabela, pode-se dizer que
os valores procurados e por fim estimados dos
parmetros e e j= , respectivamente, so
aproximadamente 7 10:u 1v e 60 x e:# .

Dados simulados
Dados Experimentais
20

T e m p e ra tu ra (K )

15

10

1000

2000

3000

4000

5000
tempo (s)

6000

7000

8000

9000

10000

Figura 15 - Comprao entre dados experimentais e

dados simulados do GCA
1400
Evoluo da funo objetivo

1200

Temperatura (K)

1000

800

600

400

200

200

400

600
tempo (s)

800

1000

1200

Figura 16 - Evoluo da funo objetivo no GCA

O mtodo no foi to eficaz como os outros
mtodos. Na figura acima, observa-se que a funo
objetivo no minimiza por completo. Alm de que o
nmero de iteraes chegou ao limite.
A nica vantagem vista para o Gradiente
Conjugado com Problema Adjunto foi de que ele
pode ser usado quando no se tem uma forma clara
de se obter o gradiente do problema direto. De um

CONCLUSO
A partir do que foi enuciado acima, afirma-se a
importncia do estudo de problemas inversos, uma
rea multidisciplinar. Vrias observaes podem ser
replicadas em laboratrios a partir da estimao de
parmetros desconhecidos, poupando tempo e
dinheiro antes de fatos serem realmente realizados.
Algumas tcnicas foram estudadas, sendo
avaliadas por sua seu tempo de execuo, nmero de
iteraes e valor da funo objetivo.
O objeto de estudo do presente trabalho foi a
transferncia de calor em uma parade por conveco,
pegando o erro entre dados simulado e dados
experimentais como funo objetivo a ser
minimizada.
Os resultados foram de acordo com o esperado,
mostrando que o mtodo Gradiente Conjugado pode
ser visto como um mtodo bem competente, j que
ele usa uma direo de busca e um passo de busca.
Mas dependendo do problema a ser estudado, os
mtodos probabilsticos podem se mostrar mais
eficientes, j que por usarem nmeros randmicos,
simulam com mais semelhana a realidade.

REFERNCIAS
Ayala, H. V. H. e Coelho, L. S., 2007,
Otimizao por Enxame de Partculas de Controle
Multivarivel em uma Aplicao de Robtica de
Manipuladores, em: VIII Simpsio Brasileiro de
Automao Inteligente, Universidade Federal de
Santa Catarina, SC.
Bihain, A. L. J., Cmara L. D. T. e Neto A. J.
S., 2012, Avaliao da Rotina Inversa R2W na
Estimao de Parmetros de transferncia de Massa
no Processo de Adsoro de Glicose e Frutose,
TEMA Tend. Mat. Apl. Comput., No. 3, pp. 277-289.
Colao, M.J., Orlande H.R.B e Dulikravich,
G.S., 2006, Inverse and Optimization Problem in
Heat Transfer, J. of the Braz. Soc. of Mech. Sci. &
Eng., ABCM, v.28, no.1.
Cotta, C. P. N., 2009, Problemas Inversos de
Conduo de Calor em Meios Heterogneos: Analise
Terico-Experimental via Transformao Integral,
Inferncia
Bayesiana
e
Termografia
por
Infravermelho, Universidade Federal do Rio de
Janeiro, RJ.
Esmin, A. A. A., Estudo de Aplicao do
Algoritmo de Otimizao por Enxame de Partcula na
Resoluo de Problemas de Otimizao Ligados ao
SEP, Universidade Federal de Itajub, MG.
Maffra, F. A. e Gattass, M., 2008, Uma
Implementao do Mtodo de Levenberg-Marquardt
em C, Pontifcia Universidade Catlica do Rio de
Janeiro, RJ.
Medeiros, J. A. C. C., 2005, Enxame de
Partcula como Ferramenta de Otimizao em
Problemas Complexos de Engenharia Nuclear,
Universidade Federal do Rio do Janeiro, RJ.
Ozisik, M. N. e Orlande, H. R. B., 2000,
Inverse Heat Transfer: Fundamentals and
Applications, Taylor & Francis, New York.
Silva, R. M. e Belderrain, M. C. N., 2004,
Consideraes sobre Anlise de Sensibilidade em
Decises, X Encontro de Iniciao Cientfica e PsGraduao do ITA, Instituto Tecnolgico de
Aeronutica, SP.
Velho, H. F. C., 2008, Introduo aos
Problemas Inversos: Aplicaes em Pesquisa
Espacial, Instituto Nacional de Pesquisas Espaciais,
SP.