Você está na página 1de 15

Mecnica Computacional Vol XXIX, pgs.

683-697 (artculo completo)


Eduardo Dvorkin, Marcela Goldschmit, Mario Storti (Eds.)
Buenos Aires, Argentina, 15-18 Noviembre 2010

DESENVOLVIMENTO DE ALGORITMOS MATEMTICOS


APLICADOS A CONFIABILIDADE ESTRUTURAL
Solange R. dos Santosa,b e Luiz C. Matiolib,c
a Faculdade

Estadual de Cincias e Letras de Campo Mouro, Av. Comendador Norberto Marcondes


733, Cep 87302-060, Paran, Brasil, solaregina@gmail.com.br, http:// www.fecilcam.br

b Programa

de Ps-Graduao em Mtodos Numricos em Engenharia, Universidade Federal do


Paran, Centro Politcnico - Jardim das Amricas, Caixa Postal 19081, Brasil, cesec@cesec.ufpr.br,
http:// www.cesec.ufpr.br
c Universidade

Federal do Paran, Setor de Cincias Exatas, Departamento de Matemtica, Centro


Politcnico - Jardim das Amricas, Caixa Postal 19081, Brasil, matioli@ufpr.br,
http:// www.ufpr.br/ ~matioli

Palavras Chave:
Duas Fases.

Confiabilidade Estrutural, FORM, Programao Matemtica, Mtodo de

Resumo. Na engenharia diversos estudos tm sido desenvolvidos com o objetivo de analisar a capacidade de uma estrutura suportar a solicitao imposta durante a sua vida til. O clculo da probabilidade
de falha de uma estrutura envolve um grande nmero de variveis aleatrias e possui um grande custo
computacional. Neste sentido, nas ltimas quatro dcadas a utilizao de metodologias probabilsticas
para avaliao da confiabilidade estrutural tm tido destaque. essencial para a obteno da probabilidade de falha de uma estrutura com base nos mtodos analticos de primeira e segunda ordem, FORM
(First Order Reliability Method) e SORM (Second Order Reliability Method) a definio de uma funo
de estado limite, podendo ser modelada por uma funo linear ou no-linear, e a determinao do ponto
de projeto, que obtido por meio da resoluo de um problema de otimizao, cujo objetivo determinar
o ponto de mnima distncia da origem at a superfcie de falha. Vrios algoritmos foram desenvolvidos para a determinao do ponto de projeto, sendo o mais conhecido na literatura o algoritmo HLRF.
Diversas melhorias tm sido feitas, no decorrer dos anos, pois na sua forma original o HLFR mostra-se
instvel podendo no convergir. Sob o enfoque da Otimizao, o problema de convergncia do algoritmo
HLRF um importante campo para pesquisas. Neste contexto, esta pesquisa prope um algoritmo que
consiste em duas fases: viabilidade e otimalidade. Na fase de viabilidade o objetivo obter um ponto que
reduz uma medida de inviabilidade e na fase de otimalidade procura-se reduzir o valor da funo objetivo
em relao ao ponto obtido na fase de viabilidade. Nesse algoritmo as fases so mais independentes em
relao a outros e, alm disso, como o algoritmo baseia-se na abordagem da funo penalidade, no
necessria a manuteno da viabilidade a cada iterao. Estudos tm mostrado que a taxa de convergncia
do mtodo proposto da mesma ordem que o mtodo do Gradiente Projetado. O desempenho do mtodo
ser comparado com os resultados de funes de referncia na literatura especializada, mostrando assim
a aplicabilidade de tal pesquisa.

Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

684

S. DOS SANTOS, L. MATIOLI

INTRODUO

Um dos principais objetivos de um projeto estrutural a garantia de funcionamento do sistema dentro das especificaes estabelecidas, com o mximo nvel de segurana, levando em
conta as restries econmicas do projeto. Contudo, o cumprimento de tal propsito, principalmente em estruturas de grande porte, no uma tarefa simples, uma vez que, durante toda
a vida til os sistemas estruturais esto sujeitos a riscos do no atendimento da finalidade para
qual foi projetada, levando assim a ocorrncia de falhas. Os riscos a qual uma estrutura est
sujeita so denominados de probabilidade de falha e so avaliados pela aplicao dos mtodos
de anlise de confiabilidade estrutural. Assim, o objetivo da anlise da confiabilidade estrutural
garantir que a resistncia de uma estrutura seja maior que a solicitao imposta por toda a sua
vida til. Na metodologia da Confiabilidade Estrutural as grandezas fsicas presentes em um
projeto, denominadas de variveis bsicas ou variveis de projeto, so consideradas variveis
aleatrias que podem ser tratadas por meio de um vetor aleatrio,
X = (X1 , X2 , . . . , Xn )

(1)

e a probabilidade de falha de uma estrutura obtida a partir da avaliao das incertezas inerentes
as variveis de projeto por meio das distribuies de probabilidade dessas variveis aleatrias.
Primeiramente, para a avaliao da probabilidade de falha necessrio estabelecer relaes
funcionais entre as variveis bsicas do sistema estrutural sob considerao. Matematicamente,
essa relao ou funo de desempenho pode ser descrita como:

g(X) = g X1 , X2 , . . . , Xn .
(2)
A superfcie de falha, denominada tambm de superfcie estado limite ou apenas estado limite,
ento definida como g(X) = 0, caracterizada como o limite entre as regies de segurana e
de falha.
Na Figura 1 representada a funo estado limite, g(X) = 0, para o caso bidimensional,
ou seja, X = (X1 , X2 ), a regio de segurana, g(X) > 0, e a regio de falha ou insegurana,
g(X) < 0.
X2

Regi
ao de falha
g(X) < 0

Regiao de seguranca
g(X) > 0

g(X) = 0 Estado limite

X1

Figura 1: Superfcie de falha

Neste sentido, o interesse principal na anlise da segurana de uma estrutura est na possibilidade da funo estado limite assumir valores pertencentes ao domnio de falha, g(X) < 0.
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

Mecnica Computacional Vol XXIX, pgs. 683-697 (2010)

Sendo assim, a probabilidade de falha dada pela integral:


Z
Z
Pf = . . .
fX (x1 , x2 , . . . , xn ) dx1 dx2 . . . dxn

685

(3)

g(X)<0

em que fX (x1 , x2 , . . . , xn ) a funo densidade de probabilidade (f.d.p) conjunta das variveis


aleatrias bsicas e a integrao realizada sobre o domnio de falha, g (X) < 0.
O clculo da probabilidade de falha por meio da equao (3) considerado complexo, uma
vez que envolve integrao mltipla e, alm disso, raramente se tem conhecimento da f.d.p
conjunta das variveis aleatrias, sendo esta praticamente impossvel de se obter.
No h metodologias que forneam soluo deste problema, sendo assim, solues aproximadas tm sido obtidas pela aplicao de mtodos de simulao e mtodos analticos que
aproximam a funo estado limite por meio de superfcies lineares (FORM - First-order reliability methods) ou quadrticas (SORM - Second-order reliability methods), no ponto sob a
superfcie de falha, com maior densidade de probabilidade, denominado de ponto de projeto.
No contexto da Anlise de confiabilidade estrutural a obteno deste ponto constitui um
problema de otimizao restrito. Neste sentido, o objetivo deste artigo apresentar uma metodologia diferenciada para a obteno da probabilidade de falha. Tal metodologia baseada no
Mtodo de Duas Fases proposto inicialmente por Luenberger (1974) que possui a vantagem de
ser um mtodo globalmente convergente e possuir uma taxa de convergncia assinttica idntica
ao mtodo do Gradiente Projetado.
A Seo 2 desse artigo apresenta alguns conceitos de confiabilidade estrutural, apresentando
o desenvolvimento histrico do FORM e do ndice de confiabilidade HLRF. A Seo 3 destinada a apresentao do Mtodo de Duas Fases, mostrando sua relao entre os Mtodos do
Gradiente Projetado e Funo de Penalidade e, alm disso, os procedimentos computacionais
para a obteno do ndice de confiabilidade estrutural com base na metodologia proposta. A
comparao dos resultados com base em experimentos numricos discutida na Seo 4. A
Seo 5 dedicada s concluses do artigo.
2

PRINCIPAIS CONCEITOS DOS MTODOS DE PRIMEIRA ORDEM

Os mtodos de primeira ordem utilizam informaes do primeiro e segundo momento das


variveis aleatrias. Segundo Haldar e Mahadevan (2000) o desenvolvimento histrico dos
mtodos de primeira ordem, inicialmente foi com base na elaborao dos mtodos: First-order
second-moment (FOSM) tambm conhecido como Mean value first-order second-moment (MVFOSM) e, em seguida, Advanced first-order second-moment (AFOSM).
2.1

Mtodo de primeira ordem e segundo momento

Considere inicialmente a formulao proposta por Cornell (1969) na qual considera apenas o
caso de duas variveis aleatrias bsicas R e S, estatisticamente independentes e normalmente
distribudas, em que R representa a resistncia e S solicitao imposta a estrutura. Neste caso,
a funo estado limite pode ser modelada como,
Z = R S.
Sendo assim, Z tambm uma varivel aleatria normalmente distribuda, em que,


q
2
2
Z N R S , R + S .
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

(4)

(5)

686

S. DOS SANTOS, L. MATIOLI

A falha ocorre quando R < S, isto Z < 0. Deste modo,






Z Z
0 Z
Z
P (Z < 0) = P
<
=P z<
=P
Z
Z
Z

R S
z < p 2
R + S2

!
. (6)

Seja z N (0, 1) e o ndice de confiabilidade dado por:


=

Z
R S
=p 2
.
Z
R + S2

(7)

Temos que a probabilidade de falha pode ser obtida da relao:


Pf = () = 1 ()

(8)

R
1 2
em que: () = 12 e 2 z dz a funo distribuio normal padro com mdia zero e
varincia unitria.
Considere agora a formulao proposta por Rosenbleuth e Esteva (1972), em que levado
em conta o aspecto fsico do projeto, cujas variveis R e S s podem assumir valores positivos.
Nesta formulao R e S podem ser consideradas variveis aleatrias independentes com distribuio lognormal, ou seja, R LN (R , R ) e S LN (S , S ), (Haldar e Mahadevan,
2000).
Neste caso a funo estado limite pode ser modelada como:
R
,
S
ln Y = ln R ln S.

(9)

Z = ln R ln S.

(10)

Y =

Seja Z = ln Y , ento:
Observe que, como R e S so lognormais, por definio ln R e ln S so variveis aleatrias
normais. Portanto, Z tambm uma varivel aleatria normalmente distribuda, em que,


q
2
2
Z N R S , R + S .
(11)
Deste modo, a probabilidade de falha pode ser definida como:
!
!
R S
R S
Pf = p 2
=1 p 2
.
R + S2
R + S2

(12)

Estas formulaes que constituem o mtodo FOSM ou MVFOSM, podem ser generalizadas
para problemas com mais de duas variveis aleatrias, representadas pelo vetor X. Assim, a
funo estado limite pode ser escrita como:
Z = g (X) = g (X1 , X2 , . . . , Xn ) .

(13)

Neste caso, o mtodo baseia-se na aproximao de primeira ordem em srie de Taylor da


funo estado limite linearizada nos valores mdios das variveis aleatrias, de modo que:
n
X
g
Z g (X ) +
(xi Xi ).
x
i
i=1

(14)

Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

Mecnica Computacional Vol XXIX, pgs. 683-697 (2010)

687

A aproximao para Z e Z obtida por meio do clculo da esperana e da raiz quadrada


da varincia, respectivamente, de Z por meio da expresso (14), obtendo:
Z g (X1 , X2 , . . . , Xn ) = g (X ) ,
Z2

2
n 
X
g
i=1

xi

V (xi ).

(15)

(16)

Portanto, o ndice de confiabilidade :

Z
.
Z

(17)

No entanto, segundo (Haldar e Mahadevan, 2000) a abordagem do mtodo FOSM apresenta


algumas deficincias, ou seja, a linearizao da funo estado limite nos valores mdios das
variveis aleatrias acarreta significativos erros no clculo da probabilidade de falha quando
a funo altamente no linear ou tem grande coeficiente de variao, alm disso, o ndice
de confiabilidade no constante para diferentes formulaes da funo estado limite sob as
mesmas condies de falha e, sua aplicao limitada a problemas cujas variveis aleatrias
envolvidas so estatisticamente independentes e normalmente distribudas.
2.2

Mtodo avanado de primeira ordem e segundo momento

Em 1974, Hasofer e Lind propuseram uma nova abordagem aplicada para variveis aleatrias
normais, denominada de mtodo avanado de primeira ordem e segundo momento (AFOSM),
que contorna os erros no clculo da probabilidade de falha acarretados pela linearizao da
funo estado limite nos valores mdios das variveis aleatrias. Sendo assim, para compreenso do mtodo AFOSM, considere uma equao estado limite com duas variveis:
Z = g(R, S) = R S = 0.

(18)

Neste mtodo, o ndice de confiabilidade calculado com base no espao reduzido das
variveis de projeto, R0 e S 0 , variveis aleatrias com mdia zero e desvio padro unitrio,
definidas como:
R R
,
R0 =
R
(19)
S s
0
S =
s
em que, R e S so as mdias, e R e S os desvios padres das variveis aleatrias de projeto.
A notao de variveis reduzidas ser utilizada no decorrer do artigo.
Assim, no espao das variveis reduzidas a equao estado limite (18) transformada para o
espao reduzido, sendo reescrita da seguinte forma:
Z = g (R0 , S 0 ) = R R0 S S 0 + R S = 0.

(20)

Na Figura 2, as variveis R e S constituem o sistema de coordenadas original e R0 e S 0 o


sistema de coordenadas reduzidas. A Figura 2(a) apresenta a equao estado limite, R S = 0,
a regio de segurana, R > S, a regio de falha, R < S, e o ponto de projeto (R , S ) no
sistema de coordenadas originais. J a Figura 2(b) mostra o sitema de coordenadas reduzidas
obtido da transformao das variveis aleatrias do sistema de coordenadas originais, a regio
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

688

S. DOS SANTOS, L. MATIOLI

de segurana, Z > 0, a regio de falha, Z < 0, o ponto de projeto,


(R0 , Si0 ),h e os pontos
h
i
(R S )
(R S )
0
0
de interseo da equao (20) com os eixos R e S , dados por R , 0 e 0, S
,
respectivamente. O objetivo mostrar que, quanto mais prximo a equao estado limite estiver
da origem, no sistema de coordanadas reduzidas, maior a regio de falha e, consequentemente,
quanto mais distante menor a regio de falha. Sendo assim, a posio da equao estado limite
com relao a origem do sistema de coordenadas reduzidas define uma medida de confiabilidade
do sistema.
Portanto, o ndice de confiabilidade definido como a mnima distncia da superfcie de
falha origem do sistema de coordenadas reduzidas e, o ponto sobre a equao estado limite
mais prximo da origem denominado de ponto de projeto, sendo denotado por (R , S ) no
sistema de coordenadas originais e por (R0 , S 0 ) no sistema de coordenadas reduzidas. Deste
S

S
RS =0
S

Ponto de projeto
(R , S )

Regiao de falha
R<S

Z = R R0S S 0+R S = 0
Regiao de falha
Z<0

S)
)
(0, (R
S

Ponto de projeto
(R0 , S 0 )
HL

Regiao de seguranca
R>S
R

(a) Coordenadas originais

Regiao de seguranca
Z>0
R

S)
, 0)
( (R
R

(b) Coordenadas reduzidas

Figura 2: Funo estado limite linear

modo, o ndice de confiabilidade pode ser obtido utilizando a frmula de distncia entre ponto
(origem) e reta (estado limite), ou seja:
HL =

|R .0 S .0 + R S |
R S
p
=p 2
.
2
2
R + S
R + S2

(21)

Em problemas envolvendo um nmero maior de variveis, o ponto de projeto denotado


por X no sistema de coordenadas originais e por X 0 no sistema de coordenadas reduzidas e
representa a pior combinao das variveis estocsticas, Haldar e Mahadevan (2000).
Observa-se que a expresso (21) coincide com a expresso (7) sendo que as mesmas foram
determinadas a partir de procedimentos totalmente diferentes. Isso indica que os Mtodos
FOSM e AFOSM fornecem os mesmos resultados quando a equao estado limite linear e
as variveis R e S so normalmente distribudas e estatisticamente independentes. Em situaes prticas, as funes estados limite so no-lineares. Em tais casos, o clculo da menor
distncia se torna um problema de otimizao, denominado daqui em diante por (P 1), e dado
por:

minD = X 0T X 0
(22)
s.a g(X 0 ) = 0
onde X 0 representa as coordenadas do ponto de projeto a ser estimado no sistema de coordenadas reduzidas. Segundo Shinozuka (1983), Ang e Tang (1984) e Melchers (2001) aplicando
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

Mecnica Computacional Vol XXIX, pgs. 683-697 (2010)

689

o Mtodo dos Multiplicadores de Lagrange em (22) obtm-se as componentes do ponto de


projeto dadas por:
(23)
Xi0 = i , i = 1, 2, . . . , n
em que:

i = r

g
Xi0

n 
P

i=1
n
P

Xi0

r
= i=1

g
Xi0

n 
P

i=1

2

g
Xi0

g
Xi0

(24)

2

(25)

de maneira que, so os cossenos diretores ao longo do eixo Xi0 , o ndice de confiabilidade


e as derivadas da funo estado limite so avaliadas nas componentes do ponto de projeto no
espao reduzido. Ainda, de acordo com Ang e Tang (1984), considerando uma aproximao de
primeira ordem da funo estado limite g(X) expandida em srie de Taylor centrada no ponto
de projeto, dada por:
n
X
g
g(X)
(Xi0 Xi0 )
(26)
0
X
i
i=1
i

e calculando a estimativa da mdia e da varincia da funo estado limite:


g
Xi0

(27)

2
n 
X
g

.
0
X
i
i=1

(28)

g(X)
2
g(X)

n
X

Xi0

i=1

obtemos a seguinte relao:


n
P

g
Xi0 X
0

g(X)
= ri=1n 
P
g(X)
i=1

g
Xi0

2 .

(29)

Percebe-se uma equivalncia entre as equaes (25) e (29). Portanto a equao (29) tambm
pode ser definida como a mnima distncia da origem a um plano tangente a superfcie de falha
no ponto de projeto. Neste contexto, a aproximao de primeira ordem da g(X) e g(X) deve
ser avaliada no ponto sobre a superfcie de falha. Como mencionado anteriormente, no mtodo
FOSM, estas aproximaes foram avaliadas nos valores mdios das variveis, ocorrendo erros
g(X)
avaliada nos valores mdios pode no
significativos quando g(X) no-linear, pois a razo g(X)
ser a mnima distncia da superfcie de falha no-linear at a origem do sistema de coordenadas
reduzidas, j que os valores mdios no esto necessariamente sobre a superfcie de falha.
2.3

Mtodo avanado de primeira ordem e segundo momento para variveis no-normais

Os mtodos analticos de confiabilidade apresentados at o momento so utilizados para calcular a probabilidade de falha quando as variveis de projeto so estatisticamente independentes
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

690

S. DOS SANTOS, L. MATIOLI

e normalmente distribudas, caso contrrio, tais mtodos no fornecem a informao correta


sobre a probabilidade de falha. No entanto, na maioria dos problemas prticos as variveis envolvidas so correlacionas e, alm disso, no so normalmente distribudas e com funo de
probabilidade complexa.
Neste contexto, segundo Haldar e Mahadevan (2000) e Ayyub e Haldar (1984), Rackwitz, Fiessler, Chend e Lind aperfeioaram o mtodo AFOSM, incluindo informaes sobre
as distribuies das variveis aleatrias no algoritmo e transformando as variveis aleatrias
no-normais em normais equivalentes. Segundo Melchers (2001) nos casos em que as variveis
aleatrias so no normais correlacionadas elas podem ser transformadas em variveis aleatrias
normais padro no correlacionadas por meio da Transformao de Rosenblatt e de Nataf. Este
mesmo autor apresenta as condies para a aplicao de cada transformao.
No contexto do AFOSM, a probabilidade de falha tem sido estimada usando dois tipos de
aproximao para a funo estado limite no ponto de projeto: aproximao de primeira ordem
FORM e aproximao de segunda ordem SORM, (Haldar e Mahadevan, 2000). O FORM
pode ser empregado quando a funo de estado limite for uma funo linear das variveis normais no-correlacionadas ou quando a funo de estado limite no-linear for representada por
uma aproximao linear com variveis normais equivalentes, j o SORM considera a curvatura
da funo de desempenho atravs de um parmetro caracterizado pela segunda derivada desta
funo em relao s variveis. Portanto, o mtodo proporciona melhorias ao FORM ao considerar a no linearidade da funo de desempenho, (Flores et al., 2006).
Segundo Haldar e Mahadevan (2000); Madsen et al. (2006); Wang e Grandhi (1996); Liu
e Der Kiureghian (1991) e Melchers (2001) comparados a outros algoritmos de otimizao
no-linear disponveis na literatura o FORM requer uma quantidade mnima de clculo a cada
iterao, e utiliza somente os valores da funo e de sua derivada. Possui convergncia rpida,
no entanto, em algumas situaes, por exemplo, quando a funo estado limite altamente no
linear o mtodo converge lentamente, ou ainda, pode divergir para longe da soluo.
Numerosas pesquisas tm sido desenvolvidas nas ltimas dcadas com o objetivo de contornar tais problemas, envolvendo por exemplo, Simulao de Monte Carlo (Mori e Ellingwood, 1993), Teoria do Caos (Yang, 2010) e Yang et al. (2006), Superfcie de Resposta
(Faravelli, 1989), Mtodos dos Momentos (Zhao e Ono, 2001), Algoritmo Gentico (Zhao
e Jiang, 1995) e Mtodos baseados em programao matemtica (Liu e Der Kiureghian, 1991)
e (Santosh et al., 2006).
3

MTODO DE DUAS FASES

Nesta seo ser apresentado um algoritmo de programao no-linear proposto por Luenberger (1974) utilizado na resoluo de problemas de programao no-linear restrito. Este algoritmo baseia-se na abordagem do Mtodo de Funo de Penalidade e no Mtodo do Gradiente
Projetado. Para entendimento do mtodo, considere o seguinte problema (P 2) de programao
no linear:
minf (x)
s.a h(x) = 0
(30)
g(x) 0

em que x Rn , f : Rn R, h : Rn Rm e g : Rn Rr . Aplicando um particionamento


induzido de g em r1 e r2 restries ativas e inativas, respectivamente, as restries de desigualdade tornam-se gA (x) = 0 e gI (x) < 0. Assuma que todas as funes so contnuas e duas
vezes diferenciveis em todo domnio suficientemente grande e aberto.
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

Mecnica Computacional Vol XXIX, pgs. 683-697 (2010)

691

O mtodo de Duas Fases apresentado por Luenberger, combina as caractersticas do Mtodo


do Gradiente Projetado com o baixo esforo computacional por passo do mtodo da Funo de
Penalidade e, utiliza apenas os valores das funes, de suas derivadas primeiras e no requer
suposio de convexidade. Cada passo do mtodo um procedimento de duas fases para resolver um problema penalizado, de modo que, a primeira fase consiste essencialmente de um
passo elaborado para melhorar a viabilidade, e a segunda fase similar ao passo do Gradiente
Projetado. As duas sees a seguir abordam brevemente os mtodos do Gradiente Projetado e
de Funo de Penalidade aplicado ao problema de otimizao restrito.
3.1

Mtodo do gradiente projetado

Este mtodo a generalizao do mtodo de Cauchy, de forma que o gradiente negativo


projetado em direo a fronteira da regio e a busca feita ao longo da curva resultante, gerando
uma seqncia de pontos viveis convergindo para a soluo do problema de minimizao
restrito. Possui a desvantagem de necessitar satisfazer continuamente a viabilidade durante
o processo de minimizao.
Vale observar que uma vantagem do Mtodo de Duas Fases de possuir a mesma taxa de
convergncia assinttica do Mtodo do Gradiente Projetado, alm de contornar as dificuldades
associadas com a manuteno da viabilidade exigindo menos clculos a cada iterao.
3.2

Mtodo da funo penalidade

Uma abordagem popular para resolver (P 2) substitu-lo por um problema irrestrito alternativo, dado por:

2
min f (x) + kh(x)k2 + g + (x)
(31)
 +
+ +
+
+
em que g = g g1 , g2 , . . . , gr , gi = max (0, gi (x)) e uma constante positiva grande.
De acordo com a condio necessria de primeira ordem, seja x0 uma soluo local para o
problema (P 2) e assumindo que os m gradientes de h e r1 gradientes de gA avaliadas em x0 so
linearmente independentes, ento existem vetores denominados de multiplicadores de Lagrange
v0 Rm , 0 Rr e 0 0, tais que:
l (x, v0 , 0 ) = f (x) + v0T h (x) + 0T g (x)
0Ti gi (x0 ) = 0

(32)

e a langragiana estacionria com relao a x em x0 , ou seja, x l (x0 , v0 , 0 ) = 0.


O gradiente e a hessiana da funo lagrangiana so, respectivamente:
x l (x, v0 , 0 ) = f (x) + v0T h (x) + 0T g (x) ,

2xx l (x, v0 , 0 ) = 2 f (x) + v0T 2 h (x) + 0T 2 g (x) .

(33)

Luenberger mostrou, sob condies apropriadas, que quando a constante de penalidade


, a soluo da funo lagrangiana do problema (P 2) denotada por x tende para a soluo do
problema original x0 . Alm disso, quando , obtm-se:
2h (x ) v0 e 2g + (x ) 0

(34)

que so os multiplicadores de Lagrange de (P2 ). E, com base nestas condies so definidos os


multiplicadores de Lagrange penalizados:
v (x) = 2h (x) ,
(x) = 2g + (x) .
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

(35)

692

3.3

S. DOS SANTOS, L. MATIOLI

Descrio do mtodo de duas fases

O Mtodo das Duas Fases uma tcnica para minimizar a funo objetivo do problema
penalizado:

2
(36)
min q(x) = f (x) + kh(x)k2 + g + (x) .
A primeira fase consiste na aplicao do Mtodo de Newton funo q, com o objetivo de
tentar mover-se para perto da regio vivel (correspondendo ao contorno zero, ou seja, h(x) = 0
e g + (x) = 0) obtendo um ponto zk que melhora a viabilidade do problema. O passo dado nesta
fase anlogo a correo do passo exigido no Mtodo do Gradiente Projetado. Na segunda fase
do mtodo um passo dado na direo oposta ao gradiente de q em zk . Vale observar que uma
busca linear usual necessria para a realizao desta fase.
A Figura 3 ilustra a aplicao do mtodo para o caso de uma nica restrio de igualdade e
M o subespao tangente definido por:


M (x) = y : h (x) y = 0, g + (x) y = 0 .
(37)

Figura 3: Mtodo das Duas Fases (Adaptado de Luenberger)

Sabe-se que para a aplicao do Mtodo de Newton necessrio o conhecimento da hessiana


de q(x) com relao a v e . Luenberger mostrou que para grandes valores de , somente
informao de primeira ordem necessria para esse passo tambm, basta definir no ponto xk
a seguinte funo:


p (u) = q xk + c (xk )T u
(38)
em que c(x) um vetor de dimenso (m + r), estabelecido a partir de uma notao simplificada
do conjunto das restries do problema de minimizao, dado por:


h (x)
c (x) =
,
(39)
g + (x)
c (xk ) a matriz jacobiana de c(x) com dimenso (m + r) n e u um vetor de dimenso
(m + r) 1.

Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

Mecnica Computacional Vol XXIX, pgs. 683-697 (2010)

Calculando o gradiente e a hessiana de (38) em relao a u, temos:




T
p (u) = c (xk ) q xk + c (xk ) u ,


2 p (u) = c (xk ) 2 q xk + c (xk )T u c (xk )T
p (u) e 2 p (u) tm dimenses (m + r) 1 e (m + r) (m + r), respectivamente.
A direo de Newton que minimiza a funo objetivo q a partir de xk dada por:

1
dk = 2 q (xk )
q (xk ) .

693

(40)

(41)

Sabemos que q (xk ) = p (0). Deste modo, devemos calcular (40) quando u = 0. Assim,
p (0) = c (xk ) q (xk ) ,

(42)

2 p (0) = c (xk ) 2 q (xk ) c (xk )T .

(43)

Portanto, a direo de Newton dada por:



1
dk = 2 p (0)
p (0) .

(44)

Neste momento, necessrio calcular o gradiente e a hessiana da funo q:


q (x) = f (x) + 2h (x)T h (x) + 2g + (x)T g + (x) ,

(45)

2 q(x) = 2 f (x) + 2h(x)T 2 h(x) + 2h(x)T h(x)+


+2g + (x)T 2 g + (x) + 2g + (x)T g + (x).

(46)

2 q(x) = 2 f (x) + v (x)T 2 h(x) + 2h(x)T h(x)+


+ (x)T 2 g + (x) + 2g + (x)T g + (x).

(47)

As dimenses de q (x), h (x) e g + (x) so n 1, m n e r n, respectivamente. De


(35), temos:

Como 2xx l (x, v (x) , (x)) = 2 f (x) + vT (x) 2 h (x) + T 2 g + (x), ento a equao
(47) pode ser reescrita da seguinte forma:
2 q (x) = 2xx l (x, v (x) , (x)) + 2h (x)T h (x) + 2g + (x)T g + (x) .

(48)

Podemos notar de (44) que a avaliao exata da direo de Newton requer informao de
segunda ordem da funo objetivo e das restries. Para grandes valores de , contudo, considerando 2xx l (x, v (x) , (x)) = 0 a matriz hessiana 2 q(xk ) pode ser aproximada da
seguinte forma:
2 q (xk ) 2h (x)T h (x) + 2g + (x)T g + (x) .

(49)

Substituindo (49) em (43), obtemos:


h
i2
2 p (0) 2 c (xk ) c (xk )T .

(50)

Assumindo que c (xk ) tem posto completo e substituindo (42) e (50) em (44), obtemos:
i2
1 h
T
dk =
c (xk ) c (xk )
c (xk ) q (xk ) .
(51)
2
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

694

3.4

S. DOS SANTOS, L. MATIOLI

Descrio do algoritmo do mtodo de duas fases

De acordo com Luenberger, a implementao adequada de um passo do algoritmo dada


por:
Dado um ponto inicial xk :
h
i2
1
c (xk ) c (xk )T
Passo 1: Calcular dk = 2
c (xk ) q (xk ).


Passo 2: Obter o valor k que minimiza q xk + k c (xk )T dk na direo dk obtida no
passo 1. Usar k = 1 como ponto de busca inicial.
Passo 3: Encontrar o ponto zk = xk + k c (xk )T dk que melhora a viabilidade do problema
de minimizao.
Os passos de 1 a 3 e 4 a 5 constituem as fase 1 e 2, respectivamente, do mtodo de Duas
Fases.
Passo 4: Calcular o valor k , aplicando uma tcnica de busca linear, que minimiza a funo
q (xk k q (xk )). Usar k = 1 como ponto de busca inicial.
Passo 5: Obter o ponto xk+1 = zk k q (zk ) que melhora a otimalidade do problema de
minimizao.
Passo 6: Fazer xk = xk+1 e reiniciar o algoritmo at que um critrio de parada adequado seja
satisfeito e a soluo do problema seja obtida.
No necessrio encontrar k para garantir boas propriedades de convergncia global do
mtodo, o que torna a implementao desse algoritmo relativamente simples. J no caso do
mtodo do Gradiente Projetado no h garantia de convergncia global sem a introduo de
mtodos de perturbao, e, alm disso, necessrio que o retorno ao conjunto vivel, etapa
que constitui a primeira fase do processo, seja executado dentro de uma tolerncia aceitvel.
Neste sentido, o baixo esforo por passo no Mtodo das Duas Fases e a quase idntica taxa
de convergncia com o mtodo do Gradiente Projetado, indicam a vantagem desse mtodo,
(Luenberger, 1974).
3.5

Clculo da probabilidade de falha

Como mencionado na Seo 2.2, para a obteno da probabilidade de falha de um sistema


necessrio a resoluo de (P 1), que um caso particular do problema proposto por Luenberger,
considerando apenas restries de igualdade. Vamos agora definir (P 3) como sendo o problema
de calcular a probabilidade de falha considerando apenas uma funo estado limite h(x) = 0,
da seguinte forma:

minf (x) = xT x
(52)
s.a h(x) = 0
em que x Rn , f : Rn R e h : Rn R. Lembrando que, x um vetor aleatrio cujas
componentes so as variveis de projeto no espao normal padronizado. O mtodo de Duas
Fases pode ser aplicado para resolver o seguinte problema:
min q(x) = f (x) + [h(x)]2

(53)

sendo q(x) a funo penalizada para o problema (P 3). Nestes termos, o algoritmo pode ser
estabelecido da seguinte forma:
Dado um ponto inicial xk :
h
i2
1
Passo 1: Calcular dk = 2
h (xk )T h (xk )
h(xk )T q (xk ).
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

Mecnica Computacional Vol XXIX, pgs. 683-697 (2010)

1.

695

Passo 2: Obter o valor k que minimiza q (xk + k h (xk ) dk ) na direo dk obtida no passo

Passo 3: Encontrar o ponto zk = xk + k h (xk ) dk .


Passo 4: Calcular o valor k , aplicando uma tcnica de busca linear, que minimiza a funo
q (xk k q (xk )).
Passo 5: Obter o ponto xk+1 = zk k q (zk ).
Passo 6: Fazer xk = xk+1 e reiniciar o algoritmo at obteno da soluo.
4

EXPERIMENTOS NUMRICOS

Com o objetivo de demonstrar a validade e aplicabilidade do mtodo proposto, o algoritmo


mencionado anteriormente foi implementado em Matlab 7.8, verso R2009a, em um computador com processador Intel(R) Core(TM)2 Duo CPU T5870 2,00GHz e 3,00GB de memria
RAM. Vrios testes numricos foram realizados e alguns resultados so apresentados resumidamente nas tabelas a seguir. A Tabela 1 apresenta dez problemas, as funes estados limite
retiradas da literatura especializada e que por sua vez, so utilizadas com o objetivo de analisar a eficcia da metodologia proposta. J na Tabela 2 apresentada a descrio das variveis
aleatrias envolvidas no problema, ou seja, a distribuio de probabilidade de cada varivel de
projeto com seus respectivos parmetros, mdia e varincia. E, por fim a Tabela 3 apresenta,
para os dez problemas testados, uma comparao entre o ndice de confiabilidade obtido por
meio da metodologia proposta e os resultados observados na literatura, que esto referenciados
na ltima coluna da referida tabela.
Problema
1
2

Funo estado limite


h(x) = x1 x2 146, 14
9

P
h(x) = 2 + 0.015
x2i x10
i=1

3
4
5
6
7
8
9
10

(x1 +x2 )

+ 2, 5
2
(x
+x
h(x) = 0, 5(x1 x2 )2 12 2 ) + 3
h(x) = 2 x2 0, 1x21 + 0, 06x31

h(x) = 0, 1(x1 x2 )2

h(x) = 2, 5 0, 2357(x1 x2 ) + 0, 0046(x1 + x2 20)4


h(x) = 3 x2 256x41
h(x) = x31 + x32 18
h(x) = x31 + x32 18
h(x) = x31 + x32 67, 5
Tabela 1: Funes estados limite.

Com base nos resultados obtidos para os problemas apresentados na Tabela 1, pode-se notar
que o algoritmo apresentou consistncia no clculo da probabilidade de falha quando comparados aos resultados obtidos na literatura, como pode ser visto na Tabela 3. Neste contexto, o
emprego do Mtodo de Duas Fases em problemas de confiabilidade estrutural uma rea de
pesquisa promissora. Sendo assim, uma possibilidade de aprimoramento de tal metodologia a
insero de uma busca linear no passo de Newton, que dever apresentar bons resultados para
problemas que envolvam maior nmero de variveis aleatrias e tambm variveis aleatrias
no-normais.

Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

696

S. DOS SANTOS, L. MATIOLI

Problema
1
2
3, 4, 5 e 7
6
8
9 e 10

Descrio das variveis


x2 N (78064, 4; 11709, 72 ) e x2 N (0, 0104, 4; 0, 001562 )
x1...10 N (0, 1)
x1,2 N (0, 1)
x1,2 N (10, 32 )
x1,2 N (10, 52 )
x1 N (10, 52 ) e x2 N (9, 9; 52 )

Tabela 2: Distribuio de probabilidade das variveis aleatrias de projeto

Problema - Metodologia proposta


1
5,3653
2
2,0000
3
2,5000
4

1,6583

5
6
7
8

1,9998
2,5000
3,0000
2,2401

2,2260

10

1,9003

- Literatura
5,443 (Grooteman, 2008)
2,103 (Grooteman, 2008)
2,4810 (Grooteman, 2008)
2,5000 (Borri e Speranzini, 1997)
1,6250 (Grooteman, 2008)
1,6580 (Borri e Speranzini, 1997)
1,9960 (Grooteman, 2008)
2,4310 (Grooteman, 2008)
2,925 (Grooteman, 2008)
2,24009 (Santosh et al., 2006)
2,2401 (Yu et al., 1997)
2,2594 (Santosh et al., 2006)
2,2260 (Yu et al., 1997)
1,90026 (Santosh et al., 2006)
1,9 (Tu e Choi, 1997)

Tabela 3: Comparao dos resultados

CONCLUSO

Neste artigo, apresentamos uma nova metodologia para o clculo do ndice de confiabilidade
estrutural. A metodologia baseada no mtodo de Duas Fases proposto no artigo de Luenberger
(1974), para um problema de programao no linear restrito. A utilizao deste mtodo em
problemas de confiabilidade motivada por ser um mtodo de simples implementao, requerer
apenas informao de primeira ordem das funes envolvidas e no necessitar da suposio
de convexidade. A convergncia do mtodo semelhante do Gradiente Projetado e tem a
vantagem em relao a este por no requerer viabilidade nos pontos gerados pelo algoritmo a
cada iterao. O algoritmo promissor, pois a cada iterao, faz apenas um passo de Newton e
um passo de Cauchy, sendo que a direo de Newton (relaxada) determinada utilizando apenas
o gradiente da funo, alm disso, o algoritmo muito simples, facilmente implementvel e
pelos testes realizados at o momento se mostrou eficiente.
REFERNCIAS
Ang A. e Tang W.H. Probability concepts in engineering planning and design, volume II. John
Wiley & Sons, 1984.
Ayyub B. e Haldar A. Practical structural reliability techniques. Journal of Structural Engineering, 110:17071724, 1984.
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

Mecnica Computacional Vol XXIX, pgs. 683-697 (2010)

697

Borri A. e Speranzini E. Structural reliability analysis using a standard deterministic finite


element code. Structural Safety, 19:361382, 1997.
Faravelli L. Response-surface approach for reliability analysis. Journal of Engineering Mechanics, 115:27632781, 1989.
Flores J., Viana F., e Rade D. Mtodos de anlise de confiabilidade de primeira e segunda ordem
aplicados a sistemas estruturais. VII Simpsio de Mecnica Computacional, 2006.
Grooteman F. Adaptive radialbased importance sampling method for structural reliability.
Structural Safety, 30:533542, 2008.
Haldar A. e Mahadevan S. Probability, reliability and statistical methods in engineering design.
John Wiley & Sons, 2000.
Liu P.L. e Der Kiureghian A. Optimization algorithms for structural reliability. Structural
Safety, 9:161177, 1991.
Luenberger D.G. A combined penalty function and gradient projection method of nonlinear
programming. Journal of Optimization Theory and Applications, 14:477 495, 1974.
Madsen H., Krenk S., e Lind N. Methods of structural safety. Dover publications, 2006.
Melchers R. Structural reliability analysis and prediction. John Wiley & Sons, 2001.
Mori Y. e Ellingwood B. Time-dependent system reliability analysis by adaptive importance
sampling. Structural Safety, 12:5973, 1993.
Santosh T., Saraf R., Ghosh A., e Kushwaka H. Optimum step length selection rule in modified
HL RF method for structural reliability. International Journal of Pressure Vessels and Piping,
83:742748, 2006.
Shinozuka M. Basic analysis of structural safety. Journal of Structural Engineering, 109:721
740, 1983.
Tu J. e Choi K. A performance measure approach in reliability based structural optimization.
Technical Report R97-02: The University of Iowa, 1997.
Wang L. e Grandhi R. Safety index calculations using intervening variables for structural reliability. Computers and Structures, 59:11391148, 1996.
Yang D. Chaos control for numerical instability of first order reliability method. Commun
Nonlinear Sci Numer Simulat, 15:31313141, 2010.
Yang D., Li C., e Cheng G. Convergence analysis of first order reliability method using chaos
theory. Computers and Structures, 84:563571, 2006.
Yu X. C., K.K., e Chang K. Reliability and durability based design sensitivity analysis and
optimization. Technical Report R97-02: The University of Iowa, 1997.
Zhao Y. e Jiang J. A structural reliability method basead on genetic algorithm. Earthquake
Engineering and Engineering Vibration, 15:4458, 1995.
Zhao Y. e Ono T. Moment methods for structural reliabilty. Structural Safety, 23:4775, 2001.

Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar