Manual do uso da teoria dos

conjuntos Fuzzy no MATLAB 6.5.

Profa. Dra. Mariangela Amendola

Msc. Anderson Luiz de Souza
Prof. Dr. Lacio Carvalho Barros

FEAGRI & IMECC/ UNICAMP

Resumo: Este manual o produto de uma reviso do manual disponibilizado em 2004,

que alm de apresentar com detalhes os comandos bsicos para o uso da teoria dos
conjuntos fuzzy no ambiente de computao cientfica MATLAB 6.5, cita referncias
bibliogrficas onde o usurio pode complementar seus estudos tericos para a
interpretao adequada dos resultados do uso desta ferramenta no processo de suporte
deciso de sistemas que, aqui, so os agrcolas ou biolgicos.

Verso II, maio de 2005.

 Notar que nesta cpia da aquarela de Debret h um erro, descoberto em 1994
somente porque apreciado por um estudante de engenharia mecnica.
1. Introduo e notas histricas.

Dentre os processos fsicos de interesse/competncia do profissional da rea de

Engenharia Agrcola, possvel reconhecer aqueles da FEAGRI/UNICAMP que vm
sendo investigados cientificamente com a finalidade de gerar conhecimentos que
permitam a tomada de deciso no momento de seu planejamento ou implementao
otimizada.

Diretamente relacionados com o contedo das disciplinas que ensinamos no

curso de graduao a partir de 1986, (FA 408-Matemtica Aplicada a Agricultura),
esto aqueles processos que podem ser modelados matematicamente, como problemas
de resoluo de equaes diferenciais ordinrias, sujeitas condies de contorno e/ou
iniciais. Relacionados com o que ensinamos em outras disciplinas, tanto no curso de
graduao (FA 374 - Clculo Numrico, FA 012 - Mtodos Numricos para Equaes
Diferenciais, FA 019- Secagem Avanada), quanto no curso da ps-graduao (AP
132/508 - Introduo a Matemtica Aplicada e Computao Cientfica, AP 518 -
Matemtica Aplicada e computao Cientfica, AP 181- Estudo Dirigido em gua e
Solo, e AP 185 Estudo Dirigido em Tecnologia Ps Colheita), esto aqueles processos
que podem ser modelados matematicamente como problemas de: determinao de zeros
de funes no lineares; resoluo de sistemas de equaes algbricas, lineares ou no
lineares; resoluo de equaes diferenciais ordinrias; integrao numrica; ajuste de
curvas; bem como resoluo de equaes diferencias parciais - que so os problemas
usuais das pesquisas de diversas engenharias, em particular da Engenharia Agrcola.

Somente em 2000, a partir do momento que aprofundamos o contato com alguns

dos processos fsicos estudados junto aos especialistas da rea de Construes Rurais e
Ambincia (zootecnia de preciso), verificamos a ineficincia do uso de metodologias
associada s ferramentas matemticas tradicionais, como as relacionadas acima, o que
nos fez procurar novas ferramentas matemticas junto ao IMECC. Neste sentido, por
ocasio do X Congresso Latino Americano de Biomatemtica, realizado no IMECC em
2001, por meio de um dos mini-cursos oferecidos (BARROS, 2002), conclumos pela
seleo de uma ferramenta matemtica adequada, que a baseada na Teoria de
Conjuntos Fuzzy.

A partir desta seleo, nossas expectativas foram alm daquelas inicialmente

propostas. Foi possvel identificar tambm a utilizao do uso desta teoria para a
pesquisa de processos que envolvem a resoluo de equaes diferenciais dependentes
de parmetros, como os que requerem o conhecimento do movimento de gua no solo.

1
 O que est por trs de toda essa versatilidade da utilizao desta teoria fuzzy a
possibilidade de modelar e manipular matematicamente informaes vagas e
imprecisas, naturais da linguagem humana e, portanto, as fornecidas pelos especialistas
(no matemticos) ao caracterizar os processos estudados.

Esta manipulao feita a partir da composio de variveis escolhidas para

modelar matematicamente o processo em questo, quando a implicao das variveis
independentes nas dependentes estabelecida por um conjunto de regras lingsticas
baseadas no conhecimento de especialistas.

As tcnicas da teoria dos conjuntos fuzzy tm alcanado as mais diversas reas

de aplicao. Uma das mais aprofundadas de controle fuzzy, que tem possibilitado a
automao de diversos processos, que vo de tarefas domsticas at o controle de
sofisticados processos industriais.

Em produtos de bem de consumo, como mquinas de lavar, televises, cmeras

de filmar, entre outros, o Japo foi o pioneiro a explorar o potencial da lgica fuzzy,
ainda na dcada de 80. De acordo coma literatura, o trabalho pioneiro de aplicao da
lgica fuzzy em controle de processos devido a MAMDANI & ASSILAM (1975),
cujos suportes tericos encontram-se nos artigos de ZADEH (1965). Tal aplicao foi
voltada para controlar mquinas a vapor, o que possibilitou a modelagem matemtica de
aes dos operadores (especialistas) das mquinas, tornando suas tarefas
automatizveis. Este trabalho influenciou outros pesquisadores a explorarem
controladores fuzzy na teoria de controle, como, por exemplo, o controlador de Sugeno,
que no contemplado neste manual.

Desde ento, nas diversas reas de conhecimento, os pesquisadores vm

desenvolvendo algoritmos especficos para o uso desta teoria para a anlise de seus
modelos, como pode ser encontrado tanto na literatura internacional - dentre um nmero
enorme de bons livros citamos KLIR & YUAN (1995) e PEDRYCZ & GOMIDE
(1998) -, bem como nacional - onde indicamos os trabalhos de doutorado: BARROS
(1997), RIBACIONKA (1999) e ORTEGA (2001)-.

Tambm na rea de pesquisa terica tem tido bastante avano em tpicos como
equaes e incluses diferenciais, equaes de diferenas e sistemas dinmicos gerais,
assuntos esses que podem ser encontrados em BARROS et al (2004).

2
 Por outro lado o uso da teoria dos conjuntos fuzzy mostrou-se promissor tambm
em pesquisas aplicadas, como pode ser constatado em vrias oportunidades na ocasio
do Ciclo de Palestras / 2002 a 2004, realizado na FEAGRI sob nossa coordenao
(www.agr.unicamp.br), e do que resultou distintos tipos de projetos de vrios nveis
(iniciao cientfica, mestrado, doutorado e ps doutorado), bem como trabalhos
apresentados em congressos ou publicados em revistas.

Em geral, estas aplicaes so trabalhos de anlise de condies de conforto em

galpes de criao animal como funo da composio de duas variveis que traduzem
o ambiente trmico gerado em galpes. O trabalho pioneiro foi o realizado por
AMENDOLA et al (2004), para simular condies de conforto em galpes de criao de
frangos de corte a partir da composio das variveis independentes de temperatura e
umidade relativa do ar. Os resultados, que constam do ANEXO 2 , foram tomados como
exemplo e incentivaram o desenvolvimento de outros trabalhos de mesma natureza,
como por exemplo, ainda para frangos de corte, por MOURA et al (2004) e por
AMENDOLA & WATANABE (2005); para sunos como consta em QUEIROZ et al
(2004); bem como outros projetos em andamento atualmente sob orientao da
Professora Irenilza da FEAGRI.

Alm disso, do oferecimento da disciplina AP 182N- Estudo Dirigido em

Construes Rurais e Ambincia, resultou um outro projeto para animais em geral como
consta em AMENDOLA, MOLLO & CRUZ (2005).

Aplicaes em outras reas da FEAGRI, como da rea de gua e Solo para a

caracterizao de propriedades de solos, seguem com a orientao do Professor
Matsura, enquanto que da rea de Tecnologia Ps Colheita, referentes caracterizao
da qualidade de produtos como funo da composio das variveis que exercem
influncia na sua preservao para o consumo ainda esto em desenvolvimento.

Por outro lado e enquanto isso, juntamente com o Professor Rodney Bassanezi e
alunos de doutorado do IMECC, foram desenvolvidos sistemas fuzzy para descrever
modelos tericos que simulam alguns fenmenos biolgicos. Um dos temas estudados
foi a Morte Sbita do Citros, doena que tem dado enormes prejuzos aos plantadores de
laranja do Estado de So Paulo. Neste tema os sistemas fuzzy desenvolvidos so para
descrever a evoluo dessa doena. Outros sistemas fuzzy foram desenvolvidos para
estudar uma relao do tipo presa - predador para simular o controle biolgico do agente
causador da morte sbita, alm de estudar os efeitos do controle qumico usado contra
tal agente como consta em PEIXOTO (2005). Ainda em ecologia, h o trabalho sobre a

3
competio de duas espcies de moscas (uma nativa e outra introduzida vinda da frica
na dcada de 70). Para esse caso tambm foram desenvolvidos alguns sistemas fuzzy
para simular a competio. Tais resultados tm se confirmado segundo dados bilogos
como consta em MAGNAKO (2005). Outro trabalho interessante, na rea de medicina,
trata de proposio de um controlador fuzzy para simular a atuao de um especialista
(mdico) no diagnstico de cncer de prstata. Esse ltimo trabalho faz parte da tese de
doutorado de CASTANHO (2005) que foi desenvolvida juntamente com o Professor
Vendite, do IMECC, e com o Professor Akebo da FEEC.

Em quaisquer dos casos comentados acima, o desempenho do avano do

conhecimento se mostrar efetivo aps o cumprimento rigoroso da clssica seqncia de
etapas relacionadas simulao de processos, como se encontra na literatura, as quais
so intensamente discutidos em todas as disciplinas citadas e brevemente comentadas
no que segue.

Antes de qualquer etapa para o conhecimento de um processo fsico, de

fundamental importncia a descrio fsica do mesmo, o que s possvel aps
exaustiva observao, coleta adequada, identificao e anlise de dados
importantes (variveis, parmetros, interaes, etc...), que podem ser obtidos
experimentalmente. Ressalta-se que esta etapa mostra-se mais ou menos adequada ao
processo em estudo, de acordo como os limites do conhecimento atual que o
pesquisador tem dos mesmos. Isto pode ser completamente compreendido a partir das
observaes sobre a aquarela de Debret (extrado da Folha de So Paulo em 1994), e
apresentada na primeira pgina deste manual.

A partir desta etapa, pode-se avanar a investigao cientfica daqueles

processos atravs da sua descrio em uma linguagem universal, isto , atravs de um
modelo matemtico. So diversos os tipos de modelos que podem ser reconhecidos
nesta etapa, o que envolve tambm os limites do conhecimento atual que o pesquisador
tem tanto do processo quanto dos modelos. Isto pode ser compreendido a partir da
referida identificao de metodologias que se deu aps 2000.

fato que tais modelos podem envolver variveis, parmetros ou fatores de

difcil obteno experimental ou que so coletados desordenadamente e/ou extrados da
literatura; ou ainda adequados a problemas no caractersticos daquelas classes de
problemas matemticos para os quais se tem como obter a soluo exata (objeto de
estudo da rea de matemtica). Sendo assim, em geral, torna-se necessrio simplificar o
modelo matemtico e/ou procurar mtodos de resoluo que gerem solues

4
aproximadas, os denominados mtodos numricos (objeto de estudo da Matemtica
Aplicada), ou ainda procurar usar pacotes de computao cientficos apropriados para a
anlise requerida.

Em qualquer caso, a obteno das tais solues e/ou anlises requer muitos
clculos, e sendo assim torna-se necessrio o uso de computadores.

Para tanto, a partir da elaborao de um algoritmo associado a um mtodo de

resoluo ou anlise adequadamente selecionado, h que se elaborar um programa de
computao cientfica em uma linguagem eficiente (Pascal, Fortran, C, C++, etc.) que
traduza aquele algoritmo; ou usar algum pacote de computao cientfica
(software), como, por exemplo, o MATLAB, o Mathematica, o MAPLE, PCC, etc...
Nesta etapa, ressalta-se o perigo associado ao uso de caixas pretas por
pesquisadores que no especialistas da rea de matemtica aplicada e computao
cientfica. Este perigo pode ser compreendido tanto pela inadequada entrada de dados
quanto pela interpretao dos resultados que o uso de um programa requer ou gera.

Tendo avanado nas etapas anteriores, para se obter solues e/ou anlises
procuradas, revela-se necessria a tarefa de validao do conjunto de etapas acima
descritas, o que pode indicar a necessidade de reformul-las at que se garanta a
legitimidade das mesmas.

Finalmente, e de fundamental importncia, pode-se efetuar a simulao ou

anlise daquele processo em estudo, objetivando o seu planejamento, controle ou
implementao melhorada.

Como reconhecer os processos/sistemas; identificar as variveis e parmetros

importantes; classificar o tipo de problema fsico; identificar o modelo matemtico que
pode ser associado; selecionar o mtodo e/ou a ferramenta para a busca da anlise do
modelo; construir o algoritmo associado; desenvolver ou usar pacotes de computao
cientfica; interpretar resultados; analisar as possveis fontes de erros; e, se necessrio,
retomar algumas das etapas anteriores? Estas so as questes que os pesquisadores da
rea de matemtica aplicada e computao cientfica buscam para atingir sucesso na
Simulao Matemtica ou Numrica de processos.

5
2. Como identificar um processo passvel da anlise segundo a teoria dos conjuntos
fuzzy

Antes de iniciar a seqncia de instrues associadas ao uso da teoria dos

conjuntos fuzzy no MATLAB, seguem alguns conceitos que devem ser observados
porque essenciais para a identificao, pelo usurio especialista, do conjunto de
variveis importantes do processo em estudo que devem ser da classe das denominadas
variveis fuzzy.

O primeiro conceito est associado a definio de conjuntos fuzzy. Um

subconjunto A de um conjunto U considerado subconjunto fuzzy de U se for descrito
como um conjunto de pares ordenados segundo o que segue:

A = {(x , A ( x)); x U A ( x ) [ 0 ,1 ] )

onde
A (x) uma funo de pertinncia que determina com que grau x est em A:

A (x) = 1 x pertence totalmente ao conjunto A;

0 < A (x) < 1 x pertence parcialmente ao conjunto A;
A (x) = 0 x no pertence ao conjunto A.

Sendo assim, a lgebra entre os conjuntos fuzzy no segue a teoria clssica usual,
em especial devido ao fato de que as operaes de unio e de interseco de um
conjunto e seu complementar so diferentes de 1 e vazio respectivamente, e portanto
operaes especficas entre os conjuntos fuzzy devem ser estabelecidas (detalhes
tericos esto no ANEXO 1).

Outro conceito essencial o reconhecimento desta caracterizao de variveis da

existncia do que consiste uma base de regras entre as mesmas. Isto se estabelece a
partir do conhecimento do especialista na forma de proposies do tipo se E1 e/ou E2
ento S1, onde E1 e E2 referem-se a classificaes lingsticas das variveis de entrada
e S1 a de sada, as quais, a partir do uso desta teoria, se mostra como conseqncia das
operaes e/ou algbricas acima referidas, onde e designa unio e ou interseco
(detalhes prticos esto no ANEXO 2).

Outros conceitos so brevemente explicados medida que forem requeridos.

6
3. Utilizao do MATLAB

O MATLAB um ambiente de computao cientfica, disponvel na FEAGRI

desde 2000, que permite a interao com o usurio atravs de uma janela, denotada por
Janela de Comando, onde os comandos devem ser fornecidos pelos usurios para que os
clculos e resultados, realizados atravs da linguagem FORTRAN, sejam exibidos. Os
passos para esta interao so descritos no que segue.

3.1 Como entrar e/ou executar no MATLAB

Para entrar e/ou executar no MATLAB em ambiente Windows, deve-se colocar

o cursor em cima do cone como o que segue, no caso da verso 6.1:

MATLAB 6.1.lnk

e ento pressionar o boto esquerdo do mouse no mesmo, a partir do que aparecer a

referida Janela de Comando, a qual estar pronta para receber os comandos to logo
apaream os caracteres >> e a palavra Ready nos locais que esto destacados no canto
superior esquerdo e no canto inferior esquerdo da Figura 1 respectivamente.

Figura 1: Janela de Comando do MATLAB que mostra >> e a informao Ready

7
 A partir disto pode-se fazer distintos usos do MATLAB, dentre eles o uso de
vrios toolbox, cada um constando de uma coleo de arquivos destinados a tratar certas
classes de problemas cientficos. Dentre estes, encontra-se o Fuzzy Logical Toolbox,
que o de interesse neste manual, e cujo uso descreve-se no que segue.

3.2 Do que consta o Fuzzy Logical Toolbox

No Fuzzy Logical Toolbox esto disponibilizados arquivos e funes destinados

ao uso da teoria de conjuntos fuzzy. Neste caso, recomenda-se o reconhecimento das
Palavras-chave associadas ao uso desta teoria, que esto sublinhadas na seqncia de
comandos relacionados como segue.

3.2.1 Como entrar no Fuzzy Logical Toolbox

Na Janela de Comando da Figura 1 aps >> digitar a palavra fuzzy como:

>> fuzzy

e, em seguida, pressionar a tecla Enter a partir do que aparecer a tela inicial deste
toolbox como mostra o que aparece na Figura 2a.

Figura 2a: Tela inicial do Fuzzy Logical Toolbox.

Como pode ser notada na Figura 2a, a opo referente ao tipo de anlise fuzzy
est destacada com o nome MAMDANI. Sendo assim, no que segue descreve-se
brevemente do que o sistema MAMDANI constitudo.

8
3.2.2 O sistema de Mamdani

Em geral, um sistema fuzzy faz corresponder a cada entrada fuzzy uma sada fuzzy.
No entanto, espera-se que a cada entrada crisp (um nmero real, ou par de nmeros
reais, ou n-upla de nmeros reais) faa corresponder uma sada crisp. Neste caso, um
sistema fuzzy uma funo de Rn em R, construda de alguma maneira especfica. Os
mdulos que seguem indicam a metodologia para a construo desta funo:

1) Mdulo de fuzzificao: o que modela matematicamente a informao das

variveis de entrada por meio de conjuntos fuzzy. neste mdulo que se mostra
a grande importncia do especialista do processo a ser analisado, pois a cada
varivel de entrada devem ser atribudos termos lingsticos que representam os
estados desta varivel e, a cada termo lingstico, deve ser associado um
conjunto fuzzy por uma funo de pertinncia;
2) Mdulo da base de regras: o que constitui o ncleo do sistema. neste
mdulo onde se guardam as variveis e suas classificaes lingsticas;
3) Mdulo de inferncia: onde se definem quais so os conectivos lgicos usados
para estabelecer a relao fuzzy que modela a base de regras. deste mdulo que
depende o sucesso do sistema fuzzy j que ele fornecer a sada (controle) fuzzy a
ser adotado pelo controlador a partir de cada entrada fuzzy; e
4) Mdulo de defuzzificao: que traduz o estado da varivel de sada fuzzy para
um valor numrico.

importante ressaltar que existem diferentes mtodos de inferncia fuzzy com

diferentes propriedades. O Fuzzy Logic toolbox do MATLAB oferece duas opes: o
Mtodo de Mamdani e o Mtodo de Sugeno. Analogamente, existem diversos mtodos
de defuzzificao. Devido simplicidade e eficincia, alm de ser bastante condizente
com a intuio humana, todo o contedo desta apostila foi preparado utilizando-se os
seguintes mtodos disponibilizados por este toolbox: o Mtodo de Mamdani, na etapa
de inferncia, e o Mtodo do centro de gravidade (centroid), na etapa de defuzzificao.
Nota-se que h casos especficos em que se recomenda o uso do mtodo de Sugeno (ver
manual do MATLAB).

Para um melhor entendimento destes e de outros mtodos de inferncia e de

defuzzificao, sugere-se a leitura de PEDRYCZ & GOMIDE (1998).

A Figura 2b destaca a configurao bsica para o uso do Fuzzy Logic Toolbox,

segundo estas especificaes, e ser mantida como base para todo o desenvolvimento

9
deste manual.

TermosRelacionados
o Mtodo
comdeInferncia
( Mtodo deMamdani)

Mtodo deDefuzzificao

Figura 2b: Configurao bsica segundo especificaes pr-estabelecidas para o uso do Fuzzy
Logic Toolbox

3.2.3 Como introduzir ou adicionar as variveis de entrada (input) e/ou de sada

(output).

Neste momento, para introduzir ou adicionar as variveis no Fuzzy Logic

Toolbox, devem ser criadas caixas para guard-las, o que feito na tela inicial, para
cada uma das variveis de entrada (caixas amarelas) e/ou variveis de sada (caixas
azuis), selecionando as opes:

Imput
Edit Add Variables
Output

como mostra o destaque da Figura 3.

10
 Figura 3: Destaque das opes selecionadas para a introduo das variveis de entrada e/ou
sada

importante ressaltar que pode haver diversas variveis de entrada bem como
de sada. Porm, neste manual, ser tomado o sistema de duas variveis de entrada e
uma de sada, o que, na literatura descrito como MISO, posto que em Ingls MISO
significa multiple input and simple output; outros sistemas so descritos por MIMO
(multiple input and multiple output).

3.2.4 Como remover variveis de entrada e/ou de sada

Para remover caixas de variveis de entrada e/ou de variveis de sada,

pressionar o boto esquerdo do mouse uma vez na caixa correspondente varivel
que se quer remover, seguindo a opo:

Remove Selected
Edit A d d VVaar ri ia ab bl el e s

como mostra o que est destacado na Figura 4.

Figura 4: Opo selecionada para a remoo de variveis de entrada e/ou sada

11
3.2.5 Como mudar o nome das variveis de entrada e/ou sada

Nesta etapa sero dados nomes s variveis de entrada e de sada. Para mudar o
nome das caixas das variveis de entrada, e/ou de sada, pressionar o boto esquerdo
do mouse em cima da caixa que se quer renomear, escrever o nome escolhido no local
destacado em vermelho no canto inferior direito como indicado nas Figuras 5a e/ou 5b
respectivamente e pressionar a tecla Enter.

Escolher o Nome

Figura 5a: Mudana do nome das variveis de entrada

Escolher o Nome

Figura 5b: Mudana do nome das variveis de sada

12
3.2.6 Como alterar o domnio das variveis de entrada e/ou sada

A primeira alterao que deve ser feita dentro das caixas das variveis de
entrada e/ou sada, para que estas fiquem representativas do problema que se quer
estudar, a determinao do domnio de cada uma dessas variveis. Para tanto se deve
pressionar o boto esquerdo do mouse na caixa da varivel, alterando-se o que est
destacado no que mostram as Figuras 6a, no caso das variveis de entrada, e 6b no caso
das variveis de sada, e pressionar a tecla Enter.

Definir o Domnio

Figura 6a: Definio do domnio das variveis de entrada

Definir o Domnio

Figura 6b: Definio do domnio das variveis de sada

Este procedimento deve ser repetido tantas vezes quanto for o nmero de
caixas de variveis de entrada e/ou sada que se quer alterar o domnio.

13
3.2.7 Funes de pertinncia.

De acordo com o que consta na seco 3.2.2, um conjunto fuzzy caracterizado

por uma funo de pertinncia que assume valores dentro do intervalo [0,1]. Enquanto
na teoria de conjuntos clssica, a funo de pertinncia assume apenas os valores zero-
indicando que o elemento no pertence ao conjunto-, ou um- indicando que o elemento
pertence ao conjunto-, na teoria de conjuntos fuzzy, os elementos podem estar
associados a graus de pertinncia entre zero e um indicando que os mesmos podem
pertencer parcialmente a um conjunto.

A princpio, qualquer funo que associe valores entre zero e um a elementos de

um dado conjunto, pode ser tomada como funo de pertinncia. Entretanto, na escolha
de tais funes, deve-se levar em conta o contexto em que estas sero utilizadas na
representao das variveis lingsticas. Neste sentido, tanto o nmero quanto o formato
das funes de pertinncia devem ser escolhidos de acordo com o conhecimento sobre o
processo que se quer estudar. Uma breve descrio de funes de pertinncia do mtodo
de Mamdani pode ser vista no ANEXO 1.

3.2.7.1 Como alterar o nmero e o formato das funes de pertinncia

Para se alterar o nmero e o formato das funes de pertinncia das variveis

de entrada deve-se, a partir do que est indicado na Figura 6a, pressionar o boto
esquerdo do mouse nas seguintes opes:

Remove MFs
Edit
all

e posteriormente, em:

Edit Remove
Add MFs
all

A partir do que aparecer o que mostra a Figura 7a.

14
 Figura 7a: Escolha do nmero e da forma das funes de pertinncia para variveis de entrada

De acordo com as Figuras 7b e 7c, que exibem uma ampliao da regio

destacada na Figura 7a, deve-se escolher a quantidade e o tipo das funes de
pertinncia.

Escolhidos o nmero e o formato das funes de pertinncia deve-se pressionar

em OK. Tal procedimento deve ser repetido para todas as variveis de entrada.

Para se alterar o nmero e o formato das funes de pertinncia das variveis de

sada deve-se seguir os mesmos procedimentos j descritos para as variveis de entrada,
porm a partir do que est ilustrado na Figura 6b.

Escolha o Nmero de
Funes de Pertinncia

Figura 7b: Escolha do nmero de funes de pertinncia para variveis de entrada.

15
 Escolha o Formato da Funo de
Pertinncia

Figura 7c: Escolha do formato das funes de pertinncia para variveis de entrada.

3.2.7.2 Como alterar o domnio e o nome das funes de pertinncia

Uma vez selecionados o nmero e formato, deve-se determinar, para cada uma
das funes de pertinncia, os valores associados mxima pertinncia, onde a funo
de pertinncia igual a um, e os valores associados mnima pertinncia, onde o valor
da funo de pertinncia igual a zero. Tal procedimento diferente para os distintos
formatos de funes de pertinncia disponveis no Fuzzy Logical Toolbox. Os formatos
mais comumente utilizados para funes de pertinncia so os triangulares (trimf), os
trapezoidais (trapmf) e os gaussianos (gaussmf). Por esta razo, neste manual, apenas
para estes formatos sero indicados quais procedimentos devem ser seguidos.

3.2.7.2.1 Funes de pertinncia triangulares (trimf)

As funes de pertinncia triangulares so caracterizadas por uma terna ( a, b,

c), onde a e c determinam o intervalo dentro do qual a funo de pertinncia assume
valores diferentes de zero, e b o ponto onde a funo de pertinncia mxima. A
Figura 8 exibe uma funo de pertinncia triangular onde so destacados a, b e c. Nesta
figura encontram-se no eixo vertical os valores da funo de pertinncia e no eixo
horizontal os valores da varivel que se quer estudar.

a c

Figura 8: Funo de pertinncia triangular

16
O que de fato o toolbox aciona a funo:

0 se x a
x a
se a < x b

A ( x ) = b a
c x se b < x c
c b
0 se x > c

Nome da Funo
de Pertinncia

Formato da Funo de
Pertinncia
Domnio da varivel
Pontos da Funo de
de entrada input 1.
Pertinncia.
(a= 0.1; b=0.5 e c= 0.9)

Figura 9: Funes de pertinncia triangular da varivel de entrada Input1

Para se determinar os valores de a, b e c deve-se, na Figura 7c, escolher a opo

trimf. Como exemplo, como mostrado na Figura 9, escolheu-se, para a varivel de
entrada input1, trs funes de pertinncia com formato triangular: mf1, mf2 e mf3,
sendo a=0,1;b=0.5 e c=0,9 para mf2. Os outros valores de a, b e c devem ser definidos
para cada uma das funes de pertinncia.

Pressionando-se o boto esquerdo do mouse em cima da funo de pertinncia

que se quer alterar, esta aparecer destacada em vermelho, como o caso da funo mf2
que aparece na Figura 9. Nos locais indicados nesta mesma Figura, deve-se selecionar
um nome apropriado para cada funo de pertinncia, e digitar entre os colchetes,
separados por um espao, os valores de a, b, c e pressionar a tecla Enter.

17
 Caso haja interesse pode-se utilizar em uma mesma varivel de entrada e/ou
sada, funes de pertinncia com formatos distintos. Para tanto basta escolher outro
formato no local indicado na Figura 9.

3.2.7.2.2 Funes de pertinncia Gaussianas (gaussmf)

As funes de pertinncia Gaussianas so caracterizadas pela sua mdia ( ) e

). Este tipo de funo de pertinncia tem um decaimento suave e
seu desvio padro (
tem valores diferentes de zero para todo domnio da varivel estudada. A Figura 10
exibe uma funo de pertinncia Gaussiana. Nesta figura encontram-se no eixo vertical
os valores da funo de pertinncia e no eixo horizontal os valores da varivel que se
quer estudar.

Figura 10: Funo de pertinncia gaussiana.

Neste caso, a funo que o toolbox aciona :

0 se x est fora do domnio

A ( x ) =
exp( ( x ) ) / 2 )
2 2

Para se escolher o formato Gaussiano para as funes de pertinncia de uma

varivel de entrada e/ou sada, deve-se escolher a opo gaussmf (ver Figura 7c). Como
exemplo, observa-se na Figura 11 que se escolheu, para a varivel de entrada input1,
trs funes de pertinncia com formato Gaussiano.

18
 Figura 11: Funes de pertinncia gaussiana da varivel de entrada Input1

A mdia ( ) e o desvio padro (

) devem ser definidos para cada uma das
funes de pertinncia. Clicando-se uma vez em cima da funo de pertinncia que se
quer alterar, esta aparecer destacada em vermelho, como o caso da funo mf2 que
aparece na Figura 11. Nos locais indicados nesta mesma Figura, deve-se selecionar um
nome apropriado para cada funo de pertinncia, e digitar entre colchetes, separados
por um espao, os parmetros , e pressionar a tecla Enter.

3.2.7.2.3 Funes de pertinncia trapezoidal (trapmf)

As funes de pertinncia trapezoidais so caracterizadas por um conjunto de

quatro valores de a, b, c e d, onde a e d determinam o intervalo dentro do qual a funo
de pertinncia assume valores diferentes de zero, e b e c determinam o intervalo dentro
do qual a funo de pertinncia mxima e igual a 1. A Figura 12 exibe uma funo de
pertinncia trapezoidal onde podem so destacados os pontos a, b, c e d. Nesta Figura
encontram-se no eixo vertical os valores da funo de pertinncia e no eixo horizontal
os valores da varivel que se quer estudar.

19
 b c

a d

Figura 12: Funo de pertinncia trapezoidal

Neste caso, acionada a funo:

0 se xa
x a
se a < x b
b a

A ( x ) = 1 se b x c
d x
se c < x d
d c
0 se x>d

Para se determinar, dentro do Fuzzy Logical Toolbox os valores de a, b, c e d,

deve-se escolher a opo trapmf (ver Figura 7c). Como exemplo, como se pode
observar na Figura 13, escolheu-se, para a varivel de entrada input1, trs funes de
pertinncia com formato trapezoidal.

Pressionando-se uma vez em cima da funo de pertinncia que se quer alterar,

esta aparecer destacada em vermelho, como o caso da funo mf2 que aparece na
Figura 13. Nos locais indicados nesta mesma Figura, deve-se selecionar um nome
apropriado para cada funo de pertinncia, e digitar entre os colchetes, separados por
um espao, os valores de a, b, c, d e pressionar a tecla Enter.

20
 Nome da Funo
de Pertinncia

Formato da Funo
de Pertinncia

Domnio da Varivel de Pontos da Funo de Pertinncia

entrada input1 ( a=0.05;b= 0.45; c=0.55 e d= 0.95 )

Figura 13: Funes de pertinncia trapezoidal da varivel de entrada Input1

Os valores de a, b, c e d devem ser definidos para cada uma das funes de

pertinncia.

3.3 Como criar a base de regras

Aps os procedimentos descritos anteriormente, deve-se criar a base de regras.

Para tanto pressionar o boto esquerdo do mouse em:

Edit Rules

que aparecer na janela o que mostra a Figura 14.

21
 Quadro Onde as Regras Criadas so
Automaticamente Exibidas

Variveis de Entrada
Determina que a Varivel de Varivel de Sada
Entrada e/ou de Sada no est
em um Determinado Nvel

Conexo entre as
Variveis de Entrada

Peso da Regra
(Valores entre Zero e Um) Altera a Regra Selecionada

Apaga a Regra Selecionada Cria uma Nova Regra

Figura 14: Base de regras.

A Figura 14 exibe um exemplo em que duas regras j foram inseridas. Na

construo de cada regra deve-se definir a conexo entre as variveis de entrada e as
variveis de sada, atravs dos operadores lgicos, e pressionar o boto esquerdo do
mouse em add rule.

No final deste processo tem-se a formao do sistema de controle fuzzy.

3.4 Como utilizar o sistema de controle fuzzy

Construdo o sistema de controle fuzzy pode-se arbitrar valores numricos para

as variveis de entrada, simulando cenrios factveis, do ponto de vista do especialista,
para observar e analisar os valores obtidos para cada varivel de sada. Para tanto, em
qualquer tela dentro do Fuzzy Logical Toolbox, pressionar o mouse em:

View View Rules

22
do que aparecer o que mostra a Figura 15.

Valores da Vriavel
de Sada

Valores das Variveis de entrada

Figura 15: Um cenrio resultante da seleo de valores das variveis de entrada e os associados valores
de sada.

Para o sistema ilustrado na Figura 15, atribuiu-se o valore 0,555 para a varivel de
entrada 1 e o valor 0,777 para a varivel 2. Como sada, o sistema fuzzy gerou o valor
0,617, cuja interpretao a que permite o suporte a deciso como ser explicado
posteriormente. Para se arbitrar diferentes valores para as variveis de entrada pode-se
proceder de duas formas a partir do que mostra a Figura 15:

a) Pressionando e arrastando o mouse nas barras verticais vermelhas destacadas;

ou
b) Digitando os valores desejados no local destacado como valores das
variveis de entrada,

Como, para cada valor atribudo s variveis de entrada o sistema gera um valor
para a varivel de sada, nota-se que o sistema fuzzy neste caso desempenha o papel
de uma funo de duas variveis com valores reais, cujo grfico tridimensional (3D)
a superfcie gerada pelas operaes lgicas especficas.

23
 3.5 Como visualizar a superfcie 3D

Para visualizar-se a superfcie formada pelas variveis de entrada e de sada, em

qualquer tela dentro do Fuzzy Logical Toolbox, pressionar o boto esquerdo do mouse
em:

View View Surface

View Rules

do que aparecer o que est ilustrado na Figura 16.

Varivel de Entrada
Varivel de Entrada Escolhida para o Eixo Y
Escolhida para o Eixo X

Varivel de Sada
Nmero de Pontos na Escolhida para o Eixo Y
Malha

Figura 16: Superfcie 3D gerada

A partir do que mostra a Figura 16, possvel se obter grficos bidimensionais,

de qualquer uma das variveis de entrada em funo da varivel de sada. Para tanto,
basta escolher a varivel de entrada que deve permanecer e escolher a opo none no
local destinado outra.

3.6 Como salvar e carregar o sistema de controle fuzzy

O sistema de controle fuzzy pode ser salvo a partir de qualquer uma das telas
dentro do Fuzzy Logical Toolbox. Para salvar, pressionar o boto esquerdo do mouse
em:

24
 File Save to Disk

como aparece na Figura 17.

Figura 17: Gravao do sistema controle fuzzy.

da aparecer o que ilustra a Figura 18.

Figura 18: Escolha do local e do nome do arquivo a ser salvo

e onde se pode escolher a localizao e o nome do arquivo nos locais destacados nos
cantos superior e inferior esquerdo da Figura 18 respectivamente.

25
 Por outro lado, para carregar, siga os procedimentos descritos nas Sees 3.1 e
3.2.1. Pressionar o mouse em File; Import; From Disk, como indicado na Figura 19.

Figura 19: Conjunto de opes para carregar o sistema de controle fuzzy.

da aparecer o que mostra a Figura 20.

NOME

Figura 20: Escolha do local e do nome do sistema de controle fuzzy.

26
3.7 Casos especiais

3.7.1 Base de Regras Incompletas.

Na construo de um sistema de regras fuzzy deve-se sempre avaliar se a base de

regras que est sendo utilizada COMPLETA, isto , deve-se fazer o seguinte
questionamento: H regras suficientes para cobrir toda a extenso do problema
estudado?

Para responder esta questo, considera-se uma varivel fuzzy V, como

representada graficamente na Figura 21, onde se pode observar que h uma parte do
domnio da varivel V que no est representada ou coberta.

Entretanto, mesmo neste caso, o Fuzzy Logical Toolbox, do MATLAB

fornece uma sada que corresponde ao ponto mdio do domnio da varivel
Resposta, mas que por outro lado no representativa do problema que est sendo
utilizado.

0.8

0.6

0.4

0.2

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Regio Descoberta

Figura 21: Base de regras incompleta

27
 3.7.72 Base de Regras Redundantes.

Na construo de um sistema de regras fuzzy tambm se deve verificar se no h

regras desnecessrias e que podem ser removidas do sistema. Para verificar esta
situao, considere uma varivel fuzzy V como representada graficamente na Figura 22,
onde se pode observar que os conjuntos fuzzy azul e vermelho j representam ou cobrem
todo o domnio da varivel. Sendo assim, o conjunto fuzzy verde redundante.

Entretanto, mesmo neste caso, o Fuzzy Logical Toolbox, do MATLAB

fornece uma sada.

0.8

0.6

0.4

0.2

0 1 2 3 4 5 6 7 8 9 10

Figura 22: Base de regras redundantes .

Estes dois exemplos, experimentados at ento s pelo segundo autor, ilustram o

necessrio conhecimento do modelo a ser analisado bem como dos procedimentos
bsicos do uso da teoria fuzzy no MATLAB.

28
3.8 Outros comandos teis fora do Fuzzy Logical Toolbox

Os comandos que sero apresentados nesta seo devem ser digitados dentro da
janela de comando como aparece na Figura 1.

Para definir uma varivel de nome nome faa:

>>nome = readfis('nome do arquivo gerado na Seo 3.6.2 ')

3.8.1 Como gerar grficos das funes de pertinncias associadas s

variveis de entrada

Para gerar os grficos faa:

>>plotmf(nome,'input',n)

onde n o nmero associado varivel de entrada que se queira obter o grfico.

Por exemplo, para n=1, faa:

>>plotmf (nome,'input',1)

Do que aparecer o que mostra a Figura 23:

Figura 23: Funo de pertinncias associada primeira varivel de entrada (input1)

29
 3.8.2 Como gerar grficos das funes de pertinncias associadas s
variveis de sada

Para gerar os grficos de pertinncia faa:

>> plotmf (nome,'output',n)

Onde n o nmero associado varivel de sada que se querem obter o grfico.

Por exemplo, para n=1, faa:

>> plotmf(nome,'output',1)

Do que aparecer o que mostra a Figura 24:

Figura 24: Funo de pertinncias associada a primeira varivel de sada (output1).

3.8.3 Como obter o resumo do sistema de controle fuzzy

Para obter o resumo do sistema de controle faa:

>>plotfis(nome)

Do que aparecer o que mostra a Figura 25:

30
 Figura 25: Resumo do sistema de controle fuzzy.

3.8.4 Como gerar o grfico da superfcie 3D

Para gerar a superfcie 3D faa:

>>gensurf(nome)

Do que aparecer o que mostra a Figura 28:

Figura 28: Grfico da superfcie 3D

31
 3.9 Outras informaes teis aos usurios que querem copiar em seus
arquivos o que o toolbox mostra em suas janelas.

1) Estando na janela da figura, selecionar a seqncia de opes/instrues:

edit =>copy options=>figure=> copy templates=> word => apply to figure =>ok
edit =>copy figure

2) Estando no texto do arquivo Word, selecionar a seqncia de opes/instrues:

paste => como figura

32
4. Agradecimentos

Profa. Dra. Maria Jos Castanho, pela dedicao na apresentao de

exemplos prticos.

Profa. Dra. Irenilza de Alencar Ns pela solicitao e subseqente uso

intensivo deste manual no desenvolvimento de pesquisas.

Aos alunos Douglas D`Alessandro Salgado e Marcos Paulo G de Queiroz,

alunos da ps graduao e graduao da FEAGRI respectivamente, pelos testes de
compreenso realizados a partir da primeira verso deste manual; a orientada de IC
Bianca M Watanabe e ao aluno do curso de doutorado Mario Mollo Neto, pelo uso e
pela dedicao na disciplina de Estudo Dirigido em Construes Rurais e Ambincia -
AP 182N/2004 respectivamente.

Ao querido Prof. Dr. Rodney C. Bassanezy, pela apresentao e discusso de

conceitos tericos necessrios para o uso adequado desta teoria.

33
5. Referncias

AMENDOLA, M. Ciclo de Palestras Realizadas na Faculdade de Engenharia Agrcola

(FEAGRI-UNICAMP). 2002-2004 (www.agr.unicamp.br)

AMENDOLA, M.; CASTANHO, M.J.; NS, I.A.; SOUZA, A.L. Anlise matemtica
de condies de conforto trmico para avicultura usando a teoria dos conjuntos fuzzy.
Biomatemtica. IMECC-UNICAMP, Campinas, v.14, p.87 - 92, 2004.

AMENDOLA, M. & WATANABE, B. M. Anlise das condies de conforto de

frangos de corte utilizando a teoria dos conjuntos fuzzy. In: 40 Congresso Temtico de
Dinmica, Controle e Aplicaes - DINCON 2005. UNESP, Bauru - SP. 8p.

AMENDOLA, M., MOLLO, M. & CRUZ, V. F. Using fuzzy sets theory to improve the
animal productivity. EFITA/WCCA - 2005. PORTUGAL. 8p.

BARROS, L.C. Sobre sistemas dinmicos fuzzy: Teoria e Aplicaes. Tese de

doutorado IMECC-UNICAMP, Campinas. 1997. 103p.

BARROS, L. C. Teoria fuzzy x Biomatemtica. Apostila de mini-curso.

IMECC/UNICAMP. Campinas, SP. 2002. 52p.

BARROS, L.C., BASSANEZI, R. C., ZOTIN, OLIVEIRA, R. G. - Fuzzy Differential

Inclusion: An Application to Epidemiology In: Soft Methodology and Random
Information Systems ed. Warsaw: Springer, 2004, p. 631-637.

BARDOSSY,A.; DUCSTEIN, L. Fuzzy Rule-Based Modeling with Applications to

Geophysical, Biological and Engineering Systems. Flrida: CRC, 1995. 232p.

CASTANHO, M.J.P., Construo e avaliao de um modelo matemtico para predizer a

evoluo do cncer de prstata e descrever seu crescimento utilizando a teoria dos
conjuntos fuzzy.Tese de Doutorado. FEEC/UNICAMP, Campinas. 2005 125p.

HANSELMAN, D.; LITTLEFIELD, B. MATLAB 6: Curso completo. So Paulo :

Prentice Hall, 2003. 676p.

34
KLIR G.J., YUAN B. Fuzzy Sets and Fuzzy Logic: Theory and Applications .
Prentice Hall, New Jersey.1995. 574p.

MAGNAGO, K.F., Abordagem Fuzzy em Modelos Populacionais Discretos:

Metapopulao de Moscas Varejeiras. Tese de Doutorado. IMECC/UNICAMP,
Campinas. 2005. 165p.

MAMDANI, E. H.; ASSILAN, S. A. An experiment in linguistic synthesis with a

fuzzy logic controller. Int. J. Man - machine Studies, 7. 1975. p1-13.

MOURA, D. J.; NAAS, I. A.; QUEIROZ, M. P. G. AMENDOLA, M. Estimating

thermal comfort and solar orientation in broiler housing using fuzzy logic. In: VI
CONGRESO LATINOAMERICANO Y DEL CARIBE DE INGENIERIA
AGRCOLA, 2004, San Jos, Costa Rica. Memoria...Asociacin Costaricense de
Ingenieros Agrcolas, 2004, p. 1-7. CD

ORTEGA, N.R.S. Aplicao da Teoria da Lgica Fuzzy a Problemas de Biomedicina.

Tese de doutorado IF-USP. So Paulo. 2001. 153p

PEDRYCZ, W. GOMIDE, F. An introduction to fuzzy sets: analysis and design.

Bradford. Imprenta Cambridge, 1998. 465p.

PEIXOTO, M. S., Sistemas dinmicos e controladores fuzzy: um estudo sobre a

disperso da morte sbita dos citros em So Paulo. Tese de Doutorado.
IMECC/UNICAMP, Campinas. 2005. 171p.

QUEIRZ, M.P.G; NS, I. A.; AMENDOLA, M.; SAMPAIO, C. A. P. Estimating

tolerance limit to aggressive environment in swine production. In: CIGR
INTERNATIONAL CONFERENCE. Beijing, China. Proceedings. CD. 2004, p.1-7.

RIBACIONKA, F. Sistemas Computacionais Baseados em Lgica Fuzzy. Tese de

Mestrado. Universidade Mackenzie, So Paulo. 1999. 118p

ZADEH, L.A. Fuzzy Sets. Information and control. v.8. 1965. p. 338-353.

35
ANEXO 1

Para modelar matematicamente a base de regras, Mamdani e Assilian

propuseram uma relao fuzzy binria M entre as entradas x e as sadas u, cuja funo de
pertinncia est descrita como segue: em cada uma das regras da base de regras fuzzy,
adota-se o operador matemtico mnimo para o conectivo lgico e e o operador
mximo para o conectivo lgico ou . As sentenas se ...ento ... so modeladas pela
aplicao mnimo, que erroneamente costuma ser denominada por implicao de
Mamdani (o mnimo no uma implicao fuzzy).

Formalmente, a relao fuzzy M o subconjunto fuzzy X U cuja funo de

pertinncia dada por

M ( x, u ) = mximo1 j n {mnimo[ A j ( x ), B j (u )]},

onde n o nmero de regras que compem a base de regras, e A j ( x) e B j (u ) so os

graus com que x e u pertencem aos conjuntos fuzzy Aj e Bj, respectivamente.

Como o caso de interesse aqui para entradas crisps (nmeros), vamos detalhar
melhor a relao fuzzy M para o caso de duas entradas e uma sada. Sejam R1 e R2 duas
regras:

R1 : Se x 1 A11 e x 2 A12 ento u B1

R2 : Se x 2 A12 e x 2 A22 ento u B2 .

Neste caso, para cada terna (x 1 , x2 , u) tem-se

M ( x1, x2, u ) = mximo{mnimo[ A1 (x1 ), A1 ( x2 ), B1 (u )], mnimo[ A 2 ( x1 ), A 2 ( x 2 ), B2 (u)]},

1 2 1 2

36
representando a relao fuzzy obtida da base de regras pelo mtodo de Mamdani.

Agora, para um par de entradas x1 = x 1 e x 2 = x 2 , o conjunto fuzzy de sada,

representando o controle a ser adotado para esse par, dado pela funo de pertinncia

B (u ) = mximo ( x1 , x2 ) {mnimo[ M ( x1 , x 2 , u), { x } ( x1 ), { x } ( x2 )]}

1 2

= mximo{mnimo[ M ( x1 , x 2 , u), { x } ( x1 ), { x } ( x 2 )]}

1 2

= M ( x1 , x 2 , u ) ,

1 se x1 = x1 1 se x 2 = x2
onde: { x1 } ( x1 ) = e { x } ( x 2 ) =
2

0 se x1 x1 0 se x 2 x2

{} { }
so as funes caractersticas de x1 e x 2 , respectivamente.

Para uma visualizao da metodologia, o leitor pode acompanhar graficamente o

mtodo de Mamdani segundo o esquema das figuras 1 e 2 que seguem.

37
 Figura 1 - Representao esquemtica do mtodo de Mamdani

Figura 2 - Representao da sada final do mtodo de Mamdani

Pode ser visto, atravs do exemplo acima, que a sada do controlador fuzzy, dada
pelo mtodo de inferncia de Mamdani, um conjunto fuzzy mesmo para o caso de uma
entrada crisp. Este fato que sugere a defuzzificao do conjunto fuzzy de sada para se
obter um valor crisp que o represente.

So muitos os mtodos de defuzzificao que podem ser adotados. A princpio,

qualquer nmero real, que de alguma maneira possa representar bem o conjunto fuzzy
B pode ser chamado de defuzzificador de B. Aqui ser citado o mais comum que faz
parte do mtodo de Mamdani. Tal mtodo (chamado de centro de gravidade) de
defuzzificao semelhante a mdia aritmtica para uma distribuio de dados, com a
diferena que os pesos aqui so valores B (u i ) que indicam o grau de compatibilidade
do valor ui com o conceito modelado pelo conjunto fuzzy B.

A defuzzificao de B, para um domnio discreto,

u
i =0
i B (u i )
D ( B) = n
.

i= 0
B (u i )

e para um domnio contnuo

38
 u B (u )du
D ( B) = R

(u)du
B
R

A defuzzificao pela mdia do mximo est representada pela figura 3 que

segue, e calculada tendo como base a sada fuzzy a partir da agregao dos resultados.

Figura 3 - Defuzzificao pela composio da mdia do Mximo.

Partindo da Figura 3, observam-se os pontos p1 e p2 que compem o valor de p

atravs da frmula:

p = p1 + ( p 2 p1 ) / 2

onde p o centro dos mximos, que encontra as duas regies com maior grau de
pertinncia. O valor de p calculado pela mdia entre os pontos p1 e p2 indicados na
Figura 3.

39
ANEXO 2

ANLISE MATEMTICA DE CONDIES DE CONFORTO TRMICO

PARA AVICULTURA USANDO A TEORIA DOS CONJUNTOS FUZZY

AMENDOLA, M.
CASTANHO M. J.
NAAS, I. A.
SOUZA, A.L.

Resumo : Este material foi elaborado para ser usado como exemplo a ser reproduzido na
atividade oficina, dentro do Ciclo de Palestras III/2004 realizado na FEAGRI, que foi
extrado de um resumo expandido de artigo publicado no COMBEA 2004 e
posteriormente publicado na revista Biomatemtica, v.14, p.87 - 92, 2004, do
IMECC/UNICAMP.

Palavras chave: Anlise fuzzy, suporte deciso, conforto trmico, frangos de corte.

Introduo e Objetivos :

A partir das palestras de vrios convidados que apresentarem tanto pesquisas j

realizadas na rea de sade, como, por exemplo, da Msc. Rosana Jafelice (2002), quanto
do MATLAB 6.5, como, por exemplo, a da MSc. Maria Jos Castanho (2003), foi
possvel o amadurecimento de nossos conhecimentos tericos e prticos desta
ferramenta. Neste sentido, este trabalho foi pioneiro ao divulgar esta ferramenta
matemtica como promissora na anlise de sistemas e/ou processos das diversas reas
da Engenharia Agrcola, particularmente na rea de Construes Rurais e
especificamente para a rea de Produo Animal, como descrito no que segue, para
analisar como a composio das variveis climticas independentes, tais como a
temperatura e umidade relativa do ar, influenciam a varivel dependente denominada
conforto trmico.

40
 Para tanto necessria a construo de regras segundo o conhecimento de
especialistas, a partir das quais possvel simular cenrios distintos para o suporte
deciso de construo do galpo para a criao de animais.

Para o estudo de caso de galpes para a criao de frango de corte, seguem as

especificaes do material, mtodo, resultados e discusses relativas ao modelo
formulado como exerccio aos participantes da oficina.

Material, Mtodos, Resultados e Discusses:

O material a ser usado consta das informaes extradas de PEREIRA (2002),

baseado nos trabalhos de TINCO (2001) e COSTA (1994), do que se tem o que consta
na Tabela 1.

UR (%) Temperatura (C)

<12 12-21 21-24 24-29 >29
<70 Ruim mdio bom bom ruim
70-80 Ruim bom bom mdio ruim
>80 Ruim mdio bom ruim ruim

Tabela 1: Classificaes em termos lingsticos do estado de conforto trmico como funo de faixas de
Temperatura T (C) e de Umidade Relativa UR (%) do ar.

Para a varivel lingstica umidade relativa, foi considerado o domnio no

intervalo [50, 100], representando as faixas < 70, 70-80 e > 80 pelos termos
lingsticos: baixa, mdia e alta respectivamente.

Para a varivel lingstica temperatura, foi considerado o domnio no intervalo

[5, 35], representado as faixas < 12, 12-21, 21-24, 24-29 e > 29 pelos termos: muito
baixa, baixa, mdia, alta e muito alta.

Tomando por base as questes incertas, com relao aos limites do conforto
ambiental para matrizes de frango de corte, que atualmente aparecem na literatura, foi
criado um cenrio para a varivel de sensao de conforto trmico com os termos:
ruim, mdio e bom, num domnio [0, 1] de forma que o valor prximo do zero indica a
pior sensao e perto do 1, a melhor.

41
 As funes de pertinncia selecionadas em ambas variveis foram as
trapezoidais, mas podem ser alteradas aps consulta ao especialista.

O mtodo de inferncia utilizado foi o Mtodo de Mamdani que combina os

graus de pertinncia referentes a cada um dos valores de entrada, atravs do operador
mnimo e agrega as regras atravs do operador mximo.

medida que foram procedidas as anlises para o cenrio simulado, os valores

da Tabela 1 foram alterados, em funo das regras sugeridas por especialista.

A base de regras composta por uma coleo de proposies fuzzy, apresentadas

na forma se-ento, foi construda a partir da informao da Tabela 1 e com auxlio do
especialista, do que se obtm o que mostra a Tabela 2.

Tabela 2: Composio da Base de Regras utilizando as variveis de entrada (Umidade Relativa- UR e

Temperatura- T) e de sada (Conforto Trmico - CT).

1. Se (UR Baixa) e (T Muito-baixa) ento (CT Ruim) (1)

2. Se (UR Baixa) e (T Baixa) ento (CT Mdio) (1)
3. Se (UR Baixa) e (T Mdia) ento (CT Bom) (1)
4. Se (UR Baixa) e (T Alta) ento (CT Bom) (1)
5. Se (UR Baixa) e (T Muito-Alta) ento (CT Ruim) (1)
6. Se (UR Mdia) e (T Muito-baixa) ento (CT Ruim) (1)
7. Se (UR Mdia) e (T Baixa) ento (CT Bom) (1)
8. Se (UR Mdia) e (T Mdia) ento (CT Bom) (1)
9. Se (UR Mdia) e (T Alta) ento (CT Mdio) (1)
10. Se (UR Mdia) e (T Muito-Alta) ento (CT Ruim) (1)
11. Se (UR Alta) e (T Muito-baixa) ento (CT Ruim) (1)
12. Se (UR Alta) e (T Baixa) ento (CT Mdio) (1)
13. Se (UR Alta) e (T Mdia) ento (CT Bom) (1)
14. Se (UR Alta) e (T Alta) ento (CT Ruim) (1)
15. Se (UR Alta) e (T Muito-Alta) ento (CT Ruim) (1)

Nesta Tabela 2, os valores entre parnteses indicam o peso da informao, que

pode estar em [0,1], dependendo da indicao pelo especialista.

42
 A Figura 1 mostra a superfcie 3D da variao no-linear da sensao de
conforto trmico, como funo da Umidade Relativa e Temperatura do ar e foi gerada a
partir da Base de Regras estabelecidas na Tabela 2. Isto posto, e dados valores de
temperatura e umidade relativa do ar, tem-se como resultado a inferncia de um
valor , no intervalo [0,1] que representa a sensao de conforto trmico das matrizes.
Neste sentido, possvel obter uma sada do sistema de inferncia para, por exemplo,
uma temperatura de 26 C e umidade relativa de 75%, e, aps a defuzzificao encontra-
se o valor de 0,54, orientando que estas temperatura e umidade relativa dos ar geram
condies de um ambiente de sensao de conforto trmico mdio. Esta a
interpretao que permite o suporte a deciso.

Figura 1: Superfcie 3D-Sensao trmica como funo da temperatura e umidade relativa do ar.

Este resultado auxilia no suporte a deciso do controle da climatizao do

galpo, garantindo assim uma melhor produo. Isso em geral realizado pela
manuteno da varivel temperatura, uma vez que o controle da umidade relativa
mostra-se operacionalmente complexo.

Concluses:

O uso da teoria dos Conjuntos Fuzzy de interesse e utilidade para a

continuidade de pesquisas desta natureza, pois permite a flutuao dos parmetros com
resultados que concordam com as regras estabelecidas por especialistas. Nesse sentido,

43
j vm sendo criados cenrios para suporte a deciso na determinao da zona de
termoneutralidade de algumas espcies em produo industrial.

Ressalta-se que a observao e o armazenamento de informaes e dados do

modelo que se quer analisar desempenham um papel decisivo nos resultados desse tipo
de anlise.

O uso dessa tcnica pode contribuir com o avano significativa desta rea de
pesquisa, quando seus resultados forem associados aos dados de produo, o que j vem
sendo estudado na Faculdade de Engenharia Agrcola da UNICAMP.

Referncias citadas

AMENDOLA, M. Modelagem matemtica e simulao numrica para suporte a deciso

de sistemas agrcolas. Ciclo de Palestras. CPG/FEAGRI.( www.agr.unicamp.br).
COSTA, C. A Pontos Crticos do manejo de matrizes, Manejo de Matrizes, Campinas:
Fundao Apinco de Cincia e Tecnologia Avcolas, 1-10p., (1994)
JAFELICE, R., BARROS, L., BASSANEZI, R. e GOMIDE, F. Modelos
Epidemiolgicos com Parmetros Subjetivos Relatrio Tcnico FEEC-
UNICAMP, (2001).
PEREIRA, D. F. - Avaliao do comportamento individual de matrizes pesadas (frango
de corte) em funo do ambiente e identificao da temperatura crtica mxima.
Dissertao de Mestrado. FEAGRI-UNICAMP. Campinas SP (2002).
TINOCO, I.F.F. Ambincia e instalaes na produo de matrizes avcolas, In. SILVA,
I.J.O, Ambincia na produo de aves em clima tropical, vol.2, p 1-74, (2001).

44