Escolar Documentos
Profissional Documentos
Cultura Documentos
Aprovada por:
_____________________________________________________
Prof. Roberto Schirru, D. Sc.
_____________________________________________________
Prof. Aquilino Senra Martinez, D. Sc.
_____________________________________________________
Prof. Cludio Mrcio do Nascimento Abreu Pereira, D. Sc.
_____________________________________________________
Dr. Antnio Csar Ferreira Guimares, D. Sc.
_____________________________________________________
Dr. Srgio Queirz Bogado Leite, D. Sc.
II
A MEUS PAIS
A MEUS FILHOS
III
AGRADECIMENTOS
senso de direo, sem o que a realizao deste trabalho no teria sido possvel, mas
Ao amigo Wagner Sacco, com quem por diversas vezes conversamos sobre o assunto
Ao amigo Jos Airton, principalmente pela sua amizade, e pelo apoio na manuteno
Aos amigos Wagner Esteves e Roberto Domingues pelas discusses e sua colaborao
IV
Resumo da Tese apresentada COPPE/UFRJ como parte dos requisitos necessrios
Junho/2005
V
Abstract of Thesis presented to COPPE/UFRJ as a partial fulfillment of the
requirements for the degree of Doctor of Science (D.Sc.)
ENGINEERING PROBLEMS
June/2005
VI
NDICE
1. INTRODUO 1
1.1. Objetivo 1
1.2. Motivao 1
1.3. Metodologia 4
1.3.1. Projeto do Ncleo de um Reator 5
1.3.2. Controle Preditivo da Oscilao Axial de Xennio 6
1.3.3. Classificao de Acidentes em Usinas Nucleares 7
1.4. Organizao do Trabalho 10
2.1. Introduo 13
2.2. Algoritmo Bsico 14
2.3. Modelo Determinstico 16
2.4. Dinmica da Partcula 19
2.4.1. Convergncia 20
2.4.2. Oscilaes Harmnicas 22
2.4.3. Movimento Zig-Zag 22
2.5. Seleo de Parmetros 23
VII
5. CLASSIFICAO DE ACIDENTES EM USINAS NUCLEARES 53
5.1. Introduo 53
5.2. Diagnstico de Transientes em Usinas Nucleares 59
5.3. Assinaturas de Acidentes 60
5.4. Classificao de Eventos 65
5.5. Mtodo do Nmero Mnimo de Prottipos 67
5.6. Configurao do PSO 68
5.7. Resultados 69
6. CONCLUSES E RECOMENDAES 75
6.1. Concluses 75
6.2. Sugestes para Trabalhos Futuros 78
ANEXOS
VIII
LISTA DE FIGURAS
IX
Figura 4.10. Perturbao da planta 50
X
TABELAS
XI
CAPTULO 1
INTRODUO
1.1. Objetivo
engenharia nuclear.
envolvidos.
1.2. Motivao
1
Essas tcnicas, no entanto, quando aplicadas a domnios de aplicao
conduzir a solues sub timas. Quando a dimenso do espao de busca for grande, e a
problema.
uma funo objetivo pode ser obtida por um mecanismo de busca gerando-se
atuais, cada vez mais as tcnicas de otimizao tem sido substitudas por tcnicas
(KOZA, J.R., 1992 ). Por essa razo os mtodos de busca probabilstica tem sido
2
Nos mtodos de busca randmicos a regra de busca dependente de nmeros
indivduos da populao so avaliados segundo uma funo objetivo, que determina sua
a ser otimizada.
3
No algoritmo baseado em enxame partculas uma populao de indivduos, ou
problema que so avaliadas a cada iterao do algoritmo de acordo com uma funo
guarda consigo informao sobre a melhor posio por ele j visitada. Por outro lado o
indivduos do enxame se movem pelo espao de busca procurando dessa forma atingir o
bastando para sua aplicao a existncia de uma funo de avaliao dos indivduos da
populao.
1.3. Metodologia
4
A viabilidade e eficcia de sua utilizao como ferramenta de otimizao so
5
Os resultados obtidos com o PSO foram comparados com a soluo obtida por
LAMARSH, 1966). O xennio, devido a sua alta seo de choque de absoro, e como
influenciadas por parmetros variantes no tempo tais como: nvel de potncia, posio
das barras e nvel de boro. A distribuio axial de potncia em um reator PWR funo
1995).
6
A predio da sada da planta pode ser realizada por meio de redes neurais
temporais. O otimizador procura otimizar uma funo objetivo que induz uma
pode provocar uma evoluo adversa das condies operacionais da usina que, se no
uma usina nuclear, diversos sistemas da usina devem ser monitorados fornecendo ao
operador informaes sobre o estado desses sistema para a tomada de deciso. Para
7
A evoluo das condies operacionais da usina usualmente apresenta um
pressionado a tomar uma deciso reduz ainda mais a sua capacidade cognitiva
aumentando assim a chance de uma tomada de deciso errada por parte do operador.
carga cognitiva do operador, sistemas de apoio tomada de deciso, tais como sistemas
condio segura.
evento anmalo da usina. Quando um evento de operao anormal deve ser identificado,
condies operacionais da usina com a assinatura de evoluo das variveis para cada
evento ao qual o evento est mais prximo usando para isso uma medida de distncia.
8
Em (ALVARENGA, 1998) encontramos uma lista de acidentes postulados para
uma usina nuclear bem como as variveis de processo consideradas como as que mais
classificado.
subclasses que forneam o melhor conjunto de centrides de modo que o MCS possa
9
Nos modelos de minimizao de particionamento do espao, o que se procura
prottipo, o centride da partio. Uma vez que nada obriga a que os prottipos para
prottipos sendo o desempenho de cada prottipo avaliado por uma funo que mede o
valores para o nmero mnimo de prottipos por classe a ser procurado. Esta abordagem
resultados obtidos mostram solues triviais no obtida por outros mtodos e foram
comparados com os resultados obtidos por meio de algoritmos genticos com base na
10
O presente captulo, apresenta o objetivo da tese, a metodologia para
11
O captulo 5 apresenta e descreve os resultados da aplicao do mtodo ao
apresenta um resumo dos principais algoritmos de otimizao por busca com base no
gradiente.
12
CAPTULO 2
2.1. Introduo
influenciado pela experincia individual acumulada por cada indivduo bem como pelo
espao de busca. Essas solues, denominadas partculas, tem associados um valor, que
como soluo para o problema, e uma velocidade que define a direo do movimento
da partcula. Cada partcula modifica sua velocidade levando em conta a melhor posio
alcanando o alimento.
13
2.2. Algoritmo Bsico
com uma populao de solues candidatas sendo, cada partcula, inicializada com uma
vk + 1 = a vk + b1 r1 ( p1 xk ) + b2 r2 ( p2 xk ) eq. (1)
xk + 1 = c xk + d vk + 1 eq. (2)
14
onde:
a fator de momento
Cada partcula modifica sua velocidade levando em conta a melhor posio da partcula
15
Nas equaes (1) e (2) cada dimenso atualizada independentemente das
outras. O nico vnculo entre as dimenses se d por meio da funo objetivo atravs da
influncia exercida pelas melhores posies anteriores p1 e p2 . Essa independncia
16
2.3. Modelo Determinstico
1
(4) atribuindo-se aos nmeros randmicos seus valores esperados, isto , r1 = r2 = . A
2
b1 + b2
b= eq. (5)
2
b1 b2
p= p1 + p2 eq. (6)
b1 + b2 b1 + b2
equaes, obtm-se uma equao recursiva de segunda ordem, ver equao (9), que
17
x k +1 + (bd a c) x k + acxk 1 = bdp eq. (9)
pelo algoritmo PSO, descritas pelas equaes (7) e (8), pode ser gerada com d = 1 e
de otimizao no ser afetada pois a funo objetivo apenas depende da posio sendo
partculas definida pela equao (9); isso se deve ao fato de que a equao(9)
equao (7), pode ser interpretada como a diferena entre duas posies diferentes da
18
2.4. Dinmica da Partcula
y k +1 = Ay k + Bp eq. (13)
onde:
x 1 b a b
yk = k , A= , B= eq. (14)
vk b a b
especificada
19
Assim, para uma partcula do enxame, a condio de equilbrio dada por:
y eq = [ p 0] , ou seja,
T
x eq = p e v eq = 0 eq. (15)
solues da equao:
2 (a b + 1) + a = 0 eq. (16)
2.4.1. Convergncia
20
Da anlise das razes da equao (16) resultam as seguintes condies:
algoritmo forem escolhidos dentro da regio triangular do plano (a,b), ver grfico (A) da
21
2.4.2. Oscilaes Harmnicas
condio:
O grfico (B) da figura 2.4 apresenta a regio do plano (a,b), determinada pela
O grfico (C) da figura 2.4 apresenta a regio do plano (a,b), definido pela
22
2.5. Seleo de Parmetros
23
A figura 2.5 apresenta os resultados para valores de a e b escolhidos na regio do plano
lenta.
24
A figura 2.7 apresenta os resultados para valores de a e b escolhidos na regio
convergncia rpida.
25
A figura 2.9 apresenta os resultados para valores de a e b escolhidos na regio
26
Como pode ser visto pelos exemplos anteriores, no caso do modelo
zag tendem a favorecer uma explorao maior do espao, embora isso seja feito s
assimtrico deve ser evitado j que assim apenas uma parte do espao explorada.
b1 r1 br
p= p1 + 2 2 p 2 eq. (20)
b1 + b2 b1 + b2
longo prazo, espera-se que p1 e p 2 convirjam para um mesmo ponto na medida em que
todas as partculas da populao convirjam para um mesmo ponto que passar a ser o
27
CAPTULO 3
REATOR
3.1. Introduo
(SILVENNOINEN, 1976).
28
A fim de poder avaliar o resultado obtido na otimizao do projeto do ncleo
O ncleo de reator a ser otimizado, ver figura 3.1, consiste de um ncleo com
trs regies de enriquecimento definidas por R1= 86 cm, R2=38 cm e R3=18 cm.
pico mdio f m e mantenha dentro dos limites, ver tabela 3.1, o fluxo mdio
unidade.
29
Tabela 3.1 Limites operacionais do reator
Varivel Mnimo Mximo
m [cm-2 * sec-1] 7.92 x10 5 8.08 x10 5
k ef 0,99 1.01
Onde:
Rf Raio do combustvel
c Espessura do revestimento
m
Espessura do moderador
E1 Enriquecimento da regio 1
E2 Enriquecimento da regio 2
E3
Enriquecimento da regio 3
Mf Material do elemento combustvel
Mc Material do revestimento
30
O problema de otimizao expresso como o problema de minimizar:
dk ef (.)
>0 eq. (4)
dVm
31
3.3. Modelagem do problema com o PSO
soluo do problema .
nmeros reais.
ser minimizada a qual depende dos parmetros e das restries do problema do projeto
!kef
fm se kef 0.01; 0.010 ; >0
Vm
!kef
f m + r1kef se kef > 0.01; 0.010 ; >0
Vm
!kef
f m + r2 se kef 0.01; > 0.010 ; >0
Vm
!kef !kef
f +
m 3 Vr se kef 0.01; 0.010 ; <0
Vm
f = m
f + r k + r !kef
se kef > 0.01; > 0.010 ; >0
m 1 ef 2 Vm
f + r k + r kef !kef
!
32
onde
= 0 eq. (15)
!k ef k ef k ef!
= eq. (16)
Vm 0.03 Vm
r1 = r2 = r3 = 10 eq. (17)
Vm
volume do combustvel V f permanece constante, a razo se modifica dentro de
Vf
33
Os parmetros de configurao utilizados para o algoritmo PSO, escolhidos
iguais para todas as dimenses, esto mostrados na tabela 3.3. Em cada iterao todos
3.5. Resultados
iteraes (MAX ITER), conforme tabela 3.4., mas mantendo o nmero total de
35
Figura 3.4 Convergncia com 50 iteraes de 400 partculas
Como pode se visto pelos resultados mostrados nas tabela 3.4, os melhores
Nos trs casos o nmero total de avaliaes (MAX ITER * MAX POP = 20000)
O melhor resultado obtido pelo PSO, obtido com 50 geraes de 400 indivduos
cada, pode ser visto na tabela 3.5 que mostra o resultado obtido com o PSO bem como
36
Tabela 3.5 Comparao de resultados
Objetivos AG PSO
Mnimo fator de pico mdio ( f m ) 1.2949 1.2781
Fluxo mdio ( m ) 8.023 x 10-05 8.023 x 10-05
Fator de multiplicao ( k ef ) 0.9948 0.99026
Parmetros do Ncleo AG PSO
R f [cm] 0.6280 0.7968
c [cm] 0.1604 0.0706
m [cm] 0.6808 0.7592
E1 [%] 2.7087 2.0000
E 2 [%] 3.0394 2.0993
E 3 [%] 4.7638 3.6207
Mf 1 = U metlico 1 = U metlico
Mc 2 = Ao Inox 2 = Ao Inox
Fitness 1.2949 1.2781
Como pode ser visto o algoritmo PSO obteve uma configurao, ainda dentro
dos limites de 1% para o fluxo e fator de multiplicao, cuja fitness de 1.2780, inferior
PSO como o algoritmo gentico convergem em torno de 12000 avaliaes, o que mostra
robustez.
Uma vez que o que se deseja minimizar o valor da funo objetivo, e dada a
37
CAPTULO 4
4.1. Introduo
devido a sua alta seo de choque de absoro, e como efeito da variao do nvel de
38
Devido variao da concentrao de xennio e grande seo de choque de
variao da seo de choque no ncleo do reator por meio da insero e remoo das
controle.
oscilao axial de xennio com base em trs offsets axiais de potncia calculados a
estabelecer uma trajetria que mantenha a distribuio de potncia dentro dos limites
pode ser gerada se os trs offsets axiais forem iguais. A soluo tima pode ser obtida
por meio de uma estratgia de controle que iguale os trs offsets axiais em um espao
39
(DOMINGOS, R.P., 2003) utiliza programao gentica para o projeto
sistema especialista fuzzy para estabelecer uma estratgia de controle da oscilao axial
que utiliza um modelo analtico para modelo do reator, aplicado no controle do fluxo
do sistema controlado (planta) que utilizam o modelo da planta para predizer o seu
40
Figura 4.1 Controle preditivo
considerando um horizonte p :
41
u ( k ), u ( k + 1),..., u ( k + m 1) eq.(1)
y (k + 1 k ), y (k + 2 k ),..., y (k + p k ) eq.(2)
onde :
u (k + m 1) seqncia de controle
p horizonte de predio
y = f ( x) eq. (3)
figura 4.3, aprendem o mapeamento f () por atravs do ajuste dos pesos da rede a partir
42
Com a utilizao de redes neurais, o sistema de controle no requer modelos
analticos da planta; o modelo da planta pode ser aprendido a partir de dados histricos
de operao da planta.
Introduzindo-se linhas de retardo, ver figura 4.4, as redes neurais do tipo feed-
forward podem ser usadas para predizer o estado futuro da planta, ver ANEXO 3.
4.2.2. Otimizador
N2 Nu
J= (y
j = N1
r (t + j ) y m (t + j )) + (u (t + j 1) u (t + j 2)) 2
2
j =1
eq. (4)
43
onde:
J ndice de performance
yr valor de referncia
u controle tentativo
44
4.3. Configurao e Treinamento do Preditor
camadas com linhas de retardo para os sinais de entrada conforme mostrado na figura
sigmide (logstica).
Para predizer o comportamento futuro da planta, a rede neural deve ser treinada
45
Os dados foram simulados, para de variao da seo de choque dentro de
limites impostos pelo modelo da planta, tendo sidos obtidos assim um total de 10000
pontos para treinamento e teste da rede. Os dados simulados para o treinamento da rede
46
A figura 4.6 mostra a resposta da rede e o erro e resultantes da aplicao dos
dados de treinamento.
47
aplicao dos dados de validao.
48
4.4. Otimizador com Enxame de Partculas
m Horizonte de controle 5
DIM Dimenso do indivduo m
X Min Valores mnimos de cada dimenso do problema 0.0
X Max Valores mximo de cada dimenso do problema 1.0
MAX ITER Nmero mximo de iteraes 50
MAX POP Numero de indivduos do enxame 100
a Fator de inrcia 0.7
b1 Coeficiente de fora de atrao individual 1.5
b2 Coeficiente de fora de atrao social 1.5
ced Coeficientes 1.0
49
4.6. Resultados
50
Como se v pela figura 4.11, observa-se que embora o controlador preditivo
ponto de equilbrio. Isto se deve ao fato de que embora o erro obtido no treinamento da
rede neural seja pequeno, basta uma pequena variao no sinal de controle para
provocar uma alterao na sada da planta. Assim, qualquer erro, por pequeno que seja,
instabilidade.
controle do controlador.
51
O resultado obtido mostra que o PSO capaz de otimizar a funo de
desvio do fluxo fazendo com que a oscilao de xennio seja suprimida. O controlador
programao gentica..
52
CAPTULO 5
NUCLEARES
5.1. Introduo
como visto nos captulos 3 e 4, foi possvel propiciar uma soluo inovadora e
prottipo por classe, ou seja, os vetores de Voronoi, das classes para a classificao de
acidentes.
classificao de transientes para apoio operao tem sido desenvolvidos para liberar o
53
Por essa razo, sistemas de diagnstico de acidentes tem que ser rpidos e prover
a rudo nos dados bem como fornecer uma resposta no sei para transientes
54
Usando o mecanismo de acumulao de evidncias, o classificador continua
computada usando uma votao majoritria dos valores obtidos em cada instante de
tempo.
classes ( isto , um evento includo em uma das super classes que so separveis a
partir da informao trazida por uma simples varivel). A interseo dos conjuntos de
classes (super classes) gerada por todos os classificadores produz a classificao final.
Este mtodo tem a vantagem de ser muito robusto, j que a classificao final baseada
passado. Este mtodo usa redes neurais do tipo feed-forward (sem realimentaes
diferentes, como avaliar vrios transientes do mesmo tipo com diferentes nveis de
severidade.
55
ROVERSO (1999) desenvolveu trs mtodos para classificao de eventos
agrupamento dos padres. Os resultados obtidos pelos trs mtodos foram comparados
especialista, com interface amigvel, faz perguntas aos operadores procurando obter
diagnstico.
serviram para gerar os prottipos (centrides) das classes representativas dos acidentes
postulados. Estes centrides foram utilizados para particionar os eixos das variveis em
56
A maneira mais simples e rpida de classificar os eventos temporais da usina
centride) e usando uma mtrica, como por exemplo a distncia euclideana, comparar as
distancias dos prottipos do evento aos prottipos dos transientes postulados. Cada
seu treinamento.
57
Nesse mtodo so utilizadas duas redes sendo uma rede responsvel pela
realizada pela primeira rede atravs da validao de cada varivel, permitindo assim
uma resposta no sei para eventos desconhecidos. Para aumentar a robustez a rede
centride da partio. Uma vez que nada obriga a que os prottipos para classificao
desempenho de cada prottipo avaliado por uma funo que mede o numero de acertos
cada acidente.
de otimizao por enxame de partculas para o qual fixamos diferentes valores para o
nmero mnimo de prottipos por classe a ser procurado. Esta abordagem estabelece um
modelo de soluo, que corresponde ao processo de busca dos vetores de Voronoi para
separao e identificao das classes, ou seja, o menor nmero de vetores que permitem
58
Os resultados obtidos mostram solues triviais no obtida por outros mtodos e
foram comparados com os resultados obtidos por meio de algoritmos genticos com
e atuao de diversos sistemas constitudos por inmeros componentes cuja falha pode
provocar uma evoluo adversa das condies operacionais da usina que, se no for
medidas para cada situao operacional. Para operar a central, os operadores monitoram
de deciso por parte do operador que, quando pressionado a tomar uma deciso, reduz
ainda mais a sua capacidade cognitiva aumentando assim a chance de uma tomada de
59
A fim de reduzir e minimizar a carga cognitiva do operador, e auxiliar o
uma usina, qual transiente melhor caracteriza o evento em curso. Para identificar um
acidentes postulados para uma usina nuclear bem como uma lista das variveis de
acidentes.
segurana de uma usina nuclear bem como uma descrio da maneira como esses
para um reator nuclear PWR e que devem fazer parte de um relatrio final de anlise de
segurana (FSAR).
60
A tabela 5.1 a seguir apresenta a lista de acidentes preconizada em
(ALVARENGA. 1998):
Evento Descrio
NORMAL Condio normal de potncia.
BLACKOUT Perda de alimentao eltrica externa.
LOCA Perda de refrigerante do sistema primrio.
SGTR Ruptura de tubos do gerador de vapor.
MFWBR Ruptura da alimentao principal.
TRIPTUR Desligamento da turbina
MEWFWISO Isolamento da alimentao principal e auxiliar
MFWISO Isolamento da alimentao principal
MSTMISO Isolamento da linha de vapor principal
STMLIBR Ruptura da linha de vapor principal
BLACKSEM Perda de alimentao eltrica sem desligamento do reator
MFBRWSEM Perda de alimentao principal sem desligamento do reator
MSTMISEM Isolamento da linha de vapor principal sem desligamento do reator
MEFWISEM Isolamento da alimentao principal/auxiliar sem desligamento do reator
MFWISEM Isolamento da alimentao principal sem desligamento do reator
TRIPTURSEM Desligamento da turbina sem desligamento do reator
Varivel Unidade
Vazo do ncleo %
o
Temperatura da perna quente C
o
Temperatura da perna fria C
Nvel no gerador de vapor Faixa larga %
Nvel no gerador de vapor Faixa estreita %
Presso no gerador de vapor Mpa
Vazo de gua de alimentao Kg/s
61
Tabela 5.2- Lista de variveis de acidentes (continuao)
Varivel Unidade
Vazo de vapor Kg/s
Vazo na ruptura Kg/s
Vazo no circuito primrio Kg/s
Presso no sistema primrio Mpa
Potncia trmica %
Potncia Nuclear %
o
Margem de subresfriamento C
Nvel do pressurizador %
o
Temperatura mdia no primrio C
evoluo das variveis para cada um dos eventos anmalos postulados da usina e
classificar o evento em curso pelo evento ao qual o evento est mais prximo usando
para cada um dos 18 acidentes postulados considerando a usina operando a 50% e 100%
62
Figura 5.1 Assinaturas de acidentes a 50%
63
Figura 5.2 Assinaturas de acidentes a 100%
64
5.4. Classificao de Eventos
Para o treinamento foram usados trs dos 18 transientes postulados para uma usina
f = k A A kC C eq. (1)
onde
A nmero de acertos
C nmero de parties
65
Na fase de treinamento so gerados centrides representativos das subclasses
uma funo objetivo que calcula o desempenho (fitness) de cada soluo candidata
soluo trivial deveria ser (a menos da soluo de nmero de parties igual a 0 que no
deveramos obter o a melhor fitness. No entanto, como pode ser visto, o mtodo de
66
Tabela 5.5. Mtodo MCP com 1 partio
NP A Particionamento GA
1 176 0000000000000000000000000000000000000000000000000000000000000
dos pontos da classe que o mesmo representa. A no ser o fato de que o mesmo deve
classe podem, em tese ser quaisquer vetores que representem bem a classe, isto
Uma vez que o que se quer determinar o menor nmero de parties (menor
acidente. Assim, por meio de uma funo objetivo, em que a adequao medida pelo
algoritmo de busca que procure uma soluo que maximize o nmero de acertos para
67
5.6. Configurao do PSO
de otimizao por enxame de partculas para o qual fixamos diferentes valores para o
nmero mnimo de prottipos por classe NPC a ser procurado. Cada indivduo do
algoritmo PSO consiste de NPC vetores de dimenso igual a NV. Assim, a dimenso de
Uma vez que todas as variveis, ver tabela 5.1, so normalizadas no intervalo
[0,1], os limites das variveis usadas para limites das dimenses dos indivduos do PSO
algoritmo PSO.
68
Tabela 5.6. Parmetros do algoritmo PSO (continuao)
5.7. Resultados
tabela 5.7 indicando, para cada nmero de prottipos NPC prefixado, o nmero de
acertos obtido
NPC Acertos
3 183 = 100%
2 183 = 100%
1 181 = 98.9%
pode ser visto, o nmero de acertos foi o maior possvel (100%) para NPC = 2 e NPC =
69
A figura 5.3 a seguir mostra a evoluo da fitness para NPC = 3.
70
A figura 5.5 a seguir mostra a evoluo da fitness para NPC = 1.
As figuras 5.5 e 5.6 mostram uma convergncia mais lenta, o que se justifica por
serem problemas cuja soluo mais difcil de ser encontrada.
As figuras 5.7, 5.8 e 5.9, a seguir, mostram, para uma das dimenses, a
localizao dos prottipos obtidos com o PSO para diferentes nmeros de prottipos por
classe (NPC).
71
A figura 5.6 a seguir mostra os prottipos obtidos com o PSO correspondentes a um
a A=181.
Conforme mostrado nas figuras 5.6 a 5.8, pode-se observar que todos os
e fornecer os mesmos resultados. Isto sugere que possvel que, se um dos centrides
5.8.
NP A Particionamento GA
2 183 1000000000000000000000000000000000000000000000000000000000000
73
De fato avaliando-se esse particionamento pelo mtodo de classificao
(100% de) acertos o que sugere que os acidentes podem ser identificados a partir do
Para NPC = 1 obtemos 181 acertos de um total de 183 possveis acertos, o que
74
CAPTULO 6
CONCLUSES E RECOMENDAES
6.1. Concluses
otimizao por enxame de partculas foi aplicado com sucesso na soluo de trs
75
A aplicabilidade do mtodo a sistemas continuo/discretos fica demonstrada pela
valores discretos e as demais podem assumir valores dentro de uma faixa de valores
reais. Nesse caso, o algoritmo PSO adota o artifcio de s utilizar os valores inteiros das
variveis.
modelos de rede possam ser utilizados para representar a planta sem que seja necessrio,
se no controlador preditivo o modelo de rede utilizado para representar a planta tiver que
do algoritmo PSO, no entanto, requer, da mesma forma que outros mtodos baseados em
prottipos por classe sem impor qualquer restrio sobre o que esses prottipos
76
Uma vez que nada obriga a que os prottipos para classificao sejam os
na busca dos prottipos que maximizam o numero de acertos para classificao de todos
no obtidas por outros mtodos usando algoritmos genticos com base na determinao
com aspectos de continuidade e existncia de limites e/ou derivadas. Uma vez que o
aplicado a qualquer tipo de problema para o qual se possa representar cada soluo
candidata por um vetor de dimenso n e essas solues possam ser avaliadas por uma
funo objetivo.
prottipo por classe, ou seja, os vetores de Voronoi, das classes para a classificao de
acidentes.
77
6.2. Sugestes para Trabalhos Futuros
Voronoi e uma vez que os mesmos esto localizados na origem, isto significa que os
Por essa razo deve ser possvel obter evidncias que possam ser transformadas em
Por outro lado pode ser necessrio estabelecer um mecanismo de separao que
presena de rudo.
No caso do controle preditivo, uma vez que o objetivo desta tese o de verificar
suficientemente preciso do preditor com a rede neural pode ter outros desdobramentos
que poderiam se desviar o objetivo do trabalho, deixamos como uma sugesto de tarefa
controlador.
78
A viabilidade de aplicao do PSO se concentrou na aplicao do mesmo para
problemas.
79
ANEXO 1
S n :
seja explicitamente conhecida e derivvel, ou que possa ser aproximada por alguma
busca, devem ser resolvidas as equaes que surgem quando se iguala a zero o gradiente
procuram gerar e testar pontos do espao em busca dos pontos que otimizem a funo
uma alternativa que procura acelerar o processo de busca e dividem cada direo do
81
A13. Mtodos de Busca Baseados no Gradiente
nos casos em que se pode determinar o gradiente da funo objetivo em torno de cada
ponto.
hessiano.
Se J ( x) ento exit
- v = J ( x )
- x = x+v
82
A1.3.2. Mtodo de Newton
2 J(w)
[ ]
O hessiano a matriz H( x ) = H i, j onde cada elemento H i, j =
xi xj
Calcular J ( x) e 2 J ( x)
Se J ( x) ento exit
v = 2 J ( x0 ) 1 J ( x)
x = x+v
J ( x ) = 0. e 2 J ( x) = pos. def .
J ( x ) = J ( x0 ) + 2 J ( x )( x x0 ) = 0
v = x 0 2 J ( x 0 ) 1 J ( x )
x = x+v
83
A1.3.5. Mtodo de Newton com Backtracking
Estabelecer (0,1 / 2)
Calcular J ( x) e 2 J ( x)
Se J ( x) ento exit
v = 2 J ( x0 ) 1 J ( x)
x = x + tv
Estabelecer (0,1 / 2)
Calcular J ( x) e 2 J ( x)
Se J ( x) ento exit
Se 2 J ( x) = pos def
o ento v = 2 J ( x) 1 J ( x)
o seno v = J ( x)
x = x + tv
84
A1.3.7. Mnimos Quadrados No Lineares
m m
J ( x) = ri ( x) 2 = (ai x b) 2
T
i =1 i =1
m m
J ( x) = rLIN ,i ( x) 2 = (ri ( x0 ) + ri ( x)T ( x x0 )) 2
i =1 i =1
ri ( x) rLIN ,i ( x) = ri ( x0 ) + ri ( x)T ( x x0 )
x = x0 2 J ( x0 ) 1 J ( x)
J ( x ) = J ( x0 ) + 2 J ( x )( x x0 ) = 0
x = x+v
m
J ( x ) = 2 r ( x)r ( x)
i =1
i i
m
2 J ( x) = 2 (r ( x) r ( x) + r ( x)
i =1
i
2
i i
T
ri ( x))
m
J ( x) = rLIN ,i ( x) 2 = Ax b
2
i =1
85
r1 ( x)T r1 ( x)T x r1 ( x)
r2 ( x)T r2 ( x)T x r2 ( x)
A= , b= = Ax r
... ...
T
rm ( x) rm ( x) x rm ( x)
T
m
J ( x ) = 2 r ( x)r ( x) = 2 A r
i =1
i i
T
Avaliar
o ri ( x) e ri ( x) i = 1,2,...m
r1 ( x) r1 ( x)T
r ( x)
2 r2 ( x)T
o r= , A= , b = Ax r
... ...
T
rm ( x) rm ( x)
Se J ( x) = 2 AT r ento exit
2
x = arg(min( Ax b )) = ( AT A) 1 AT b
Estabelecer (0,1 / 2)
Avaliar
86
o ri ( x) e ri ( x ) i = 1,2,...m
o [
r = [ri ( x)] , A = ri ( x)T ]
Se J ( x) = 2 AT r ento exit
2
v = arg(min( Ax b )) = ( AT A) 1 AT b
r ( x + tv)
2
Se i
2
> r + t ( 2 AT Av ) ento t = t / 2
i =1
x = x + tv
87
ANEXO 2
reator dividido em duas sees idnticas no sentido axial (eixo z), ver figura A2.1. O
energia.
da posio axial.
( z, t ) = 0 ( z , t ) eq. (1)
X ( z , t ) = 0 x( z , t ) eq. (2)
I ( z, t ) = I 0 y( z, t ) eq. (3)
88
onde
Fluxo
X Concentrao de xennio
I Concentrao de iodo
2 ( z, t ) f
D + a ( z ) ( z, t ) X X 0 x( z , t ) ( z, t ) F a 0 2 ( z, t ) = 0
z 2
k
eq. (4)
y ( z , t )
= I f 0 ( z, t ) I y ( z, t ) eq. (5)
t I0
y ( z , t ) I
= I f 0 ( z, t ) I 0 y ( z, t ) X x( z, t ) X 0 x( z , t ) ( z , t )
t I0 X0
eq. (6)
89
A seo de choque nas metades inferior e superior dada por:
H
a1 , z ( ,0)
a ( z) = 2 eq. (10)
H
a 2 , z (0, )
2
2 A 2 + 2( 1 3 ) A + 2 = 0 eq. (11)
1
2
1 32
1 = 4 D + ( a1 + a 2 ) + ( X X 0 + 3 F 0 a ) eq. (12)
f H 2 15
1 8 64
2 = ( a1 + a 2 ) + X X 0 B(t ) eq. (13)
f 3 15
1 2 1 8
3 = D + ( a1 + a 2 ) + ( X X 0 + F 0 a ) eq. (14)
f H 2 3
I f 0
I0 = eq. (15)
I
( I + X ) f 0
I0 = eq. (16)
X + X 0
4
90
As equaes das Amplitudes B(t) e C(t)
dC (t )
= I f 0 A(t ) I C (t ) eq. (17)
dt I0
dB(t ) I 2
= I f 0 A(t ) + I 0 C (t ) X B(t ) X 0 [ A(t ) + B(t )] X 0 [ A(t ) B (t )]
dt X0 X0 3 4
eq. (18)
respectivamente por:
1 (t ) =
H / 20
( z , t )dz
=
2
[1 A(t )] eq. (19)
0
H / 2
dz
H /2
2 (t ) =
0
( z, t )dz
=
2
[1 + A(t )] eq. (20)
H /2
0
dz
A mdia espacial das concentraes de xennio x(t) e iodo y(t) nas metades
2 2
x 1 (t ) = [1 B(t )] e x 2 (t ) = [1 + B(t )] eq. (21)
2 2
y 1 (t ) = [1 C (t )] e y 2 (t ) = [1 C (t )] eq. (22)
91
A2.2. Simulao da oscilao axial da potncia
Parmetro Valor
0 [cm-2 * sec-1] 2.1 1013
X [cm2] 2.6 10 18
F [cm2 * sec] 3.4 10 16
I 0.061
X 0.003
I [sec-1] 2.87 10 5
X [sec-1] 2.09 10 5
D [cm] 0.375
H [cm] 365.81
f [cm-1] 0.651
f [cm-1] 1.56
a [cm-1] 1.523
I frao de iodo
X frao de xennio
92
D dimetro do reator
H altura do reator
f seo de choque macroscpica de fisso
Como pode ser visto pela figura A2.2, na ausncia de uma ao de controle, a
FLX
IOD
XEN
As oscilaes de fluxo, xennio e iodo podem ser expressas por meio das
( P1 P 2)
AOP = eq. (23)
( P1 + P 2)
( I1 I 2)
AOI = eq. (24)
( I1 + I 2)
93
( I + X ) f ( X 1 X 2 )
AOX = eq. (25)
( I + X ) 2 X ( X 1 X 2 )
ver figura A2.3, o ponto de equilbrio est no centro. A oscilao do reator pode ser
espao de estado.
94
ANEXO 3
k = Wx + bk eq. (1)
y k = ( k ) = ( Wx + bk ) eq. (2)
95
onde
Funo Limitador
1 se k 0
( k ) = eq. (5)
1 se k 0
Funo Degrau
1 se k 0
( k ) = eq. (6)
0 se k 0
Funo Linear
( k ) = m k , k eq. (7)
1
( k ) = , k , eq. (8)
1 + exp( k )
96
A3.3 Camada de Neurnios
Os neurnios, conforme pode ser visto na figura A3.2, podem ser organizados
onde
97
A3.4 Redes de Mltiplas Camadas de Neurnios
da prxima camada. Cada camadas pode ter nmero de neurnios diferente das outras
Assim para uma rede constituda por trs camadas, teramos para:
onde:
98
A3.5 Aprendizado
x em um conjunto de sada y :
y = S ( x) eq. (18)
ajustados a partir da apresentao para a rede dos conjuntos de dados de entrada e sada
( x, y ) .
99
Para cada par de valores, comeando da primeira camada, a rede calcula os
valores de sada das diversas camadas at atingir a camada de sada, a rede neural avalia
determinado pela rede calculado e usado por um algoritmo de ajuste dos pesos para
W = W + dw eq. (19)
1
J= E[y - y n ] eq. (20)
2
Vrios mtodos de minimizao, ver ANEXO 1, podem ser usados, como por
W = W - ( J ) eq. (21)
convergncia.
100
A3.7 Predio com Redes Neurais
Usando-se uma linha de retardo com derivaes na entrada de uma rede neural,
pode-se construir um modelo de predio com redes neurais. Uma linha de retardo com
A figura A3.4 apresenta uma rede neural de uma nica camada com uma linha
retardo do sinal, aplicadas rede neural. Usando-se uma funo de ativao linear e
valor de x(t ) for aplicado, teremos construdo um filtro preditor capaz de calcular o
101
REFERNCIAS BIBLIOGRFICAS
Janeiro, Brasil.
BARTLETT, E. B., AND UHRIG R. E., 1992, Nuclear Power Plant Status Diagnostics Using
an Artificial Neural Network, Nuclear Technology, Vol. 97, (Mar), pp. 272-281.
BASU, A, AND BARTLETT E. B., 1994, Detecting Faults in a Nuclear Power Plant by Using
a Dynamic Node Architecture Artificial Neural Network, Nuclear Science and Engineering,
CADZOW, J.A, MARTENS, H.R., 1970, Discrete Time and Computer Controls Systems,
CAMACHO, E. F., BORDONS, C., 1995, Model Predictive Control in The Process Industry,
Springer, London.
102
CLARKE, D. W., MOHTADI, C., TUFSS, P.S., 1987, Generalized Predictive Control, Part 1,
DOMINGOS, R.P., CALDAS, G.H.F., PEREIRA, C.M.N.A, SCHIRRU, R., 2003, PWR Xenon
DOMINGUES, R.P., 1997, Modelos No Lineares da Engenharia Nuclear como uma Aplicao
DUDERSTAD, J., HAMILTON, L. H., 1976, Nuclear Reactor Analysis, U.S.A., John Wiley &
Sons, Inc.
FURUKAWA H., UEDA T. AND KITAMURA M., 1995, Use of Self-Organizing Neural
103
GLASSTONE, S., 1960, Principles o Nuclear Reactor Engineering, Mc Milan & CO Ltd, London.
GOLDBERG, D., E., 1989, Genetic Algorithms in Search Optimization and Machine Learning,
Addison Wesley.
HAYKIN, S., 1996, Adaptive Filter Theory, Third Edition, Prentice Hall Information And
Sciences Series.
HOLLAND, J. H., 1975, Adaptation in Natural and Artificial Systems, University of Michigan
Press.
JEONG E., FURUTA K., KONDO S., 1996, Identification of Transient in Nuclear Power Plant
Using Adaptive Template Matching with Neural Network, Proceedings of the International
Topical Meeting on Nuclear Plant Instrumentation, Control and Human Machine Interface
Technologies, pp.243-250.
JEONG E., FURUTA K., KONDO S., 1996, Identification of Transient in Nuclear Power Plant
Using Adaptive Template Matching with Neural Network, Proceedings of the International
Topical Meeting on Nuclear Plant Instrumentation, Control and Human Machine Interface
Technologies, pp.243-250.
104
KAYLATH, T., 1980, Linear Systems, Prentice-Hall Information and System Sciences Series.
KENNEDY, J., EBERHART, R. C., 1995, Particle Swarm Optimization, Proceedings IEEE, IV
KENNEDY, J., EBERHART, R. C., SHI, Y., 2001, Swarm Intelligence, Morgan Kaufmann
LUENBERGER, D. G., 1986, Linear and Non Linear Programming, 2nd Edition, New York
MOL, A.C.A., MARTINEZ, A.S., SCHIRRU, R., 2002, A New Approach for Transient
Identification with Dont Know Response Using Neural Networks. Power Plant Surveillance
105
MOL, A.C.A., MARTINEZ, A.S., SCHIRRU, R., 2002, Sistema de Identificao de Transientes
Meeting of Reactor Physics and Termal Hydraulics, Rio de Janeiro, Agosto, 2002.
NA, G. M., UDADHYAYA., B.R., CHOI, J.I., 2000, Adaptive Control for Axial Power
Genetic Algorithms in Core Designs, Annals of Nuclear Energy, 26 173-179, Pergamon Press.
PEREIRA, C.M.N.A, SCHIRRU, R., 2002, Genetic Based Identification System Design With
ROVERSO, D., 1998, A Neural Model for Event Identification in Dynamic Processes. In:
Norway.
ROVERSO, D., 1998, A Neural Model for Event Identification in Dynamic Processes. In:
Norway.
106
RUSSELL, S., NORVIG, P., 1995, Artificial Intelligence A Modern Approach, Prentice Hall
MACHADO, M. D. and MACHADO, L., 1999, Intelligent Soft Computing In Nuclear Energy
in Brazil, Progress in Nuclear Energy, Vol 35, No 3-4, pp 367-391, Pergamon Press Ltd.
SHIMAZU, Y., 1992, Direct Method of Search for Optimal Xenon Oscillation Control Based
On New Concept of Axial Offsets, Journal of Nuclear Science and Tecnology, 29[10], pp. 966-
971.
SHIMAZU, Y., 1995, Continuous Guidance Procedure for Xenon Oscillation, Journal of
SILVENNOINEN, P., 1976, Reactor Core Fuel Management, Pergamon Press Ltd., First
Edition.
Multigroup Methods of Exponentials and Reactors, Savannah River Laboratory, Aiken South
Carolina.
107
TRELEA, I. C., 2002, The Particle Swarm Optimization Algorithm: Convergence Analysis and
Parameter Selection, INA P-G, UMR Gmie et Microbiologie des Procds Alimentaries, PB01,
TSOUKALAS, L., H., UHRIG, R., E., 1997, Fuzzy and Neural Approaches in Engineering,
108