UTILIZAO DE ALGORITMOS EVOLUCIONRIOS MULTIOBJETIVOS NO

DIMENSIONAMENTO DE REDES DE ABASTECIMENTO DE GUA

Klebber Teodomiro Martins Formiga1; Fazal Hussain Chaudhry2

Resumo O dimensionamento de redes de abastecimento apresenta como seu principal problema

a determinao dos dimetros das tubulaes. Vrios pesquisadores tm buscado nas ltimas
dcadas uma metodologia capaz de dimensionar essas redes considerando diversos aspectos e
incertezas caractersticos desse tipo de projeto. O objetivo deste trabalho o emprego de um
mtodo multiobjetivo baseado em algoritmos evolucionrios para a gerao de uma srie de
solues no-dominadas. As funes objetivos avaliadas foram: o custo de implantao do
sistema, as perdas por vazamento na rede e a capacidade de atendimento das vazes. Para a
determinao da fronteira Pareto, utilizou-se o toolbox de domnio pblico MOEA desenvolvido
para o MATLAB acoplado a um simulador hidrulico hbrido baseado no mtodo de Nielsen. A
metodologia mostra-se promissora, visto que possvel determinar a regio no-dominada em um
nmero relativamente pequeno de iteraes.

Abstract The critical problem in design of water supply networks relates to determination of
pipe diameters. Several authors have focused on the methods capable of sizing the network
considering uncertainty and other important aspects. This study presents an application of
multiobjective decision making using evolutionary algorithms to generate a series of
nondominated solutions. The three objectives functions considered here include investment costs,
leakage losses and system demand supply ratio. In order to determine the Pareto frontier the
public domain toolbox MOEA developed to MATLAB coupled with a hybrid hydraulic simulator
based on the method of Nielsen. This technique is found to be quite promising, the nondominated
region being identified in reasonably small number of iterations.

Palavras Chave: otimizao multiobjetivo, projeto de redes, algoritmos evolucionrios.

1
Doutorando do Programa de Ps-Graduao em Hidrulica e Saneamento. Universidade de So Paulo Escola de
Engenharia de So Carlos So Carlos - SP CEP: 13.560-250 Fone: 0xx16-3376-4386 Fax: 0xx16-273-9550 e-mail:
klebberformiga@uol.com.br
2
Professor Titular do Programa de Ps-Graduao em Hidrulica e Saneamento. Universidade de So Paulo Escola
de Engenharia de So Carlos So Carlos - SP CEP: 13.560-250 Fone: 0xx16-273-9534 Fax: 0xx16-273-9550 e-mail:
fazal@sc.usp.br.
INTRODUO

Um dos principais desafios que os pesquisadores de tcnicas de dimensionamento de redes

de abastecimento tm enfrentado a definio de uma metodologia que possa ser realmente
aplicada de modo a gerar uma rede econmica e confivel sob o ponto de vista do atendimento
das demandas sob diferentes situaes. Na busca por essa resposta, diversos mtodos foram
propostos, porm, tais mtodos apresentam inconvenientes, seja pela dificuldade ou
inviabilidade de serem implementados numericamente, seja pela gerao de resultados no
satisfatrios sob o ponto de vista prtico do funcionamento das redes.
Os primeiros mtodos de dimensionamento de redes, considerando tcnicas de pesquisa
operacional, buscavam obter o mximo rendimento econmico das mesmas. Esses mtodos,
como o proposto por Alperovitz e Shamir (1977), surgiram em meados da dcada de 1970 e
propunham o dimensionamento da rede considerando aspectos econmicos de implantao e
operao. Tais metodologias eram baseadas inicialmente em programao linear (Alperovitz e
Shamir, 1977; Quidry et al., 1981), posteriormente foram utiliza diferentes tcnicas de
programao no-linear (Morgan e Gouter, 1985; Fujiwara et al., 1987; Formiga 1997), alm de
algoritmos genticos (Savic e Walters, 1997). Verificou-se, entretanto, que medida que as
redes ficavam mais econmicas, a sua viabilidade do ponto de vista operacional era
comprometida, j que o projeto, que era para ser uma rede malhada, tendia a se tornar uma rede
ramificada, uma vez que esta mais econmica do que a primeira, e o mtodo matemtico de
otimizao tender a encontrar sempre a soluo de menor custo.
Devido a essa situao, procurou-se desenvolver uma metodologia para o
dimensionamento dos sistemas de distribuio de gua que considerasse a sua capacidade de
atender as demandas sob condies adversas ou sob diferentes condies de vazo. A primeira
dificuldade deste processo diz respeito definio e escolha da medida de falha.
Tradicionalmente, considera-se que o sistema falhou quando, em um determinado tempo, a
presso em um n qualquer da rede menor do que uma presso mnima requerida. Modelos de
simulao como o EPANET2 (Rossman, 2000), utilizados para a avaliao hidrulica da rede,
assumem que a demanda totalmente satisfeita. Ou seja, em situaes de falha, no
atendimento da presso mnima, no h diferena se a carga no n foi de 99% ou 1% da mnima
exigida.
Com a finalidade de contornar esse problema advindo da definio tradicional de falha,
foram desenvolvidos mtodos que incorporam a severidade da falha ao modelo. Conceitos de
capacidade de atendimento que consideram as demandas como sendo dependentes da carga
hidrulica no n tm sido muito utilizado (Bhave (1981), Jowitt e Xu (1993), Fujiwara e Li
(1998), Tanyimboh et al. (2001)). Tais mtodos, embora apresentem diferentes funes para
relacionar as demandas nodais com as presses possuem em geral a mesma finalidade:
determinar o percentual de restrio na demanda proveniente do no atendimento de uma carga
mnima exigida.
A utilizao de uma forma de medir a capacidade de atendimento tambm incorpora um
conceito muito comum nos dias atuais que o de se dimensionar um projeto, esperando que o
mesmo possa vir a falhar em algumas situaes. Para os casos de rede, isso decorrente da
necessidade de implantao de novos projetos contando-se com uma escassez acentuada de
recursos, principalmente do poder pblico.
Alm dos aspectos de falha, uma questo que tm sido tambm incorporada ao
dimensionamento dos sistemas de abastecimento a diminuio da presso nos ns,
especialmente nos perodos em que o consumo de gua reduzido, como durante da madrugada.
A reduo dessa presso tem por finalidade principal a diminuio das perdas por vazamentos.
Embora essas perdas sejam difceis de se prever ainda na fase de projeto, elas certamente
ocorrero, pois, ainda que a execuo dos projetos de construo possa obedecer as mais
rigorosas normas de estanqueidade, a implantao das conexes domiciliares no so to
rigorosas assim, e tais ligaes so responsveis por quase 80% das perdas por vazamento em
cidades brasileiras (Silva, 1998).
Os mtodos de otimizao comuns trabalham tentando encontrar uma nica soluo
tima. No entanto, trabalhar com apenas uma perspectiva de projeto pode no ser a melhor
escolha, particularmente quando essa alternativa tima com relao a apenas algum aspecto.
Por exemplo, quando se faz a otimizao do sistema de abastecimento, encontra-se uma
configurao otimizada de modo a apresentar menor custo. Entretanto, pode haver um layout
com um custo um pouco maior, mas que apresenta uma maior capacidade de atendimento e/ou
uma menor perda por vazamento, dessa forma, pode-se aceitar um custo um pouco maior, e
obter resultados mais vantajosos. Sendo assim, conveniente a obteno de um conjunto de
solues otimizadas para ento se decidir qual seria a mais adequada.
A partir dessa perspectiva, toma-se por bem a adoo de um mtodo de dimensionamento
que leve em considerao diversos objetivos de projeto, podendo ainda ter uma influncia direta
da pessoa responsvel pela viabilizao da obra ou seu financiamento. Este trabalho visa a
implementao de uma tcnica multiobjetivo baseada em algoritmos evolucionrios para a
determinao de conjunto de solues ditas no dominadas. Os objetivos tratados sero:
minimizar os custo de implementao do sistema, maximizar a capacidade de atender as
demandas e minimizar as perdas devido a vazamentos.

ALGORITMO DE OTIMIZAO

A seguir sero mostrados os princpios da Otimizao Multiobjetivo e algumas estratgias

para a utilizao dos algoritmos genticos a problemas multiobjetivo.

Problemas Multiobjetivo
Nos problemas de otimizao multiobjetivo deseja-se maximizar ou minimizar um certo
nmero M, de funes objetivo. Sendo o vetor x, chamado de variveis de deciso, o problema pode
ser expresso como:
Maximizar ou Minimizar Z(x) = [Z1(x), Z2(x), Z3(x), ... ZM(x)] (1)
sujeito a: gj(x) = 0 j=1,2, ...J
hk(x) 0 k=1,2, ...K
xi xi xi
(U) (L)
i=1,2, ...N
onde xi(U) e xi(L) os limites superiores e inferiores das variveis de deciso, e g(x) e h(x) so
funes de restrio. O local dentro do espao das variveis de deciso limitado pelo conjunto de
restries de igualdade e desigualdade denominado de regio factvel (Xf).
Em problemas de otimizao simples todos os componentes da regio factvel podem ser
completamente ordenados segundo a funo objetivo f da seguinte forma: sejam x(1) e x(2) duas
solues pertencentes a Xf, ento uma das seguintes expresses verdadeira:
f(x(1)) > f(x(2));
f(x(1)) < f(x(2));
f(x(1)) = f(x(2))..
No entanto, quando se lida com mais de um objetivo, a regio factvel no pode ser
completamente ordenada, mas parcialmente ordenada. (Pareto, 1896 apud Zitzler 1999).
A maior parte das tcnicas multiobjetivo para delimitao da regio Pareto utilizam o conceito
de dominncia. Segundo esse conceito, todas as solues so comparadas duas a duas sendo
verificado a dominncia ou no de uma sobre a outra.
Segundo Deb (2001), o conceito de dominncia pode ser escrito da seguinte forma:
uma soluo x(1) domina uma soluo x(2), se ambas as afirmaes forem verdadeiras:
1) a soluo x(1) no menor que a soluo x(2) em nenhum dos M objetivos e;
2) a soluo x(1) estritamente melhor do que a soluo x(2) em pelo menos um objetivo.
A partir desse conceito pode-se dizer que existem trs possibilidades de dominncia entre
duas solues x(1) e x(2):
 x (1) f x (2) x(1) domina x(2)
x (1) p x (2) x(2) domina x(1)
x (1) ~ x (2) x(1) e x(2) so indiferentes.
Seja uma srie de solues P, o conjunto de solues no-dominadas P, composto por
todas as solues que no so dominadas por nenhum elemento de P. Quando a srie P,
representada por toda a regio factvel, o conjunto no-dominado resultante P, chamado de
conjunto Pareto timo (Deb, 2001).

Os Algoritmos Genticos
As bases tericas para os Algoritmos Evolucionrios (AE) foram propostas por John Holland
na dcada de 1960. Desde ento diversas tcnicas evolucionrias vm sendo desenvolvidas e
aprimoradas, dentre elas os Algoritmos Genticos (AGs). Esses mtodos operam com conjuntos de
candidatos que so constantemente mudados utilizando dois princpios bsicos da evoluo natural
das espcies: seleo e variao. Esses princpios tentam representar a competio onde os
indivduos mais aptos continuam vivos e reproduzem-se passando adiante o seu cdigo gentico
(Deb, 2001).
Devido a sua forma de trabalhar com uma gama de solues a cada gerao, os AGs so
capazes de encontrar vrias solues no dominadas ao longo do processo de otimizao. Essa
propriedade aliada a sua adaptabilidade a diferentes tipos de problemas, tornam os AGs importantes
ferramentas de otimizao multiobjetivo.
Os AGs so regidos basicamente por trs componentes (Vendhuizen, 1999):
populaes de candidatos;
processos de seleo dos candidatos mais aptos;
processos de manipulao gentica, geralmente recombinaes e mutaes.
Fazendo analogia com os processo de seleo natural, as solues candidatas so chamadas de
indivduos, sendo o conjunto dessas selees chamado de populao. No processo de seleo, que
pode ser estocstico ou determinstico, os indivduos de menor adaptabilidade so removidos
enquanto que os indivduos mais aptos se reproduzem gerando descendentes.
A recombinao e a mutao ajudam a gerar novos indivduos a partir da variaes dos
indivduos existentes. O operador de recombinao (crossover), geralmente, efetua a criao de
dois novos indivduos (filhos) a partir de um casal (pais) j existente, utilizando, para simular a
natureza estocstica da evoluo, uma probabilidade de recombinao associada a esse operador.
O operador de mutao responsvel por modificar o indivduo atravs de pequenas variaes no
seu cdigo gentico de acordo com uma probabilidade de mutao.
Baseado nos conceitos acima, a evoluo dos indivduos simulada por um mtodo iterativo
que ser descrito a seguir. Primeiramente, uma populao inicial gerada a aleatoriamente, sendo
esta populao o ponto inicial da evoluo. A seguir, procede-se uma sequncia repetitiva de
processos que consistem em avaliar, selecionar, recombinar e mutar os indivduos, gerando, assim,
novas populaes. Esses processos so efetuados com base na aptido de cada soluo, em que
indivduos com melhores aptides tero uma maior probabilidade de serem selecionados para o
processo de recombinao, passando assim parte dos seus genes futuras populaes. Cada iterao
desse processo recebe o nome de gerao. O nmero mximo de geraes usualmente adotado
como o critrio de parada, porm, existem outras condies tais como: estagnao da populao;
existncia de um indivduo com qualidades suficientemente satisfatrias; entre outras.
A soluo procurada ser o melhor indivduo, ou seja, aquele que tm a maior aptido da
populao final, ou de uma populao dentro do processo.

Implementao dos AGs a Problemas Multiobjetivos

Dependendo do tipo de estratgia adotada, os AGs multiobjetivos (MOGA) podem ser
classificados em:
 mtodos que consideram os objetivos separadamente: estes mtodos levam em conta no
processo evolutivo, um objetivo de cada vez, ou seja, a cada tempo, a escolha do indivduo
para reproduo feita considerando um objetivo diferente;
mtodos que utilizam tcnicas de agregao dos objetivos: essas tcnicas se baseiam no
mtodo dos pesos tradicional, em que o problema multiobjetivo substitudo por uma funo
simples, no entanto, os pesos dessa funo so variados aleatoriamente a cada gerao;
mtodos baseados no conceito de dominncia Pareto: estes mtodos utilizam o conceito de
dominncia Pareto proposto por Goldberg (1989), que procura separar os indivduos atravs
de uma ordenao ou ranking. Os indivduos no dominados correspondem ao rank 1, sendo
ento temporariamente retirados da populao. Os indivduos no dominados restantes tero
ento rank 2, e assim por diante. A aptido de cada indivduo ser ento baseada no seu
ranking, sendo que os indivduos de ranking menor sero os mais aptos.

Neste estudo, o mtodo utilizado baseado no conceito de dominncia Pareto, j que esta
classe de mtodos se mostrou mais eficiente que as outras.
As duas maiores dificuldades enfrentadas para a aplicao dos AGs a problemas
multiobjetivos so (Zitzler, 1999):
acoplar a adaptabilidade aos processos de seleo de modo que a buscar a regio Pareto tima;
manter a diversidade da populao evitando uma convergncia prematura e manter uma boa
distribuio das solues ao longo da fronteira no dominada.
As tcnicas para se alcanar esses dois objetivos sero abordadas a seguir.

Aptido e os Processos de Seleo

Ao contrrio dos problemas de otimizao simples, em que as funes objetivo e de aptido
so geralmente iguais, nos problemas multiobjetivos o clculo da aptido e o processo de seleo
dos indivduos, devem considerar os mltiplos objetivos do problema. Foram desenvolvidas vrias
estratgias, baseadas em tcnicas utilizadas para encontrar timos em funes multi-modais, para a
soluo desse problema.
Para encontrar a regio Pareto tima utilizando tcnicas evolucionrias necessrio
introduzir uma forma de busca onde solues distintas dentro dessa zona possam ser encontradas.
Por esse motivo, a manuteno da diversidade da populao fundamental para que o processo de
otimizao multiobjetivo obtenha sucesso. Os algoritmos genticos tradicionais tendem a
convergir para uma nica soluo medida que o processo avana, no sendo assim capazes de
achar de forma adequada regio no dominada. Para superar essa deficincia, foram
desenvolvidas vrias tcnicas sendo que as mais utilizadas so descritas a seguir.

- Diviso da aptido
Baseia-se no princpio que indivduos pertencentes mesma regio tm que dividir os
recursos daquele local, permitindo a manuteno da estabilidade de subpopulaes (nichos).
Segundo essa idia, os indivduos localizados na vizinhana de outro iro dividir com ele
a sua aptido. A vizinhana nesse caso, definida em termos da distncia entre dois indivduos
d(i,j), e sujeita a uma zona de influncia denominada de raio do nicho (nicho).
Matematicamente, a aptido, F(i), de um indivduo i ser uma aptido original, F(i),
dividida por um fator de nicho. Dessa forma:
F( i )
F' ( i ) = (2)
s
onde s um fator de diviso dos recursos entre o indivduo e seus vizinhos, que
calculado por:
 d(i, j) c
1 - se d(i, j) > nicho
s(d(i, j)) = nicho (3)

0 se d(i, j) nicho

- Restrio de recombinao
A recombinao possvel entre dois indivduos quando os dois pertencem a uma
mesma regio, que limitada por um parmetro de distncia mate. Este mtodo minimiza o
aparecimento dos chamados indivduos natimortos, ou seja, indivduos que apresentam
condies de aptido inferior a seus pais, e melhora tambm a performance do processo de
otimizao.

FUNES OBJETIVO

Os trs objetivos tratados nesse trabalho sero descritos a seguir.

Minimizao dos Custos

A funo custo deve incorporar os gastos com os principais componentes presentes nos
sistemas de distribuio de gua. Esses gastos so divididos em: custos de implantao e custos de
operao. Os custos de implantao so formados pelos gastos com compras e instalao de
equipamentos como tubos e bombas, bem como com a construo de instalaes como
reservatrios. Os gastos com tubos est relacionado diretamente ao dimetro e classe de presso do
mesmo, como est se lidando com redes de abastecimento, em que as presses so, por norma,
limitadas superiormente a 50 mca, embora em alguns casos possa ultrapassar os 100 mca. A classe
dos tubos no ter a mesma relevncia de que se compara, por exemplo, a projetos de adutoras,
dessa forma, o fator que ir influenciar no custo do tubo, neste trabalho, ser o dimetro. O custo do
conjunto motor-bomba diretamente ligado vazo bombeada e altura de aduo. No entanto, a
escolha especfica das bombas e motores se dar apenas na fase final de projeto. Sendo assim, a
adoo do custo do conjunto motor-bomba ser feita considerando o custo da potncia instalada. O
custo do reservatrio definido pela altura e capacidade do reservatrio. Como a capacidade
definida atravs de norma, este custo ser ento funo da altura. Os gastos referentes operao
podem ser expressos como funo da energia consumida pelo conjunto motor-bomba. Esses gastos
ocorrem ao longo da vida til do projeto, fazendo-se necessrio a utilizao de um coeficiente de
atualizao dos custos.
Os custos de implementao e operao dos sistemas de abastecimento podem ser escritos da
seguinte forma:
NT NR NB NB
Custo = CT ( D) i Li + CR ( HR) j HR j + CB ( Pot ) k Pot k + a k CE k Potknhk (4)
i =1 j =1 k =1 k =1

sendo:
Custo - o custo total de implantao e operao do sistema;
CT(D)i - o custo referente ao dimetro Di utilizado no trecho i;
Li - o comprimento do trecho i;
NT - o nmero de trechos da rede;
CR(H)j - o custo do reservatrio relacionado com a elevao HRj do mesmo;
HRj - a elevao do reservatrio j;
NR - nmero de reservatrios do sistema;
CB(Pot)k - custo do conjunto motor-bomba com potncia Potk;
Potk - potncia do conjunto motor-bomba k;
NB - nmero de conjuntos motor-bomba;
ak - taxa de atualizao do custo de operao;
CEk - custo da energia referente ao conjunto k;
 nhk - nmero mdio de horas de utilizao anual do conjunto k;
Essa a formulao mais geral do problema, podendo em alguns casos no constarem um ou
mais termos.

Maximizao da capacidade de atendimento

O montante de gua fornecido em um determinado n ser funo da presso no mesmo.
Para se fazer a correspondncia entre a carga no n e a sua demanda preciso determinar uma
funo que relacione essas duas variveis.
Diversas trabalhos (Tucciareli et al. 1999; Fujiwara e Ganesharajah, 1993) desenvolveram
frmulas para esse fim, entretanto, a maioria dessas frmulas apesar de uma certa elegncia
matemtica, pois apresentam continuidade tanto de 1 quanto de 2 ordem so baseadas em
critrios puramente empricos. Uma relao hidraulicamente mais racional, que considera o n
como sendo um orifcio, foi proposta por Chandapillai (1991). Segundo esse trabalho a carga
em um determinado n pode ser expressa como sendo:
1
H j H min nj
Dem j =
j
(5)
K
j
em que:
Demj - a demanda no n j;
Hj - a carga hidrulica no n j;
Hjmin - a carga hidrulica mnima necessria a ocorrncia de demanda;
Kj - um coeficiente associado ao no;
nj - expoente associado carga no n tomado geralmente como sendo 2;
Segundo Tanyimboh el al. (2001), quando Demj = Demjreq (demanda requerida) e Hj = Hjreq
(carga hidrulica desejvel no n). Para que a demanda seja atendida plenamente, necessrio que a
carga no n j seja no mnimo de Hjreq. Sendo assim:
H req H min
Kj =
j j
(6)
(
)
Dem req n j
j
Dessa forma substituindo (6) em (5) obtm-se a seguinte relao:
Dem j = 0 se Hj 0
1
Hj H min nj
Dem j = Dem req j
se H j H req (7)
j H H
req min j
j j

Dem j = Dem req

j
se H j > H req
j

Com base na vazo atendida no n, pode-se estabelecer ento a funo que determine a falha
no sistema. Fujiwara e Li (1998) propuseram maximizar a menor taxa de atendimento da demanda
na rede, ou seja:
Dem j
Max min
req
j = 1..NN
Dem
j
sendo NN o nmero de ns da rede. (8)

Minimizao das perdas por vazamentos

A finalidade de se introduzir as perdas por vazamentos na funo objetivo tentar computar
os efeitos nocivos decorrentes das altas presses no sistema. As primeiras tentativas de minimizar
os vazamentos em projetos de sistema de distribuio de gua buscava a minimizao do excesso de
presso na rede (Bargiela 1984, Miyaoka e Funabashi 1984). Entretanto, a incorporao de uma
formulao que considerasse diretamente as perdas como dependentes da presso s foi feita por
Germanoupolus e Jowitt (1989).
 Recentemente, Tucciarelli et al. (1999) propuseram uma formulao que relaciona
diretamente o vazamento com os ns, ao invs dos trechos como no trabalho de Germanoupolus e
Jowitt (1989). Essa nova formulao apresenta duas vantagens: uma grande do ponto de vista
computacional, j que na maioria dos modelos de simulao se trabalha com equaes a nvel de n
e no de trecho, e outra por incluir o dimetro do tubo como uma varivel, melhorando a
determinao do coeficiente de perdas. A relao entre carga hidrulica no n e vazamento proposta
por Tucciarelli et al. (1999) dada por:
Mj

Vaz j = (H j z j )
j
ji D ji L ji (9)
i =1 2
onde:
Vaz - a vazo perdida por vazamento no n j;
zj - a cota do terreno no n j;
ji - o coeficiente de perda do trecho i ligado ao n j;
j - o expoente de perdas associado ao n j;
Mj - o nmero de trechos adjacentes ao n j;
Quando a demanda varivel no tempo, a fuga de gua calculada como sendo a mdia das
vazes ao longo do tempo. Assim, a funo objetivo para reduo das perdes ser:
NN
Min Vaz j (10)
j =i

ESTUDO DE CASO

O modelo de otimizao proposto neste trabalho foi aplicado a uma rede composta por 9
trechos e 8 ns (Figura 1), proposta por Alperovitz e Shamir (1977). O sistema possui ainda dois
reservatrios, sendo que um deles serve como reservatrio de sobra.
O sistema de distribuio foi submetido a duas situaes de carga. Na primeira, os ns
podem ser abastecidos pelos dois reservatrios na segunda o reservatrio situado no n 1,
enche o reservatrio do n 8. Os dados das demandas, cotas e presses mnimas requeridas
nos ns so mostrados na Tabela 1. O comprimentos dos trechos e coeficientes de perdas de
carga so mostrados na Tabela 2. Os preo dos tubos por metro de comprimento so
apresentados na Tabela 3.
Alm dos dimetros dos trechos, sero encontradas tambm as alturas dos reservatrios. O
custo por unidade de elevao de cada reservatrio foi de 2.000 UMT/m.
Os dados referentes s possveis perdas de gua por vazamentos no sistema foram arbitrados
levando-se em conta valores mdios obtidos na literatura. Para o coeficiente de vazamento foi
considerado como sendo 10-7 m-0,18s-1 para todos os trechos, enquanto que o expoente foi
considerado como sendo 1,18.

Tabela 1 - Dados referentes aos ns da rede Tabela 2 - Dados referentes aos trechos da rede

Presso Comprimento f
Cota Demandas (l/s) Trecho
N Requerida (m)
(m)
(mca) Cond. 1 Cond. 2 1 1000 0.02
1 210 0 0 0 2 1000 0.02
2 150 30 27.8 0 3 1000 0.02
3 160 30 27.8 0 4 1000 0.02
4 155 30 33.3 0 5 1000 0.02
5 150 30 75.0 0 6 1000 0.02
6 165 30 91.6 0 7 1000 0.02
7 160 30 55.6 0 8 1000 0.02
8 195.5 0 0 83.3 9 100 0.02
Tabela 3 - Custo unitrio da tubulao
Diametro Custo Diametro Custo
(mm) (UMT/m) (mm) (UMT/m)
50 5 300 50
3 2
1000 m 1000 m
75 8 350 60 2 1 1
100 11 400 90
150 16 450 130
200 24 500 170 7 3
250 32 - -
Legenda:
5 1000 m Trecho
4
4 N

8
5
Re servatrio 2

9 6
100 m 1000 m
8 7 6
Figura 1 - Layout da rede

Para simulao hidrulica utilizou-se um modelo hbrido baseado nos mtodos da Teoria
Linear e Newton-Raphson. Esse modelo mostrou-se muito eficiente na resoluo na simulao de
sistemas sendo capaz de convergir em poucas iteraes (Nielsen 1989; Souza 1994). A idia
principal desse esquema est capacidade de utilizar as vantagens de cada um dos mtodos. O
mtodo de Newton-Raphson apresenta uma taxa de convergncia pequena, no tendendo a
nenhuma soluo em alguns casos, quando a soluo inicial no se encontra nas proximidades da
soluo final. Para se contornar esse problema, implementa-se, geralmente, sub-rotinas para a
determinao da soluo inicial. O mtodo da Teoria Linear apresenta uma taxa de convergncia
inicial melhor do que o mtodo Newton-Raphson no precisando de valores iniciais to bons. No
entanto, tal mtodo tende a ficar oscilando em torno da soluo final, apresentando dificuldades de
convergncia para sistemas complexos. O mtodo proposto por Nielsen (1989) faz inicialmente
algumas iteraes com o mtodo da Teoria Linear, obtendo-se uma boa aproximao das vazes e
cargas hidrulicas nos ns. Essa aproximao a soluo inicial do mtodo Newton-Raphson, que,
a partir dessa soluo, tende a convergir em um nmero muito pequeno de iteraes.
O simulador hidrulico foi implementado no MATLAB 6.1 sendo capaz de fazer operao de
bombas, reservatrios, vlvulas comuns e redutoras de presso, bem como trabalhar com
vazamentos e demandas dependentes da presso.
A determinao da regio no-dominada foi feita utilizando o Toolbox do para MATLAB
MOEA (Tan et al., 2001). Essa ferramenta utiliza algoritmos genticos e tcnicas evolucionrias
como diviso da aptido e a restrio de acasalamento para determinar a regio Pareto tima.
Neste trabalho se os seguintes parmetros do algoritmo gentico foram utilizados:
- mtodo de seleo: Torneio de 2 indivduos;
- probabilidade de mutao: 0.1;
- probabilidade de recombinao: 0.7;
- nmero de pontos de recombinao: 2.
 1 1

0.9 0.9

0.8 0.8

0.7 0.7
Capacidade de Atendimento

Capacidade de Atendimento
0.6 0.6

0.5 0.5

0.4 0.4

0.3 0.3

0.2 Populao Inicial 0.2 Populao Inicial

Gerao 10 Gerao 10
0.1 Gerao 20 0.1 Gerao 20
Gerao 30 Gerao 30
0
0
0 100000 200000 300000 400000 500000 600000 700000 800000 900000 1000000
0 20 40 60 80 100 120 140
Custo (UMT)
Vazamento (l/s)

Figura 2 - Capacidade de atendimento versus custo para Figura 3 - Capacidade de atendimento versus vazamento
populao inicial e primeiras gerees para populao inicial e primeiras gerees
1.00 1.00

0.90 0.90

0.80 0.80
Capacidade de Atendimento

Capacidade de Atendimento
0.70 0.70

0.60 0.60

0.50 0.50

0.40 0.40

0.30 0.30

0.20 Geracao 50 0.20 Geracao 50

Geracao 100 Geracao 100
0.10 Geracao 250 0.10 Geracao 250
Geracao 500 Geracao 500
0.00 0.00
50000 100000 150000 200000 250000 300000 350000 10.00 15.00 20.00 25.00 30.00 35.00 40.00 45.00 50.00 55.00 60.00
Custo (UMT) Vazamento (l/s)

Figura 4 - Capacidade de atendimento versus custo para Figura 5 - Capacidade de atendimento versus vazamento
diversas geraes para diversas geraes
Tabela 4 - Resultados de algumas solues da 500 gerao
Trecho Diametro (mm) Altura (m) Custo Vaz Cap. de
Indivduo 1 2 3 4 5 6 7 8 9 1 8 (UMT) (l/s) Atend.
11 0.30 0.15 0.30 0.20 0.30 0.30 0.05 0.20 0.25 17.98 0 290310 54.6 1.000
21 0.30 0.15 0.30 0.20 0.30 0.30 0.05 0.20 0.20 17.98 0 289360 52.9 0.965
37 0.30 0.15 0.30 0.20 0.30 0.30 0.05 0.15 0.35 17.37 0 285860 53.8 0.981
47 0.30 0.15 0.30 0.20 0.30 0.30 0.05 0.15 0.25 17.98 0 283770 53.2 0.955
60 0.30 0.15 0.30 0.20 0.30 0.30 0.05 0.15 0.25 16.16 0 280140 52.3 0.951
65 0.30 0.15 0.30 0.20 0.30 0.25 0.15 0.15 0.35 16.16 0 279720 54.2 0.937
75 0.30 0.15 0.30 0.20 0.30 0.25 0.05 0.20 0.20 17.98 0 275680 52.0 0.917
49 0.30 0.15 0.30 0.20 0.30 0.30 0.05 0.15 0.35 11.31 0 273740 51.1 0.893
22 0.30 0.15 0.30 0.10 0.30 0.25 0.10 0.20 0.20 17.98 0 269040 51.5 0.859
41 0.30 0.15 0.30 0.10 0.30 0.25 0.15 0.20 0.20 11.92 0 261950 49.0 0.800
82 0.30 0.15 0.25 0.10 0.30 0.25 0.15 0.20 0.20 17.98 0 260390 49.5 0.804
98 0.25 0.15 0.30 0.20 0.30 0.25 0.05 0.15 0.20 17.98 0 255460 42.2 0.672
40 0.25 0.15 0.30 0.05 0.25 0.30 0.15 0.15 0.35 17.98 0 253170 44.9 0.680
2 0.25 0.15 0.30 0.20 0.30 0.30 0.05 0.05 0.20 11.92 0 247050 39.4 0.599
12 0.30 0.15 0.30 0.20 0.20 0.20 0.05 0.20 0.20 17.98 0 243160 49.5 0.756
78 0.30 0.15 0.25 0.05 0.25 0.25 0.15 0.15 0.35 17.78 0 239070 48.3 0.714
91 0.25 0.15 0.30 0.05 0.25 0.30 0.15 0.15 0.15 11.31 0 234930 37.2 0.498
97 0.25 0.15 0.30 0.05 0.25 0.25 0.10 0.15 0.35 17.98 0 234440 42.8 0.629
16 0.25 0.15 0.30 0.05 0.25 0.25 0.10 0.15 0.15 11.31 0 216210 35.9 0.470
17 0.30 0.15 0.25 0.05 0.20 0.20 0.15 0.15 0.20 17.58 0 215590 44.8 0.578
19 0.25 0.15 0.25 0.05 0.25 0.20 0.15 0.15 0.20 17.58 0 211320 38.3 0.536
13 0.25 0.10 0.25 0.05 0.25 0.30 0.05 0.20 0.15 9.29 0 208730 33.5 0.392
55 0.25 0.15 0.25 0.05 0.20 0.20 0.15 0.15 0.35 16.16 0 203320 38.5 0.484
94 0.25 0.15 0.25 0.05 0.25 0.20 0.15 0.15 0.20 11.92 0 200010 36.2 0.470
93 0.25 0.15 0.25 0.05 0.20 0.20 0.15 0.15 0.20 16.16 0 199080 37.1 0.473
89 0.25 0.15 0.20 0.05 0.20 0.20 0.15 0.15 0.35 17.78 0 197140 37.3 0.446
42 0.25 0.15 0.25 0.05 0.25 0.20 0.15 0.15 0.15 9.49 0 194510 33.7 0.402
50 0.25 0.15 0.20 0.05 0.20 0.20 0.10 0.15 0.25 17.98 0 189200 36.5 0.389
76 0.25 0.15 0.20 0.05 0.25 0.20 0.15 0.15 0.20 9.90 0 186550 33.9 0.379
81 0.25 0.10 0.25 0.05 0.25 0.20 0.10 0.15 0.15 9.29 0 184020 32.1 0.358
15 0.25 0.15 0.20 0.05 0.25 0.20 0.10 0.10 0.15 11.31 0 178650 31.8 0.301
26 0.25 0.15 0.20 0.05 0.20 0.20 0.15 0.05 0.20 11.92 0 171200 32.8 0.309
33 0.30 0.15 0.25 0.05 0.20 0.20 0.15 0.05 0.20 0.00 0 170470 34.1 0.284
63 0.25 0.15 0.25 0.05 0.20 0.20 0.15 0.15 0.15 0.00 0 166100 29.4 0.249
46 0.25 0.15 0.20 0.05 0.20 0.15 0.10 0.10 0.15 11.31 0 162700 30.6 0.256
53 0.20 0.15 0.20 0.05 0.20 0.20 0.15 0.05 0.15 11.52 0 160320 25.2 0.206
59 0.25 0.15 0.25 0.05 0.20 0.20 0.15 0.05 0.15 1.41 0 158960 28.8 0.243
87 0.20 0.15 0.20 0.05 0.15 0.15 0.10 0.05 0.15 11.92 0 143020 23.9 0.147
27 0.20 0.10 0.20 0.05 0.20 0.20 0.15 0.05 0.20 1.82 0 136540 23.3 0.131
44 0.20 0.10 0.20 0.05 0.20 0.15 0.15 0.05 0.20 1.82 0 130010 21.8 0.114
31 0.20 0.10 0.20 0.05 0.20 0.15 0.15 0.05 0.15 0.00 0 125720 20.6 0.098
52 0.20 0.10 0.20 0.05 0.15 0.15 0.10 0.05 0.20 1.41 0 117630 20.7 0.093
72 0.20 0.10 0.15 0.05 0.20 0.15 0.10 0.05 0.10 1.21 0 116070 18.5 0.063
51 0.20 0.10 0.20 0.05 0.15 0.15 0.10 0.05 0.10 0.00 0 113640 18.7 0.078
7 0.20 0.10 0.15 0.05 0.15 0.15 0.10 0.05 0.10 1.21 0 109530 18.0 0.057
1 0.20 0.10 0.15 0.05 0.15 0.10 0.10 0.05 0.10 0.00 0 102070 17.3 0.039
3 0.20 0.10 0.15 0.05 0.10 0.10 0.10 0.05 0.10 1.21 0 99452 17.2 0.025
8 0.20 0.10 0.15 0.05 0.10 0.10 0.10 0.05 0.05 0.00 0 96535 16.7 0.017
9 0.20 0.10 0.15 0.05 0.15 0.05 0.05 0.05 0.10 0.00 0 92203 16.2 0.000
4 0.20 0.10 0.15 0.05 0.10 0.05 0.05 0.05 0.10 0.00 0 87163 15.7 0.000
 1.0

50 0.9

0.8
45
0.7
40
0.6

35 0.5

0.4
30
0.3
25
0.2

20 0.1

0.0
1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 2.6 2.8
5
C usto (U M T) 10
Figura 6 - Superfcie no dominada para a aps 500 geraes

O procedimento de otimizao foi aplicado considerando as trs funes objetivo j

mencionadas, para essa rede essas funes seriam:
9 2
FO1: Min CT ( Di ) Li + CR ( HR j ) HR j (11)
i =1 j = 1
Dem jt
FO2: Max min j = 1,...,8, t = 1 e 2
Dem req
(12)
jt
2 9
Vaz it
FO3: Min (13)
t =1 i =1 2
Foram simuladas duas situaes: na primeira, as variveis de deciso sero apenas os
dimetros (Di) dos 9 trechos na segunda alm dos dimetros sero encontradas as alturas (HRj) dos
2 reservatrios.
Os resultados encontrados so mostrados nas Figuras 2 a 6 e na Tabela 4
Pode-se verificar que nas 20 primeiras iteraes, as solues encontradas pelos procedimentos
propostos ficaram prximas do que seria a fronteira no dominada (Figuras 2 e 3). Observa-se
tambm que a partir da 100 gerao no houve mudanas significativas na regio no dominada,
permanecendo praticamente inalterada at a 500 gerao, que foi a ltima obtida (Figura 4 e 5).
Observa-se que os custos apresentam uma variao de 87.000 a 290.000 UMT e que estes so
diretamente proporcionais s perdas por vazamentos (Figura 6). Os vazamentos tiveram uma
variao de aproximadamente 15 a 55 l/s. Esse ltimo valor corresponde a aproximadamente a 28%
de perdas por vazamentos, que representa uma faixa valores verificados na prtica.
A capacidade de atendimento apresenta uma variao potencial proporcional aos custos,
enquanto que, quando comparada com a evoluo dos vazamentos, mostra ter uma tendncia linear.
Essas relaes se justificam, tendo em vista que, ao se aumentar os dimetros das tubulaes, e seus
custos, haver uma diminuio da perda de carga, e consequentemente, um aumento da presso nos
ns, o que eleva a capacidade de atendimento e tambm as perdas por vazamentos.
Apesar de ser possvel delimitar a regio Pareto tima, o mtodo MOEA apresenta perda de
alguns bons indivduos, o que tende a tornar a sua convergncia mais lenta. Para sanar essa
dificuldade, torna-se interessante a adoo de um mtodo evolucionrio multiobjetivo elitista, que
seja capaz de manter um bom conjunto de solues no dominadas, ou seja, solues que sejam
capazes de cobrir mais uniformemente a fronteira tima, ao longo das geraes.

CONCLUSES

Neste trabalho foi aplicado um mtodo evolucionrio multiobjetivo para a determinao de

uma regio no dominada considerando como objetivos a minimizao dos custos, a maximizao
da capacidade de atendimento e a minimizao das perdas por vazamentos.
O modelo proposto foi aplicado a uma rede exemplo, composta de 9 trechos e 8 ns e
abastecida por dois reservatrios. Utilizou-se uma ferramenta multiobjetivo evolucionria de
domnio pblico (MOEA) para MATLAB, aliado a um simulador hidrulico hbrido baseado no
mtodo proposto por Nielsen.
O resultados encontrados indicam que o mtodo MOEA foi capaz de convergir regio no
dominada em um nmero relativamente pequeno de iteraes.
Embora tenha mostrado ser capaz de encontrar a regio no-dominada a metodologia
multiobjetivo evolucionria utilizada perdeu, ao longo de suas geraes, alguns bons indivduos.
Verifica-se, assim, a necessidade do emprego de tcnicas elitistas de modo a conservar as melhores
solues ao longo do processo.

AGRADECIMENTOS
Os autores agradecem FINEP como agncia financiadora do projeto RECOPE-REHIDRO,
cuja infra-estrutura foi utilizada para o desenvolvimento do presente trabalho. Essa pesquisa contou
tambm com o apoio da Fundao de Apoio Pesquisa do Estado de So Paulo (FAPESP), que
forneceu suporte financeiro ao primeiro autor do trabalho na forma de bolsa de estudo.

REFERNCIAS BIBLIOGRFICAS

ALPEROVITS, E. e SHAMIR, U.; Design of optimal water distribution systems Water

Resources Research. AGU. Vol. 13, N 6, New York, NY, USA, 1977, p. 885-900.
BARGIELA, A. On-line monitoring of water distribution systems. Doctorial Thesis. University
of Durham. (1984).
BHAVE, P.R.; Node Flow analysis of water distribution systems. Journal of Transport
Engineering, ASCE, Vol. 107 N 4, New York, NY, USA. 1981. p. 457-467.
Chandapillai, J.; Realistic Simulation of Water Distribution System. Journal of Transportation
Engineering, Vol. 117 N 2. 1991. p. 258-263.
DEB, K. Multi-Objective Optimization Using Evolutionary Algorithms. John Willey & Sons,
Chichester, England, 2001. 498p.
FORMIGA, K. T. M.; Otimizao de redes malhadas utilizando a programao no linear.
Dissertao de Mestrado. Universidade Federal da Paraba. Campina Grande, PB, 1999.
FUJIWARA, O.; JENCHAIMAHAKOON, B.; EDIRISINGHE, N. C. P.. A Modified Linear
Programming Gradient Method for Optimal Design of Looped Water Distribution
Networks. Water Resources Research. AGU. Vol. 23, N 6, New York, NY, USA, 1987. p.
977-982.
FUJIWARA, O. e LI, J.; Reliability analysis of water distribution networks in consideration of
equity, redistribution, and pressure dependent demand. Water Resources Research. AGU.
Vol. 34, N 7, New York, NY, USA, 1998, p. 1843-1850.
FUJIWARA, O. e GANESHARAJAH, T.; Reliability assessment of water supply systems with
storage and distributions networks. Water Resources Research. AGU. Vol. 29, N 8, New
York, NY, USA, 1993, p. 2917-2924.
GERMANOPOULOS, G. e JOWITT, P. W.; Leakage reduction by excessive pressure
minimization in a water supply network. Proc. Institution. Civil Engineers, Part 2, 87
(June). 1989. p. 195-214.
GOLDBERG, D. E. Genetic Algorithms in Search, Optimization and Machine Learning.
Addison-Wesley Publishing Company, Reading, Massachusetts, 1989.
JOWITT, P. W. e XU, C.; Predicting pipe failure effects in water distribution networks. Journal
of Water Resources Planning and Management, ASCE, Vol. 119 N 1, New York, NY,
USA, 1993. p. 18-31.
MORGAN, D. R. e GOULTER, I. C.; Optimal urban water distribution design. Water
Resources Research, AGU, Vol. 21, N 5, New York, NY, USA. 1985. p. 642-652.
MIYAOKA, S. e FUNABASHI, M.; Optimal control of water distribution system by network
flow theory. IEEE Trans. Automatic Control, Vol. 29 N 4. 1984. p. 303-311.
NIELSEN, H. B.; Methods for Analyzing Pipe Networks. Journal of Hydraulic Engineering.
ASCE, Vol 125 N 2, New York, NY, USA ,1989. p. 139-157.
PARETO, V. Cours DEconomie Politique, Volume 1. Lausanne: F. Rouge, 1986.
QUINDRY, G., BRILL, E. D., e LIEBMAN, J. C.; Optimization of looped distribution systems.
Journal of Environmental Engineering, ASCE, Vol. 107 N 4, New York, NY, USA. 1981.
p. 665-679.
ROSSMAN, L. A.; EPANET 2: Users Manual, U.S. Environmental Protection Agency, 2000.
200p.
SAVIC, D. A. e WALTERS, G. A.; Genetic algorithms for least-cost of water distribution
networks, Journal of Water Resources Planning and Management, ASCE, Vol. 123 N 2,
New York, NY, USA, 1997. p. 67-77.
SILVA, R. T.; Indicadores de perdas nos sistemas de abastecimento de gua. Programa
Nacional para o COntrole e Desperdcio de gua, Ministrio do Planejamento e Oramento,
Secretaria de Poltica Urbana, Braslia-DF, 1998. 70p.
SOUZA, R. S.; Aspectos computacionais da analise de redes de distribuio de gua com
componentes hidrulicos em regime permanente, Dissertao de Mestrado, Universidade de
So Paulo, 1994, 236p.
TAN, K. C., LEE, T. H., KHOO, D. e KHOR, E. F.; A multi-objective evolutionary algorithm
toolbox for computer-aided multi-objective optimization in IEEE Transactions on
Systems, Man and Cybernetics: Part B (Cybernetics), Vol. 31, n. 4, 2001. p. 537-556.
TANYIMBOH, T. T., TABESH, M. e BURROWS, R.; Appraisal of source head methods for
calculating reliability of water distribution networks. Journal of Water Resources Planning
and Management, ASCE, Vol. 127 N 4, New York, NY, USA, 2001. p. 206-213.
TUCCIARELLI, T. CRIMINISI, A. e TERMINI, D.; Leak analysis in pipeline systems by
means of optimal valve regulation. Journal of Hydraulic Engineering. ASCE, Vol 125 N 3,
New York, NY, USA ,1989. p. 277-285.
VELDHUIZEN, D. A Van. Multiobjective Evolutionary Algorithms: Classifications, Analyses,
and New Innovations. PhD thesis, Department of Electrical and Computer Engineering.
Graduate School of Engineering. Air Force Institute of Technology, Wright-Patterson AFB,
Ohio, 1999. 270p.
ZITZLER, E. Evolutionary Algorithms for Multiobjective Optimization: Methods and
Applications. PhD thesis, Swiss Federal Institute of Technology (ETH), Zurich,
Switzerland, 1999. 120p.