UNIVERSIDADE FEDERAL DO RIO DE JANEIRO

Professor: André Young

Alunos: John Santana, Paulo de Castro e Tais Matos.
Disciplina: EQE489 – Engenharia de Processos

Trabalho 2
Introdução
Segundo Perlingeiro, o termo otimização se refere ao campo da matemática
dedicado ao desenvolvimento de métodos eficientes de determinação de extremos de
funções de uma ou mais variáveis. Então, de forma mais abrangente, otimização é a
busca da solução ótima de um problema. Esse conceito pode ser aplicado a indústria,
uma vez que se deseja sempre maximizar o lucro através de uma melhor eficiência do
processo e um menor custo de produção.
A engenharia de processos, trata do projeto de processos integrados. Ela é,
para muitos, a área mais externa da engenhara química uma vez que são necessários
todos os conceitos fundamentais de química, termodinâmica, modelagem de
processos e conhecimentos relacionados aos equipamentos individualmente para
conseguirmos resolver problemas relacionados a engenharia de processos.
Então, para alcançar o objetivo da engenharia de processos que é
projetar/melhorar sistemas de equipamentos integrados , associando maior eficiência,
maior lucro , maior durabilidade dos equipamentos, dentre outros fatores, são
necessárias a utilização de algoritmos de otimização. Esse algoritmos geralmente
utilizam um chute inicial e por diferentes meios matemáticos chegam a solução ótima
daquele problema. O tipo de algoritmo utilizado pode mudar muito a sua resposta final,
já que cada um tem suas características próprias. Alguns tem mais robustez mas são
mais lentos, outros dependem muito do chute inicial. Em suma, é preciso conhecer
bem seu processo para escolher qual o melhor método de otimização.

Descrição do Problema
Nesse trabalho usaremos três diferentes métodos de otimização para identificar a
melhor configuração de reatores para um determinado problema.
O problema consiste em avalizar a inclusão de um sistema de reatores em uma planta
já em operação. A reação , cuja cinética é de segunda ordem , irreversível e com
constante cinética k= 5mol/Lh, que ocorre nessa planta é:
A+B -> C
A e B vem de etapas anteriores do processo , com os dados:
qA = 120 L/h qB = 240 L/h
CA0 = 2 mol/L ; CB0 = 1 mol/L
Para calcular a lucratividade do empreendimento, usa-se os dados:
L = R – Cmp – Ccap ($/a) L: Lucro ($/a)
R: Receita ($/a) = Fop .pC .fCn Fop = 8.500
h/a
fCn: vazão de saída do produto C do último reator da configuração (mol/h)
Cmp: Custo da Matéria prima ($/a) = Fop (pAfA + pBfB)
pA = 0,01 $/mol pB = 0,015 $/mol pC = 0,05 $/mol
fB: vazão de alimentação de A e B no primeiro reator da configuração
Ccap: Custo de Capital ($/a) Ccap = 0,1 ISBL
Reatores de Mistura: ISBL = 1.000 Σ (Vi / 568) 0,69

Vi = volume do meio reacional (L)

Reatores Tubulares: ISBL= 1.350 Σ (AT / 4,6) 0,48
AT: área total do feixe de tubos do reator tubular (m2 )
As configurações de reatores a ser analisadas são :
1. CSTR Único
2. 2 CSTR em série - alimentação unicamente no primeiro reator
3. 3 CSTR em série - alimentação unicamente no primeiro reator
4. 2 CSTR em série - alimentação distribuída de B nos reatores
5. 3 CSTR em série - alimentação distribuída de B nos reatores
6. PFR único
7. PFR seguido de CSTR
8. CSTR seguido de PFR

Descrição dos métodos de otimização implementados

Três métodos serão utilizados nesse trabalho
1. Método de Hooke e Jeeves:

O método de Hooke e Jeeves é dividido em duas etapas: Exploração e

Propagação. Primeiro, com um chute inicial , é calculado o valor da função
objetivo naquele ponto. A função objetivo depende de cada problema mas
sempre deve maximizar o lucro ou a eficiência. O chute inicial calculado na
função objetivo é a nossa base. Agora, faz-se a exploração. Para tal é preciso
determinar um incremento, ou passo, que é o valor com o qual vamos
perturbar as variáveis e uma tolerância que é o critério de parada do método.
Para exemplificar, pensaremos em uma função objetivo que nos retorne o
lucro. Na exploração, perturba-se cada uma das variáveis do problema
individualmente deixando as outras constantes. Explorando todos os sentidos
possíveis, avaliam-se os sucessos ou insucessos. Um sucesso é quando o
novo valor da função objetivo é maior que o encontrado na base. Os sentidos
onde foram encontrados sucessos determinarão qual será a direção da
progressão. Na progressão caminha-se na direção encontrada na exploração
sempre perturbando a base com um incremento escolhido (ou múltiplos do
incremento) até eu encontrar um insucesso. Encontrando um insucesso, Se o
incremento for maior que a tolerância, reduz-se o incremento e faz-se uma
nova exploração para encontrar uma nova direção para as próximas
propagações. O processo é repetido até que ao voltar para a exploração o
incremento seja menor ou igual a tolerância escolhida.

2. Método de Newton
O método de Newton pode ser dividido em dois subtipos: unidimensional e
multidimensional. O unidimensional é baseado numa aproximação pela série
de Taylor. O elemento posterior a cada iteração é calculado da seguinte forma:
𝑓(𝑥)′
𝑥𝑖+1 = 𝑥𝑖 −
𝑓(𝑥)′′
 Na situação em que se deseja obter o máximo lucro da função denominada
‘problema’, deve-se calcular numericamente as derivadas primeira e segunda.
Em caso de funções multidimensionais, calcula-se o próximo passo da seguinte
forma:
(𝑥𝑖+1 , 𝑦𝑗+1 , 𝑧𝑘+1 ) = (𝑥𝑖 , 𝑦𝑖 , 𝑧𝑖 ) − 𝐻 −1 ∇𝐹(𝑥𝑖 , 𝑦𝑖 , 𝑧𝑖 )

Sendo H a matriz Hessiana. No presente projeto, as derivadas segundas e

primeiras devem ser calculadas numericamente. Escolheu-se o método de
diferenças finitas centrais com três pontos para resolução do problema, cujo
erro é de segunda ordem. Estabeleceram-se como critérios de parada, a
diferença entre o valor anterior de lucro e o atualizado e o número máximo de
iterações.
3. Método de Monte Carlo

O método de Monte Carlo é um modelo simples e robusto, que consiste em

buscar a solução ótima de uma função qualquer por um procedimento de procura
totalmente aleatório. Essa busca consiste em sortear aleatoriamente um número
suficientemente grande de pontos numa região de busca e considerar o melhor
ponto encontrado como ponto ótimo, que servirá como referencia para a próxima
busca. O procedimento pode ser repetido o número arbitrariamente grande até
que se satisfaçam as condições de convergência. Esse método pode ser
aplicado facilmente e sempre funciona, e tem a vantagem de não depender da
estimativa inicial dos parâmetros, da existência ou não de derivadas para a
função objetivo e da dimensão do sistema. A principal desvantagem do método
é a necessidade de um número muito grande de avaliação da função objetivo
para que se possa ter uma alta probabilidade de que o ponto ótimo tenha
precisão razoável.
A expressão utilizada para geração de pontos onde a função objetivo será
avaliada é:
KD = KDL + r(KDH – KDL)
Na expressão, D equivale a direção da busca, KDL e KDH são os limites inferior
e superior da região de busca e r é um número aleatório com distribuição
uniforme no intervalo [0,1]. No presente trabalho, utilizou-se de uma estratégia
para aumentar a eficiência do método que consiste basicamente em reduzir a
região de busca ao longo das iterações, ao redor do melhor ponto encontrado
até o momento, isso pode ser feito de acordo com as seguintes expressões:

KDH = (KDHo - KDotm)(1-TR)Z + KDotm

KDL = (KDLo - KDotm) )(1-TR)Z + KDotm

Nas expressões, KDLo e KDHo representam os limites da região no início da

busca, KDotm é o ponto ótimo encontrado até a interação k e TR controla a taxa
de redução da região de busca com intuito de fazer de forma lenta para evitar
que mínimos localizados próximos aos limites da região de busca sejam
excluídos do procedimento de minimização.
Resultados obtidos
1. Método de Hooke e Jeeves:
1.1 CSTR Único:

1.2 CSTR em série - alimentação unicamente no primeiro reator

1.3 3 CSTR em série - alimentação unicamente no primeiro reator

1.4 2 CSTR em série - alimentação distribuída de B nos reatores

1.5 3 CSTR em série - alimentação distribuída de B nos reatores

1.6 PFR único

1.7 PFR seguido de CSTR

1.8 CSTR seguido de PFR

2. Método de Newton:
2.1 CSTR Único: (Número de iterações : 1)

2.2 CSTR em série - alimentação única no primeiro reator (Iterações: 500)

 2.3 3 CSTR em série - alimentação única no primeiro reator (Iterações: 500)

2.4 2 CSTR em série - alimentação distribuída de B nos reatores (Iterações:

=10)

2.5 3 CSTR em série - alimentação distribuída de B nos reatores(Iterações =2)

2.6 PFR único (Iterações: 301)

2.7 PFR seguido de CSTR (Iterações: 365)

2.8 CSTR seguido de PFR (Iterações: 373)

3. Método de Monte Carlo:

3.1 CSTR Único: (Iterações: 20)
3.2 CSTR em série - alimentação única no primeiro reator (Iterações: 60)

3.3 3 CSTR em série - alimentação única no primeiro reator (Iterações:100)

3.4 2 CSTR em série - alimentação distribuída de B nos reatores (Iterações:60)

3.5 3 CSTR em série - alimentação distribuída de B nos reatores

(Iterações:100)

3.6 PFR único (Iterações: 60)

3.7 PFR seguido de CSTR (Iterações:100)

 3.8 CSTR seguido de PFR (Iterações:100)

Os resultados encontrados, em suma, estarão apresentados nas duas tabelas a

seguir. A primeira compara os tempos e a segunda compara os lucros obtidos

Tempo (s) HookeJeeves Newton Monte Carlo

1. CSTR Único 0,069 0,263

2. 2 CSTR Série 3,508 2,277
3. 3 CSTR Série 6,196 6,246
4. 2 CSTR Série (Alimentação distribuída) 0,077 2,351
5. 3 CSTR Série (Alimentação distribuída) 0,070 6,211
6. PFR Único 1,714 2,130
7. PFR seguido de CSTR 4,577 6,313
8. CSTR seguido de PFR 4,714 6,183

Lucro HookeJeeves Newton Monte Carlo

1. CSTR Único 44218 44233

2. 2 CSTR Série 47011 46873
3. 3 CSTR Série 47437 47332
4. 2 CSTR Série (Alimentação distribuída) 45281 45034
5. 3 CSTR Série (Alimentação distribuída) 45531 45566
6. PFR Único 47424 46333
7. PFR seguido de CSTR 47889 46753
8. CSTR seguido de PFR 47422 45744

Discussões Propostas
Para o método de Monte Carlo não há a necessidade de chutar um valor inicial,
pois a busca é feita de forma randômica. Dessa forma, a maior dificuldade durante a
implementação desse método foi encontrar um espaço amostral de tamanho suficiente
para retornar valores mais precisos usando menos esforço computacional (reduzindo a
quantidade de pontos procurados). O método se mostrou bastante robusto e de fácil
implementação. Foram necessários um número maior de pontos aleatórios quanto
maior o número de parâmetros utilizados.
O método de Newton, por sua vez, foi de difícil implementação no que tange a
criação do algoritmo porque é um método com muitas operações, dentre elas,
determinação de derivadas de primeira e segunda ordem com intuito de gerar a matriz
Hessiana, onde o inverso da mesma sobre o gradiente, possibilita a geração do ponto
ótimo, dependendo do chute inicial que se faça. Como o chute inicial escolhido para a
conversão neste problema foi bem próximo do valor da conversão ótima, o método
convergiu mais rápido que o Monte Carlo e Hooke Jeeves quando comparando todas
as configurações. Apesar do método de Newton ser o mais preciso, os erros
associados aos cálculos da derivada por método numérico (diferenças finitas centrais)
podem reduzir sua precisão. Além disso, em pontos de mudança de concavidade ou
inflexão, a derivada segunda se aproxima de zero, gerando valores absurdos de
conversão.
Já no caso do Hooke e Jeeves vimos que o método sofre menos influência do
chute inicial do que o método de Newton. Nesse caso, um chute inicial muito distante
influencia na velocidade de convergência, tornando o método bem mais lento mas ,
sendo o passo um valor aceitável, ainda assim levará o método a convergir. Além
disso, o método pressupõe unimodalidade da função, de forma que o método pode
não atingir o máximo global, caso esse pressuposto não seja contemplado pela função
objetivo.
Comparando os três métodos vemos que o método de Newton é mais preciso,
porém, requer um chute inicial próximo ao do ótimo, levando a resultados errôneos. O
método de monte Carlo não é tão preciso já que utiliza valores iniciais randômicos,
podendo gerar valores um pouco diferentes a cada execução. Essa característica
diminui a confiabilidade desse método frente aos outros. No caso do Hooke e Jeeves
há a necessidade de determinar um chute inicial, ainda que menos preciso que o de
Newton. De modo a gerar um programa comercial, pode-se utilizar o método de Monte
Carlo com poucos pontos como gerador de um chute inicial e aproveitar os resultados,
aplicando ao método de Newton, de modo a gerar um resultado preciso e com menor
esforço computacional
Analisando os valores médios dos lucros gerados pelas conversões em cada
configuração, a configuração de três CSTR em série com alimentação de B no
primeiro se mostra com maior retorno de lucro.

Conclusão: