UNIVERSIDADE FEDERAL DE SANTA MARIA

CENTRO DE TECNOLOGIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA CIVIL

OTIMIZAÇÃO DE TORRES DE LINHAS DE TRANSMISSÃO

UTILIZANDO O MÉTODO DOS ELEMENTOS FINITOS

PROJETO DE PESQUISA
Número do registro no Portal de Projetos da UFSM: 054424

Coordenador:
Prof. João Kaminski Junior SIAPE: 2118377

Co-orientador:
Prof. Rene Quispe Rodríguez SIAPE: 3087491

Bolsista:
Guilherme Adriano Weber Matrícula: 202060690

Participante:
Gabriel Scapin Matrícula: 201620684

Santa Maria, 09 de março de 2020.

 SUMÁRIO

RESUMO--------------------------------------------------------------------------------------------------1
1. INTRODUÇÃO----------------------------------------------------------------------------------------2
2. JUSTIFICATIVA--------------------------------------------------------------------------------------4
3. OBJETIVOS-------------------------------------------------------------------------------------------5
4. METODOLOGIA-------------------------------------------------------------------------------------5
5. TORRES DE LINHAS DE TRANSMISSÃO---------------------------------------------------6
6. OTIMIZAÇÃO ESTRUTURAL--------------------------------------------------------------------9
7. CRONOGRAMA------------------------------------------------------------------------------------11
8. RESULTADOS ESPERADOS------------------------------------------------------------------12
REFERÊNCIAS BIBLIOGRÁFICAS--------------------------------------------------------------13
 RESUMO

Este projeto refere-se a uma proposta de trabalho de mestrado para a otimização

paramétrica de torres de linhas de transmissão (LT), utilizando métodos de busca
e métodos numéricos para a otimização e a análise estrutural, com ênfase no
Método dos Elementos Finitos (MEF). O desenvolvimento do trabalho tem como
foco principal a otimização de torres metálicas treliçadas de LT, tendo como
função objetivo o peso total da estrutura de aço e como restrições as tensões
limites de uso, bem como os deslocamentos máximos e a flambagem nas barras.
A implementação computacional deverá ser realizada através da linguagem
MATLAB. A validação do programa de elemento finitos será realizada via casos
disponíveis na literatura. Através da execução deste projeto pretende-se ter uma
metodologia para análise de estruturas capaz de otimizar e reduzir o peso final
das torres metálicas treliçadas de LT, impactando positivamente no custo final de
uma linha de transmissão.

Palavras chave: Otimização estrutural; Torres de LT; Elementos finitos; Torres

metálicas; Torres treliçadas.

1
1. INTRODUÇÃO

O desenvolvimento social e econômico de um país tem uma forte relação

com o crescimento do setor elétrico, o que torna a energia elétrica e suas diversas
aplicações indispensáveis à sociedade moderna. O progresso é acompanhado
pelo aumento na demanda por eletricidade o que implica na expansão da oferta e
torna necessário o investimento em infraestrutura.

A vasta extensão territorial brasileira aliada à abundância de recursos

energéticos, permite ao país dispor de diversas fontes de geração de energia, de
caráter predominantemente renovável, com destaque para as fontes hídricas que
correspondem a 66,6% da oferta interna (Empresa de Pesquisa Energética,
2019). Entretanto, a maior parte das usinas hidrelétricas está afastada dos
grandes centros de consumo, o que torna imprescindível a necessidade de
projetar sistemas de transmissão robustos e confiáveis para a transmissão de
toda a oferta disponível de energia elétrica.

O Sistema Interligado Nacional, mostrado na Figura 1, conecta

eletricamente todas as regiões do país. A crescente demanda requer a
permanente expansão e reforço da malha, para que haja qualidade e
confiabilidade no atendimento.

2
 Figura 1: Sistema Brasileiro de Transmissão de Energia Elétrica 2017
Fonte: ONS, 2020.
A construção de linhas de transmissão (LT), é um serviço que exige muitos
estudos tanto de viabilidade técnica quanto econômica e visa um melhor
aproveitamento da energia. As linhas de transmissão podem ser divididas em dois
tipos: as aéreas, cujos cabos são sustentados por torres, e as subterrâneas, cujos
cabos são subterrâneos, sendo esta última cerca de 20 vezes mais cara em
relação a primeira (ELIAS et al., 2016).

As torres de LT, encontradas em linhas de transmissão aéreas, podem ser

autoportantes ou estaiadas e suas estruturas podem ter uma configuração
horizontal, vertical ou delta. Essas torres são geralmente executadas em
estruturas metálicas, caracterizadas por perfis leves, finos e de alta flexibilidade,
portanto, tais estruturas se tornam sensíveis ao carregamento do vento (FU et al.,
2018). Com isso, torna-se importante estudar as forças que atuam em uma
estrutura para torná-la segura e ao mesmo tempo viável economicamente. No
caso das torres de LT, a otimização é altamente vantajosa, haja visto que as
torres tangentes, aquelas que estão em uma linha reta, compreendem cerca de
80 a 90% das torres de uma LT (FANG et al., 1997). Além disso, os custos
envolvendo transporte, construção, materiais e manutenção são proporcionais ao
peso da torre, o qual é o alvo no processo de otimização.

Uma solução ótima permite implementar o problema na busca da solução,

através de um modelo numérico, no qual são estabelecidos os objetivos, os
parâmetros de projeto e as restrições a serem respeitadas. Desta forma, um
processo sistemático leva a uma solução ótima (BASTOS, 2004). Existem
basicamente três abordagens em otimização estrutural, sendo: otimização
paramétrica ou dimensional, otimização de forma e otimização topológica (SILVA,
2003).

Nesse contexto, métodos de busca por soluções ótimas são empregados

para localizar a configuração mais econômica para uma estrutura, como por
exemplo o Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Search
Group Algorithm (SGO), entre outros vários métodos.

3
 Além dos métodos de busca, métodos numéricos são ferramentas
fundamentais na solução de modelos matemáticos, viabilizando a concepção de
projetos virtuais que antecipam a identificação de falhas. O Método dos
Elementos Finitos (MEF) é uma abordagem muito utilizada para solução de
problemas estruturais, a qual é utilizada para subdividir um domínio contínuo em
menores áreas, transformando-o em um conjunto discreto de elementos finitos
conectados por nós, onde o conjunto desses elementos é chamado de malha de
elementos finitos (RAMOS, 2014), fornecendo resultados de tensão, deformação
e deslocamento de uma estrutura.

2. JUSTIFICATIVA

Um projeto estrutural deve atender certos requisitos básicos, como

desempenho adequado, durabilidade e viabilidade econômica, entre outros. Para
isso, é fundamental um bom planejamento do projeto estrutural e que o torne
exequível. No entanto, muitos profissionais estão habituados a se basear apenas
na própria experiência e intuição, dificultando a execução de obras com melhores
desempenhos e custos mais baixos. Como consequência, surge a necessidade
do uso de ferramentas de otimização e análise para chegar à estrutura ótima, que
atenda às normativas existentes, condições de segurança, arquitetônicas e
construtivas de forma eficiente.

Além do mais, o avanço da tecnologia e o poder computacional tem

viabilizado a aplicação de novos métodos numéricos, os quais visam a redução
de custos e tempos de análise nas etapas de concepção do projeto e análise
estrutural, dentre os quais se destaca o Método dos Elementos Finitos. Assim, as
estruturas tendem a estarem cada vez mais otimizadas, requerendo menor
utilização de recursos econômicos e naturais, trazendo maior segurança e
conforto aos usuários.

No caso das torres de LT, a redução de custo ao otimizar uma estrutura é

multiplicada, uma vez que seu projeto é utilizado diversas vezes dentro de uma
mesma LT, gerando um impacto considerável no custo final.

4
3. OBJETIVOS

1.1. Objetivo Geral

O presente projeto tem como objetivo geral realizar a otimização

paramétrica de torres metálicas treliçadas de LT. Esta otimização será realizada
em termos de minimização de custos, a qual tem relação direta com a redução de
peso da estrutura total. Neste processo serão respeitadas as diretrizes e
restrições estipuladas nas normas nacionais e internacionais.

1.2. Objetivos específicos

- Desenvolver um programa computacional para análise de estruturas

treliçadas, utilizando o Método dos Elementos Finitos;

- Realizar a análise numérica (estrutural) em diversas torres treliçadas de LT

a fim de validar o programa computacional desenvolvido;

- Analisar os efeitos das ações na estrutura, em especial a ação do vento;

- Empregar uma rotina para realizar a otimização paramétrica dos perfis de

uma torre metálica treliçada de LT;

- Publicar os resultados obtidos em congressos nacionais e internacionais,

assim como, em revistas indexadas.

4. METODOLOGIA

5
 O projeto de pesquisa contemplará a implementação de uma metodologia
para otimização e análise estrutural de torres metálicas treliçadas de LT. Para a
implementação computacional será usada a linguagem de programação MATLAB
e o método de análise estrutural será o Método dos Elementos Finitos (MEF). O
MEF se destaca dentre outros métodos por sua precisão numérica, assim como
pela sua flexibilidade para resolver diversos tipos de problemas.

A análise estrutural levará em consideração os efeitos das ações

permanentes e acidentais, em especial a ação do vento, adotando as
recomendações de normas nacionais e internacionais, como a NBR 6123/1988 e
ASCE 7-05/2006.

A validação dos resultados obtidos pelo MEF se dará mediante a

comparação dos resultados da análise de estruturas treliçadas realizadas em
outros programas e disponíveis na literatura. Em seguida, será determinado o
método mais conveniente para a otimização de um determinado modelo de torre
treliçada de LT, onde o peso total da estrutura metálica será a função objetivo a
ser minimizada. Uma análise extensiva de custos será também realizada para
determinar de forma real o impacto financeiro do resultado da otimização. O
processo de dimensionamento seguirá as diretrizes da norma NBR 8800/2008
bem como as restrições para a otimização, as quais serão os valores limites de
deslocamentos, tensões e índices de esbeltez estipulados em norma.

5. TORRES DE LINHAS DE TRANSMISSÃO

As torres de transmissão de energia elétrica exercem papel fundamental

nas linhas de transmissão (LT), pois têm como finalidade realizar a sustentação
mecânica dos cabos condutores e dos cabos para-raios, transmitindo todos os
esforços mecânicos à fundação. Esse sistema possibilita a ligação entre as
centrais de geração e distribuição de energia. As estruturas das torres são
construídas, em geral, com treliças espaciais com perfis cantoneira de aço, em
postes de aço ou em postes de concreto (ELIAS et al, 2016).

6
 No Brasil, é comum o uso de postes de concreto em linhas de transmissão
com tensões elétricas entre 69 kV e 138 kV e de estruturas metálicas treliçadas
em linhas com tensões superiores. No sistema elétrico de potência (SEP)
brasileiro, há uma predominância de linhas de transmissão com tensão acima de
138 kV, sendo portanto necessário destacar as torres metálicas treliçadas (ELIAS,
2015).

A concepção das torres nas LT de grande extensão segue na maioria dos

casos uma forma padronizada, composta por estruturas metálicas treliçadas,
autoportantes e/ou estaiadas, as quais representam uma parte importante do
mercado de estruturas de aço no país (KAMISNKI, 2007).

As estruturas são padronizadas em famílias, que são compostas por

subestruturas iguais ou similares. Devido à padronização dos projetos das torres
de LT, é possível classificá-las através de alguns aspectos técnicos, tais como
(Gontijo, 1994):

• o número de circuitos, que pode ser um ou dois;

• a função estrutural da linha, que por sua vez pode ser de suspensão
(são suportes dimensionados para resistir aos esforços verticais devido ao peso
dos cabos, isoladores e das ferragens), ancoragem (são suportes dimensionados
para resistir aos esforços decorrentes do tensionamento dos cabos), em ângulo
(são suportes projetados para situações que a linha necessita de mudança de
direção), além de todos suportarem o efeito do vento;
• a tensão nominal da linha de transmissão, sendo as tensões de
operações mais utilizadas as de 138 kV, 230 kV, 345 kV, 500 kV e 765 kV.
• o formato, como ilustrado na Figura 2;

Figura 2: Classificação a partir do formato da torre.

7
 Fonte: Gontijo, 1994.
• a disposição dos cabos condutores, que pode ter forma triangular,
vertical ou horizontal (Figura 3);

Figura 3: Classificação a partir do formato da torre.

Fonte: Gontijo, 1994.

• a forma de trabalho das estruturas, ou seja, a forma de resistir aos

esforços que lhes são impostos, assim podendo ser classificadas como estaiadas
ou autoportantes, como mostrado na Figura 4.

8
 Figura 4: Classificação a partir da funcionalidade estrutural.

Fonte: Gontijo, 1994.

Um dos principais pontos de atenção nos projetos de torres de LT é a ação

do vento, haja visto que seu efeito nas estruturas é significativo, como afirma
Kaminski (2007), que a ação do vento em torres de suspensão é responsável pelo
esforço máximo em cerca de 80% das barras da estrutura. No Brasil, as ações de
vento em linhas de transmissão são determinadas pelas normas ABNT NBR 5422
(1985) e ABNT NBR 6123 (1998), e quanto as normas internacionais destaca-se a
ASCE 7-05/2006.

6. OTIMIZAÇÃO ESTRUTURAL
6.1 Fundamentos
A otimização, de forma direta ou indireta, está presente em diversas áreas
do conhecimento, sobretudo naquelas em que a matemática é considerada uma
base formal para representação e solução de problemas. Engenharia Mecânica
(RAO); Engenharia Civil (Kripka, 2015), GEEM e SIM (2006Economia (di, Ciencia
da Computação Rosa 2018, Engenharia Elétrica, colocar aqui mais áreas, dentre
outras, configurando sempre a busca pelo ótimo e viável para solucionar
problemas.
A engenharia consiste em uma série de atividades bem estabelecidas,
incluindo análise, projeto, fabricação, vendas, pesquisa e desenvolvimento de
sistemas, e a otimização como ferramenta permite que as soluções destas
atividades sejam maximizadas ou minimizadas. Estes objetivos podem estar

9
relacionados com a redução de peso e custos de uma estrutura, a performance
de componentes e sistemas desenvolvidos, a racionalização de produtos e
matérias primas, aumento da produtividade, entre outros.
Belegendu e Chandrupatla (2019) referem-se à otimização como processo
de maximizar ou minimizar uma função objetivo desejada enquanto satisfaz as
restrições prevalecentes. Assim, o projeto ótimo é determinado pelas inúmeras
análises, dentro de um conjunto viável de variáveis e parâmetros que definem o
problema com soluções que respeitem as restrições impostas. Em um problema
pode haver muitas soluções que levam a um projeto considerado viável, ou seja,
que satisfaçam os requisitos impostos, entretanto, alguns são melhores que os
outros e o propósito da otimização é determinar o melhor entre os muitos projetos
disponíveis. Dessa forma é necessário modelar e quantificar através de um
critério que associe um número a cada projeto. O critério com relação ao qual o
projeto é otimizado, quando expresso em função das variáveis do projeto, é
conhecido como o critério ou mérito ou função objetivo (RAO, 2009). A função
objetivo sintetiza todo o problema de otimização sendo influenciada pelas
variáveis de projeto para alcançar a maximização ou minimização do problema
em estudo. Tal modelo pode ser classificado em função das variáveis a serem a
otimizadas, em multidimensional, no qual avalia-se mais de uma variável ou
unidimensional, quando há uma única variável a ser otimizada.
As variáveis são descritas como parâmetros que descrevem o sistema,
variando entre valores diferentes ao longo do processo de otimização. Em geral,
elas são chamadas de variáveis de otimização ou simplesmente de variáveis de
projeto e podem ser relacionadas, por exemplo, com materiais, topologia,
configuração, seção transversal, entre outros. Sua classificação é atribuída em
função dos valores que podem assumir, em variáveis contínuas, no qual
assumem valores dentro de um intervalo definido e discretas, que adotam valores
específicos predefinidos no qual incluem variáveis reais, inteiras e binárias. A
variável discreta pode ser representada por uma matriz-coluna, como na seguinte
expressão:

10
 []
X1
X2 (01)
x = X3
⋮
Xn

Arora (2017) específica que as variáveis devem ser independentes umas

das outras, tanto quanto possível, pois se forem dependentes, seus valores não
podem ser especificados de forma independente, em razão de restrições entre
eles gerando complicações adicionais no problema.
As restrições de projeto compõem um conjunto de condições e requisitos
especificados que devem ser satisfeitos pelo projeto para ser considerado viável,
sendo caracterizadas em funções de desigualdade, igualdade ou ambas, estas
determinam os limites impostos ao problema analisado. Há ainda as restrições
que impõem limites diretamente nas variáveis de projeto, chamadas de restrições
laterais, e as restrições de comportamento, que definem as condições limites,
como tensões ou deslocamentos máximos aceitáveis (RODRIGUES, 2018).
Logo, a solução que possuir o melhor valor para a função objetivo entre todos os
conjuntos de soluções possíveis é estabelecida como solução ótima.
De forma geral um problema de otimização pode ser modelado da seguinte
forma:
minimize → f (x) (02)
sujeito à
g i (x) ≤ 0 i = 1, . . . , m (03)
g j (x) = 0 j = 1, . . . , l (04)
xL ≤ x ≤ x U (05)
Em que f(x) designa a função objetivo (Equação 02), a qual se deseja
otimizar e x representa o vetor de variáveis. As demais funções representam as
restrições impostas ao problema. A equação de desigualdade (Equação 03)
determina uma divisão do espaço em regiões viáveis e inviáveis. A restrição de
igualdade (Equação 04) é adotada com o intuito de fixar um valor para algum
critério de projeto, sendo comumente igual a zero. E as restrições laterais
(Equação 05) que limitam as variáveis de projeto em valores superiores e

11
inferiores, indicados pelos sobrescritos L e U, respectivamente. Em problemas de
maximização, costuma-se transformar o problema em uma situação de
minimização, pois a maximização de f(x) equivale a minimização de -f(x),
conforme apresentado na Figura 1.
Figura 1 - Problema de maximização transformado em um problema de
minimização.

Fonte: Belegendu e Chandrupatla (2019)

Tanto a função objetivo quanto as restrições são consideradas funções
contínuas pertencentes ao ℜn. Essas funções podem ser lineares ou não lineares
e apresentar as variáveis de projeto de forma explícita ou implícita.
De acordo com a natureza e/ou com as restrições do problema, os
métodos de otimização podem ser divididos em programação linear (PL) e a
programação não-linear (PNL) (OLIVIERI, 2004). A PL tem como objetivo
encontrar a solução ótima em problemas em que a função objetivo e todas as
restrições são representadas por funções lineares das variáveis de projeto. A
maioria dos problemas de engenharia são expressas como PNL, em que a
otimização de uma função objetivo é sujeita ou não a restrições que podem ser
lineares e/ou não lineares das variáveis envolvidas (BELEGENDU e
CHANDRUPATLA, 2019; NASH e SOFER, 1996).
6.2 Tipo de Otimização Estrutural
A otimização estrutural pode ser entendida como a obtenção de uma
configuração que suporte os carregamentos impostos da melhor maneira
possível, resultando em uma performance ótima segundo alguma medida de
desempenho pré-estabelecida, como por exemplo o peso mínimo. Para
problemas de otimização estrutural, a classificação é baseada nas variáveis de

12
projeto e pelo seu grau de complexidade, podendo ser dimensional, de forma e
topológica (SIMONETTI, 2016).
Em relação otimização dimensional ou paramétrica o objetivo é encontrar
as dimensões ótimas dos parâmetros da estrutura, sem que haja modificação na
topologia da estrutura ou em sua forma. As variáveis de projeto são responsáveis
por apresentar as propriedades geométricas da estrutura analisada, como área de
seção transversal, espessura de placas, rigidez, entre outros. Durante o processo
de otimização, estes parâmetros são alterados até que o objetivo final seja
atingido, concomitantemente respeitando às restrições impostas. As restrições
dependem do tipo de problema, mas basicamente se referem a tensões,
deslocamentos, flambagem, entre outros (FONSECA, 2007).
Figura 2 – Otimização dimensional ou paramétrica.

Fonte: adaptado Bendsøe e Sigmund (2003)

Nos problemas de otimização de forma, a topologia da estrutura é mantida

fixa enquanto a forma dos contornos é alterada com a finalidade de determinar a
melhor forma estrutural. Desse modo, varia-se a geometria pela fronteira do
domínio sem alterar a topologia, ou seja, o número de componentes de conexões
da sua fronteira continuará igual ao da estrutura inicial, sendo que o seu contorno
pode ser aproximado por segmentos de curvas paramétricas do tipo splines,
polinômios ou funções naturais que constituem as variáveis de projeto (HAFTKA
E GRANDHI, 1986).
Figura 3 – Otimização de forma.

Fonte: adaptado Bendsøe e Sigmund (2003).

Considerada a mais abrangente entre os tipos de otimização, o método de

otimização topológica tem por objetivo distribuir o material no interior de um
domínio fixo conforme um critério ou restrição de projeto estabelecido, suprimindo
elementos, modificando conectividades e coordenadas nodais. Em termos

13
estruturais, essas restrições de projeto podem ser: volume, deslocamentos, taxas
de deformações, frequências naturais, entre outras (SANCHES, 2011).
Figura 4 – Otimização topológica.

Fonte: adaptado Bendsøe e Sigmund (2003).

Porto (2006) cita as contribuições que cada abordagem possui na

concepção e execução das fases de projetos.
 Otimização topológica: muito utilizada durante fase de concepção, fase no
qual é altamente dependente do projetista.
 Otimização de forma: uma vez determinada a topologia ótima, o contorno
da estrutura pode então ser otimizada. Tal abordagem pode ser aplicada
na fase de projeto preliminar
 Otimização paramétrica: definida a topologia e forma, o objetivo
subsequente é determinar valores ótimos para os parâmetros geométricos.
Esta abordagem é conveniente durante a fase de detalhamento no projeto.

6.3 Métodos de otimização

Após o problema de otimização ser formulado corretamente, o principal
objetivo é encontrar a solução ótima por algum procedimento de solução
utilizando um método apropriado. Sanches (2011) evidencia que conforme o
número de parâmetros de projeto aumenta, a quantidade necessária de análises
também aumenta e, consequentemente, o número de possíveis configurações de
projetos, tornando a determinação do conjunto de soluções ótimas trabalhoso.
Desta forma, a necessidade de técnicas e métodos que refinem o processo de
otimização é necessária, visto que é amplamente necessário para resolver
problemas de engenharia.
Yang (2010), divide, conforme a Figura 5, os algoritmos de otimização em
duas categorias principais: métodos determinísticos e estocásticos.
Figura 5 – Principais métodos de otimização.

14
Fonte: Yang (2010).

Os métodos determinísticos seguem procedimentos baseados em

teoremas matemáticos de forma a garantir a sua convergência a uma solução
ótima. Esses algoritmos geram uma sequência determinística de possíveis
soluções, em que geralmente são aplicados cálculos de derivadas de primeira
ordem ou derivadas parciais de segunda ordem. A função objetivo e as restrições
destes métodos são dadas como funções matemáticas e relações funcionais, tal
que a função objetivo deve ser contínua e diferenciável no espaço de busca
(BASTOS, 2004; COLHERINHAS, 2016).
De acordo com Bastos (2004) e Carvalho (2014) os problemas de
otimização abordados pelos métodos determinísticos podem ser classificados em
duas classes, conforme a função objetivo e suas restrições:
 Programação Linear: em que a função objetivo e as restrições são funções
lineares das variáveis de projeto. Um exemplo clássico da programação
linear é o Método Simplex.
 Programação Não-Linear: no qual a função objetivo e/ou pelo menos umas
das restrições envolvidas não são funções lineares. Nesta classe
destacam-se: Método de Programação Quadrática Sequencial, Método das
Direções Viáveis, Método do Gradiente Reduzido, entre outros.

Os principais métodos determinísticos existentes são apresentados na

Figura 6 através de um fluxograma.
Figura 6 – Classificação dos principais métodos determinísticos.

15
Fonte: Fernandes (2013)
De forma simplória, o comportamento determinístico segue sempre o
mesmo processo para obtenção da solução ótima e fornece o mesmo resultado
para um dado parâmetro de entrada. Tal comportamento implica em um ponto
negativo importante quando aplicado em problemas multimodais, que possuem
vários ótimos locais, ficando restringido a uma solução local. Este fato ocorre
devido a solução encontrada por estes métodos ser extremamente dependente do
ponto de partida. Bastos (2004) enumera as principais deficiências dos métodos
determinísticos, da seguinte forma:
 Apresentam dificuldades em encontrar soluções ótimas globais.

 Dificuldade de analisar o problema quando o mesmo envolve variáveis

discretas.
 Necessitam que as funções sejam diferenciáveis, e estas podem ser caras
ou complexas.
 Quanto maior o número de parâmetros do problema, torna-se difícil obter o
ponto ótimo numericamente.
 Cada método clássico, em geral, tem domínio de aplicação restrito.

 Pouco eficazes em tratar problema de otimização multiobjetivo.

Em função das restrições dos métodos clássicos, a implementação de

métodos estocásticos, ou também chamados de probabilísticos, tem se tornado

16
uma alternativa para problemas complexos e sua utilização tem crescido de forma
considerável. Diferente dos métodos determinísticos que seguem um rigoroso
procedimento e alcançam sempre a mesma solução para um mesmo ponto inicial,
os métodos estocásticos são baseados na probabilidade avaliando diretamente a
função objetivo, sem dependência de derivadas. A aleatoriedade, devido ao
caráter probabilístico, proporciona que o algoritmo alcance diferentes pontos a
cada vez que seja executado, mesmo que inicie em um mesmo ponto inicial
(YANG, 2014). Outras vantagens dos métodos probabilísticos em relação aos
métodos determinísticos que podem ser citadas são: a função objetivo e as
restrições não precisam estar explicitadas, e a viabilidade de utilização de
variáveis contínuas e discretas ou uma combinação delas. Entretanto, o elevado
custo computacional configura sua principal desvantagem.
Os algoritmos estocásticos, em geral, se subdividem em heurísticos e
metaheurísticos. A palavra heurística tem origem na palavra do antigo grego
heuriskein, que significa a arte de descobrir novas estratégias para resolver
problemas (KAVEH, 2017). Um método heurístico pode ser considerado como um
procedimento que provavelmente descobrirá uma solução viável muito boa, mas
não necessariamente uma solução ótima, para um problema específico em um
período de tempo razoável. Os algoritmos heurísticos possuem caráter iterativo,
em que a cada iteração envolve a realização de uma busca por nova solução que
pode ser melhor que a solução encontrada anteriormente. Não há nenhuma
garantia sobre a qualidade das soluções obtidas, entretanto um método bem
projetado pode fornecer uma solução quase ideal, o que é adequado quando se
deseja boas soluções para o problema, mas não necessariamente a melhor.
Esses métodos envolvem algoritmos simples, entretanto exigem um esforço
computacional considerável, pois incluem um grande número de iterações nas
quais a função objetivo é avaliado e as restrições são verificadas (MARTÍNEZ et
al., 2010).
O progresso dos métodos heurísticos remete ao desenvolvimento dos
métodos metaheurísticos, o qual está estreitamente associado a necessidade de
ferramentas robustas para lidar com os complexos problemas na atualidade,
sobretudo na engenharia (HASANÇEBI et al., 2013). O prefixo ‘meta’ significa
‘nível superior’ ou ‘além’ e expressa uma heurística subordinada a uma

17
combinação de conceitos relacionados a intensificação (exploitation) e
diversificação (exploration) do espaço de busca.
Assim como os métodos heurísticos, as metaheurísticas aplicam o conceito
de aleatoriedade que fornece um meio de transitar entre uma pesquisa local para
uma global, evitando ótimos locais e tornando as metaheurísticas adequadas para
otimização global. Esta característica está relacionada conceitos de intensificação
e diversificação citados anteriormente. A diversificação fornece soluções diversas
de modo a explorar o espaço de busca em escala global, enquanto intensificação
foca na busca em uma região local explorando a informação de que uma solução
ótima se encontre nessa região. O processo sucede pela seleção combinada das
melhores soluções. A seleção das melhores garante que as soluções convergirão
para o resultado ótimo, enquanto a diversificação por aleatoriedade evita que as
soluções fiquem presas em ótimos locais e, ao mesmo tempo, aumenta a
diversidade da solução. A combinação adequada desses dois componentes
normalmente garante que a otimização global seja alcançada (YANG, 2010).
As metaheurísticas fundamentam seu processo de busca em estratégias
que simulam a natureza, cultura social, biologia, ou leis da física. Tais algoritmos
podem ser classificados como baseado em população e baseado em trajetória.
Um algoritmo baseado em trajetória normalmente usa uma única solução por vez,
que traçará um caminho conforme as iterações continuam. Por outro lado,
algoritmos baseados em população usam várias soluções que irão interagir e
traçar vários caminhos durante as iterações (KENNEDY E EBERHARDT, 1995).
Os métodos metaheurísticos têm sido extensivamente utilizados e bem
sucedidos em diferentes campos da engenharia, inclusive na área estrutural
(KAVEH, 2017; GEM e SIM, 2006), no qual uma grande gama de diferentes
algoritmos são empregados.
Os algoritmos baseados em população se subdividem em os dois grandes
grupos: algoritmos evolucionários e os baseados em inteligência de enxame.
Entre os algoritmos evolutivos se destacam o Genetic Algorithm (GA), Evolution
Strategy (ES), Evolution Programming (EP), Differential Evolution (DE). Quanto
aos algoritmos baseados em inteligência de enxame podem ser citados os
conhecidos Particle Swarm Optimization (PSO), Ant Colony Optimization (ACO),
Fire Fly (FF), Artificial Bee Colony (ABC), Arificial Immune Algorithm (AIA),

18
Shuffled Frog Leaping (SFL). Ainda existem algoritmos que empregam princípios
de diferentes fenômenos naturais, como Harmony Search (HS), Gravitational
Search Algorithm (GSA), Biogeography-Based Optimization (BBO), Flower
Pollination Algorithm (FPA), Ant Lion Optimization (ALO), Otimização Invasive
Weed (IWO).
Os algoritmos evolutivos e baseados em inteligência de enxame são
algoritmos que requerem parâmetros de controle comuns devido ao caráter
probabilístico inerente a eles, como por exemplo o tamanho da população ou o
número de gerações. Além destes parâmetros, diferentes algoritmos requerem
parâmetros específicos para o funcionamento adequado, sendo essenciais para a
determinação da solução ótima de um problema. Como por exemplo o GA que
emprega taxas de mutação e de cruzamento, além dos operadores de seleção; O
PSO que utiliza peso de inércia, parâmetros sociais e cognitivos; O algoritmo HS
que utiliza a taxa de consideração da memória de harmonia, taxa de ajuste do
tom e o número de improvisações; O ABC que usa um número de abelhas
espectadoras, escoteiras e empregadas. Assim, o ajuste inadequado destes
parâmetros específicos altera a eficácia do algoritmo, que pode ser dificultado
ainda com a presença de modificações e hibridização aplicados a estes
algoritmos (RAO, 2016).
O algoritmo Teaching-Learned Based Optimization (TLBO) resulta dos
esforços de RAO et al. (2011), no qual desenvolveu um algoritmo de otimização
livre de parâmetros específicos e que se destaca pela facilidade de
implementação e robustez nos resultados apresentados. A seguir o método TLBO
será detalhado.

TLBO
O método de Otimização Baseado em Ensino-Aprendizagem ou Teaching-
Learning Based Optimization (TLBO) é uma meta-heurística baseada em
população proposto por Rao, Savsani e Vakharia (2011) que buscou a partir da
estrutura de ensino aprendizagem de uma classe a base para desenvolver um
algoritmo de otimização evolucionário. O TLBO considera a ação do professor
sobre os alunos, bem como a interação entre os alunos em um processo iterativo
para aumentar o desempenho dos indivíduos e o desempenho geral da classe. O

19
método é dividido em dois processos consecutivos distintos, em que a primeira
fase, chamada Teacher Phase, simula a influência do professor sobre os alunos;
e a Learner Phase modela o aprendizado colaborativo entre alunos (CAMP e
FARSHCHIN, 2014).

7. CRONOGRAMA

As atividades que devem ser realizadas no projeto são mostradas no

cronograma a seguir.

Tabela 1: Cronograma trimestral de atividades.

1 Trim./20
2 Trim./20
3 Trim./20
4 Trim./20
1 Trim./21
2 Trim./21
3 Trim./21
4 Trim./21

ETAPA\TRIMESTRE – ANO

Etapa 1 – Revisão bibliográfica.

20
 Etapa 2 –Elaboração do programa
computacional para a análise de estruturas
treliçadas em linguagem de programação
MATLAB utilizando o MEF.

Etapa 3 – Realizar a análise numérica

(estrutural) em torres treliçadas de LT a fim de
validar o programa computacional
desenvolvido.

Etapa 4 – Elaboração da rotina para realizar a

otimização paramétrica dos perfis de uma torre
metálica treliçada de LT.

Etapa 5 – Análise dos resultados.

Etapa 6 – Elaboração do texto final científico

no formato da dissertação.

Etapa 7 – Publicação dos principais resultados

em eventos científicos.

8. RESULTADOS ESPERADOS

Com o desenvolvimento do trabalho espera-se alcançar resultados

favoráveis para a otimização de torres de LT, diminuindo o peso das estruturas e
contribuindo com a redução de custos para a execução deste tipo de torre. A
curto prazo, tem-se a intenção de contribuir com a pesquisa e o desenvolvimento
do método de otimização e análise de torres de LT e a médio/longo prazo com o
uso da tecnologia desenvolvida servir como ferramenta para engenheiros nos
projetos deste tipo de estrutura.

REFERÊNCIAS BIBLIOGRÁFICAS

AMERICAN SOCIETY OF CIVIL ENGINEERS. ASCE/SEI 7-05: Minimum

Design Loads for Buildings and Other Structures. Reston, 424p, 2006.

ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 6123: Forças

devidas ao vento em edificações. Rio de Janeiro, 84p, 1988.

21
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 8800/2008: Projeto
de estruturas de aço e de estruturas mistas de aço e concreto de edifícios.
Rio de Janeiro, 237p, 2008.

BASTOS, E. A. Otimização de seções retangulares de concreto armado

submetidas à flexo-compressão oblíqua utilizando algoritmos
genéticos. Dissertação de mestrado, Universidade Federal do Rio de Janeiro, RJ,
2004.

ELIAS, K. M.; FAKURY, R. H.; GRILO, L.F. Torre de transmissão de energia

elétrica: um novo olhar e possibilidades para o cenário de transmissão
brasileiro. São Paulo: Abcem, 2016. 11 p.

EMPRESA DE PESQUISA ENERGÉTICA. Anuário Estatístico de Energia

Elétrica. Ministério de Minas e Energia, Anuário, 2019.

FANG, S.; ROY, S.; KRAMER, J. Transmission Structures. Handbook of

Structural Engineering, Ed: W.F. Chen, CRC Press, Boca Raton, 1997.

FONSECA, M. Otimização de estruturas treliçadas planas e espaciais sob

carregamentos estáticos e dinâmicos, usando algoritmos genéticos e redes
neurais. Dissertação de mestrado, Universidade Federal de Ouro Preto, MG.
Departamento de Engenharia Civil, 2007.

FU, J.Y.; WU, B.G.; WU, J.R.; DENG, T.; PI, Y.-L.; XIE, Z.N. Wind resistant size
optimization of geometrically nonlinear lattice structures using a modified
optimality criterion method. Engineering Structures. v. 173, p. 573-588, 2018

GONTIJO, C. R. Cálculo de torres para linhas de transmissão. Belo Horizonte,

IEA Editora, 1994. 132p.

KAMISNKI JR., J. Incertezas de modelo na análise de torres metálicas

treliçadas de linhas de transmissão. 2007. Tese de Doutorado em Engenharia
Civil. Universidade Federal do Rio Grande do Sul. Escola de Engenharia. 2007.

LEMONGE, A. C. C. Aplicação de algoritmos genéticos em otimização

estrutural. Tese de Doutorado. Universidade Federal do Rio de Janeiro.
Programa de Engenharia Civil. 1999.

22
ONS. Sistema de Transmissão – Horizonte 2017. 2020. Disponível em:
<http://ons.org.br/paginas/sobre-o-sin/mapas>. Acesso em: 25 mar. 2020.

RAMOS, D. L. Otimização topológica de estruturas com multirresolução.

Dissertação de mestrado, Universidade Federal do Rio de Janeiro, RJ, 2014.

SILVA, E. C. N. Otimização aplicada ao projeto de sistemas mecânicos.

Escola Politécnica da USP, 2003.

SOUZA, R. P. Otimização de treliças com restrições de falha combinando

técnicas de programação de algoritmos contínuos e discretos. Dissertação
de mestrado, Universidade Federal do Rio Grande do Sul, Porto Alegre, RS,
2009.

REFERENCIAS OTMIZAÇÂO

YANG, X. Cuckoo search and firefly algorithm: Overview and analysis cuckoo
search and firefly algorithm. Springer International Publishing, 2014.

KAVEH, A. Optimal Design of Structures. 2 ed. Springer International Publishing,

2017.

NASH, S. G.; SOFER, A. Linear and Nonlinear Programming. McGraw-Hill, 1996.

ARORA, J. S. Introduction to optimum design. 4 ed. Editora Academic Press,

2017.

YANG. X. Engineering optimization: an introduction with metaheuristic

applications. John Wiley & Sons, 2010.

BELEGENDU, A. D.; CHANDRUPATLA, T. R. Optimization Concepts and

Applications in Engineering. 3 ed. Editora Cambridge University Press, 2019.

BENDSØE, M. P.; SIGMUND, O. Topology Optimization: theory, methods and

applications. 2 ed. Springer Science & Business Media, 2003.

RAO, V. R. Teaching Learning Based Optimization and its Engineering

Aplications. Springer International Publishing, 2016.

23
RAO, S. Engineering Optimization: theory and practice. 4 ed. John Wiley & Sons,
2009.

SANCHES, R. P. Otimização estrutural evolucionária usando malhas hexagonais.

2011. Dissertação (Mestrado em Engenharia Mecânica) – Faculdade de
Engenharia Mecânica, Universidade Estadual de Campinas, Campinas, 2011.

PORTO, E. C. B. P. Método da homogeneização aplicado à otimização estrutural

topológica. 2006. Dissertação (Mestrado em Engenharia Mecânica) – Faculdade
de Engenharia Mecânica, Universidade Estadual de Campinas – Unicamp,
Campinas, 2006

RODRIGUES, T. A. Dimensionamento otimizado de vigas mistas aço-concreto.

2018. Dissertação (Mestrado em Engenharia Civil) – Departamento de
Engenharia Civil, Universidade Federal de Ouro Preto, Ouro Preto, 2018.

OLIVIERI, B. P. Otimização do projeto de pontes protendidas pré-moldadas pelo

método dos Algoritmos Genéticos. 2004. Tese (Doutorado em Engenharia Civil) –
Departamento de Engenharia Civil, Universidade Federal do Rio de Janeiro, Rio
de Janeiro, 2004.

SIMONETTI, H. L. Otimização topológica de estruturas elásticas 2D via MEC

baseada em uma nova abordagem evolucionária. 2016. Tese (Doutorado em
Engenharia Civil) – Departamento de Engenharia Civil, Universidade Federal de
Ouro Preto, Ouro Preto, 2016.

COLHERINHAS, G. B. Ferramenta de otimização via Algoritmos Genéticos com

aplicações em engenharia. 2016. Dissertação (Mestrado em Engenharia Civil) –
Departamento de Engenharia Mecânica, Universidade de Brasília, Brasília, 2016.

FONSECA, M. Otimização de estruturais treliçadas planas e espaciais sob

carregamentos estáticos e dinâmicos, usando Algoritmos Genéticos e Redes
Neurais. 2007. Dissertação (Mestrado em Engenharia Civil) – Departamento de
Engenharia Civil, Universidade Federal de Ouro Preto, Ouro Preto, 2007.

BASTOS, E. A. Otimização de seções retangulares de concreto armado

submetidas à flexo-compressão oblíqua utilizando Algoritmos Genéticos. 2004.
Dissertação (Mestrado em Engenharia Civil) – Departamento de Engenharia Civil,
Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2004.

24
CARVALHO, E. C. R. Solução de problemas de otimização com restrições usando
estratégias de penalização adaptativa e um algoritmo do tipo PSO. 2014.
Dissertação (Mestrado em Engenharia Civil) – Programa de Pós-graduação em
Modelagem Computacional, Universidade Federal de Juiz de Fora, Juiz de Fora,
2014.

FERNANDES, W. S. F. Estudo de Otimização Topológica em Estruturas 2D

Considerando a Não Linearidade Geométrica. 2013. Dissertação (Mestrado em
Engenharia Civil) – Departamento de Engenharia Civil, Universidade Federal de
Ouro Preto, Ouro Preto, 2013.

MARTÍNEZ, F.J.; GONZÁLEZ-VIDOSA, F.; HOSPITALER, A.; YEPES, V.

Heuristic

optimization of RC bridge piers with rectangular hollow sections. Computers and

Structures, v. 88, p. 375–386, 2010.

HAFTKA, R.; GRANDHI, R. Structural shape optimization - A survey. Computer

Methods in Applied Mechanics and Engineering, v. 57, p. 91-106, 1986.

HASANÇEBI, O.; TEKE, T.; PEKCAN, O. A bat-inspired algorithm for structural

optimization. Computers and Structures, v. 128, p. 77-90, 2013.

RAO, R.V., SAVSANI, V.J., VAKHARIA, D.P. Teaching-learning-based

optimization: A novel method for constrained mechanical design optimization
problems. Computer-Aided Design, v. 43, p. 303-315, 2011.

KENNEDY, J.; EBERHART, R.C. Particle swarm optimization. Proceedings of

International Conference on Neural Networks, Piscataway, NJ, p. 1942-1948,
1995.

25