Escolar Documentos
Profissional Documentos
Cultura Documentos
CENTRO DE TECNOLOGIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA CIVIL
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
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
1
1. INTRODUÇÃO
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).
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
4
3. OBJETIVOS
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.
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).
7
Fonte: Gontijo, 1994.
• a disposição dos cabos condutores, que pode ter forma triangular,
vertical ou horizontal (Figura 3);
8
Figura 4: Classificação a partir da funcionalidade estrutural.
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
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.
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.
13
estruturais, essas restrições de projeto podem ser: volume, deslocamentos, taxas
de deformações, frequências naturais, entre outras (SANCHES, 2011).
Figura 4 – Otimização topológica.
14
Fonte: Yang (2010).
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.
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
ETAPA\TRIMESTRE – ANO
20
Etapa 2 –Elaboração do programa
computacional para a análise de estruturas
treliçadas em linguagem de programação
MATLAB utilizando o MEF.
8. RESULTADOS ESPERADOS
REFERÊNCIAS BIBLIOGRÁFICAS
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.
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
22
ONS. Sistema de Transmissão – Horizonte 2017. 2020. Disponível em:
<http://ons.org.br/paginas/sobre-o-sin/mapas>. Acesso em: 25 mar. 2020.
REFERENCIAS OTMIZAÇÂO
YANG, X. Cuckoo search and firefly algorithm: Overview and analysis cuckoo
search and firefly algorithm. Springer International Publishing, 2014.
23
RAO, S. Engineering Optimization: theory and practice. 4 ed. John Wiley & Sons,
2009.
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.
25