UNIVERSIDADE FEDERAL DE SERGIPE

CENTRO DE CIÊNCIAS EXATAS E TECNOLOGIA

Programa de Pós-graduação em de Engenharia Química

Otimização de Processos
Químicos

UNIDADE I – MODELOS (PLANEJAMENTO

EXPERIMENTAL)

Prof. Rogério Luz Pagano

 MODELOS PARA OTIMIZAÇÃO

PLANEJAMENTO FATORIAL

Um dos problemas mais comuns para quem faz

experimentos é determinar a influência de uma ou mais
variáveis sobre uma outra variável de interesse.

Por exemplo, poderíamos estar interessados em descobrir

como o rendimento de uma reação depende de fatores, tais
como, temperatura e tipo de catalisador.
 MODELOS PARA OTIMIZAÇÃO

No planejamento de qualquer experimento, a primeira

coisa que devemos fazer é decidir quais são os fatores e as
respostas de interesse. Os fatores, em geral, são as variáveis
que o experimentador tem condições de controlar.

Esses fatores podem ser quantitativos, como é o caso da

temperatura, ou qualitativos, como é o caso do tipo de
catalisador.
 MODELOS PARA OTIMIZAÇÃO

Fator 1 Resposta 1

Fator 2 SISTEMA Resposta 2

Fator k Resposta n
 MODELOS PARA OTIMIZAÇÃO

Os objetivos e os critérios devem estar bem claros, para escolher:

Variáveis envolvidas nos experimentos;

Faixa de variação das variáveis;

Níveis para essas variáveis. No caso de muitos fatores, é melhor

escolher inicialmente dois níveis;

Variável de resposta;

Planejamento experimental.
 MODELOS PARA OTIMIZAÇÃO

PLANEJAMENTO FATORIAL 22

Para k fatores, isto é, k variáveis manipuladas pelo

experimentador, um planejamento completo de dois níveis
exige a realização de 2 X 2 X…X 2 =2k ensaios diferentes.

Para o caso de escolhermos a temperatura e o tipo de

catalisador temos o planejamento fatorial mais simples 22.
 MODELOS PARA OTIMIZAÇÃO

Inicialmente, devemos escolher os níveis para a

temperatura e o catalisador:

Temperatura: 40 a 60 ˚C
Catalisador: tipo A e tipo B

Para fazer o planejamento 22, devemos realizar os ensaios e

registrar as respostas observadas em todas as 4 possíveis
combinações dos níveis escolhidos:

(40 ˚C, A) (40 ˚C, B) (60 ˚C, A) (60 ˚C, B)

 MODELOS PARA OTIMIZAÇÃO

Considere os resultados obtidos nos experimentos

Ensaio Temperatura Catalisador Rendimento Média

(°C) (%)

1 40 A 57 61 59
(-) (-)
2 60 A 92 88 90
(+) (-)
3 40 B 55 53 54
(-) (+)
4 60 B 66 70 68
(+) (+)
 MODELOS PARA OTIMIZAÇÃO

Diagrama para interpretação dos resultados do

planejamento fatorial 22

+14
B 54 68

-5 -22
Catalisador
+31
A 59
59 90

40 60
Temperatura
 MODELOS PARA OTIMIZAÇÃO

Calculo dos efeitos:

Efeito Principal da Temperatura é a média dos efeitos da

temperatura nos dois níveis do catalisador.
_ _ _ _
T = [(y2 – y1) + (y4 – y3)] / 2
=[(90 -59) + (68-54)] / 2
=[ (31) + (14) )] / 2
= 22,5 %
O rendimento da reação sobe
22,5%, em média, quando a
temperatura passa do nível
inferior (40°C) para o nível
superior (60°C).
 MODELOS PARA OTIMIZAÇÃO

Calculo dos efeitos:

Efeito Principal para o Catalisador:

_ _
C = y+ – y- = [(y3 + y4)/2] - [(y1 + y2)/2]
= [(54 + 68)/2] - [(59 + 90)/2]
=[ (61) - (74.5) ]
= -13,5 %

O rendimento da reação
diminui 13,5%, em media,
quando trocamos o
catalisador A pelo
catalisador B.
 MODELOS PARA OTIMIZAÇÃO

Calculo dos efeitos:

Efeito de interação entre temperatura e catalisador

T x C = TC = [(y4 - y3)/2] - [(y2 - y1)/2]

= (14 – 31)/2 = - 8,5%

_ _ _ _
= [(y1 + y4)/2] - [(y2 + y3)/2]

O rendimento da reação
diminui 13,5%, em media,
quando trocamos o
catalisador A pelo
catalisador B.
 MODELOS PARA OTIMIZAÇÃO

Calculo dos efeitos:

Efeito de interação entre temperatura e catalisador

T x C = TC = [(y4 - y3)/2] - [(y2 - y1)/2]

= (14 – 31)/2 = - 8,5%

_ _ _ _
= [(y1 + y4)/2] - [(y2 + y3)/2]

O rendimento da reação
diminui 13,5%, em media,
quando trocamos o
catalisador A pelo
catalisador B.
 MODELOS PARA OTIMIZAÇÃO

Precisamos agora encontrar uma estimativa da variância

do experimento. Para isto, temos que calcular a variância
de cada ponto experimental. Assim:

 x  x 
2
i
 i2  i
N 1

Ensaio Rendimento (%) Média Variância

1 57 61 59 8

2 92 88 90 8

3 55 53 54 2

4 66 70 68 8
 MODELOS PARA OTIMIZAÇÃO

A determinação de uma variância conjunta para todos os

valores pode ser realizada por

i i
  2

2  i
 i  Ni  1
 i
i

 2  6,5

Como a variância foi calculado como sendo a média entre

o nível + e -, o erro padrão é dado por:
2
  1,8
2
 MODELOS PARA OTIMIZAÇÃO

A determinação de uma variância conjunta para todos os

valores pode ser realizada

Média global: 67.75 ± 0,9

Efeitos principais:
T 22,5 ± 1,8
C -13,5 ± 1,8
Efeito de interação:
TC -8,5 ± 1,8

Quais dos efeitos são significantes com 95% de confiança?

t4 x s(efeito) = 2,776 x 1,8% = 5,0%
 MODELOS PARA OTIMIZAÇÃO

Realizando o calculo com a forma matricial já apresentada:

 MODELOS PARA OTIMIZAÇÃO

Variação por
cada unidade de
xi
 MODELOS PARA OTIMIZAÇÃO

PLANEJAMENTO FATORIAL 23

Considere agora a necessidade de estudar também a

influência de uma terceira variável no rendimento. Para este
caso, teríamos 8 experimentos:

Temperatura: 40 a 60 ˚C
Catalisador: tipo A e tipo B
Concentração: 1,0 e 1,5 mol/L
 MODELOS PARA OTIMIZAÇÃO

Ensaio Temp Cat Conc Rend (%) Média

1 40 A 1,0 56 52 54,0
2 60 A 1,0 85 88 86,5

3 40 B 1,0 49 47 48,0

4 60 B 1,0 64 62 63,0

5 40 A 1,5 65 61 63,0
6 60 A 1,5 92 95 93,5
7 40 B 1,5 57 60 58,5
8 60 B 1,5 70 74 72,0
MODELOS PARA OTIMIZAÇÃO
MODELOS PARA OTIMIZAÇÃO
MODELOS PARA OTIMIZAÇÃO

média

12

13

23

123
 MODELOS PARA OTIMIZAÇÃO

PLANEJAMENTO FATORIAL 24

E se tivéssemos um a outra variável?

Temperatura: 40 a 60 ˚C
Catalisador: tipo A e tipo B
Concentração: 1,0 e 1,5 mol/L
pH: 7,0 e 6,0
 MODELOS PARA OTIMIZAÇÃO
Ensaio Temp Cat Conc pH Rend(%)

1 40 A 1,0 7,0 54
2 60 A 1,0 7,0 85
3 40 B 1,0 7,0 49
4 60 B 1,0 7,0 62
5 40 A 1,5 7,0 64
6 60 A 1,5 7,0 94
7 40 B 1,5 7,0 56
8 60 B 1,5 7,0 70
9 40 A 1,0 6,0 52
10 60 A 1,0 6,0 87
11 40 B 1,0 6,0 49
12 60 B 1,0 6,0 64
13 40 A 1,5 6,0 64
14 60 A 1,5 6,0 94
15 40 B 1,5 6,0 58
16 60 B 1,5 6,0 73
MODELOS PARA OTIMIZAÇÃO
MODELOS PARA OTIMIZAÇÃO
MODELOS PARA OTIMIZAÇÃO

média
1
2
3
4
12
13
14
23
24
34
123
124
134
234
1234
 MODELOS PARA OTIMIZAÇÃO

APLICAÇÕES -01

Hidrólise de resinas

Estudar o efeito de 3 fatores (tempo, temperatura de

hidrólise e tipo de catalisador) no grau de substituição
numa resina clorometilada, com o intuito de maximizar essa
reposta.
MODELOS PARA OTIMIZAÇÃO
MODELOS PARA OTIMIZAÇÃO
MODELOS PARA OTIMIZAÇÃO
MODELOS PARA OTIMIZAÇÃO
 MODELOS PARA OTIMIZAÇÃO

APLICAÇÕES - 02

Voltametria Cíclica do Azul de Metileno

Investigar as propriedades eletroquímicas do azul de

metileno por voltametria cíclica, com o objetivo de
determinar as condições experimentais que produzem a
melhor reversibilidade do processo redox (minimizar a
diferença de voltagem).
MODELOS PARA OTIMIZAÇÃO
MODELOS PARA OTIMIZAÇÃO
MODELOS PARA OTIMIZAÇÃO
 MODELOS PARA OTIMIZAÇÃO

APLICAÇÕES - 03

Separação de Gases por Adsorção

Investigar a influência de 4 fatores sobre a adsorção em

fase gasosa.
MODELOS PARA OTIMIZAÇÃO
MODELOS PARA OTIMIZAÇÃO
MODELOS PARA OTIMIZAÇÃO
 MODELOS PARA OTIMIZAÇÃO

REDES NEURAIS ARTIFICIAIS

How do our brains work?
 A processing element

Dendrites: Input
Cell body: Processor
Synaptic: Link
Axon: Output
How do ANNs work?

An artificial neuron is an imitation of a human neuron

How do ANNs work?
The signal is not passed down to the
next neuron verbatim
............
xm x2 x1
Input
wm ..... w2 w1
weights
Processing ∑
Transfer Function
(Activation Function) f(vk)

Output y
 Artificial neurons

Nonlinear generalization of the McCullogh-Pitts neuron:

y  f ( x, w)
y is the neuron’s output, x is the vector of inputs, and w is the vector of
synaptic weights.
Examples:
1
y sigmoidal neuron
1  ew xa
T

|| x  w||2 Gaussian neuron


ye 2a 2
The output is a function of the input, that is
affected by the weights, and the transfer
functions
Three types of layers: Input, Hidden, and
Output
 Artificial Neural Networks
 An ANN can:
1. compute any computable function, by the appropriate
selection of the network topology and weights values.
2. learn from experience!
 Specifically, by trial‐and‐error
Different types of Neural Networks
 Feed-forward networks
◦ Feed-forward NNs allow signals to travel one
way only; from input to output. There is no
feedback (loops) i.e. the output of any layer
does not affect that same layer.
◦ Feed-forward NNs tend to be straight
forward networks that associate inputs with
outputs. They are extensively used in pattern
recognition.
◦ This type of organization is also referred to as
bottom-up or top-down.
Continued
 Feedback networks
◦ Feedback networks can have signals traveling in both directions
by introducing loops in the network.
◦ Feedback networks are dynamic; their 'state' is changing
continuously until they reach an equilibrium point.
◦ They remain at the equilibrium point until the input changes and
a new equilibrium needs to be found.
◦ Feedback architectures are also referred to as interactive or
recurrent, although the latter term is often used to denote
feedback connections in single-layer organizations.
Weights
 In general, initial weights are randomly
chosen, with typical values between -1.0
and 1.0 or -0.5 and 0.5.
 There are two types of NNs. The first
type is known as
◦ Fixed Networks – where the weights are
fixed
◦ Adaptive Networks – where the weights are
changed to reduce prediction error.
 Size of Training Data

 Rule of thumb:
◦ the number of training examples should be at least five to ten
times the number of weights of the network.

 Other rule:
|W|= number of weights
|W|
N a = expected accuracy on
(1 - a) test set
Training Basics
 The most basic method of training a
neural network is trial and error.
 If the network isn't behaving the way it
should, change the weighting of a random
link by a random amount. If the accuracy
of the network declines, undo the change
and make a different one.
 It takes time, but the trial and error
method does produce results.
 Training: Backprop algorithm

 The Backprop algorithm searches for weight values that minimize the
total error of the network over the set of training examples (training
set).
 Backprop consists of the repeated application of the following two
passes:
◦ Forward pass: in this step the network is activated on one
example and the error of (each neuron of) the output layer is
computed.
◦ Backward pass: in this step the network error is used for
updating the weights. Starting at the output layer, the error is
propagated backwards through the network, layer by layer. This is
done by recursively computing the local gradient of each neuron.
 Back Propagation

 Back-propagation training algorithm

Network activation
Forward Step

Error
propagation
Backward Step
 Backprop adjusts the weights of the NN in order to
minimize the network total mean squared error.