UNIVERSIDADE CEUMA

BRUNO SILVA OLIVEIRA

MODELAGEM DE UM SISTEMA DINÂMICO VIA REDES NEURAIS

ARTIFICIAIS (RNA)
São Luís – MA
2021
 1

Bruno Silva Oliveira

Modelagem de um Sistema Dinâmico Via Redes Neurais Artificiais (RNA)

Pré-projeto de TCC apresentada ao

Curso de Engenharia Mecânica da
Universidade Ceuma, como requisito para
a obtenção de nota na disciplina de
Trabalho de conclusão de curso.

Orientador: Prof. Hilton Seheris da

Silva Santos

São Luís – MA
Ano 2021
 2

1 TEMA

Modelagem de um sistema dinâmico via redes neurais artificiais (RNA)

2 DELIMITAÇÃO DO PROBLEMA

Geralmente, construir protótipos e conduzir testes experimentais pode ser

caro demais ou até mesmo inviável para um projeto. Diante disso, a modelagem
matemática, e outras ferramentas como a análise e a simulação de sistemas
auxiliam muito no processo de desenvolvimento de um projeto. E tal ferramenta
pode se tornar ainda mais conveniente, com o uso de redes neurais artificiais.

3 OBJETIVOS

3.1 GERAL

O objetivo geral do presente trabalho é fazer a modelagem de um sistema

dinâmico por meio de uma rede neural artificial (RNA).

3.2 ESPECÍFICOS

a) Modelar via rede neural artificial o sistema dinâmico.

b) Obter a resposta do sistema dinâmico através da rede neural artificial.
c) Analisar os resultados da modelagem do sistema dinâmico.

4 JUSTIFICATIVA

A modelagem matemática de sistemas dinâmicos é essencial, pois o primeiro

passo para analisar um sistema, é desenvolver um modelo matemático que
represente a dinâmica do sistema. Já que é impossível obter uma resposta sem tal
modelo. A modelagem nos permite entender a resposta dinâmica de uma máquina a
ser projetada, sem precisar da experimentação de um protótipo físico. Assim
permitindo levar um projeto para a fase de produção, em um tempo muito menor do
que levaria se fossem construídos protótipos físicos.
 3

5 REFERENCIAL TEÓRICO

5.1 CONCEITOS DE MODELAGEM E SISTEMAS DINÂMICOS

Sistema vem a ser uma combinação de componentes atuando em conjunto

para realizar um objetivo especificado. Os componentes ou elementos interagindo
possuem relações de causa e efeito (ou de entrada-saída) (KLUEVER, 2018).
Sistema dinâmico é um sistema no qual as variáveis de saída atuais
dependem das condições iniciais do sistema e/ou das variáveis de entrada
anteriores (KLUEVER, 2018).
Modelagem é o processo de determinar as equações matemáticas que
descrevem um determinado sistema, tal processo é realizado através da aplicação
das leis físicas apropriadas para o sistema dinâmico (KLUEVER, 2018).
Modelo matemático é a descrição matemática do comportamento de um
sistema dinâmico, normalmente um conjunto de equações diferenciais ordinárias
lineares ou não lineares (KLUEVER, 2018).
Simulação é o processo no qual se obtém a resposta de sistemas dinâmicos
através da solução numérica das equações que os modelam (KLUEVER, 2018).
Análise do sistema se dá pelo emprego de cálculos analíticos ou
ferramentas de simulação numérica para determinar a resposta do sistema de modo
a entender e interpretar seu desempenho (KLUEVER, 2018).

5.2 SISTEMAS DINÂMICOS

Nesta seção serão abordadas algumas classificações de sistemas dinâmicos,

julgadas importantes para o escopo desse trabalho.
Sistema dinâmico discreto no tempo: é um sistema em que o seu estado
só muda durante os instantes {t0, t1, t2, . . .}. No intervalo de tempo entre dois
desses instantes, o estado permanece constante (VILLATE, 2007).
Sistema dinâmico continuo no tempo: Um sistema contínuo no tempo
envolve variáveis e funções que são definidas em todos os instantes de tempo. Ou
seja, em sistemas contínuos, o espaço de estados t é contínuo e consiste de valores
reais (ou complexos) (MONTEIRO, 2006).
Sistemas dinâmicos lineares obedecem às propriedades de superposição e
os não lineares não respeitam tais propriedades (MONTEIRO, 2006), que são:
 4

Se y 1=f (x 1), logo k∗y 1=f (k∗x 1), sendo k uma constante.

Se y 1=f (x 1) e y 2=f (x 2), então y 1 + y 2=f ( x 1+ x 2 ).

5.3 MODELAGEM E ANÁLISE DE SISTEMAS DINÂMICOS

Para analisar um sistema dinâmico, o primeiro passo é sempre desenvolver

um modelo matemático que represente a dinâmica do sistema. O segundo é
determinar a resposta do sistema a uma entrada especifica, ou seja, resolver as
equações que compõem o modelo previamente determinado. Sendo assim, a
determinação da resposta do sistema, pode ser obtida por meio de duas formas:
métodos analíticos ou soluções numéricas usando um computador digital
(KLUEVER, 2018).
Vale ressaltar que os resultados obtidos a partir de um modelo matemático
específico são apenas aproximações. E que a proximidade da resposta do modelo
com a resposta real, depende da complexidade do modelo. A sensibilidade do
engenheiro deve ser aplicada para avaliar a complexidade do modelo, de acordo
com a exatidão desejada da análise. Não linearidades são normalmente ignoradas
em um estudo preliminar de um projeto de modo a desenvolver modelos lineares de
menor ordem. Assim sendo, modelos lineares de menor ordem, podem ser
resolvidos analiticamente. Contudo, algumas vezes, modelos lineares aproximados
de menor ordem podem não ser suficientes para representar de forma precisa a
dinâmica do sistema. Tornando-se necessário a adoção de modelos de maior
ordem, ou ainda, modelos não lineares que necessitam de soluções numéricas
concebidas através de programas de simulação (KLUEVER, 2018).

5.2 REDES NEURAIS ARTIFICIAIS

Na busca pela construção de sistemas com comportamento inteligente, e por

simular o processo de aprendizado, um modelo natural que inspirou diversas
pesquisas é o do cérebro. O cérebro é formado por células nomeadas como
neurônios, que trocam informações por meio de sinapses. Permitindo que o mesmo
seja capaz de realizar certos processos muito mais rapidamente que o mais
poderoso computador digital existente. Sabido isso, o desenvolvimento das RNAs
tomou como inspiração a estrutura e o funcionamento do sistema nervoso, com o
 5

objetivo de simular a capacidade de aprendizado do cérebro humano na aquisição

de conhecimento (CARVALHO, 2021).
Segundo Haykin (2001), uma rede neural é um processador maciçamente
paralelamente distribuído constituído de unidades de processamento simples, que
tem a propensão natural para armazenar conhecimento experimental e torna-lo
disponível para o uso. Assim se assemelhando ao cérebro em dois aspectos: sendo,
o primeiro que, o conhecimento é adquirido pela rede a partir do ambiente no qual
está inserida, através de um processo de aprendizagem, e o segundo aspecto é que
forças de conexão entre neurônios, conhecidas como pesos sinápticos, são
utilizadas para armazenar o conhecimento aprendido.

5.2.1 Neurônio Biológico

O cérebro humano possui mais de dez bilhões de neurônios, cada qual

conectado a milhares de outros neurônios. Estas conexões são conhecidas por
sinapses e o cérebro humano possui cerca de 60 trilhões destas conexões (COPIN,
2010). Na figura 1 pode-se observar os principais componentes de um neurônio que
são: dendritos, corpo celular e axônio.

Figura 1: Neurônio biológico simplificado.

Fonte: (CARVALHO, 2021)

Os dendritos são prolongamentos dos neurônios especializados na recepção

de estímulos nervosos provenientes de outros neurônios ou do ambiente. Esses
estímulos são então transmitidos para o corpo celular ou soma. O soma coleta as
informações recebidas dos dendritos, as combina e processa. De acordo com a
intensidade e frequência dos estímulos recebidos, o corpo celular gera um novo
 6

impulso, que é enviado para o axônio. O axônio é um prolongamento dos neurônios,

responsável pela condução dos impulsos elétricos produzidos no corpo celular até
outros neurônios (CARVALHO, 2021).

5.2.2 Neurônio Artificial

As RNAs são sistemas computacionais distribuídos compostos de unidades

de processamento simples, densamente interconectadas. Unidades essas,
conhecidas como neurônios artificiais. O neurônio artificial é fundamental para a
operação de uma rede neural. No entanto os neurônios utilizados para construir
redes neurais são primitivos, se comparados aos encontrados no cérebro (HAYKIN,
2001). Na figura 2, pode-se observar os três elementos básicos de um modelo
neuronal.

Figura 2: Modelo não-linear de um neurônio

Fonte: (HAYKIN, 2001)

Onde os elementos básicos de um neurônio são: um conjunto de sinapses

caracterizadas por um sinal de entrada x , conectada a um neurônio k e multiplicada
por um peso sináptico w , temos também, um somador para somar os sinais de
entrada, ponderados pelos respectivos pesos, e por último temos uma função de
ativação para restringir a amplitude da saída de um neurônio (HAYKIN, 2001).
Em termos matemáticos podemos descrever um neurônio, através das
seguintes equações:
 7

m
uk =∑ w kj x j (5.1)
j=1

v k =uk +b k (5.2)

y k =φ v k (5.3)

Onde uk é a saída do combinador linear; w kj são os pesos sinápticos; x j são os

sinais de entrada; v k é o campo induzido; b k é o bias; y k é o sinal de saída do
neurônio e φ ( . ) é a função de ativação.

6 PROCEDIMENTOS METODOLÓGICOS

Quanto aos procedimentos metodológicos utilizados, primeiro será feita uma

pesquisa bibliográfica quantitativa, para ter embasamento teórico o suficiente, para
então seguir às próximas etapas. Desse modo, o próximo passo será utilizar a
linguagem Python ou o software Matlab para programar e treinar a rede neural. Após
isso, será feita a modelagem do sistema dinâmico via rede neural. E então será
analisada a resposta do sistema dinâmico, proveniente da rede neural artificial.

7 RESULTADOS ESPERADOS

Espera-se ao final de todas as etapas, que os resultados obtidos através da

modelagem via rede neural sejam satisfatórios. Assim, provando a eficiência das
redes neurais artificiais, como ferramenta auxiliar, para otimizar o processo de
modelagem, simulação e análise de sistemas dinâmicos.

8 CRONOGRAMA DE TRABALHO

Exemplo de cronograma em meses. Vocês devem elaborar um cronograma

semanal.
 8

9 REFERÊNCIAS BIBLIOGRÁFICAS

KLUEVER, Craig A. Sistema Dinâmicos: Modelagem, Simulação e Controle. Rio de

Janeiro: LTC, 2018. Disponível em:
https://integrada.minhabiblioteca.com.br/books/9788521634713. Acesso em: 14 abr.
2021.

VILLATE, Jaime E. Introdução aos Sistemas Dinâmicos: Uma Abordagem Prática

com Máxima. Porto: Universidade do Porto, 2007. Disponível em:
http://www.arquivoescolar.org/handle/arquivo-e/54. Acesso em: 16 abr. 2021.

MONTEIRO, Luiz Henrique Alves. Sistema Dinâmicos. 2. ed. São Paulo: Livraria da
Física, 2006. Disponível em: https://books.google.com.br. Acesso em: 15 abr. 2021.

CARVALHO, André Carlos Ponce e León Ferreira et al. Inteligência Artificial: Uma
Abordagem de Aprendizado de Máquina. 2. ed. Rio de Janeiro: LTC, 2021.
Disponível em: https://integrada.minhabiblioteca.com.br/books/9788521637509.
Acesso em: 15 abr. 2021.

HAYKIN, Simon. Redes Neurais: Princípios e Prática. 2. ed. Porto Alegre: Bookman,
2001. Disponível em:
https://integrada.minhabiblioteca.com.br/books/9788577800865. Acesso em: 15 abr.
2021.

COPPIN, Ben. Inteligência Artificial. Rio de Janeiro: LTC, 2010. Disponível em:
https://integrada.minhabiblioteca.com.br/books/978-85-216-2936-8. Acesso em: 15
abr. 2021.