ALGORITMOS EVOLUTIVOS APLICADOS SNTESE E OTIMIZAO DE

SISTEMAS DE ANCORAGEM

Carl Horst Albrecht

TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAO DOS
PROGRAMAS DE PS-GRADUAO DE ENGENHARIA DA UNIVERSIDADE
FEDERAL DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS
NECESSRIOS PARA A OBTENO DO GRAU DE DOUTOR EM CINCIAS
EM ENGENHARIA OCENICA.

Aprovada por:

_______________________________________________
Prof. Breno Pinheiro Jacob, D.Sc.


_______________________________________________
Prof. Srgio Hamilton Sphaier, Dr.Ing.


_______________________________________________
Prof
a
Beatriz de Souza Leite Pires de Lima, D.Sc.


_______________________________________________
Prof Murilo Augusto Vaz, Ph.D.


_______________________________________________
Prof. Kazuo Nishimoto, D.Sc.


_______________________________________________
Eng. Isaas Quaresma Masetti , D.Sc.


_______________________________________________
Eng. Mauro Costa de Oliveira, D.Sc.


RIO DE JANEIRO, RJ - BRASIL
MARO DE 2005
ii











ALBRECHT, CARL HORST
Algoritmos Evolutivos Aplicados Sntese e
Otimizao de Sistemas de Ancoragem [Rio de
Janeiro] 2005
VII, 166 p. 29.7cm (COPPE/UFRJ, D.Sc.,
Engenharia Ocenica, 2004)
Tese Universidade Federal do Rio de
Janeiro, COPPE
1. Sistemas Offshore
2. Sistemas de ancoragem
3. Otimizao
4. Algoritmos Evolutivos
I. COPPE/UFRJ, II. Ttulo (srie)








iii






























minha esposa Rosane
e s minhas filhas Letcia e Luza.


iv
Agradecimentos



Aos meus orientadores, especialmente ao professor Breno Pinheiro Jacob, pelo
incentivo e apoio no desenvolvimento deste trabalho.

Rosane pela dedicao e compreenso nestes anos e pelo apoio na finalizao
da tese. Letcia e Luiza, pela pacincia e compreenso.

Ao Departamento de Expresso Grfica da Escola Politcnica da UFRJ, por
permitir a minha dedicao exclusiva ao trabalho de finalizao da tese.

Aos amigos do Laboratrio de Modelagem e Visualizao (LAMVI), do
Departamento de Expresso Grfica, especialmente ao Rodrigo Alves Pons pelo apoio
no desenvolvimento do sistema.

professora Beatriz de Souza Leite Pires de Lima pelo apoio com os mtodos
evolutivos.

Aos amigos do Laboratrio de Mtodos Computacionais em Sistemas Offshore
(LAMCSO) da COPPE/UFRJ, especialmente ao Luciano Tardelli Vieira pelo apoio
com os algoritmos genticos.

PETROBRAS, que por intermdio do engenheiro Isaias Quaresma Masetti
permitiu e incentivou o uso do sistema SITUA/PROSIM.

Aos engenheiros Ronaldo Rossi e Octavio pela orientao nas questes de
ancoragem de plataformas.
v



Resumo da Tese apresentada COPPE/UFRJ como parte dos requisitos necessrios
para a obteno do grau de Doutor em Cincias (D.Sc.)

ALGORITMOS EVOLUTIVOS APLICADOS SNTESE E OTIMIZAO DE
SISTEMAS DE ANCORAGEM

Carl Horst Albrecht
Maro/2005

Orientadores: Srgio Hamilton Sphaier
Breno Pinheiro Jacob

Programa: Engenharia Ocenica


Com a descoberta de petrleo a profundidades cada vez maiores e a utilizao de
grandes plataformas para a explorao de campos gigantes, o projeto de sistemas de
ancoragem torna-se cada vez mais crtico. Por outro lado o tempo disponvel para o
desenvolvimento destes projetos sempre pouco. Assim, faz-se necessrio o
desenvolvimento de ferramentas computacionais que consigam aumentar a eficincia no
projeto destes sistemas atravs de mtodos de otimizao.
Neste trabalho feita uma comparao entre diversos mtodos de otimizao
baseados nos conceitos de evoluo de uma populao, e sua aplicao ao projeto de
sistemas de ancoragem para guas profundas. Com especial enfoque nos mtodos dos
Algoritmos Genticos e no mtodo do Enxame de Partculas.
A metodologia de projeto de sistemas de ancoragem apresentada, bem como a
formulao de anlise acoplada de sistemas casco-linhas.
As anlises do sistema de ancoragem so feitas utilizando-se a metodologia
acoplada de anlise de sistemas flutuantes implementada no programa
SITUA/PROSIM.


vi
Abstract of Thesis presented to COPPE/UFRJ as a partial fulfillment of the
requirements for the degree of Doctor of Science (D.Sc.)


EVOLUTIONARY ALGORITHMS APPLIED TO MOORING SYNTHESIS AND
OPTIMIZATION

Carl Horst Albrecht
March/2005

Advisors: Srgio Hamilton Sphaier
Breno Pinheiro Jacob

Department: Ocean Engineering


As offshore oil exploration activities progress towards even deeper waters, large
floating platforms have been considered for use in giant fields, and the design of
mooring systems is then a critical issue. On the other hand, the available time for the
development of such projects is always short. This motivates the development of
innovative computational tools that are able to improve the efficiency in the design of
mooring systems through optimization methods.
This work presents the development, implementation and comparison of several
optimization methods based on evolutionary concepts, and their application to the
design of mooring system for deepwater offshore platforms. Particular emphasis is
dedicated to Genetic Algorithms and Particle Swarm methods.
The methodology for design of mooring systems is presented, together with the
formulation for the coupled analysis of the hull of the platform and its mooring lines
and risers, that is implemented in the SITUA/PROSIM program employed in the
analysis of the moored system with its risers.
vii
NDICE
CAPTULO 1: INTRODUO.................................................................................... 1
1.1 - MOTIVAO.......................................................................................................... 1
1.2 OBJETIVO.............................................................................................................. 2
1.3 HISTRICO............................................................................................................ 3
1.3.1 Explorao em Alto Mar Bacia de Campos ............................................. 3
1.3.2 Ancoragem.................................................................................................... 5
1.4 ORGANIZAO DO TRABALHO.............................................................................. 7
CAPTULO 2: SISTEMAS DE EXPLORAO DE PETRLEO NO MAR........ 8
2.1 INTRODUO ........................................................................................................ 8
2.2 CASCO .................................................................................................................. 9
2.2.1 - Plataforma semi-submersvel........................................................................ 9
2.2.2 - Navios.......................................................................................................... 10
2.2.3 TLP ............................................................................................................. 10
2.2.4 - Spar ............................................................................................................. 11
2.3 RISERS ................................................................................................................ 12
2.4 LINHAS DE ANCORAGEM..................................................................................... 13
2.4.1 - Ancoragem Convencional ........................................................................... 13
2.4.2 Complacncia Diferenciada (DICAS) ........................................................ 15
2.4.3 - Linha Retesada (Taut-leg)........................................................................... 16
2.4.4 Tendes....................................................................................................... 17
2.4.5 ncoras....................................................................................................... 17
2.4.6 -Amarras........................................................................................................ 20
2.4.7 - Cabos de ao............................................................................................... 21
2.4.8 Cabos de Polister...................................................................................... 22
CAPTULO 3: PROJETO DE SISTEMAS DE ANCORAGEM............................ 25
3.1 - INTRODUO....................................................................................................... 25
3.2 - CONDIES AMBIENTAIS PARA PROJETO............................................................ 27
3.2.1 - Condio Mxima de Projeto ..................................................................... 27
Ancoragens Permanentes............................................................................................................................. 27
Ancoragens Provisrias ............................................................................................................................... 28
3.2.2 - Condio Mxima de Operao ................................................................. 28
3.3 - SITUAES A SEREM ANALISADAS ...................................................................... 29
3.3.1 - Situao Intacta .......................................................................................... 29
3.3.2 - Situao Avariada....................................................................................... 30
3.3.3 - Situao Transiente..................................................................................... 30
3.3.4 - Anlise de Fadiga ....................................................................................... 30
3.4 OTIMIZAO DE SISTEMAS DE ANCORAGEM....................................................... 31
CAPTULO 4: METODOLOGIA DE ANLISE DE SISTEMAS DE
ANCORAGEM............................................................................................................. 33
4.1 INTRODUO ...................................................................................................... 33
4.2 - ANLISE QUASI-ESTTICA .................................................................................. 34
Clculo das Tenses..................................................................................................................................... 34
Clculo de Offsets ........................................................................................................................................ 34
4.3 ANLISE DINMICA............................................................................................ 36
4.3.1 Domnio da Frequncia.............................................................................. 36
4.3.2 Domnio do Tempo ..................................................................................... 36
4.4 - METODOLOGIA DESACOPLADA ........................................................................... 37
viii
4.4.1 - Anlise de Movimentos da Unidade Flutuante ........................................... 38
4.4.2 - Anlise Estrutural dos Risers...................................................................... 40
4.5 METODOLOGIA ACOPLADA................................................................................ 42
CAPTULO 5: FORMULAO PARA ANLISE ACOPLADA.......................... 43
5.1 INTRODUO ...................................................................................................... 43
5.2 - EQUAES DE MOVIMENTO DA UNIDADE FLUTUANTE ...................................... 43
5.2.1 - Sistemas de Referncia................................................................................ 44
Sistema Global Geral (Constante, inercial)............................................................................................. 44
Sistema Estrutural da Plataforma (Mvel, Fixo no Corpo) ..................................................................... 44
Sistema Local dos Membros da Plataforma e dos Elementos Finitos das Linhas........................................ 44
5.2.2 - Formulao das Equaes de Movimento .................................................. 46
Deslocamento de Translao....................................................................................................................... 46
Deslocamento de Rotao............................................................................................................................ 46
Transformao de Coordenadas .................................................................................................................. 48
Transformao de Velocidades .................................................................................................................... 49
Segunda Lei de Newton................................................................................................................................ 49
Equaes de Movimento............................................................................................................................... 51
5.3 - FORMULAO ESTRUTURAL DAS LINHAS......................................... 54
5.3.1 - Modelo Matemtico - Soluo Numrica .................................................. 54
5.3.2 - Discretizao Espacial................................................................................ 55
Elemento de Trelia ..................................................................................................................................... 55
Elemento de Prtico..................................................................................................................................... 56
5.3.3 - Discretizao no Tempo.............................................................................. 56
5.4 - CARREGAMENTOS AMBIENTAIS........................................................................... 58
5.4.1 Correnteza .................................................................................................. 58
5.4.2 - Vento ........................................................................................................... 59
5.4.3 - Ondas .......................................................................................................... 62
5.4.4 - Clculo das Foras ..................................................................................... 62
Formulao de Morison............................................................................................................................... 63
5.5 ANLISE ESTTICA ACOPLADA.......................................................................... 67
CAPTULO 6: OTIMIZAO................................................................................... 69
6.1 INTRODUO ...................................................................................................... 69
6.2 - OTIMIZAO ANALTICA E OTIMIZAO NUMRICA.......................................... 71
6.3 TIMO LOCAL E TIMO GLOBAL........................................................................ 72
6.4 - RESTRIES E PENALIDADE................................................................................. 73
6.5 MTODOS DE OTIMIZAO NUMRICA............................................................... 75
6.6 ELEMENTOS DA OTIMIZAO ............................................................................. 77
CAPTULO 7: MTODOS ALEATRIOS.............................................................. 78
7.1 INTRODUO ...................................................................................................... 78
7.2 ESTRATGIA EVOLUTIVA (EE)............................................................................ 80
7.3 - ALGORITMO GENTICO (AG) .............................................................................. 83
7.3.1 Populao................................................................................................... 85
7.3.2 - Material Gentico e Codificao Binria................................................... 86
7.3.3 - Funo aptido ........................................................................................... 87
7.3.4 - Seleo ........................................................................................................ 89
7.3.5 - Reproduo e Operadores Genticos ......................................................... 91
7.3.6 - Sobrevivncia .............................................................................................. 93
7.3.7 - Critrios de Parada..................................................................................... 93
7.3.8 Codificao Real ........................................................................................ 94
Cruzamento .................................................................................................................................................. 94
Mutao ....................................................................................................................................................... 96
ix
7.4 - MICRO ALGORITMO GENTICO (MGA)............................................................... 96
7.5 - ENXAME DE PARTCULAS (PSO) ........................................................................ 97
7.5.1 Histrico..................................................................................................... 97
7.5.2 Algoritmo Bsico........................................................................................ 98
7.5.3 Inrcia....................................................................................................... 100
7.5.4 Melhor Global e Melhor Local................................................................. 100
7.5.5 Variao Linear da Inrcia...................................................................... 101
7.5.6 Coeficiente de Constrio ........................................................................ 102
7.5.7 Variao No Linear da Inrcia .............................................................. 103
7.5.8 Congregao Passiva............................................................................... 105
7.5.9 Atrao Social .......................................................................................... 107
CAPTULO 8: IMPLEMENTAO COMPUTACIONAL................................. 108
8.1 INTRODUO .................................................................................................... 108
8.2 MTODOS IMPLEMENTADOS ............................................................................. 111
8.2.1 - Algoritmo gentico (GA clssico) ............................................................ 111
8.2.2 - Micro Algoritmo Gentico (Micro GA ).................................................... 111
8.2.3 - Enxame de Partculas (PSO) .................................................................... 111
8.2.4 - Estratgia Evolutiva (Evolutivo)............................................................... 112
8.3 PARMETROS DE ACOMPANHAMENTO DA EVOLUO...................................... 112
8.4 - EXEMPLOS COMPARATIVOS ............................................................................... 115
8.4.1 Funes de Comparao.......................................................................... 116
8.4.2 Anlises Comparativas............................................................................. 119
8.4.3 Resultados do teste com Semente Aleatria idntica ............................... 121
Teste Unimodal .......................................................................................................................................... 121
Schaffer f6 .................................................................................................................................................. 122
Rosenbrock................................................................................................................................................. 123
8.4.4 Resultados do teste com vrias realizaes ............................................. 124
Teste Unimodal .......................................................................................................................................... 124
Schaffer f6 .................................................................................................................................................. 125
Rosenbrock................................................................................................................................................. 126
8.4.5 Anlise de Resultados e Seleo de Mtodos ........................................... 127
8.4.6 Ajuste da Inrcia do PSO......................................................................... 127
CAPTULO 9: SNTESE E OTIMIZAO DE SISTEMAS DE ANCORAGEM
...................................................................................................................................... 129
9.1 MODELO ACOPLADO ANCORAGEM-RISER (SITUA/PROSIM)......................... 129
9.1.1 - Dados ambientais...................................................................................... 129
9.1.2 - Plataforma................................................................................................. 130
9.1.3 - Linhas........................................................................................................ 131
9.1.4 - Diagrama de Offset ................................................................................... 133
9.2 - EXEMPLOS PROPOSTOS ...................................................................................... 135
9.2.1 Modelo 1 P1 ......................................................................................... 135
9.2.2 Modelo 2 P2 ......................................................................................... 138
9.2.3 - Dados ambientais comuns aos dois modelos ............................................ 141
9.3 - MODELO DE OTIMIZAO.................................................................................. 142
9.3.1 - Variveis livres.......................................................................................... 142
9.3.2 - Funo Objetivo e Restrio.................................................................... 142
9.3.3 - Algoritmo de Otimizao ......................................................................... 145
Azimute....................................................................................................................................................... 146
Raio de ancoragem .................................................................................................................................... 147
Trao Mdia de Trabalho......................................................................................................................... 147
Anlise........................................................................................................................................................ 148
x
CAPTULO 10: RESULTADOS OBTIDOS ........................................................... 149
10.1 MODELO P1 .................................................................................................... 149
10.1.1 Aplicao dos Mtodos........................................................................... 150
10.1.2 Modelo P1 Otimizado............................................................................. 151
10.2 MODELO P2 .................................................................................................... 153
10.2.1 Aplicao dos Mtodos........................................................................... 154
10.2.2 Modelo P2 Otimizado............................................................................. 154
CAPTULO 11: CONCLUSO................................................................................ 156
11.1 COMENTRIOS ................................................................................................ 156
11.2 TRABALHOS FUTUROS .................................................................................... 158
CAPTULO 12: REFERNCIAS BIBLIOGRFICAS......................................... 159
ANEXO A.................................................................................................................... 167
A.1 - RESULTADO DE EXECUO DE ENXAME DE PARTCULAS - EXEMPLO P1 ......... 168
A.2 - RESULTADO DE EXECUO DE MICRO ALGORITMO GENTICO - EXEMPLO P1 171

1
Captulo 1: Introduo



1.1 - Motivao

Com a descoberta de campos petrolferos marinhos em guas cada vez mais
profundas, a utilizao de plataformas de explorao e explotao suportadas por
estruturas rgidas e fixas ao fundo tornaram-se impraticveis. Novas solues foram
desenvolvidas para possibilitar a explorao em alto mar em profundidades maiores que
400 metros e que chegam hoje a 2000 metros. Uma das solues mais empregadas em
guas profundas a utilizao de unidades flutuantes ancoradas.
A explorao de petrleo em alto mar uma atividade relativamente nova do
ponto de vista tecnolgico e muitas fronteiras ainda esto para ser superadas. Do ponto
de vista dos sistemas de ancoragem, e em especial no caso brasileiro, uma destas
fronteiras o aumento da profundidade da locao em que a unidade ir operar. Nestas
profundidades torna-se impossvel a utilizao de sistemas convencionais compostos de
amarras e cabos de ao e a adoo de novos materiais, como o polister, bem como a
adoo de sistemas que trabalham sob trao, com raio curto, passam a tornar-se
viveis.
O custo do sistema de ancoragem pequeno quando comparado aos custos dos
outros sistemas como risers, casco ou equipamentos de bordo, no entanto, um bom
projeto de ancoragem tem impacto direto no projeto de alguns destes sistemas,
principalmente no sistema de risers, que diretamente afetado pelo passeio da
plataforma.
A motivao deste trabalho analisar mtodos que permitam a otimizao
eficiente do sistema de ancoragem visando uma maior segurana de todo o sistema bem
como a reduo dos custos globais do projeto atravs da definio de um passeio
mnimo para a embarcao.

2

1.2 Objetivo

O objetivo deste trabalho estudar mtodos de otimizao que permitam ao
projetista desenvolver um sistema de ancoragem mais seguro e eficiente em termos do
passeio da embarcao e das traes nas linhas de ancoragem.
O enfoque principal ser nas etapas iniciais do projeto, quando faz-se necessrio
uma ferramenta computacional de fcil uso, e que permita ao projetista alterar de forma
rpida e segura as variveis de definio da ancoragem.
Ser desenvolvida uma metodologia de sntese baseada em um mtodo de
otimizao evolutiva. Sero analisados alguns mtodos evolutivos, com nfase nos
Algoritmos Genticos e Enxame de Partculas.
Ser apresentada uma proposta de modificao da formulao do mtodo do
Enxame de Partculas com a introduo de um novo termos que leva em considerao a
influncia do conhecimento do enxame na definio da velocidade de cada partcula.
Exemplos numricos sero utilizados para comparar estes mtodos e exemplos
de ancoragens sero desenvolvidos para analisar a aplicabilidade dos mesmos na
obteno de sistemas timos de ancoragem.
Os modelos de ancoragem sero otimizados em relao ao seu raio de
ancoragem, azimutes, comprimento das linhas e pr-trao de trabalho.
Apesar da anlise dinmica ser a mais indicada para obter uma melhor resposta
do comportamento do sistema de ancoragem [BULGARELLI et al.,1997], [KWAN,
1991], neste trabalho ser utilizada somente anlise esttica , por razes de
racionalizao dos custos computacionais e por tratar-se de uma etapa inicial do
processo de projeto.
Anlises dinmicas podem ser efetuadas nas melhores solues encontradas no
processo de otimizao, evitando que tempo computacional e de projeto seja
desperdiado na busca de uma soluo tima.
3
1.3 Histrico

1.3.1 Explorao em Alto Mar Bacia de Campos

A explorao de petrleo na bacia de Campos iniciou-se na dcada de 70.
Embora a primeira descoberta comercial, o Campo de Garoupa, tenha sido feita em
1974, a produo s comeou realmente em agosto de 1977, no Campo de Enchova - na
realidade o segundo campo a ser descoberto, em 120m de profundidade de gua.
O sistema de Garoupa/Namorado comeou a produzir em fevereiro de 1979 e
era composto por quatro poos produtivos do campo de Garoupa, em 120m de lmina
dgua, e quatro poos do Campo de Namorado, em 160m.
Em 1983, outro passo importante foi tomado para o desenvolvimento da Bacia,
com a instalao de sete plataformas fixas em seqncia: PNA-1, PCE-1 (Central),
PCH-2, PNA-2, PGP-1 (Central), PCH-1 e PPM-1 (Central), em profundidade de
lmina dgua de no mximo 170 metros [ROSSI, 2002].

Figura 1- Plataforma Fixa

Quando as profundidades envolvidas eram da ordem de dezenas at uma centena
de metros, era possvel manter os equipamentos de explorao marinha posicionados
atravs de uma torre treliada apoiada no fundo. Com o aumento da profundidade de
4
explorao, este tipo de estrutura fixa no fundo no pode mais ser utilizada, e a soluo
de utilizar unidades de produo flutuantes e ancoradas no fundo passou a ser a nica
vivel.
Em 1984, o Campo de Albacora foi descoberto, seguido pelo de Marlim em
1985. Com essas descobertas, a Bacia de Campos comeou a mostrar todo seu
potencial, isto , a existncia de gigantescos campos em guas profundas. No entanto,
essas novas descobertas estavam localizadas em guas ainda mais profundas, que iam
de 300 a mais de 1.000m, e, por isso, tornaram-se a principal fora motora no aumento
do esforo para desenvolver e testar novos conceitos, mais uma vez, diretamente no
campo.
Outras descobertas igualmente importantes seguiram: Albacora Leste (1986),
Marlim Sul (1987), Marlim Leste (1987), Barracuda (1989), Caratinga (1989),
Espadarte (1994), Roncador (1996), Jubarte (2002) e Cachalote (2002) [ROSSI, 2002].
A figura 2 apresenta a evoluo da produo brasileira de petrleo de 1982 a
2002. Pode-se ver claramente o aumento da importncia dos campos em guas
profundas (>400m).
fonte: [minisite guas profundas]
Figura 2 - Evoluo da produo de Petrleo
5

1.3.2 Ancoragem

Manter uma embarcao em uma mesma locao, com um mnimo de deriva e
com uma confiabilidade tal que garanta a segurana dos equipamentos e pessoas um
problema to antigo quanto a prpria navegao. Desde a antiguidade este problema foi
equacionado com o uso de um objeto com peso suficiente e um cabo conectando este
objeto embarcao. Registros indicam que desde os tempos de Csar, imperador
Romano, as embarcaes j levavam diversas ncoras para as diversas situaes de
ancoragem [HINZ, 1986].
A tecnologia de ancoragem avanou muito dos tempos de Csar at hoje, mas a
forma mais usual de manter o posicionamento de unidades flutuantes para produo de
petrleo em alto mar ainda atravs da utilizao de linhas de amarrao presas ao
fundo por meio de ncoras ou estacas. Este sistema deve ser capaz de garantir uma
rigidez tal que o movimento da unidade seja mnimo sem que as foras envolvidas no
ultrapassem limites de segurana pr estabelecidos [API, 1996].
No entanto, ao mesmo tempo que garantem ao sistema a rigidez suficiente, as
linhas tambm transmitem as cargas ambientais que sobre elas atuam. Portanto, a
escolha correta da topologia da ancoragem e da configurao de cada linha de
fundamental importncia na performance do sistema flutuante como um todo. Podese
citar os sistemas DICAS [GARZA-RIOS, et al., 1997], [MASETTI, 1997] como
exemplo da importncia da definio da ancoragem .
O problema da escolha da melhor soluo crtico pois tem-se explorado
petrleo em profundidades de lmina dgua cada vez maiores [ROSSI et al., 2001],
[DSOUZA et al., 1992]. Alm disso, as plataformas concentram um nmero cada vez
maior de risers, aumentando, em magnitude, as foras que atuam sobre o sistema.
Esta combinao de maior profundidade com maior nmero de linhas leva a um
aumento da importncia do sistema de ancoragem na limitao dos movimentos da
plataforma.
Para cada locao da unidade flutuante diversas solues de amarrao so
possveis. Escolher a melhor uma tarefa difcil. Principalmente numa rea de
6
conhecimento em que no se tem muita experincia anterior acumulada. E, em unidades
de perfurao, ou no caso de embarcaes de lanamento de dutos como a Balsa de
Lanamento BGL-1, da Petrobras [MASETTI et al., 2003], a definio da configurao
da ancoragem uma tarefa rotineira, tendo que ser efetuada diversas vezes num curto
perodo de tempo e muitas vezes em fundos com grande quantidade de obstculos.
Tem-se, portanto dois aspectos no projeto de ancoragem. A necessidade de uma
escolha tima que garanta menor custo e maior segurana, e a necessidade de
ferramentas computacionais que garantam velocidade e confiabilidade nos processos de
anlise e sntese envolvidos nesta escolha.
Diversas tcnicas de otimizao podem ser utilizadas para auxiliar uma tomada
de deciso deste tipo: sistemas especialistas, redes neurais, otimizao no linear, etc.
Mas a tcnica que nos parece mais promissora, pelas caractersticas do problema, a
que utiliza algoritmos evolutivos para a busca de solues [MAFFRA et al., 2001],
[BRITO, 2001], [SANTOS, 2000], [RODRIGUES, 2004].
Os Algoritmos Genticos inserem-se no grupo dos Algoritmos Evolutivos, no
qual esto includos tambm outros mtodos como a Estratgia Evolutiva e o mtodo de
otimizao por Enxame de Partculas.
Neste trabalho estes mtodos sero comparados sob o ponto de vista do projeto
de ancoragem, e sua aplicabilidade a problemas prticos ser avaliada. E uma nova
abordagem proposta para o projeto de ancoragem, baseada em anlise acoplada do
sistema ancoragem-risers-casco e aplicao de algoritmos evolutivos, especialmente o
Mtodo do Enxame de Partculas. proposta tambm uma modificao na formulao
deste mtodo de otimizao com o objetivo de aumentar a sua eficincia.

7
1.4 Organizao do Trabalho

No Captulo 2 ser feita uma breve apresentao dos sistemas mais comuns de
explorao de petrleo em alto mar, com nfase nas linhas de ancoragem.
Nos captulos 3, 4 e 5 sero apresentados os mtodos e metodologias de anlise e
projeto de sistemas de ancoragem em uso atualmente. O captulo 3 trata das
metodologias de anlise, apresentando a anlise esttica, quase-esttica e dinmica,
alm de apresentar as metodologias desacoplada e acoplada de anlise de movimentos.
O captulo 4 traz os elementos do projeto de ancoragem, como as condies ambientais
e as situaes a serem analisadas. O captulo 5 apresenta a formulao para a anlise
acoplada.
Os captulos 6 a 8 tratam de otimizao. O 6 faz um apresentao geral do
problema de otimizao com apresentao de conceitos bsicos, o captulo 7 apresenta
com mais detalhes os mtodos evolutivos de otimizao e o captulo 8 apresenta as
comparaes entre os diversos mtodos.
Os captulos 9 e 10 apresentam os exemplos utilizados para verificar a
aplicabilidade dos mtodos ao projeto de sistemas de ancoragem. No captulo 9 so
detalhados os modelos utilizados e as consideraes feitas na montagem destes
modelos. O captulo 10 traz os resultados das comparaes.


8
Captulo 2: Sistemas de Explorao de
Petrleo no Mar



2.1 Introduo

O conjunto de equipamentos utilizados para explorao e explotao de petrleo
no mar so conhecidos como Sistemas Offshore e compreendem basicamente 4
grupos: O casco, as linhas, os equipamentos submarinos e os poos.
Por fugir ao escopo deste trabalho no trataremos dos equipamentos submarinos,
como manifolds, dutos, vlvulas, etc. e nem dos equipamentos de perfurao e
produo que constituem os poos de explorao de petrleo.
No entanto, o casco, e principalmente as linhas, so de importncia fundamental
para o desenvolvimento do trabalho e sero analisados mais detalhadamente.
Tanto a fixao das unidades flutuantes por meio de ancoragem, quanto o
transporte de leo e informaes entre o fundo do mar e o flutuante so feitos atravs de
estruturas esbeltas comumente chamadas de linhas. As linhas podem ser: ancoragens,
risers, cabos eltricos e umbilicais. A principal caractersticas das linhas a sua
esbeltez em relao ao comprimento. Sua anlise estrutural complexa devido s
grandes no linearidades decorrentes desta esbeltez.

9
2.2 Casco

medida que foram sendo descobertos novos reservatrios de petrleo em
lminas dgua mais profundas, alm de 200m, foram necessrias novas unidades de
produo. As unidades baseadas em plataformas fixas em uso para profundidades
menores no serviam para estas profundidades. Foram desenvolvidas ento as
plataformas flutuantes. Hoje podemos classificar as plataformas flutuantes em semi-
submersveis, navios, pernas atirantadas (TLP Tension Leg Plataform) e SPAR

2.2.1 - Plataforma semi-submersvel

As semi-submersveis (figura 3) so plataformas com estruturas flutuantes
largamente empregadas para produo, completao e perfurao. Consistem de um
casco compartimentado e composto por flutuadores e colunas. Os flutuadores, tambm
denominados de pontoons, apiam as colunas, tambm chamadas de pernas, e que por
sua vez sustentam os conveses.

Figura 3 Plataforma Semi-submersvel

Devido a pequena rea na linha dgua, a plataforma semi-submersvel no
admite uma variao muito grande de carga sem alterar significativamente o calado.
Por isso no indicada para armazenar o leo produzido, necessitando de facilidades de
exportao deste leo.
10
2.2.2 - Navios

Devido a forma do casco os navios so indicados para armazenar o leo
produzido pelos poos, podendo dispensar um sistema de exportao contnua, sendo
denominados de Unidade de Produo, Armazenamento e Alvio de Petrleo, ou sua
sigla em ingls FPSO (Floating Production, Storage and Offloading Vessel) (Fig 4).
Muitas vezes so utilizados como suporte de outras plataformas para armazenar e
exportar leo. Nestes casos so chamados de FSO (Floating Storage and Offloading
Vessel).


Figura 4 Unidade FPSO

2.2.3 TLP

A TLP (tension leg platform) consiste numa estrutura similar semi-
submersvel, sendo mantida na locao atravs de tirantes (pernas) que so ancorados
no fundo atravs de estacas e tracionados no topo pela fora resultante entre peso e
empuxo (restaurao hidrosttica). Seu casco semelhante ao casco da plataforma
Semi-submersvel.
Em relao a outros cascos, o TLP possui movimentos bem menores, o que
possibilita que a completao dos poos seja do tipo seca, isto , que o controle e
interveno nos poos seja feito na plataforma e no no fundo do mar, reduzindo assim
os custos de instalao e produo do poo.
11

Figura 5 Tension Leg Platform (TLP)

2.2.4 - Spar

O sistema Spar consiste em um nico cilindro vertical de ao de grande
dimetro, ancorado, operando com um calado de profundidade constante de cerca de
200 metros, o que gera apenas pequenos movimentos verticais e, conseqentemente,
possibilita o uso de risers rgidos de produo. Neste tipo de plataforma h utilizao
de supressores de vrtices em torno do cilindro com o objetivo de inibir
vibraes induzidas pelo fenmeno de vortex shedding gerado principalmente pelas
correntes marinhas.
Os sistemas flutuantes esto mais susceptveis s aes dinmicas, originadas
das aes ambientais, do que as plataformas fixas. Tambm devido elevada
complacncia destes sistemas, as ferramentas numricas tiveram que se desenvolver de
forma a considerar no s os efeitos dinmicos como tambm os efeitos no lineares
devido aos grandes deslocamentos a que a unidade est sujeita.

12
2.3 Risers

Para transportar o leo e o gs do fundo do mar at s unidades flutuantes ou
fixas so necessrias tubulaes. Estes tubos suspensos, geralmente dispostos em
configuraes de catenria, recebem a denominao de risers (figura 6) e podem ser
flexveis, formados por camadas alternadas de plstico e ao, ou rgidos, constitudos de
ao. Risers rgidos tambm podem ser empregados como proteo externa para a
coluna de perfurao durante a explorao do poo, sendo ento denominados riser de
perfurao (figura 6).
Alm de trazer o leo e o gs do fundo para a superfcie os risers so usados
para injetar a gua necessria para estimular o poo.
Os cabos eltricos e umbilicais so cabos finos, quando comparados ao risers
de produo.
Neste trabalho no ser feita distino entre risers de produo, injeo,
umbilicais e cabos eltricos, sendo todos referenciados como risers.


Figura 6 Riser Flexvel / Riser Rgido de perfurao

13
2.4 Linhas de Ancoragem

As linhas de ancoragem tm como funo o fornecimento das foras de
restaurao que mantm em posio os sistemas flutuantes, tais como, plataformas
semi-submersveis ou navios.
So estruturas esbeltas dispostas em catenria (ancoragem convencional), linhas
retesadas (taut-leg) ou tendes.
Os materiais mais utilizados nas linhas de ancoragem so as amarras de ao, os
cabos de ao e mais recentemente os cabos de polister [ROSSI et al., 2001].
Normalmente utilizam-se amarras nos trechos iniciais e finais das linhas de
ancoragem por este material ser mais resistente ao manuseio e ao atrito com o fundo, e
com os guinchos das plataformas.

2.4.1 - Ancoragem Convencional

A ancoragem cujas linhas possuem a forma de catenria denominada de
ancoragem convencional (Figura 7). Esta tcnica de ancoragem utilizada em
operaes de produo ou perfurao. A ancoragem em catenria mantm a unidade
flutuante em uma locao atravs da fora de restaurao das linhas. As linhas
ancoradas so presas ao fundo do mar por ncoras de resistncia horizontal.
Uma das caractersticas interessantes deste tipo de ancoragem que o prprio
trecho de linha apoiado no fundo contribui com a fora de restaurao atravs do atrito
com o fundo. No entanto, o custo da linha aumentado pela necessidade deste grande
trecho no fundo, geralmente de amarra.
Para atender aos critrios de projeto para passeio das unidades flutuantes
ancoradas, faz-se necessrio ter um raio de ancoragem razoavelmente grande.
Conseqentemente, em um campo de explorao de petrleo, isto gera um
congestionamento entre as linhas de ancoragem e linhas de uma outra unidade prxima
ou com os dutos e com os equipamentos submarinos.
Em relao a um navio, a plataforma semi-submersvel menos sensvel
direcionalidade dos carregamentos ambientais, por isso a distribuio simtrica de
14
linhas de ancoragem em torno da embarcao mais utilizada. Esta configurao
conhecida como SPM (Spread Mooring System).

FAIRLEAD
NCORA
GUINCHO
BIA DE
LOCALIZAO
LINHA DE
ANCORAGEM

Fonte : [API,2001]
Figura 7 Ancoragem Convencional

Os navios, pela forma do casco, tendem mais a se alinhar com os carregamentos
de correnteza, onda e vento. Para evitar uma sobrecarga no sistema de ancoragem
utiliza-se um sistema no qual as linhas de ancoragem e os risers so conectados a uma
estrutura em forma de torre. O casco da embarcao liga-se a esta estrutura atravs de
um anel deslizante de tal forma que pode se alinhar com os carregamentos ambientais,
girando assim em torno de um ponto limite - a torre. Este sistema conhecido como
SPM (Single Point Mooring) (figura 8).

15

Fonte : [API,2001]
Figura 8 Single Point Mooring


2.4.2 Complacncia Diferenciada (DICAS)

O sistema de ancoragem descrito anteriormente bastante eficiente, entretanto o
seu custo bastante elevado. A PETROBRAS desenvolveu um novo sistema de
ancoragem [GARZA-RIOS et al.,1997], [MASETTI, 1997] chamado DICAS que
constitui-se num sistema com complacncia diferenciada entre as linhas de popa e proa
da embarcao.
O DICAS foi desenvolvido a partir da experincia adquirida pela PETROBRAS
na operao de um FSO no campo de Caravelas na Bacia de Campos em 1993.
As linhas de popa oferecem uma resistncia menor aos movimentos da
embarcao, permitindo que a mesma se alinhe com as cargas ambientais dentro de um
16
limite angular (5 a 7 graus). Apesar do custo menor, o sistema s pode ser empregado
em locaes com pequena variao angular mdia da resultante do carregamento.
2.4.3 - Linha Retesada (Taut-leg)

A ancoragem Taut-Leg (Figura 9) constituda por linhas retesadas com um
ngulo de topo de aproximadamente 45 com a vertical. Conseqentemente, tem-se uma
projeo horizontal menor do que a obtida com a ancoragem convencional,
considerando-se a mesma ordem de grandeza da profundidade da lmina dgua.
As linhas da ancoragem Taut-Leg so constitudas por cabos de ao ou amarras
nas suas extremidades e cabo de polister ou ao no seu trecho intermedirio.
O maior problema para o uso de sistemas taut-leg a necessidade de ncoras
que suportem esforo vertical, por isso so utilizadas estacas de suco, VLA
(Vertically Loaded Anchors) ou estacas de fundeio para a fixao das linhas ao fundo.
A ancoragem taut-leg geralmente empregada em sistemas para grandes
profundidades pois a ancoragem em catenria demandaria um raio de ancoragem muito
grande.


Figura 9 Sistema de ancoragem Taut-Leg x Convencional
17


2.4.4 Tendes

Os tendes so linhas de ancoragem verticais constantemente tracionadas,
proporcionando alta rigidez no plano vertical e baixa rigidez no plano horizontal.
Podem ser constitudos de cabo de ao ou material sinttico
Este tipo de ancoragem utilizada em sistemas que proporcionem um excesso
de flutuabilidade capaz de manter os tendes permanentemente tracionados, como as
TLPs ou bias de sub-superfcie.

2.4.5 ncoras

A funo principal das linhas de ancoragem manter a posio horizontal de
uma unidade flutuante. Para tal a linha deve ter um ponto de fixao ao fundo do mar de
forma a transmitir os esforos do sistema para o mesmo. A este ponto d-se o nome de
ponto de ancoragem e o elemento responsvel pela fixao deste ponto chamado de
ncora.
O ponto de fixao depender da forma de ancoragem utilizada, no que diz
respeito a uma caracterstica bsica: a capacidade de resistir a cargas verticais.
Na ancoragem convencional, em catenria, o mais comum utilizar ancoras de
arraste (figura 10). Este tipo de ncora resiste bem s traes horizontais e so bastante
fceis de instalar. No entanto, necessitam de um longo trecho de linha apoiado no fundo
para garantir que no sofrero cargas verticais.

18

Fonte: Vryhof Ankers BV - Anchor Manual 1990 edition

Figura 10 Tipos de ncora de Arraste

No caso de linhas retesadas o ponto de fixao dever ser capaz de suportar
cargas verticais de grande magnitude. Podem ser do tipo ncora VLA (Vertically
Loaded Anchors) ou estaca.
19
As estacas mais comuns so:
Estacas de suco, ou estacas caixo, que so tubules de grande
dimetro apoiado no fundo e fechado no topo. Ao se retirar a gua do
seu interior cria-se uma diferena de presso que faz com que o tubulo
se enterre

Fonte:[ API,2001]
Figura 11 Estaca de Suco
20
Estacas cravadas por percusso, como as estacas da construo civil, so
cravadas por intermdio de batidas no topo
Estacas torpedo, que so estacas propriamente ditas que so cravadas no
fundo por intermdio da fora de gravidade. So deixadas cair de uma
determinada altura (~100m) e a prpria energia da queda faz com que a
estaca atinja a penetrao necessria no solo.
Um estudo mais detalhado sobre ncoras pode ser encontrado em [ELTAHER et
al., 2003]
2.4.6 -Amarras

O tipo de amarra mais comumente utilizado na ancoragem de plataformas so as
que possuem elos com malhete. As dimenses de um elo de corrente so mltiplos do
dimetro da corrente.
O grau de uma amarra determina a resistncia ao escoamento do ao utilizado na
sua fabricao. A amarra grau 4 atualmente a mais resistente, seguida pela ORQ (Oil
Rig Quality). Uma amarra grau 3 tem aproximadamente 93 % da trao de ruptura de
uma amarra ORQ equivalente.
Existem muitos tipos de componentes utlizados para unir duas partes de
corrente. O mais comumente empregado o elo Kenter. Embora estes elementos
tenham carga de ruptura igual ou superior a de uma corrente de mesma dimenso, a
durabilidade fadiga sensivelmente menor. Portanto, as linhas de ancoragem devem
utilizar o menor nmero possvel destes elos de ligao.


Fonte: [VARDARO,2003]

Figura 12 Elos de Amarra
21

2.4.7 - Cabos de ao

Os principais tipos de cabo de ao empregados na ancoragem de sistemas
flutuantes so o six strand e o spiral strand. Os cabos six stand so mais
comumente utilizados em unidades de perfurao devido ao seu fcil manuseio. J
cabos do tipo spiral strand so empregados mais frequentemente em unidades de
produo devido a sua resistncia e durabilidade.
Os cabos spiral strand com torque balanceado so melhores que os cabos six
stand e podem ter uma durabilidade muito grande quando so encapados com uma
camada plstica. A desvantagem deste tipo de cabo que ele mais caro e deve ter um
raio de curvatura mnimo (MBR) de aproximadamente 22*D, onde D o dimetro
externo do cabo. Esta limitao dificulta o manuseio e a utilizao em guinchos de
tambor, o que torna a sua aplicao mais adequada para unidades de produo do que
para unidades de perfurao.
A corroso da trana metlica um problema que ocorre frequentemente e pode
ser diminudo com o emprego de cabos galvanizados. Atualmente, a vida til de um
cabo de ancoragem bem inferior a vida til de uma amarra.
Em relao resistncia dos arames que formam o cabo, normalmente so
empregados dois tipos: IPS (Improved Plow Steel) ou EIPS (Extra Improved Plow
Steel). O cabo com fios EIPS mais resistente trao e recomendado para unidades
flutuantes.
22

Fonte: [API,1997]
Figura 13 Cabos de Ao

2.4.8 Cabos de Polister


Cabos de fibra e cordas so formados por fios naturais ou sintticos, torcidos e
retorcidos em forma de hlice, utilizados para trao. Normalmente, classificam-se
como cabos todos os cabos sintticos, e como cordas, todos os cabos e cordas feitos de
qualquer fibra.


Fonte: [SENRA,2004]
Figura 14 Cabo de Poliester

As fibras mais freqentemente utilizadas so: sisal, polietileno, poliamida (que
tem o nome comercial de nylon), polister (muito utilizado para ancoragem de
plataformas, esperando-se que atinja uma vida til de 20 anos), polipropileno,
poliaramida (cuja fibra possui grande mdulo de elasticidade e tem nomes comerciais
23
tais como Kevlar, twaron e technora) e HMPE (High Modulus Polyethylene, que tem
nomes comerciais tais como dyneema e spectra).
Hawsers sintticos tm sido usados em sistemas CALM, onde elevada
elasticidade uma importante propriedade. Estes hawsers (tipicamente cabo de nylon)
podem ser freqentemente inspecionados e substitudos.
Nas linhas de ancoragem, o cabo sinttico mais utilizado o polister.
obtida uma construo de alta eficincia mantendo, tanto quanto possvel, as
fibras posicionadas formando pequenos ngulos em relao ao eixo do cabo.
Atualmente, para atender a este requisito, trs construes de cabos esto sendo
fabricados: fios paralelos, sub-cabos paralelos e tipo cabo de ao.
A resistncia especfica (carga de ruptura/massa por unidade de comprimento)
e a rigidez especfica ((carga/massa por unidade de comprimento)/deformao) de
cabos de polister com as trs construes mencionadas acima so muito semelhantes.
Para as construes de sub-cabos paralelos e tipo cabo de ao, isto se deve ao uso de
configuraes de baixa toro. Para o cabo de fios paralelos, isso explicado pela
dificuldade em aproveitar-se todo o potencial do fio, devido variao de propriedades
entre filamentos dentro do fio e s diferenas no comprimento dos fios.
Tabela 1 Propriedades do Cabo de Polister
MASSA APROXIMADA A 2%
DA CARGA DE RUPTURA
(kg/100m)
CARGA DE RUPTURA
NOMINAL (t)
DIMETRO
APROXIMADO
(mm)
CIRCUNFERNCIA
APROXIMADA
(pol)
NO AR NA GUA
500 120 15 1135 310
630 136 17 1510 415
710 144 18 1645 450
1000 190 24 2450 670
Fonte: [SENRA, 2000]

24
Para a mesma carga de ruptura, os cabos de fibra de polister tm uma constante
axial de mola substancialmente mais baixa do que a dos cabos de ao.
O desempenho dos cabos de polister, no que diz respeito a manuteno de
posio e tenses nas linhas, em um sistema taut-leg, funo das caractersticas de
tenso-deformao dos cabos utilizados. O alongamento pode ser considerado como
uma funo complexa tanto da carga quanto do tempo.
O alongamento mximo total durante a vida do sistema acontecer como funo
da fluncia ou em funo do processo de instalao, se a ncora for instalada sob
grandes cargas.

25

Captulo 3: Projeto de Sistemas de Ancoragem




3.1 - Introduo

Considera-se como sistema de ancoragem o conjunto das linhas de ancoragem e
suas respectivas ncoras, a disposio das linhas em relao ao fundo e embarcao
e a composio das linhas em relao a tipo de material e comprimentos utilizados.
Como j foi dito, a principal funo do sistema de ancoragem manter a posio do
sistema de produo. Por ser um sistema elstico, no ser possvel manter uma posio
exata, invariante, da embarcao. Um passeio horizontal sempre ocorrer.
No entanto, este passeio deve ser tal que no danifique a estrutura dos risers
conectados plataforma, no caso de uma unidade de produo, ou no prejudique a
operao de uma unidade de perfurao.
O projeto da ancoragem deve ser tal que garanta que a plataforma no v derivar
mais do que o especificado pelo projeto dos risers.
Assim, uma medida de eficincia do sistema de ancoragem a dimenso do
passeio, ou excurso, que a unidade faz sob a condio de tempo mais severa. O passeio
a distncia horizontal que a unidade percorre desde a sua posio de equilbrio neutro
at a posio de equilbrio sob o carregamento ambiental. Este passeio normalmente
medido como um percentual da lmina dgua.
Quanto mais rgido for o sistema de ancoragem menor ser o passeio. No
entanto, o tipo de material utilizado nas linhas de ancoragem determinar o limite
superior para a rigidez do sistema, pois aumentar a rigidez implica em aumentar as
traes aplicadas s linhas, aumentando consequentemente a tenses internas. Estas
tenses devem permanecer dentro de um intervalo de segurana [API,1997].
26
Alm disso a composio do sistema deve ser tal que garanta a integridade do
mesmo durante o tempo de operao da unidade. Ou seja, o sistema no deve falhar por
fadiga.
Temos portanto um ponto timo de operao onde o passeio ser mnimo com as
tenses dentro dos limites de segurana. A determinao deste ponto timo feita
atravs do projeto de ancoragem.

27
3.2 - Condies Ambientais Para Projeto

Modelos estatsticos so essenciais para a descrio adequada dos parmetros
ambientais, devendo ser aplicados para a avaliao das condies mximas de projeto e
operao. Quando se tem um conjunto de medidas de dados ambientais, importante
estabelecer a correspondncia entre eles, principalmente para vento e onda, altura e
perodo de onda, onda e corrente e suas direes correspondentes, definindo as
probabilidades de ocorrncia de cada um e de combinaes.
Duas condies ambientais so tipicamente aplicadas em projeto de ancoragem:
Condio mxima de projeto;
Condio mxima de operao.

3.2.1 - Condio Mxima de Projeto

A condio mxima de projeto definida como uma combinao de vento, onda
e corrente para a qual o sistema de ancoragem projetado. a condio extrema que o
sistema deve suportar sem danos.
Ancoragens Permanentes

Normalmente, o critrio de projeto adotado para dados oceanogrficos o de 100
anos para a recorrncia de um evento. Ou seja, deve-se projetar o sistema para um
carregamento ambiental que tem a probabilidade de ocorrer uma vez a cada 100 anos.
Anlises de risco podem justificar um maior ou menor intervalo de recorrncia.
Vrias combinaes de onda, vento e corrente podem resultar em uma carga
extrema. Na prtica, a condio mxima de projeto algumas vezes aproximada pelo
uso de vrios grupos de critrios de projeto. Por exemplo, no caso de condio
ambiental de projeto de 100 anos [DNV, 2001]:
a) Vento mdio e onda correspondendo a 100 anos de perodo de retorno, combinado
com uma corrente de 10 anos de perodo de retorno;
28
b) Velocidade de corrente e onda correspondendo a 100 anos de perodo de retorno,
combinado com uma velocidade de vento de 10 anos de perodo de retorno;
Deve-se adotar a combinao direcional mais desfavorvel de foras de vento, onda
e corrente.
Ancoragens Provisrias

Entende-se como ancoragem provisria, os sistemas que permanecero menos
de 5 anos em uma locao, como, por exemplo as plataformas de perfurao. Para estes
sistemas as condies ambientais de projeto podem ser amenizadas.

a) Operaes longe de outras estruturas perodo de retorno mnimo de 5 anos. Para
anlises de risco, um perodo de retorno reduzido pode ser determinado, mas nunca
menor que 1 ano;
b) Operaes prximas a outras estruturas devem ser determinadas por uma anlise
de risco que avalia a conseqncia da falha da ancoragem. Entretanto, esta deve ter
um perodo de retorno mnimo de 10 anos.

3.2.2 - Condio Mxima de Operao

A condio mxima de operao efetivamente a combinao de mximos de
vento, onda e corrente em que operaes de produo e/ou perfurao podem ser
conduzidas. O critrio ambiental de operao deve ser conhecido pela pessoa
responsvel pela operao de perfurao ou produo, de modo que planejamentos de
sada de operao possam ser preparados em ocasies necessrias. Geralmente, estas
condies so menos rigorosas que as condies mximas de projeto.
Em algumas operaes, onde o sistema de produo flutuante designado a
continuar produzindo durante uma tempestade severa, a condio mxima de operao
ser a mesma que a condio mxima de projeto [API, 1997].
29
3.3 - Situaes a serem Analisadas

A norma API RP 2SK [API, 1997] sugere a determinao de diferentes situaes
para a anlise do sistema de ancoragem, de acordo com o tipo de ancoragem, se
permanente ou temporria, e a fase de projeto. As situaes intacta e avariada precisam
ser avaliadas atravs de tcnicas de anlise quase-esttica ou dinmica. Alm disso, uma
anlise para a situao transiente algumas vezes requerida. A tabela seguinte apresenta
um resumo das tcnicas e situaes de anlise aplicadas a cada tipo de ancoragem.

Tabela 2 Tcnicas de anlise aplicadas a ancoragem
TIPOS DE ANCORAGEM TCNICA DE ANLISE
SITUAES A SEREM
ANALISADAS
Pr-projeto Quase-esttica ou
dinmica
Intacta e avariada
Projeto Definitivo Dinmica Intacta, avariada e
transiente
Ancoragem
Permanente
Fadiga Dinmica Intacta
Longe de outras
estruturas
Quase-esttica ou
dinmica
Intacta
Linhas de ancoragem
prxima a dutos
Quase-esttica ou
dinmica
Intacta e avariada
Ancoragem
Mvel
Embarcao prxima
a uma plataforma
Quase-esttica ou
dinmica
Intacta, avariada e
transiente
Fonte: [API, 1997]

3.3.1 - Situao Intacta

a situao em que todas as linhas so consideraradas intactas, e a posio de
equilbrio da embarcao sob cargas permanentes baseada no conhecimento do
comportamento carga-passeio do sistema de ancoragem.
30

3.3.2 - Situao Avariada

Nesta situao considera-se que houve o rompimento de uma linha de
ancoragem e a embarcao tende a buscar uma nova posio de equilbrio. A retirada
de uma linha de ancoragem reduz o somatrio de foras das linhas de ancoragem
presentes. Com uma linha rompida, a rotao do sistema de ancoragem pode tornar-se
grande e o ngulo da linha em relao aos eixos da embarcao pode mudar
significativamente, devendo ser considerados na tcnica de soluo.
Atualmente j se avalia tambm a situao com o rompimento da segunda linha
mais carregada.
3.3.3 - Situao Transiente

Se uma linha rompe, uma carga repentina transmitida da linha de ancoragem
para a embarcao. Isto resulta na perda da posio de equilbrio esttico e oscilaes
do perodo natural da ancoragem. Estas oscilaes so atenuadas e a embarcao se
acomoda em uma posio de equilbrio danificada.
Devido ao fato da rigidez e amortecimento da ancoragem serem no-lineares
preciso executar uma simulao no domnio do tempo das equaes de movimento,
definindo-se, o instante em que a linha de ancoragem se rompe, causando o transiente.
No est claro atualmente em que momento a ruptura de uma linha resultar num pico
de tenso mxima no sistema.
3.3.4 - Anlise de Fadiga

Fadiga no tem mostrado ser o principal mecanismo de falha para linhas de
ancoragem [NOBLE DENTON, 1996]. O clculo de vida fadiga para linhas de
ancoragem fortemente dependente da oscilao de trao induzida pelos movimentos
na freqncia da onda.
Neste trabalho no ser tratado o problema de fadiga as linhas.

31
3.4 Otimizao de Sistemas de Ancoragem
Diversos trabalhos j foram desenvolvidos abordando a otimizao de sistemas
de ancoragem.
Uma interessante abordagem do problema de otimizao de sistema de
ancoragem feita por [FERRARI, 1993]. A otimizao baseada na distribuio
direcional das foras ambientais incidentes. O arranjo de linhas e o aproamento da
plataforma so otimizados, bem como a composio das linhas.
[BULGARELLI et al., 1997] prope uma otimizao baseada em anlise
dinmica das linhas, mas com uma grande simplificao da aplicao, onde somente um
carregamento considerado e poucas variveis de projeto so utilizadas.
[FYLLING, 1997], apresenta um interessante trabalho em otimizao de
sistemas de ancoragem, onde so considerados vrios carregamentos ambientais e uma
boa definio das linhas de ancoragem. Fylling conclui que a otimizao de sistemas de
ancoragem factvel, e que a anlise utilizada no mtodo (domnio da freqncia) ainda
deve ser melhorada. Foi utilizado um mtodo de otimizao direto, baseado em
gradiente.
[SANTOS, 2000] e [MAFFRA et al., 2001] apresentam aplicaes de algoritmos
evolutivos a sistemas de ancoragem, sendo que [SANTOS, 2000] aplica Estratgia
Evolutiva otimizao do sistema de ancoragem de um FPSO, e [MAFFRA et al.,
2001] apresenta um trabalho com aplicao de algoritmos genticos otimizao de
sistemas de ancoragem com bons resultados. Um aspecto interessante deste trabalho
que, ao invs do custo do sistema de ancoragem, a funo de mrito representa o
passeio da embarcao, avaliado em vrias condies de mar. Os resultados obtidos so
bastante interessantes, apesar dos autores reconhecerem que o algoritmo precisa ser
revisado para aplicaes prticas.
[ROSSI et al., 2001] apresenta um programa baseado em sistemas especialistas
para apoio ao projeto de ancoragens de plataformas de perfurao (MODU) em guas
profundas. Este programa mostrou-se bastante eficiente, contando com interface grfica
para verificao do projeto, e utilizado na prtica diria de ancoragens de plataformas
de perfurao na Bacia de Campos(SEANC).
32
Atualmente, a PETROBRAS utiliza o programa EXMOOR, que possui um
algoritmo de sntese e otimizao de ancoragem, e utiliza anlise quase-esttica para a
anlise de movimentos e algoritmo de Box para a otimizao [AUGUSTO et al., 1998].
Ainda como otimizao, poder-se-ia citar os trabalhos de [AUGUSTO et al.,
2002] e [SOUZA et al., 2001]. O primeiro trata da otimizao da operao de instalao
de ncora, onde as traes envolvidas e os comprimentos dos cabos utilizados so
otimizados para um melhor aproveitamento dos recursos. O segundo trata da
otimizao de um cabo de ancoragem em funo das traes envolvidas. Este trabalho
apresenta uma abordagem bastante interessante em relao ao problema da otimizao,
utilizando lgica fuzzy e algoritmos genticos.

33
Captulo 4: Metodologia de Anlise de
Sistemas de ancoragem





4.1 Introduo


Tradicionalmente, so utilizadas duas aproximaes de anlise para determinar a
resposta do sistema [API, 1997]:

Anlise quase-esttica;
Anlise dinmica.
A anlise dinmica se faz necessria nas seguintes situaes:
Nos casos onde a embarcao apresentar grandes valores de resposta na
frequncia da onda. Assim, uma embarcao tipo navio ir requerer anlises
dinmicas das linhas mais frequentemente do que uma semi submersvel;
Quando a profundidade da lmina dgua exceder 200 m;
Quando a configurao da linha de ancoragem contiver grandes elementos de
arrasto;
Quando for necessrio fazer uma anlise de fadiga, devido significativa
componente de tenso dinmica na linha.

34
4.2 - Anlise Quasi-esttica

A anlise quase-esttica avalia o sistema de ancoragem aplicando-se um offset
esttico, causado pelas condies ambientais estticas e dinmicas sobre a unidade.
Clculo das Tenses

As foras permanentes de deriva de vento, corrente e onda sobre a embarcao,
so previamente calculadas e aplicadas sobre o sistema de ancoragem, resultando em
uma posio de equilbrio, derivada de uma rigidez esttica no-linear do sistema, onde
so avaliadas as tenses mximas nas linhas.

Clculo de Offsets

Ambas as normas, API RP 2SK [API, 1997] e DNV/POSMOOR [DNV, 2001],
sugerem que o offset mximo deve ser determinado pelo seguinte procedimento:
Se S
lfmax
> S
wfmax
, ento S
max
= S
mean
+ S
lfmax
+ S
wfsig
Se S
wfmax
> S
lfmax
, ento S
max
= S
mean
+ S
wfmax
+ S
lfsig
Onde:
S
mean
= Offset mdio da embarcao;
S
max
= Offset mximo da embarcao;
S
wfmax
= Movimento na freqncia da onda mximo;
S
wfsig
= Movimento na freqncia da onda significativo;
S
lfmax
= Movimento de baixa freqncia mximo;
S
lfsig
= Movimento de baixa freqncia significativo.

35
A anlise quasi-esttica um dos mtodos mais utilizados para a anlise de sistemas
de ancoragem de unidades flutuantes [VARDARO, 2003]. Neste mtodo o
comportamento das linhas de ancoragem descrito pela equao da catenria.
Este mtodo consiste nas seguintes etapas:

1. Seleciona-se um padro geomtrico de ancoragem e as dimenses dos componentes
do sistema. Determina-se a curva caracterstica das linhas (T x D), a curva
comprimento suspenso (L x D) e a curva de restaurao do sistema de ancoragem
(Fh x D); Onde D o deslocamento do topo, T a trao, L o comprimento suspenso
e Fh a fora de restaurao horizontal.

2. Considerando os esforos constantes de vento, correnteza e onda, agindo na mesma
direo, determina-se a deriva mdia (offset esttico), trao mdia e rigidez do
sistema de ancoragem, a partir das curvas Fh x D e T x D;

3. Determina-se o movimento de baixa freqncia e, posteriormente a parcela
dinmica de deriva (offset dinmico) superpondo-se com o movimento de
primeira ordem (alta freqncia). A forma de combinar estes movimentos
sugerido pelo API RP 2SK [API, 1997] e DNV POSMOOR [DNV, 2001].

4. A deriva mxima (offset mximo) obtida somando-se a deriva mdia com a
parcela dinmica, obtendo-se a trao mxima na linha da curva (T x D) e o
comprimento de linha suspensa da curva (L x D).

5. Verifica-se se o sistema de ancoragem atende aos requisitos e critrios de projeto.
Caso os requisitos e critrios no sejam satisfeitos, repetir os itens (1) a (4).

36
4.3 Anlise Dinmica

Dois mtodos so utilizados para a predio da resposta dinmica das linhas:
anlise no domnio da frequncia e no domnio do tempo.

4.3.1 Domnio da Frequncia

A analise no domnio da frequncia, como o prprio nome diz, analisa o
problema decompondo os movimentos envolvidos em funo de sua frequncia. uma
anlise linear, e portanto necessria a linearizao de todas as no linearidades
envolvidas tais como: deformaes, geometria, carga devido ao fluido e interao com o
fundo.

4.3.2 Domnio do Tempo

Na anlise no domnio do tempo todas as no linearidades podem ser modeladas.
Tanto as no linearidades geomtricas quanto as fsicas. A posio das linhas
atualizada a cada intervalo de tempo e a interao com o fundo pode ser calculada
incluindo-se um modelo friccional.
Como necessrio recalcular cada termo de massa, amortecimento, rigidez e
carga a cada intervalo de tempo, a anlise no domnio do tempo utiliza mais recurso
computacional, como tempo e memria, do que a anlise no domnio da freqncia. No
entanto, com o custo dos equipamentos cada vez menor e o poder de processamento
instalado cada vez maior, a utilizao da anlise no domnio do tempo como ferramenta
de projeto est cada vez mais acessvel.

37
4.4 - Metodologia Desacoplada

As metodologias e critrios de projeto adotados pelas empresas de petrleo,
inclusive a Petrobras, no tm tipicamente considerado a integrao no projeto de
sistemas de ancoragem e risers, sendo executados por equipes distintas de projetistas
[SENRA, 2004].
Uma maior integrao no projeto pode comear pela considerao, de forma
mais adequada, da contribuio dos risers como parte do sistema ancorado, em
termos de cargas hidrodinmicas, rigidez, amortecimento e massa adicionada.
A forma mais rigorosa de se efetuar um projeto integrado, que pode ser
considerada em fases mais avanadas do projeto, empregando um programa baseado
em uma formulao totalmente acoplada, capaz de fornecer, em uma nica anlise,
tanto os movimentos do casco quanto uma anlise estrutural detalhada do sistema de
ancoragem e dos risers. Para tal, seria necessria a representao de todas as linhas
atravs de uma malha de Elementos Finitos consideravelmente refinada.
Devido ao fato de vrias dezenas de risers poderem estar conectados
unidade flutuante, percebe-se que a utilizao de programas acoplados pode requerer
custos computacionais excessivamente elevados comprometendo assim a viabilidade da
anlise. Sendo assim, necessrio estabelecer nveis diferentes de integrao e
complexidade em fases distintas do projeto, justificados pelo compromisso entre custo e
benefcio potenciais.
A seguir so descritas, sucintamente, as caractersticas dos mtodos desacoplado
e acoplado.
No procedimento desacoplado, duas etapas distintas podem ser identificadas:
A primeira etapa consiste na anlise de movimentos da unidade flutuante, na
qual as linhas so representadas de forma simplificada, por modelos escalares, podendo
ser uma anlise dinmica ou quase-esttica;
A segunda etapa consiste na anlise estrutural das linhas, representadas por um
modelo de Elementos Finitos, aplicando-se no topo os movimentos da unidade
flutuante, calculados na 1 etapa.
A seguir, apresenta-se uma breve descrio destas etapas.
38

4.4.1 - Anlise de Movimentos da Unidade Flutuante

A primeira etapa, que tradicionalmente associada ao projeto do sistema de
ancoragem, consiste em efetuar anlises de modelos hidrodinmicos da unidade
flutuante, para a determinao dos movimentos, estimativa das traes nas linhas de
ancoragem e comparaes destes resultados com os valores estabelecidos nos critrios
de projeto.
A ao do vento, da correnteza e da onda geram esforos sobre uma unidade
flutuante ancorada no mar. Estes esforos devem ser resistidos pelo sistema de
ancoragem e normalmente so divididos nas seguintes parcelas:
Esforos constantes que no variam ao longo do tempo;
Esforos de alta frequncia que tm um perodo de variao na faixa do perodo
das ondas (5 ~ 15 s);
Esforos de baixa frequncia que tm um perodo de variao muito maior que o
perodo das ondas (150 ~300 s).
Estes esforos sobre a unidade flutuante faro com que a mesma perca o seu
equilbrio neutro inicial e busque uma nova posio de equilbrio dinmico.


Fonte: [API, 2001]
Figura 15 Componentes de fora de onda
39

Nestas anlises, as linhas de ancoragem so representadas por coeficientes
escalares, incorporados na equao de movimento da unidade flutuante para representar
rigidez, massa, amortecimento e parcela de carga de correnteza nas linhas, como
ilustrado na figura 16. Estes coeficientes podem ser determinados a partir de modelos
analticos simplificados (por exemplo, baseados na equao da catenria) ou calibrados
a partir de modelos experimentais. A contribuio dos risers tambm deve ser
includa no clculo destes coeficientes, mas, em muitas aplicaes prticas, tm sido
simplesmente ignorada.
X
Z
Vento
Onda
Corrente

Figura 16 Modelo desacoplado

A rigidez das linhas sobre a embarcao normalmente representada por molas
lineares ou molas no-lineares (associadas a curvas de restaurao). No DMOOR, que
um dos programas de anlise e projeto do sistema de ancoragem adotado pela Petrobras,
apenas a rigidez linear das linhas de ancoragem calculada, sem fazer qualquer
considerao sobre a rigidez dos risers. Para levar em considerao a rigidez dos
risers, necessrio montar um modelo de Elementos Finitos, parte, com todas as
linhas de risers, para a determinao de sua rigidez e, em seguida, adicion-la
rigidez das linhas de ancoragem.
A parcela da massa das linhas de ancoragem e risers que afeta os
movimentos da embarcao estimada como uma frao da massa das linhas. Nos
40
procedimentos recentes adotados pela Petrobras, no usual considerar a contribuio
das linhas para o amortecimento.
A parcela da carga de correnteza nas linhas de ancoragem e risers sobre a
embarcao considerada como uma carga concentrada, somada no lado direito da
equao de movimento.
Em uma anlise dinmica, a resposta da linha de ancoragem pode ser obtida
tanto no domnio do tempo quanto no domnio da freqncia.
A aproximao no domnio da freqncia usa o princpio da superposio linear.
Desta forma, os termos no-lineares precisam ser linearizados para a anlise.
Na aproximao no domnio do tempo, todos os efeitos no-lineares podem ser
modelados. Neste caso, a anlise pode ser feita com um modelo de onda regular
determinstica ou onda irregular aleatria. Para cada passo de tempo, os termos da
massa, amortecimento, rigidez e carga so recalculados. A norma [API, 1997] sugere
que o pico de trao na linha na freqncia da onda pode ser determinado, primeiro
gerando uma srie temporal para a durao da tempestade (usualmente 3 horas), e
depois calculando a resposta de trao. Por causa da natureza aleatria do problema, a
trao mxima na freqncia da onda deve ser determinada tambm por:
Vrias simulaes de tempestade, ajustando uma distribuio estatstica de
mximos para os picos das simulaes. Esta distribuio usada para determinar
a trao mxima esperada na freqncia da onda;
Modificando a trao mxima pelo fator de Rayleigh depois de uma nica
anlise.

4.4.2 - Anlise Estrutural dos Risers

A segunda etapa do procedimento desacoplado, , tradicionalmente, associada ao
projeto dos risers e consiste em efetuar anlises de modelos de Elementos Finitos de
um riser, sob a aplicao, no topo, dos movimentos da unidade flutuante calculados
na 1 etapa, bem como dos carregamentos de onda e correnteza ao longo da linha. O
41
objetivo destas anlises obter a resposta estrutural do riser, de forma que os
esforos nos trechos mais crticos possam ser comparados aos critrios de projeto.

X(t)

Figura 17 Plataforma como modelo hidrodinamico.

No procedimento atual para o projeto de risers, definem-se situaes de
carregamento Near, Far, Cross e Transverse. Para cada uma destas situaes, a resposta
dinmica no domnio do tempo determinada atravs da seguinte seqncia de anlises:
Inicialmente, efetua-se uma anlise no-linear esttica para a determinao da
configurao de equilbrio, sob ao das parcelas estticas do carregamento: peso
prprio, correnteza, pr-trao e offset esttico da embarcao (determinados na anlise
da ancoragem). O carregamento aplicado incrementalmente. No primeiro passo aplica-
se apenas a carga total do peso prprio, e nos demais, aplica-se incrementalmente a
correnteza e o offset esttico (como deslocamento prescrito no n do topo do riser).
Para a situao Far, o offset esttico da embarcao e a correnteza so aplicados de
modo a afastar o n do topo do ponto da ncora. Para a situao Near, este
carregamento aplicado no sentido inverso, de modo a aproximar o n do topo do ponto
da ncora. Para a situao Cross, o carregamento aplicado na direo perpendicular ao
plano da linha. Para a situao Transverse, o carregamento aplicado a 90 graus do
plano da linha.


42
4.5 Metodologia Acoplada

A prtica de projeto desacoplada tem sido utilizada com relativo sucesso em
projetos de unidades flutuantes de maior porte, mas com um nmero relativamente
pequeno de risers conectados e em guas pouco profundas.
No entanto, medida que avana a explorao de campos em guas cada vez
mais profundas e um nmero cada vez maior de risers empregado, tem sido
reconhecido que as simplificaes decorrentes desta prtica de projeto desacoplada,
na qual a interao entre o casco e as linhas no considerada de forma rigorosa, podem
ter efeitos prejudiciais e penalizar seriamente a qualidade dos resultados.
A necessidade de abordagens que considerem a simulao acoplada de uma
formulao completa das linhas com as equaes de movimento do navio apresentada
por [MASETTI, 1994], [NOBLE DENTON, 1996], [MASETTI, 1997], [NOBLE
DENTON, 1998] e [PORTELLA, 2001].
Este fato motivou o desenvolvimento de programas baseados em uma
formulao acoplada, como o programa PROSIM [JACOB, 2005] que foi o primeiro a
utilizar esse conceito de anlise acoplada. Este programa vem sendo desenvolvido desde
1997, de forma cooperativa por pesquisadores da Petrobras e do LAMCSO
Laboratrio de Mtodos Computacionais e Sistemas Offshore, do PEC/COPPE/UFRJ.
Nesta nova abordagem o casco e as linhas de ancoragem e risers so
analisados em conjunto durante uma simulao esttica ou dinmica. Com isso os
efeitos de interao de massa e amortecimento de todos os elementos do sistema podem
ser melhor avaliados. No captulo 5 ser apresentado um resumo da formulao
matemtica utilizada pelo PROSIM e no captulo 8 sero apresentados os modelos
acoplados utilizados neste trabalho.



43
Captulo 5: Formulao para Anlise
Acoplada


5.1 Introduo

Neste captulo ser apresentada, de forma sucinta, a formulao utilizada pelo
programa PROSIM para anlise acoplada.
No presente trabalho, ser utilizada somente o mdulo de anlise esttica do
referido programa. Isto se justifica pois o enfoque principal do trabalho na viabilidade
do uso dos algoritmos evolutivos otimizao de sistemas de ancoragem, e a anlise
esttica atende bem como ferramenta de anlise simplificada.


5.2 - Equaes De Movimento Da Unidade Flutuante

O procedimento de anlise acoplada baseado na integrao numrica no
domnio do tempo das equaes de movimento de corpo rgido da plataforma.
Nesta seo, apresenta-se de forma resumida a formulao das equaes de
movimento de grande amplitude que representam os movimentos de corpo rgido da
plataforma. Maiores detalhes sobre a formulao podem ser encontrados em
[MEIROVICH, 1970].
As equaes de movimento consideram efeitos no lineares geomtricos
decorrentes de grandes deslocamentos do corpo. Alm disso, outros efeitos no-lineares
so considerados na formulao do modelo acoplado, relacionados ao comportamento
hidrodinmico na interao fluido-estrutura (incluindo a fora de arrasto viscosa, funo
quadrtica da velocidade relativa entre o fluido e o corpo), e interao no-linear com
as linhas de ancoragem e risers modelados por elementos finitos, configurando o
modelo acoplado.
44

5.2.1 - Sistemas de Referncia

Sistema Global Geral (Constante, inercial)

O sistema de coordenadas global geral (X,Y,Z) primrio, nico, definido
inicialmente, e em relao a ele que estaro referenciados todos os demais sistemas
(figura 18). Os eixos X e Y deste sistema global esto contidos em um plano horizontal,
e o eixo Z corresponde direo vertical, orientado de baixo para cima.
As coordenadas dos ns da malha de elementos finitos que representam as linhas
no modelo acoplado so expressas neste sistema global geral (eventualmente tambm
referido como o sistema inercial).

Sistema Estrutural da Plataforma (Mvel, Fixo no Corpo)

Define-se tambm um sistema de coordenadas estrutural (x,y,z), especfico da
unidade flutuante. Trata-se de um sistema mvel que acompanha os movimentos do
corpo.
As equaes so expressas nos sistemas inercial e/ou mvel, de acordo com a
convenincia da formulao.
A definio da posio inicial da origem do sistema estrutural (x,y,z), em
relao ao sistema global geral (X,Y,Z), feita atravs de trs valores que definem a
distncia de sua origem at a origem do sistema global geral, e de um quarto valor que
representa o ngulo, em graus, que define o aproamento da unidade flutuante. Este
ngulo medido no plano horizontal, entre o eixo X global geral e o eixo x estrutural da
unidade.

Sistema Local dos Membros da Plataforma e dos Elementos Finitos das Linhas

Finalmente, cada elemento da malha de elementos finitos para as linhas, e cada
membro reticulado da plataforma tem seu prprio sistema de referncia local ( x, y, z).
45
As propriedades dos elementos ou membros devem ser fornecidas neste sistema
local. A origem deste sistema est localizada no n 1 do membro. A direo local x
coincide com o eixo do membro, e orientada do n 1 para o n 2; as direes locais y
e z, ortogonais a x, esto contidas na seo transversal do membro. Para um membro
com orientao geral no espao, a direo local x horizontal, e a direo local z
perpendicular s direes x e y. Para um membro horizontal, a direo local z
vertical, paralela ao eixo global Z. Para um membro vertical, a direo local horizontal
y paralela ao eixo global Y. Por sua vez, a direo local z, tambm horizontal,
paralela ao eixo global X (mas em sentido contrrio).
x
N 2
N 1
x
y
z
Z
Y
X
y
z

Figura 18 Sistemas de Referncia


46


5.2.2 - Formulao das Equaes de Movimento

O deslocamento do corpo pode ser expresso como o somatrio de uma
translao da origem do sistema de coordenadas estrutural da plataforma, e uma rotao
em torno de um eixo passando pela origem do sistema estrutural:

Deslocamento de Translao

A translao x
l
(t) expressa pela variao da origem do sistema estrutural da
plataforma (x,y,z), medida em relao ao sistema global (X,Y,Z). As componentes de x
l

so x
l1
(t), x
l 2
(t), x
l 3
(t).

Deslocamento de Rotao
De forma similar, o movimento de rotao a variao angular dos eixos do
sistema estrutural em relao ao sistema global. Para expressar a posio relativa
rotacional desses dois sistemas de referncia, empregam-se os ngulos de Euler,
denominados , , . A sequncia de rotaes que define estes ngulos descrita a
seguir e ilustrada na figura 19.
Assume-se que originalmente o sistema da plataforma (x,y,z) e o sistema
global (X,Y,Z) so coincidentes.
Inicialmente, a plataforma gira em torno do seu eixo-z atravs do ngulo de
yaw .
Em seguida, a partir da posio resultante, gira em torno do eixo-y atravs do
ngulo de pitch ;
Finalmente, a partir desta ltima posio, gira em torno do eixo-x atravs do
ngulo de roll .

47
YA

z
y
x
XA


ZA
YA
X



Z

Y
ZA
YA
XA

X
z

Figura 19 Transformao do Sistema de Coordenadas
48
Transformao de Coordenadas

Aps o movimento do corpo, a seguinte expresso relaciona as coordenadas de
um ponto, expressas no sistema estrutural da plataforma x = (x,y,z), com as coordenadas
do mesmo ponto expressas no sistema global X = (X,Y,Z), em funo do movimento de
translao x
l
= (x
l1
, x
l 2
,x
l 3
) e do movimento de rotao definido pelos ngulos de Euler
, , :

X
Y
Z
=

(
(
(
coscos sencos -sen
-sencos+cossensen coscos+sensensen cossen
sensen+cossencos -cossen+sensencos coscos

x - x
1
y - x
2
z - x
3
(1)

A equao (1) define a transformao geral rotacional de coordenadas,
relacionando o sistema de coordenadas globais fixo no espao com o sistema de
coordenadas fixo na plataforma. Esta relao pode ser reescrita na forma seguinte, onde,
com a exceo de X, as letras maisculas e em negrito representam matrizes e as letras
minsculas e em negrito representam vetores:

X = A (x - x
1
) (2)

Na equao (2), X o vetor cujas componentes so (X, Y, Z), x e x
1
so
similarmente definidas em termos das coordenadas globais do ponto em considerao e
as translaes das coordenadas de origem, e A a matriz de rotao de coordenadas
3x3. Observando-se que A uma transformao ortogonal, sua inversa igual sua
transposta, e a transformao inversa ser dada por:

x = x
1
+ A
T
X (3)

49


Transformao de Velocidades

Considerando que seja o vetor de velocidades angulares do corpo expressa em
termos de
1
,
2
,
3
em torno dos eixos X,Y,Z, a relao entre e a derivada no tempo
dos ngulos de Euler dada pela equao (4):

= B
.
(4)
Onde:

.
= {
.
,
.
,
.
}

B =

(
(
1 0 -sen
0 cos sen .cos
0 -sen cos .cos
(5)

B, em geral, uma matriz quadrada e no singular, portanto a sua inversa existe
e assim a transformao inversa de (5) pode ser escrita como:

.
= B
-1
(6)

Segunda Lei de Newton

A segunda lei de Newton para movimentos translacionais e rotacionais dada
pela equao (7):
f =
d
dt
(Mv) (7)
m =
d
dt
(I)
50

onde f e m so os vetores de fora e momento externos, M e I so matrizes 3x3
compostas da massa do corpo, e seus momentos e produtos de inrcia de acordo com as
equaes (8) e (9):
M =

(
(
m 0 0
0 m 0
0 0 m
(8)
I =

(
(
I
11
-J
12
-J
13
-J
21
I
22
-J
23
-J
31
-J
32
I
33
(9)
Onde: m = massa da plataforma
I
ii
= momento de inrcia em torno dos eixos i;
I
ii
=

(x
j
2
+ x
k
2
) dm j,k i (10)
J
ij
= ij-simo produto de inrcia
J
ij
=

x
i
x
j
dm i j (11)
J
ij
= J
ji
.
O lado direito das equaes (7) representa as derivadas no tempo do momento e
do momento angular. Se a velocidade translacional, v, do centro de gravidade do corpo
e o vetor de foras, f, forem expressos em relao ao sistema de referncia inercial,
X,Y,Z, a primeira das equaes (7) torna-se:
f = M
dv
dt
(12)
v =
dx
dt
(13)
onde X = {X
1
, Y
1
, Z
1
} so as coordenadas do centro de gravidade do corpo em relao ao
sistema de referncia X,Y,Z.
conveniente que a equao de momento angular seja avaliada em relao ao
sistema de referncia mvel, que permanece fixo no corpo, visto que a matriz de inrcia
constante neste sistema. A derivada no tempo do momento angular , portanto,
51
avaliada num sistema de coordenadas que est girando, assim a segunda das equaes
(7) torna-se:

m = I
d
dt
+ x (I) (14)

Equaes de Movimento
As equaes (6), (12), (13) e (14) podem ser rearranjadas e reescritas como:

dv
dt
= M
-1
f (15.a)
dx
dt
= v (15.b)
d
dt
= I
-1
[m- x (I)] (15.c)
d
dt
= B
-1
(15.d)

As equaes (15) podem ser vistas como um sistema de doze equaes de
primeira ordem nas variveis v, x, e . Estas variveis, dependentes do tempo,
expressam as velocidades e posio do corpo. importante ressaltar dois tipos de no
linearidade que ocorrem nestas equaes:
Os vetores de fora e momento, f e m, so funes no lineares da posio
do corpo e do estado de movimento;
O produto vetorial x (I) e a matriz de transformao B
-1
contm termos
no lineares envolvendo, respectivamente, produtos e potncias das
velocidades angulares, e funes trigonomtricas dos ngulos de Euler.
Neste ponto, formulaes simplificadas poderiam assumir pequenas amplitudes
de movimento e desprezar termos de ordem superior contendo produtos ou potncias de
quantidades de menor ordem de grandeza. No entanto, como mencionado
52
anteriormente, a presente formulao mantm todos os termos no-lineares e, portanto,
vlida para grandes amplitudes de movimento. Isto ser possvel j que a integrao
das equaes ser feita no domnio do tempo.
Para a integrao no tempo das equaes de movimento, ser empregado o
mtodo de Runge-Kutta de quarta ordem. Este mtodo pode operar sobre um sistema de
equaes diferenciais acopladas da forma
dy
dt
= f(y,t), que, como pode ser visto, similar
s equaes (15). Trata-se de um mtodo baseado em extrapolaes polinomiais da
varivel principal no intervalo de tempo seguinte, e na determinao dos coeficientes do
polinmio a partir de valores estimados das derivadas em instantes ao longo do
intervalo de tempo.
Os vetores de fora e momento, f e m, tm componentes que so proporcionais
s aceleraes do corpo (as parcelas de inrcia da frmula de Morison). Estas
componentes iro gerar termos de massa adicionada, que variam ao longo do tempo.
Separando as parcelas de f e m que dependem das aceleraes, e que so afetados por
termos de massa adicionada, pode-se rearranjar as equaes (15.a) e (15.c) da seguinte
forma:
M
dv
dt
= A
dv
dt
B
d
dt
+ f
1
(16)
I
d
dt
= C
dv
dt
D
d
dt
+ m
1
x (I )
Nestas expresses, A e D so as matrizes de massa adicionada avaliadas em cada
instante de tempo; B e C so os termos cruzados de massa adicionada; f
1
e m
1
so as
parcelas dos termos de fora e momento que dependem da posio, velocidade e tempo,
mas so independentes da acelerao.
Neste caso, para permitir a utilizao do mtodo de Runge-Kutta, transferem-se
os termos com derivadas das incgnitas bsicas para o lado esquerdo. As equaes (16)
so ento novamente re-arranjadas transformando-se em:
(M+A)
dv
dt
+ B
d
dt
= f
1
(17)
C
dv
dt
+ (I+D)
d
dt
= m
1
x (I )
53
ou, em forma matricial,

(
(
M + A B
C I + D

dv
dt
d
dt
=

)
`

f
1
m
1
x (I )
(18)

onde a matriz de massa global dada por:
A
_
=

(
(
M + A B
C I + D
(19)

Pode-se demonstrar que A
_
uma matriz simtrica e, em geral, no singular, de
modo que sua inversa pode ser expressa, numa forma particionada, como:
A
_
-1
=

(
(
(
A

11
A

12
A

21
A

22
(20)
Pode-se agora pr-multiplicar os dois lados de (18) por A
_
-1
, obtendo-se
dv
dt
= A

11
f
1
+ A

12
[m
1
x (I )] (21)

d
dt
= A

21
f
1
+ A

22
[m
1
x (I )] (22)

Estas equaes encontram-se agora em uma forma apropriada para aplicao do
algoritmo de integrao no tempo, uma vez que o lado direito no possui termos com
derivadas das incgnitas bsicas.


54
5.3 - FORMULAO ESTRUTURAL DAS LINHAS

Prosseguindo na descrio da formulaao de anlise acoplada de plataformas
flutuantes apresenta-se, a seguir, a formulao e o procedimento de soluo do modelo
matemtico que representa o comportamento estrutural das linhas de ancoragem e
risers.

5.3.1 - Modelo Matemtico - Soluo Numrica
O comportamento dinmico de uma estrutura pode ser descrito matematicamente
por um problema de valor inicial e de contorno (PVI/C), constitudo por um sistema de
equaes diferenciais parciais (EDP) hiperblicas - as Equaes de Movimento ou
equaes de equilbrio dinmico. Na montagem deste sistema esto incorporadas as
Equaes constitutivas relacionando tenses s deformaes, e as Equaes
deformao-deslocamento.
A essas equaes diferenciais parciais, est associado um conjunto de condies
de contorno no espao, que estabelece que o contorno da estrutura est dividido em uma
regio com deslocamentos conhecidos e outra com foras conhecidas. Alm disso, est
associado tambm um conjunto de condies iniciais no tempo, que estabelece que os
deslocamentos e velocidades em qualquer ponto do domnio espacial tm valores
conhecidos no tempo t = 0.
A construo deste modelo matemtico diferencial est baseada em conceitos da
Mecnica do Contnuo e da Teoria da Elasticidade. Usualmente, no procedimento de
soluo do problema estrutural o modelo matemtico reescrito em uma formulao
integral, baseada em princpios variacionais. Esta formulao integral pode ser obtida de
diversas maneiras: atravs de princpios de energia, como o Princpio dos Trabalhos
Virtuais ou o Princpio da Energia Potencial Estacionria; ou atravs do mtodo de
Galerkin, baseado na tcnica de resduos ponderados.
Uma descrio detalhada do estabelecimento e formulao destes modelos
matemticos pode ser encontrada em diversos textos [ZIENKIEWICZ, 2000], [BATHE,
1996], [HUGHES, 1987]. Uma descrio mais concisa e didtica pode ser encontrada
no trabalho de Kayser Junior [KAYSER, 2003].
55
Para a soluo do problema descrito por estes modelos matemticos contnuos,
que implica na obteno da resposta dinmica desejada, so empregados mtodos
numricos que efetuam discretizaes no espao e no tempo. O processo usual consiste
em efetuar as discretizaes de forma independente (semi-discretizao), em duas
etapas:
A) Em uma primeira etapa, utiliza-se uma tcnica para a discretizao espacial do
domnio. Em formulaes diferenciais, as EDP seriam ento transformadas em
um sistema de equaes diferenciais ordinrias (EDO) semi-discretas (porm
ainda funes contnuas do tempo);
B) Em uma segunda etapa, efetua-se a discretizao das EDO no tempo, obtendo-se
a resposta atravs de um algoritmo de integrao.

5.3.2 - Discretizao Espacial

No contexto da anlise de estruturas esbeltas, especificamente de risers e
linhas de ancoragem de plataformas flutuantes, a tcnica de discretizao empregada o
Mtodo dos Elementos Finitos MEF. A formulao do MEF, que tem sido
extensivamente estudada ao longo das trs ltimas dcadas, no ser descrita neste
texto; recomenda-se a leitura de referncias clssicas da literatura, tais como
[ZIENKIEWICZ, 2000], [BATHE, 1996], [HUGHES, 1987]. Novamente, uma
descrio concisa e didtica pode ser encontrada em [KAYSER, 2003].
Para a discretizao espacial dos risers e linhas de ancoragem, o programa
Prosim emprega elementos reticulados de trelia e prtico. A seguir, apresenta-se uma
descrio sucinta das caractersticas destes elementos.

Elemento de Trelia

Os elementos de trelia possuem 3 graus de liberdade por n. Os graus de
liberdade (U,V,W) representam movimentos lineares nas direes x, ye z. Como este
tipo de elemento no possui graus de liberdade angulares, conseqentemente no
56
possvel fornecer rigidez flexional. Por este motivo, estes elementos representam bem
linhas que possuem baixa rigidez flexo tais como linhas de ancoragem e umbilicais.

Elemento de Prtico

O programa Prosim emprega um elemento finito de prtico espacial baseado em
uma formulao corotacional [CRISFIELD, 1990], [MATHISEN, 1990] e
[MOURELLE, 1993].
O objetivo principal da formulao co-rotacional separar os movimentos de
corpo rgido dos movimentos que geram deformaes. Com isso, obtm-se um elemento
mais preciso, robusto e menos sensvel magnitude das rotaes incrementais.
O elemento de prtico espacial possui 6 graus de liberdade por n. Os graus de
liberdade (U,V,W,RU,RV,RW) representam movimentos lineares nas direes
x, ye ze movimentos angulares em torno destes mesmos eixos. Com este tipo de
elemento possvel considerar a rigidez flexo das linhas, de modo a representar
linhas cuja rigidez flexo representativa, tais como risers rgidos e risers
flexveis.

5.3.3 - Discretizao no Tempo

Como resultado da aplicao do Mtodo dos Elementos Finitos para a
discretizao espacial, o modelo matemtico diferencial, originalmente um PVI/C
composto por um sistema de equaes diferenciais parciais (EDP) associado a um
conjunto de condies de contorno no espao e condies iniciais no tempo, se
converteria em um problema de valor inicial composto por um sistema de equaes
diferenciais ordinrias (EDO) semi-discretas (discretizadas no espao, mas ainda
funes contnuas do tempo), e um conjunto de condies iniciais no tempo [JACOB,
1998], [RODRIGUES, 1998].
Para problemas lineares, as EDO correspondem s equaes de movimento
escritas da seguinte forma:

57
M u "(t) + C u' (t) + K u(t) = F(t) (23)

As incgnitas destas equaes so os vetores u(t), u
'
(t) e u
"
(t) contendo,
respectivamente, componentes de deslocamentos, velocidades e aceleraes para cada
grau de liberdade da malha de elementos finitos empregada para efetuar a discretizao
espacial. O problema de valor inicial composto por estas equaes de movimento,
associadas s seguintes condies iniciais:

u(0) = u
0
; u
'
(0) = v
0
(24)

As trs parcelas do lado esquerdo das equaes de movimento representam,
respectivamente, foras de inrcia, amortecimento e foras elsticas. Estas foras
internas equilibram as foras externas no lado direito, que so representadas pelo vetor
F(t) contendo as resultantes nodais das cargas.
Finalmente, M, C e K so as matrizes de massa, amortecimento e rigidez,
simtricas e constantes no tempo. As matrizes de massa e rigidez podem ser deduzidas
diretamente a partir da formulao de elementos finitos. A matriz de amortecimento C,
por sua vez, usualmente representada pela expresso de amortecimento de Rayleigh
como uma combinao linear das matrizes de massa e rigidez [BATHE, 1996]:
C =
m
M +
k
K. (25)
onde
m
e
k
so, respectivamente, coeficientes escalares proporcionais massa e
rigidez, a serem determinados a partir de dois pares de valores
(frequncia x percentagem de amortecimento crtico).
Para maiores detalhes sobre a soluo do problema dinmico ver [RODRIGUES,
2004a].


58
5.4 - Carregamentos Ambientais

Neste captulo ser apresentada a considerao dos carregamentos ambientais de
onda, correnteza e vento nas anlises dinmicas do Prosim.
Em relao correnteza ser apresentado o procedimento para obteno de
foras a partir de velocidades de correnteza e ngulos de incidncia.
Sero apresentadas formulaes para obteno de foras de vento a partir
velocidade de vento, rea exposta e outros fatores
E, em relao s ondas, ser apresentado o modelo para obteno de velocidade,
acelerao, deslocamento e presso das partculas do fluido e sua transformao em
foras atravs de modelos hbridos implementado no programa Prosim.
.
5.4.1 Correnteza
A correnteza definida atravs de um perfil poligonal, em que so fornecidos
valores de velocidade e ngulos de incidncia. Este tipo de carregamento geralmente
aplicado incrementalmente estrutura e fornecido atravs de uma funo tempo, que
pode ser associada ao carregamento de onda e correnteza.
Considera-se que a correnteza atue tanto no casco como nas linhas de
ancoragens e risers, de acordo com o perfil poligonal.
A correnteza pode ser considerada como carregamento esttico, embora existam
alguns efeitos dinmicos associados correnteza. Pode-se mencionar por exemplo as
vibraes induzidas por vrtices (VIV); e a flutuao no valor da velocidade da
correnteza medida no tempo, que usualmente ignorada.
No caso de corpos submersos, para os quais a frmula de Morison pode ser
aplicada, tais como membros reticulados de plataformas ou linhas de ancoragem e
risers, as cargas de correnteza podem ser consideradas diretamente no clculo da
parcela de arraste da frmula de Morison (que ser apresentada adiante) que leva em
conta as velocidades relativas fluido-estrutura, simplesmente efetuando uma soma
vetorial das velocidades de correnteza com as velocidades do fluido devidas onda e as
velocidades da estrutura.
59
Em projetos recentes de plataformas em guas profundas, tem sido observado que
a parcela de carga de correnteza atuando sobre as linhas pode ser da mesma ordem de
grandeza da parcela que atua sobre o casco da plataforma.

5.4.2 - Vento
Esse item apresenta a formulao para o clculo das cargas de vento (atuando nas
reas expostas do casco e do convs da plataforma).
As cargas de vento atuam sobre a rea exposta do casco e do convs das
plataformas flutuantes. As condies de vento usadas em projeto devem ser
apropriadamente determinadas a partir de dados coletados, consistentes com os outros
parmetros ambientais que ocorrem simultaneamente.
Existem duas maneiras de se considerar os efeitos de vento no projeto, que
dependem de parmetros do sistema e objetivos da anlise:
Fora de vento constante no tempo, calculada com base na velocidade mdia de
1 minuto;
Fora de vento varivel, calculada em funo de um componente permanente,
baseado na velocidade mdia de 1 hora, mais uma componente variando com o
tempo, calculada a partir de um espectro de vento adequado.
Para o clculo da parcela esttica da carga de vento assumido que a rea exposta
ao do vento na embarcao possa ser caracterizada por um nico nmero, o qual
representa o produto da rea exposta ao vento pelo fator de forma. O programa
PROSIM tambm fornece a opo de se interpolar ao longo do tempo a rea exposta
ao do vento devido variao do aproamento (yaw) da plataforma.
Considerando-se que o centro de presso de vento seja conhecido, a fora de
vento considerada atuando neste ponto, em cada intervalo de integrao, pela seguinte
equao:
2
2
vento vento vento
V A F

= (26)
onde:
- densidade do ar;
60
A
vento
produto da rea exposta ao vento pelo coeficiente de forma;
V
vento
velocidade mdia do vento.

Resultados de testes em tnel de vento podem ser usados para estabelecer
coeficientes de fora (fora/velocidade
2
) em determinadas direes de incidncia do
vento. Assim, basta multiplicar o valor da velocidade de vento ao quadrado pelo
coeficiente de fora obtido do ensaio, para que seja determinada a fora de vento sobre a
embarcao. Nos ensaios, os coeficientes de fora de vento so normalmente
determinados para uma altura de 10 metros acima da lmina dgua. Assim, para se
obter as foras, as velocidades de vento medidas precisam ser transportadas para esta
mesma altura de 10 metros, de acordo com a frmula abaixo [DNV, 2001]:

13 , 0
10
10
|
.
|

\
|
=
Z
V V
m Z
(27)

De modo similar s ondas, o vento tambm gera foras variveis no tempo.
Embora mtodos para determinar a parcela de fora de vento varivel no tempo tenham
sido extensivamente estudados, h ainda um substancial grau de incerteza nesta
estimativa, particularmente na definio de um espectro de energia a partir de dados
medidos de vento. Na falta de dados mais precisos, a parcela varivel no tempo pode ser
obtida a partir da simulao do espectro proposto pela API RP 2A , que apresentado a
seguir:
( )
( )
3
5
2
5 . 1 1
(
(

+
=
p
p
f
f
f
z
f S

(28)
(z) = V(1hr,z)

>
|
.
|

\
|

|
.
|

\
|

s
s
s
s
z z para
z
z
z z para
z
z
275 . 0
125 . 0
15 . 0
15 . 0
(29)
( ) ( )
125 . 0
, 1 , 1
|
|
.
|

\
|
=
R
R
z
z
z hr V z hr V (30)
61
( )
10 . 0
, 1
01 . 0

z hr V
z f
p
(31)

onde:
S(f) densidade de energia espectral, na elevao z;
f freqncia em Hz;
f
p
freqncia de pico caracterstica do espectro;
(z) desvio-padro da velocidade de vento;
V(1hr,z) Velocidade mdia de vento em 1 hora, medida na elevao z;
z
s
20m (espessura da camada superficial);
z
r
- 10 m (altura da referncia).
A figura 20 mostra o espectro de vento para uma velocidade mdia horria de 35
m/s e
( )
05 . 0
, 1
=

z hr V
z f
p
.
Espectro de Vento da API
0
50
100
150
200
250
300
350
400
450
0 0.2 0.4 0.6 0.8 1
Frequncia (Hz)
S
(
f
)


Figura 20 Espectro de Vento

A simulao do vento consiste em uma srie de componentes discretas,
senoidais e unidirecionais, as quais so superpostas para se obter a velocidade
instantnea do vento. Estas componentes so geradas em intervalos de igual energia do
espectro, com fases distribudas aleatoriamente no intervalo [0, 2].
62

5.4.3 - Ondas
O modelo matemtico que representa o comportamento de ondas no mar
composto por um Problema de Valor de Contorno (PVC), que consiste em uma equao
diferencial (Equao de Laplace) e as condies de contorno associadas. Assume-se que
o fundo do oceano plano e com profundidade d (medida a partir do nvel de guas
tranqilas) e que as ondas so bidimensionais, peridicas, uniformes e progredindo
numa direo definida e positiva e so definidas em termos de sua altura H e perodo T.
A incgnita bsica do PVC o potencial de velocidade do fluido , a partir do qual, por
derivao, podem ser obtidas as velocidades, aceleraes, deslocamentos e presses das
partculas do fluido.
Este problema de valor de contorno altamente no-linear, especialmente
devido s condies de contorno de superfcie livre. Desta forma, de modo geral no
possvel obter uma soluo analtica rigorosa para a equao diferencial de Laplace, e a
soluo (em termos de velocidades e aceleraes das partculas fluidas induzidas pela
onda) deve ser obtida introduzindo aproximaes e/ou utilizando mtodos numricos. O
procedimento mais usual, e que atende prtica de projeto de sistemas offshore,
consiste em empregar a Teoria Linear de Airy como a soluo da equao de Laplace.
A modelao do carregamento de ondas foge ao escopo do presente trabalho,
mas uma descrio detalhada deste modelo pode ser encontrada em [SENRA, 2004].

5.4.4 - Clculo das Foras

O presente item ir tratar dos procedimentos para o clculo das foras no casco
e nas linhas de ancoragem e risers exercidas pelo fluido considerando as velocidades
induzidas pelas ondas e pela correnteza.
Este clculo de foras uma tarefa complexa, pois envolve diversas incertezas,
que se somam s envolvidas na formulao do modelo de ondas, e na natureza aleatria
de um estado de mar real.
Atualmente existem formulaes que, tendo sido verificadas e calibradas por
ensaios experimentais e monitorao no mar, se mostram adequadas para representar
63
com preciso as foras devidas movimentao do fluido sobre sistemas offshore.
Segundo [CHAKRABARTI, 1987], estas formulaes podem ser agrupadas em trs
classes principais, de acordo com sua adequao aos diferentes tipos de sistemas
offshore, que so a formulao de Morison, formulao de Froude-Krylov e o modelo
de Difrao / Radiao .
Essas formulaes no necessitam ser consideradas como mutuamente
exclusivas, e podem ser combinadas em modelos hbridos que combinam
caractersticas positivas de mais de uma formulao, seguindo propostas como as
apresentadas por [PAULING, 1970] e [HOOFT, 1982]. Neste modelo hbrido,
implementado no programa Prosim, combinam-se as foras de primeira e segunda
ordem:
As foras de primeira ordem atravs da formulao de Froude-Krilov e da
frmula de Morison, particularmente porque esta ltima representa bem os efeitos
locais. H de se comentar que os efeitos de difrao e radiao so pequenos.
A frmula de Morison vale para escoamento incidente retilneo, o que no o
caso em ondas. Assim a parcela referente ao escoamento incidente no termo de inrcia
de Morison substitudo pela integral das presses (Froude-Krylov).
Para as foras de segunda ordem de origem potencial, utilizam-se resultados
derivados de programas de anlise hidrodinmica como o WAMIT.
Em tal modelo hbrido, a aplicao das diferentes formulaes complementa as
lacunas e refora as vantagens de cada uma. Uma explanao completa do clculo das
foras utilizado pelo PROSIM pode ser encontrada em [RODRIGUES, 2004a] e
[SENRA, 2004].
Destas parcelas a de maior interesse no presente trabalho a de Morison, pois
a utilizada no clculo do equilbrio esttico.

Formulao de Morison

A formulao de Morison bastante difundida em aplicaes prticas para o
clculo das foras de fluidos em corpos esbeltos, com dimenso transversal
64
caracterstica D pequena em comparao com o comprimento de onda . Um critrio
usualmente empregado para definir um corpo esbelto consiste em verificar se a
seguinte relao atendida:

D

< 5. (32)

Nestes casos, a formulao de Morison assume que as foras podem ser
computadas atravs de uma aproximao na qual os parmetros importantes do fluxo na
superfcie do corpo, tais como presso, velocidade e acelerao, podem ser aproximados
pelo valor correspondente calculado no eixo da seo transversal do corpo esbelto.
A formulao de Morison considera que a fora de onda composta pela soma
de duas parcelas:
Uma parcela de arraste associada a efeitos viscosos, proporcional s velocidades
do fluido e do corpo;
Uma parcela de inrcia, proporcional s aceleraes do fluido e do corpo.

A equao de Morison pode ser expressa da seguinte forma:

F =
1
2

w
D C
d
u x
.
(u x
.
) +
w

D
2
4
C
m
u
.

w

D
2
4
C
a
x
..
(33)

Nesta expresso, w a massa especfica do fluido; D uma dimenso
transversal caracterstica do corpo (usualmente o dimetro de um membro cilndrico); e
u, x
.
, u
.
e x
..
so respectivamente as velocidades e aceleraes do fluido e do corpo. O
primeiro termo do lado direito desta equao (proporcional s velocidades) corresponde
portanto parcela de arraste; o segundo e terceiro termos (proporcionais s aceleraes)
correspondem parcela de inrcia. Geralmente considera-se que a formulao de
Morison mais aplicvel quando a fora de arraste significativa, e os efeitos viscosos
65
preponderam sobre os inerciais. Este usualmente o caso em corpos esbeltos
[CHAKRABARTI, 1987].
A formulao de Morison considerada semi-emprica, j que as parcelas de
arraste e inrcia so afetadas por coeficientes adimensionais C
d
, C
m
e C
a
, que devem ser
calibrados a partir da observao de resultados experimentais. Na anlise de linhas de
ancoragem e risers usualmente empregam-se valores de C
d
variando entre 0,7 e 1,2, e
valores de C
m
em torno de 2,0 . O terceiro termo, afetado pelo coeficiente C
a

(usualmente definido como Ca = Cm 1) proporcional s aceleraes do corpo e est
associado a efeitos de massa adicionada.
A equao de Morison tem apresentado bons resultados em aplicaes prticas
tais como membros de plataformas fixas reticuladas (as jaquetas), e linhas de
ancoragem e risers modelados por elementos finitos. Nestas aplicaes, no entanto,
deve-se ter em mente os seguintes aspectos:
A Frmula de Morison considera que a resposta do riser est alinhada com a
direo do fluxo incidente. Portanto, omite foras de lift (sustentao) e foras
de arrasto devido vibrao induzida por vrtices (VIV), que podem ser
importantes em muitas situaes.
No incorpora o efeito da esteira de interferncia entre risers muito prximos
(o que pode influenciar a parcela de arrasto). Um riser na esteira de outro
pode receber menos carga, o que pode levar coliso (clashing) entre os
risers. Este efeito poderia ser modelado empiricamente, variando os valores do
coeficiente C
d
.

Esta equao tambm pode ser empregada em plataformas flutuantes compostas
por membros reticulados, tais como as plataformas semi-submersveis, TLPs ou SPAR-
buoys. Nestes casos, membros muito prximos podem confinar uma poro da massa
de fluido, que pode agir como parte da estrutura, levando ao aumento da fora de massa
adicionada. Assim, a utilizao pura e simples da equao de Morison equivaleria a
assumir que os membros, alm de relativamente esbeltos, so razoavelmente espaados
entre si, de modo que o espaamento mdio entre dois membros grande quando
comparado com as dimenses transversais da seo. A fora que o fluido exerce em
cada membro no seria ento afetada pela presena de outros membros, e a fora total
66
pode ser obtida somando-se as foras calculadas individualmente para cada membro. O
efeito de confinamento do fluido poderia ser modelado empiricamente, aumentando o
valor do coeficiente C
a
(proporcional acelerao do corpo), mas sem alterar o valor do
coeficiente C
m
que afeta apenas a fora de inrcia proporcional acelerao do fluido.


67
5.5 Anlise Esttica Acoplada

A anlise esttica consiste basicamente no equilbrio de foras e momentos
resultantes dos carregamentos nas direes globais X, Y e Z.
O principal objetivo da anlise esttica a obteno de uma configurao
equilibrada sem a necessidade de uma simulao dinmica, o que resulta na
possibilidade de calibrao, ajuste e uma pr-anlise do modelo de uma forma muito
rpida e eficiente se compararmos com a metodologia utilizada at ento. Na
metodologia usada anteriormente, para obteno de uma configurao equilibrada,
submetida a um carregamento do tipo supracitado, era necessria uma anlise dinmica
e no caso de qualquer alterao no modelo uma nova anlise dinmica e assim
sucessivamente at se obter o modelo calibrado.
Alm disso, com a utilizao da anlise esttica, a anlise dinmica pode ser
iniciada com o sistema j equilibrado estaticamente, o que acarreta na reduo do
transiente da anlise dinmica. Isto significa economia de tempo de CPU nas anlises, o
que pode ser muito significativo visto o grande nmero de graus de liberdade
envolvidos em um problema com sistemas acoplados.
Para obteno do equilbrio do sistema utilizou-se um mtodo puramente
iterativo, e as parcelas de carregamento consideradas foram: peso das linhas, peso da
plataforma, empuxo da plataforma, cargas externas concentradas, correnteza e vento nas
direes globais X, Y e Z.
As equaes de equilbrio a serem atendidas so as seguintes:
Fx = 0;
Fy = 0;
Fz = 0; (34)
Mx = 0;
My = 0;
Mz = 0;
Portanto, de uma forma geral, efetuou-se o seguinte procedimento para obteno
do equilbrio esttico de deslocamentos lineares no PROSIM:
68
Define-se os valores de tolerncia - Tol;
Define-se o incremento de desl. inicial (porcentagem da lmina dgua) -
Inc;
Calcula-se os valores de fora de desequilbrio para a posio original
Forc;
Verifica convergncia - Forc < Tol;
Reavalia-se deslocamento total Desl = Desl + Inc;
Armazena-se o valor da fora do passo anterior Forcant = Forc;
Reavalia-se os valores de fora de deseq. com os novos deslocamentos -
Forc;
Calcula-se os valores do resduo de fora de deseq. Res = Forc
Forcant;
Calcula-se a nova rigidez a partir do resduo Rig = Res / Inc;
Reavalia-se o valor do incremento de desl. Inc = Forc / Rig.

Deve ser ressaltado que o incremento de deslocamento sempre aplicado na
direo em que a fora de desequilbrio est apontando.
Aps o sistema estar em equilbrio nos graus de liberdade lineares utiliza-se um
procedimento semelhante ao apresentado anteriormente para obteno do equilbrio nos
graus de liberdade angulares.
Deve ser ressaltado que caso a convergncia no seja atingida aps um
determinado nmero de iteraes, o algoritmo retorna ao incio da anlise, reiniciando
com um incremento inicial de deslocamento igual metade do incremento utilizado na
tentativa anterior. Este recurso utilizado, no caso de no-convergncia do problema at
que o incremento atinja um determinado limite inferior.

69
Captulo 6: Otimizao


6.1 Introduo

Muitas definies diferentes para otimizao tem sido dadas, e uma extensa
literatura existe a respeito do assunto. [SCHACHTER, 1990], coloca a otimizao
como sendo a tentativa de se obter o melhor resultado possvel para um problema,
atendendo a certos critrios e obedecendo a certas restries.
De uma forma geral, o problema de otimizao consiste em encontrar-se um
mximo ou mnimo, de uma funo que represente o problema em questo. Para
simplificar, neste trabalho, a otimizao ser considerada como um problema de
maximizao.
Quando a funo bastante simples, uma busca direta, exaustiva, pode ser feita.
Todo o espao pode ser explorado e o ponto mximo pode ser encontrado por inspeo
direta. Este mtodo conhecido como Busca Exaustiva ou Mtodo Da Fora Bruta
[LACERDA e CARVALHO, 1999] e raramente aplicvel.
A complexidade do problema, e conseqentemente a complexidade da funo
que o representa est diretamente relacionada com a dificuldade de se empreender a
busca pelo ponto de mximo.
Baseada no tipo da funo que representa o problema pode-se classificar os
mtodos de otimizao em dois grandes grupos: Mtodos Lineares e Mtodos No
Lineares.
O primeiro grupo formado por problemas que podem ser modelados como uma
funo linear de suas variveis e restries. So problemas de soluo mais simples e,
para a sua soluo, utilizam-se mtodos conhecidos como Programao Linear. Dentre
os mtodos de maior sucesso para a soluo destes problemas est o Mtodo Simplex
[SIDDALL, 1982], [VIEIRA, 2004 ].
70
No entanto, na maioria dos problemas de engenharia o modelo uma funo
no linear, que no simples de ser avaliada. So os chamados problemas No
Lineares, uma categoria que exige uma abordagem mais complexa.
Processos de otimizao so largamente utilizados nos mais variados campos da
engenharia, desde o projeto de produtos at a tomada de decises gerenciais de
investimento de longo prazo. [SIDDAL, 1982], [KANNAN et al., 2004].
Otimizao em engenharia o processo de escolher dentre as diversas opes de
projeto a que melhor se adequa aos objetivos pr-definidos. Esta escolha determinada
pela forma como o processo de engenharia em questo est modelado. Ou seja, a forma
pela qual os diversos atores do processo de projeto se inter-relacionam. O mais comum
hoje em dia, quando se fala em otimizao, pensar na otimizao matemtica, onde o
objeto de projeto, ou a funcionalidade que se pretende otimizar, descrita atravs de
uma funo matemtica com variveis livres, variveis dependentes e um valor de
mrito ou custo.
A otimizao matemtica obteve um grande impulso na dcada de 70 com o
aumento do poder de processamento dos computadores e o barateamento dos mesmos.
No entanto, os processos de otimizao matemtica mais promissores utilizados
hoje em dia em projeto de engenharia nasceram numa poca em que o processamento
automtico era muito custoso, ou simplesmente no existia. As estratgias evolutivas,
por exemplo, surgiram como um mtodo para definio de seqncia de experimentos
para o projeto de formas no tnel de vento do Institute of Flow Engineering da
Technical University of Berlin na dcada de 60, onde o processamento computacional
era extremamente caro e, portanto, era necessrio uma metodologia formal de busca de
uma soluo tima [SCHEWEFEL, 1995].
Foi Leibniz, em 1710, que introduziu o conceito matemtico de ponto timo, que
vem a ser o ponto no domnio de uma funo no qual a funo atinge seu valor mximo,
quando falamos de maximizao, ou mnimo, no caso de minimizao.
Esta funo que representa o processo de projeto conhecida como funo
objetivo, funo de mrito ou funo de custo, e pode ser de qualquer forma e tipo. Um
dos maiores problemas no mbito da otimizao escolher adequadamente a funo que
representar o problema de projeto.

71
A otimizao consiste em determinar o ponto X tal que:
F(X) = Max (F(x)),
onde x o vetor de variveis de definio da funo, x = x1, x2, x3...

6.2 - Otimizao Analtica e Otimizao Numrica

Em muitos casos, quando a funo matemtica que descreve o fenmeno pode
ser descrita atravs de uma equao contnua e diferencivel, pode ser possvel resolver
o problema de busca do ponto timo analiticamente, calculando-se o ponto no qual as
condies de derivada iguais a zero so satisfeitas. Neste caso dizemos que a otimizao
analtica.
Condio para mnimo ou mximo:
0
Dx
Df
= (35)

No entanto, na maioria dos casos prticos a funo a ser otimizada no tem
soluo analtica, no contnua nem diferencivel e muitas vzes nem pode ser
descrita em forma de equaes, como o caso de diversos tipos de simulaes em
engenharia, onde a funo a ser otimizada o resultado de diversos processos.
Nestes casos s possvel determinar um ponto de mximo ou mnimo da
funo atravs de algoritmos numricos que nos daro as informaes necessrias para
buscar o ponto timo. Este tipo de otimizao conhecida como otimizao numrica.

72
6.3 timo Local e timo Global
O ponto timo o ponto em que a funo atinge seu ponto mximo, no entanto
muitas funes possuem comportamento oscilatrio apresentando picos de valores em
determinada regio (figura 21). Se um ponto um ponto de mximo em uma
determinada regio diz-se que este ponto um Mximo Local. Mas se o ponto o
ponto de maior valor em todo o domnio da funo, chamado de Mximo Global.
Mximo Global
Mximos Locais

Figura 21 Mximos locais e Mximo global


O maior desafio dos mtodos de otimizao consiste em identificar quando o
ponto encontrado um timo local ou global. Esta questo ainda est em aberto e
diversas metodologias tem sido desenvolvidas para diminuir o risco da otimizao
convergir para um timo local.


73
6.4 - Restries e Penalidade
Muitas vzes existem regies do domnio da funo que est sendo otimizada,
que no so factveis, ou seja, pontos que geram solues que violam uma ou mais
restries ao projeto.
Estas regies esto restringidas para o clculo da funo, ou seja, a funo no
tem sentido prtico nestas regies.
Estas restries podem ser de desigualdade, onde uma ou mais funes de
restrio envolvendo as variveis do problema devem ter seu valor maior (ou menor) do
que um valor pr-estabelecido. Ou podem ser de igualdade, onde uma ou mais funes,
devem ser iguais a um valor prvio.
A restrio de igualdade bastante rara nos problemas de otimizao em
engenharia, sendo a de desigualdade o caso mais comum.
Uma forma de tratar as restries a utilizao de funes penalidade. Estas
funes so construdas com as variveis livres do problema e so somadas ou
subtradas da funo objetivo fazendo com que nas regies restritas a funo seja
penalizada (figura 22) . Estas funes funcionam com barreira para o mtodo de
otimizao, podendo mesmo impedir que pontos da regio restrita sejam avaliados.
Mas, o mais comum utilizar funes polinomiais ou exponenciais que alterem
sensivelmente o valor da funo objetivo.
A escolha adequada das funes penalidade uma tarefa de grande importncia
na modelagem do problema de otimizao. Uma penalizao fraca pode fazer com que
o timo seja encontrado na regio restrita. Por outro lado, uma penalizao muito
acentuada pode prejudicar o funcionamento do mtodo, fazendo com que haja uma
convergncia prematura para uma soluo factvel, porm no tima.
74
Funo Objetivo
Funo Penalidade
Funo Objetivo Penalizada
domnio restrito
domnio restrito
domnio restrito

Fig. 22 Funo penalidade

Podemos, ento, reescrever a definio da otimizao como sendo a
determinao do ponto X tal que:

F(X) = Max ( F(x)), satisfazendo R(x) >0.

Quando no existem restries impostas funo diz-se que a otimizao livre
ou irrestrita, do contrrio, diz-se que uma otimizao com restrio.
Como exemplo de otimizao com restrio de desigualdade, pode-se citar o
caso da otimizao do peso de um estrutura, uma viga por exemplo, onde as tenses
envolvidas no projeto devem ficar abaixo de um valor admissvel.

75
6.5 Mtodos de Otimizao Numrica

Quando no possvel resolver analiticamente a funo objetivo busca-se o
ponto timo da funo atravs de estratgias numricas chamadas de Mtodos de
Otimizao Numrica.
A caracterstica geral de todos os mtodos o carter de aproximaes
sucessivas. Partindo-se de um ou mais pontos iniciais todos os mtodos evoluem pelo
espao de soluo em busca do ponto timo. O que diferencia os diversos mtodos, a
forma de evoluir e o tipo de informao utilizada para definir o prximo ou prximos
pontos do espao.
Podemos classificar os algoritmos de busca em dois grandes grupos: Mtodos
Diretos e Mtodos Aleatrios [SCHWEFEL, 1995]. Esta classificao no absoluta,
havendo divergncia entre os autores, como por exemplo [SIDDAL, 1982] que
classifica como Mtodo Direto um dos mtodos de busca baseado na derivada local da
funo.
Os mtodos diretos so aqueles que investigam o espao soluo buscando
informaes alm do simples valor da funo no ponto e tomando a deciso de qual
caminho trilhar em busca do mximo atravs destas informaes. Normalmente, as
informaes utilizadas por esses mtodos so derivadas de primeira ordem ou ordem
superior que so utilizadas para inferir inclinaes e curvaturas. Para resolver o
problema da dificuldade de se obter derivadas, alguns mtodos trabalham com
aproximaes numricas para inferir inclinaes.
Estes mtodos so bastante eficientes, no entanto, exigem que a funo que
descreve o espao de soluo seja contnua e diferencivel. Dentre estes mtodos
podemos citar os de Subida de Encosta (Hill Climbing) como Hooke and Jeeves,
Mtodos de Gradiente, Newton e outros [SIDDAL, 1982], [SCHWEFEL, 1995],
[LACERDA e CARVALHO, 1999].
A obteno de derivadas analticas uma tarefa difcil, e muitas vezes
impossvel, nas funes objetivo que representam problemas reais. Por este motivo faz-
se necessria a utilizao de derivadas numricas. No caso de funes suaves isto no
acarretar erros significativos. Mas, no caso de funes com bruscas variaes, que o
caso de grande parte das funes que descrevem problemas de engenharia, a
76
aproximao numrica pode levar a erros grosseiros ou a um mal comportamento do
mtodo, causando oscilaes ou mesmo at mesmo divergncia.
Os Mtodos Aleatrios, por outro lado, utilizam somente o valor da funo num
dado ponto do espao, e toma a deciso de qual caminho percorrer atravs de
inferncias probabilsticas e aleatrias.
[LEMONGE, 1999] denomina os Mtodos Aleatrios de mtodos
Probabilsticos e os classifica como sendo os mtodos nos quais se utiliza elementos
(pseudo) aleatrios para testar direes de busca.
Ainda segundo [LEMONGE, 1999], os mtodos probabilsticos podem ser de:
Busca no informada: quando forte o carter aleatrio da busca (Blind
Random Search , Monte Carlo, etc.).
Busca informada: Quando a busca usa informaes da prpria funo para
tomar decises. Por exemplo: algoritmos evolucionistas.
A figura 23 apresenta um esquema classificatrio dos mtodos de otimizao.



Analtica
Otimizao Linear
Numrica Mtodos Diretos
No Linear Puramente Aleatrios
Mtodos Probabilsticos
Evolutivos
Fig 23 Classificao dos mtodos de otimizao

77
6.6 Elementos da Otimizao

Independente do mtodo utilizado alguns elementos so inerentes ao processo de
otimizao, sendo eles:
Funo Objetivo - a funo, ou sistema, que descreve o problema
que est sendo otimizado. Para cada ponto do espao soluo atribui-se
um valor da funo objetivo. Tambm conhecida como funo de
mrito ou funo de custo;
Variveis Livres ou independentes - so as variveis do espao soluo
que podem variar livremente, ou seja, no dependem de nenhuma outra
quantidade ou varivel. Definem a dimenso do espao soluo. Cada
combinao de variveis livres definem um ponto no espao soluo;
Variveis Dependentes - so as outras variveis envolvidas no
problema, que dependem, de alguma forma, das variveis livres. Seus
valores ficam definidos a partir dos valores das variveis livres;
Restries - so as limitaes impostas ao problema. Definem limites de
viabilidade para as solues encontradas. Funcionam como recortes do
espao soluo;
Funo Penalidade - a funo penalidade quantifica uma restrio
aplicada a um ponto. Normalmente acoplada funo objetivo,
formando com ela uma s expresso;
Espao de Busca ou Espao Soluo - o conjunto de todas as solues
possveis, viveis e no viveis do problema. o domnio da funo
objetivo. Expressa-se atravs de limites inferior e superior para cada
varivel livre do problema;
Ponto timo - o ponto do espao soluo onde a funo objetivo
mxima, quando se tratar de maximizao, ou mnima no caso contrrio.


78
Captulo 7: Mtodos Aleatrios


7.1 Introduo

Diferentemente do mtodos diretos, que usam diversas informaes obtidas num
ponto da funo para ento tomar a deciso para o prximo ponto, os mtodos ditos
aleatrios, ou probabilsticos, utilizam uma abordagem baseada na probabilidade e na
aleatoriedade para variar os parmetros de busca.
Os mtodos diretos s obtm bom resultado quando a funo a ser otimizada
contnua e diferencivel. Na maioria dos casos de otimizao em engenharia a funo
possui saltos, vincos, descontinuidades, plats, regies proibidas, etc., que dificultam
ou at mesmo impossibilitam o uso dos mtodos diretos. Muitas vezes nem existe uma
funo matemtica que descreva o fenmeno, como por exemplo, nas funes baseadas
em simulaes de processos ou comportamentos.
Para lidar com esta classe de problema foram desenvolvidos os mtodos
aleatrios que no necessitam de nada alm do valor da funo, nos pontos que so
avaliados.
Estes mtodos podem ser divididos em dois grupos: os mtodos puramente
aleatrios e os baseados na evoluo de uma populao. No primeiro grupo podemos
citar os mtodos conhecidos como Monte Carlo , Pure Random Search
[SCHWEFEL, 1995] , Simulated Annealing e o Exploratory Random Search
[SIDDAL, 1982]. Nenhum destes mtodos demonstrou, at hoje, eficincia na soluo
de problemas muito complexos. O segundo grupo de mtodos aleatrios, os Mtodos
Evolutivos, so baseados na evoluo de indivduos de uma populao em busca do
ponto timo. Estes mtodos tm sofrido um grande desenvolvimento nos ltimos
tempos e mostrado uma eficincia cada vez maior na soluo de problemas complexos
[SIDDAL, 1982], [SCHWEFEL, 1995]. Um interessante estudo destes mtodos pode
ser encontrado em [BCK et al.,1997].
79
atribudo a Brooks, em 1958, o incio do uso dos mtodos aleatrios em
otimizao. Em seu trabalho [BROOKS, 1958] ele descreve o mtodo simples, mais
tarde conhecido como pure ou blind random search para encontrar o ponto timo
de funes experimentais. Num intervalo fechado, b x a , vrios pontos so
escolhidos aleatoriamente. A densidade de probabilidade constante em toda a regio
[a,b] e zero fora dela.
O valor da funo objetivo deve ser avaliado em todos os pontos. O ponto que
tiver o maior (maximizao) ou menor (minimizao) valor escolhido como sendo o
ponto timo.
Este mtodo no obteve o rendimento esperado, mas funcionou como base de
estudos para que outros mtodos fossem desenvolvidos [GOLDBERG, 1989]. Inclusive
os evolutivos.
As primeiras iniciativas na rea dos algoritmos evolutivos foram de bilogos e
geneticistas interessados em simular os processos vitais em computador [SANTOS,
2000].
Historicamente, o algoritmo gentico e a estratgia evolutiva foram
desenvolvidos independentemente mais ou menos na mesma poca, na dcada de 1960.
O primeiro foi desenvolvido por John Holland, nos Estados Unidos, e popularizado por
um de seus alunos, David Goldberg [LACERDA e CARVALHO,1999]. O segundo foi
desenvolvido na Alemanha por Rechenberger e Schwefel [SCHWEFEL, 1995].
Mais recentemente, em 1995, nos Estados Unidos, Kennedy e Eberhardt
desenvolveram um mtodo tambm probabilstico que teve como motivao a
observao e a modelagem matemtica do vo dos pssaros, principalmente da sua
capacidade de voar em bando organizado. Este mtodo, denominado Mtodo do
Enxame de Partculas, tem sofrido um grande desenvolvimento e apresentado timos
resultados [KENNEDY et al., 2001], [KANNAN et al., 2004], [WETTER e WRIGHT,
2004], [PARSOPOULOS e VRAHATIS, 2004] e [EBERHARDT e SHY, 2004].
Estes mtodos so conhecidos como Mtodos Evolutivos por serem todos
baseados na evoluo de um indivduo ou de uma populao de indivduos . A forma
como cada mtodo executa esta evoluo que os difere. Uma completa anlise destes
mtodos pode ser vista em [BCK et al., 1997].

80
7.2 Estratgia Evolutiva (EE)

O mtodo conhecido como estratgia evolutiva foi desenvolvido por
Rechenberger e Schwefel [SCHWEFEL, 1995] e baseia-se na evoluo de um ou mais
indivduos na direo que maximize (ou minimize) alguma caracterstica.
O algoritmo bsico, desenvolvido inicialmente, composto das seguintes etapas:
Inicializao - a populao inicializada com um indivduo, que identificado
como pai;
Reproduo - o pai da gerao inicial gera, por mutao, um filho. O material
gentico deste filho ligeiramente diferente do pai;
Seleo - o indivduo mais apto, ou seja, aquele que possui o melhor valor da
funo objetivo sobrevive e ser o pai da prxima gerao.

O processo repetido at que algum critrio de parada seja atingido.
Este esquema, baseado em somente dois indivduos, pai e filho, conhecido
como esquema de dois membros. Uma variante deste esquema foi desenvolvido
posteriormente pelos mesmos autores, com o objetivo de melhorar o algoritmo, como
uma estratgia de vrios membros, descrita a seguir.

Inicializao - uma populao de membros criada.
Reproduo - cada indivduo gera, por mutao, um nmero de descendentes
de forma a obter um total de novos indivduos que forma uma populao
intermediria N;
Seleo - somente os melhores dentre os descendentes, ou do conjunto +
sobrevivero para ser os pais da prxima gerao, E.

A populao inicial de indivduos pode ser gerada aleatoriamente ou
escolhida por algum critrio previamente definido. Normalmente, quando se usa >1 a
81
populao gerada por processo aleatrio, ou pseudo-aleatrio, com distribuio
normal para garantir que o espao de soluo seja bem representado na gerao inicial.
A representao de um indivduo feita atravs do conjunto das variveis que
definem um ponto no espao. Define-se mutao como a alterao aleatria do valor de
uma varivel escolhida aleatoriamente.
Existem algumas variaes na composio da populao intermediria de onde
sair a prxima gerao, a partir dos progenitores so gerados descendentes, a partir
da pode-se selecionar os melhores considerando-se somente os filhos (,), ou
selecion-los do conjunto formado pelos pais e filhos (+). No segundo caso os
melhores indivduos, pais ou filhos, permanecem na populao at que algum melhor o
suplante.
O ponto central desta estratgia a escolha da forma de implementar a mutao,
ou seja, implementar o aspecto aleatrio da busca. Na natureza, a mutao um evento
que raramente ocorre. Na estratgia evolutiva todo o processo depende da ocorrncia
de uma seqncia de mutaes. No podendo ser eventual, deve-se manter ento a
mutao das variveis em valores pequenos para que se mantenha a analogia com o
mundo natural.
A mutao implementada como uma varivel aleatria, Z, calculada atravs de
uma distribuio normal, com mdia 0 (zero) e varincia
2
. Z utilizado como a
variao do valor de uma, ou mais, variveis livres do problema.
Assim temos:

z x x
i 1 i
+ =
+
(36)

Onde, x
i
o valor da varivel na gerao pai e x
i+1
o valor desta mesma varivel
na gerao filha.
O alcance da mutao controlado pelo valor da varincia
2
. Fazendo um
paralelo com os mtodos determinsticos, pode-se comparar
2
com o passo das
iteraes determinsticas.
82
Atravs da escolha de valores adequados de
2
podemos balancear a busca
global ou local do algoritmo. Valores altos de
2
levaro a uma explorao maior do
espao (busca global) enquanto, menores valores de
2
levaro a uma explotao maior
(busca local).
A determinao da varincia para a mutao de cada varivel livre torna-se um
problema crucial na Estratgia Evolutiva., [SCHWEFEL, 1995] apresenta um extenso
estudo sobre o assunto e prope que o valor seja inversamente proporcional ao nmero
de variveis do problema, atravs da relao:

n
x
i

= (37)

Onde, n o nmero de variveis e x

uma estimativa da distncia do ponto i
ao ponto timo.
Esta estimativa no leva a um valor timo mas a um valor superior que deve ser
usado no incio da busca.
Durante a evoluo do algoritmo necessrio regular o valor da varincia para
garantir uma convergncia adequada. Este ajuste deve ser feito de acordo com as
caractersticas do problema, e tem forte carter emprico. Como exemplo,
[SCHWEFEL, 1995] apresenta a regra do 1/5:

Aps cada n iteraes, verifique quantos casos de sucesso ocorreram nas
ltimas 10*n mutaes. Se o nmero for menor que 2*n, multiplique a varincia por
0,85; divida por 0,85 se mais do que 2*n sucessos ocorreram.
Uma aplicao de Estratgia Evolutivas a sistemas de ancoragem pode ser
encontrada em [SANTOS, 2000].



83
7.3 - Algoritmo Gentico (AG)

Algoritmo Gentico (AG) talvez o mtodo evolutivo mais conhecido e, junto
com a Estratgia Evolutiva, o mais antigo.
O AG baseia-se na teoria da evoluo das espcies proposta por Charles Darwin
por volta de 1842 [DARWIN, 1996] . Segundo esta teoria numa dada populao de
indivduos, aquele mais adaptado ao meio ter mais chances de sobreviver e
consequentemente de gerar mais descendentes, passando as suas caractersticas para
geraes futuras.
Apesar de desenvolvidas separadamente, a teoria da Evoluo das Espcies de
Darwin e a teoria gentica de Gregor Mendel (1866) se completam. A teoria de Mendel
explica como as caractersticas, boas ou ruins, so transmitidas de uma gerao para
outra.
O AG foi desenvolvido por Holland na dcada de 1960 como mtodo de
otimizao, tomando elementos das teorias de Darwin e Mendel: Uma populao de
indivduos identificada por seu cdigo gentico. Os indivduos desta populao
reproduzem-se e suas caractersticas so passadas para as geraes seguintes. No
entanto, os melhores indivduos tero uma maior probabilidade de se reproduzir,
garantindo uma melhoria das solues subseqentes.
Cada indivduo representa um ponto do espao de busca da otimizao.
Para uma melhor compreenso do mtodo sero apresentadas algumas das
terminologias apresentadas por [GOLDBERG, 1989]:

Cromossomo - uma estrutura de armazenamento de dados que carrega
informaes sobre as variveis do problema (geralmente um vetor ou uma
cadeia de bits), ou seja, representa apenas uma soluo no espao de busca;
Gen ou Gene - um parmetro codificado dentro de um cromossomo, isto , a
parte que representa uma nica varivel dentro de um vetor de dados;
Alelo - representa uma das alternativas que um gen pode carregar, um valor que
pode ser assumido por uma certa varivel;
84
Gentipo - representa toda a informao contida no cromossomo;
Fentipo - a estrutura construda a partir do gentipo;
Operaes Genticas - so operaes que o algoritmo realiza sobre cada
cromossomo (cruzamento e mutao, por exemplo);
Seleo - a operao gentica que tem por objetivo escolher os indivduos que
serviro como pais no processo de reproduo;
Cruzamento (Crossover) - o operador gentico responsvel pela gerao de
novos cromossomos a partir da combinao aleatria dos genes de outros
cromossomos;
Mutao - o operador gentico, aplicado depois dos processos de seleo e
cruzamento, responsvel pela diversidade entre os indivduos, atravs de
modificaes na estrutura gentica de alguns poucos cromossomos;
Funo Aptido - representa uma medida da capacidade de sobrevivncia de
um cromossomo no processo de evoluo e, conseqentemente, a probabilidade
dele se reproduzir com mais freqncia. Em geral funo da fitness do
indivduo.
Fitness - o valor, para um indivduo, da funo a ser otimizada. uma
composio da funo objetivo, com funes de penalidade estabelecidas a
partir das restries do problema;
Indivduo- um simples membro da populao, formado por um cromossomo
e sua aptido;
Populao - um conjunto de indivduos;
Gerao - o conjunto de indivduos que faz parte de uma etapa da evoluo,
ou seja, a unidade de iterao do algoritmo gentico;
Um algoritmo gentico, genrico e simplificado foi apresentado por [LEMONGE,
1999]. Conforme mostrado na Figura 24.

85

Figura 24 - Algoritmo Gentico Bsico

A forma mais usual de gerar a populao inicial atravs de uma distribuio
uniforme de pontos por todo o espao soluo. Pode-se tambm incluir, quando
possvel, solues conhecidas previamente.
A avaliao dos indivduos o clculo da funo objetivo e das funes
penalidade, quando for o caso, para cada indivduo da populao.
O processo evolutivo propriamente dito compreende as etapas de Seleo,
Cruzamento e Mutao. A seleo pode ser feita de vrias formas, todas levando em
conta a aptido de cada indivduo. O cruzamento e a mutao so os processos no quais
novos indivduos so criados. No cruzamento o indivduo filho gerado atravs da
mistura do material gentico de dois indivduos pais, e na mutao o indivduo filho
gerado pela modificao aleatria de um gen de um indivduo pai.
E o processo se repete at que algum critrio de parada seja satisfeito. O melhor
indivduo da populao ser a soluo tima encontrada.

7.3.1 Populao
A populao de indivduos o conjunto das solues encontradas. O tamanho da
populao tem impacto direto na performance do algoritmo. Uma populao grande
levar a uma melhor explorao do espao soluo, no entanto, gastar mais recursos
Incio
Inicialize a populao inicial P
Avalie indivduos na populao
Repita
Selecione indivduos para reproduo
Aplique operadores de recombinao e mutao
Avalie indivduos na populao
Selecione indivduos para sobreviver
At critrio de parada satisfeito
Fim
86
computacionais. Uma populao pequena ser mais eficiente em termos de uso
computacional mas levar a uma convergncia rpida para um ponto bom que pode ser
um timo local. Assim, a determinao do tamanho ideal da populao vai depender do
tipo de problema e da quantidade de recursos computacionais disponveis.
No algoritmo Gentico original [GOLDBERG, 1989] o tamanho da populao
constante durante todo o processo evolutivo. Mas alguns autores prope que a
populao deve variar de tamanho durante a otimizao, imitando o que ocorre na
natureza [MICHALEWICZ, 1999], [SHI et al., 2004].
Geralmente a inicializao da populao feita de forma aleatria, podendo ou
no conter pontos j conhecidos do espao soluo (seeding) [VIEIRA, 2004].

7.3.2 - Material Gentico e Codificao Binria
Cada ponto do espao soluo representado por um cromossomo, que nada
mais do que uma seqncia binria com a codificao das variveis daquele ponto.
Deste modo, sendo x = (x
1
,x
2
,...,x
n
), onde x
i
R uma soluo possvel para um
problema qualquer, a representao de x (cromossomo) feita com a justaposio da
codificao binria de cada elemento x
i
. Por exemplo, em um problema com trs
incgnitas, x
1
, x
2
e

x
3
, onde uma codificao possvel para estas variveis seja
respectivamente 01001, 01010 e 11010, o cromossomo que representa este ponto seria
x = 010010101011010.
Para uma varivel discreta, a decodificao fornece um ndice que localiza o
valor da varivel numa lista de referncia, que representa o espao de busca desta
varivel.
Desta forma, se uma varivel discreta cujo valor fosse 3 seria representada por
x
i
= 0011, pois 3 = 02
3
+02
2
+ 12
1
+ 12
0
.
Vale lembrar que, para um espao de busca discreto, o nmero de valores
possveis para uma varivel, ou seja, o nmero de posies contidas na lista de
referncia desta varivel dado por nv = 2
nb
, onde nb o nmero de bits usado na
representao da varivel.
Para variveis contnuas, a decodificao fornece um valor real da forma
apresentada no sistema de equaes [LACERDA e CARVALHO,1999]:
87

1 2

=
+ =
nb
i s
i
x x
IND x x

(38)

As variveis x
i
e x
s
so, respectivamente, os limites, inferior e superior do
espao de busca, e , a preciso da soluo.
Conseqentemente, o nmero de bits necessrios para garantir a preciso , :

i s
2
x x
nb

= log (39)

Pode-se notar que cadeias mais longas proporcionam maior preciso numrica
soluo. No entanto, cadeias muito longas fazem o algoritmo convergir vagarosamente,
sendo recomendado usar o mnimo necessrio de casas decimais nas solues.

7.3.3 - Funo aptido
Uma das etapas do algoritmo gentico a seleo de quais indivduos iro
reproduzir e quais iro morrer. A medida desta capacidade de sobrevivncia, que no
paralelo com a teoria da evoluo das espcies seria a quantificao da adaptao do
indivduo ao meio, dada pela funo de aptido.
A primeira idia utilizar a prpria funo objetivo, a fitness do indivduo,
como medida de sua aptido. Assim a probabilidade de um indivduo ser selecionado
seria a razo entre o seu valor de fitness e o somatrio de todas as fitness da
populao:

=
f
f
PSelec
i
i
(40)

88
Onde PSelec
i
a probabilidade do indivduo i ser selecionado; f
i
, o valor da
fitness deste indivduo e f a soma das fitness da populao.
No entanto, pode ocorrer o aparecimento de um indivduo com uma fitness
muito alta, ou seja, um indivduo com um valor da funo objetivo bem superior ao
resto da populao, um super-indivduo. Este super-indivduo iria sobreviver
durante muitas geraes com alta probabilidade de ser selecionado. Espalharia,
rapidamente, seus gens por toda a populao dominando-a e levando o mtodo a
convergir para si.
Para evitar esta convergncia precoce, caso surja um super-indivduo,
costuma-se utilizar um mapeamento da fitness na funo de aptido.
Existem dois tipos de mapeamento mais usuais: o mapeamento linear e o
ranking. No mapeamento linear, utiliza-se uma funo do tipo:

F
i
= af
i
+b (41)

Onde F
i
o valor da aptido do indivduo i; f, a sua fitness e os coeficientes a
e b so coeficientes que devem ser ajustados. [GOLDBERG, 1989] sugere que os
coeficientes devem ser escolhidos de forma a garantir que a mdia do valor escalado
seja igual a mdia da fitness original na populao; o valor mnimo escalado seja 0
(zero) e o valor mximo seja dado por

Fmax = Cm*Fmed (42)

Onde, Cm deve ser escolhido entre 1.2 e 2.
O sistema de ranking mais simples e mais fcil de ser implementado. Neste
sistema os indivduos so ordenados (rank) de acordo com o valor da fitness de
cada um, sendo que, o melhor indivduo recebe uma nota arbitrria (Mx) e o pior
indivduo recebe nota mnima (Min). Os demais recebero notas interpoladas entre o
melhor e o pior baseando-se apenas na sua posio dentro do rank (equao 43) .
Assim o segundo melhor ter uma nota somente um pouco pior do que o primeiro,
89
independente da diferena de valor de fitness. Com isso, as probabilidades de seleo
ficam melhor distribudas dentro da populao, garantindo assim uma maior
probabilidade para o melhor indivduo.
( )
( ) 1
* min) (max min

+ =
N
i N
F
i
(43)
Onde
N o nmero total de indivduos;
i a posio do indivduo dentro do rank;
max o valor do melhor indivduo;
min o valor do pior indivduo.
[LACERDA e CARVALHO, 1999] recomenda o valor 2 (dois) para o melhor
indivduo e 0 (zero) para o pior.

7.3.4 - Seleo
Definida uma medida para a aptido de cada indivduo, devemos proceder a
escolha daqueles que participaro do processo de reproduo. Esta seleo deve ter um
carter probabilstico, com maiores chances para os indivduos com maior aptido.
Existem vrias maneiras de proceder seleo, mas duas se tornaram mais
populares pela simplicidade e eficincia: A seleo por Torneio e a seleo na Roda da
Roleta .
O torneio o mtodo mais simples e consiste em separar aleatoriamente N
indivduos da populao, normalmente N = 2 ou 3, e o selecionado ser o de maior
aptido dentre os N.
A roda da roleta baseia-se na idia de uma roda de roleta tradicional de cassino,
modificada de tal maneira que cada nmero tenha uma rea proporcional a sua aptido.
Como a probabilidade da bolinha cair em um nmero proporcional ao tamanho da
casa, cada indivduo ter a probabilidade de ser escolhido proporcional a sua aptido.
Este algoritmo pode ser implementado de diversas formas. [LACERDA e
CARVALHO, 1999] sugere um mtodo simples. Depois de ordenada a populao de
acordo com a sua fitness original (rank), atribuda a cada indivduo uma aptido
90
acumulada que a soma das aptides de todos os indivduos melhores do que ele.
Utilizando a equao (43) para o clculo da aptido de cada indivduo, a aptido
acumulada variar do valor da aptido do melhor indivduo at o valor N, que o
tamanho da populao.
Um nmero aleatrio sorteado no intervalo de 2 a N e o primeiro indivduo
que tiver a aptido acumulada maior do que o nmero sorteado o escolhido.

Tabela 3 Exemplo de Roleta Rank hipottico de indivduos.
Fitness Aptido Apt.Acum.
01 0.479253 2.000 2.000
02 0.470458 1.895 3.895
03 0.462846 1.789 5.684
04 0.451415 1.684 7.368
05 0.448733 1.579 8.947
06 0.447486 1.474 10.421
07 0.435981 1.368 11.789
08 0.432302 1.263 13.053
09 0.430734 1.158 14.211
10 0.430599 1.053 15.263
11 0.429802 0.947 16.211
12 0.429455 0.842 17.053
13 0.426868 0.737 17.789
14 0.425598 0.632 18.421
15 0.425478 0.526 18.947
16 0.424361 0.421 19.368
17 0.000000 0.316 19.684
18 0.000000 0.211 19.895
19 0.000000 0.105 20.000
20 0.000000 0.000 20.000

91
Se sortearmos o nmero 12,45, o indivduo selecionado ser o 8.
Como a lista de aptido acumulada comea no nmero 2, o primeiro indivduo
da lista tem mais chances de ser sorteado, pois ele ser selecionado se for sorteado
qualquer nmero entre 0 e 2. E o ltimo, o pior indivduo, no ser nunca selecionado.
Fazendo uma analogia com a roleta de um cassino, podemos ver que, no
exemplo da tabela 3, o melhor indivduo tem uma rea, para receber a bolinha, de
tamanho 2 (0 a 2) , o ultimo indivduo tem rea igual a 0 (zero) e os demais indivduos
tm suas respectivas rea de tamanho variando linearmente do maior para o menor.
Portanto, o melhor indivduo tem uma chance 5 % maior de ser selecionado pela
bolinha da roleta do que o segundo, e assim sucessivamente.

7.3.5 - Reproduo e Operadores Genticos
Para efetuar a reproduo, so escolhidos indivduos da populao original que
comporo uma populao intermediria, conhecida como Mating Pool. Nesta
populao um indivduo pode participar mais de uma vez, ou seja, o sorteio dos
membros da mating pool feito com reposio, um indivduo pode ser sorteado varias
vezes. Cada vez que um indivduo sorteado, uma cpia sua colocada na Mating
pool, at que o tamanho desta populao se iguale ao da original.
Desta populao intermediria so retirados os pares para a reproduo. A
reproduo de indivduos pais em indivduos filhos feita atravs da utilizao de dois
operadores bsicos: o cruzamento (crossover) e a mutao.
Cada par selecionado sofrer cruzamento e mutao de acordo com
probabilidades previamente escolhidas. Em geral, utilizam-se altas probabilidades de
cruzamento, Pcross = 0,6 a 0,9, e baixas probabilidades de mutao, Pmut = 0,001 a 0,1.
Para cada par selecionado, sorteado um nmero aleatrio entre 0 e 1. Caso este
nmero seja menor que a probabilidade de cruzamento o par sofrer o cruzamento. Caso
o nmero seja maior, os filhos sero cpias exatas dos pais. Assim, muitos indivduos
podem permanecer intactos na populao, passando de uma gerao para a seguinte.
O cruzamento ir mesclar o material gentico dos pais para gerar os filhos. Esta
mistura gentica pode ser feita de diversas formas, e a literatura est repleta de
exemplos [GOLDBERG, 1989], [LACERDA e CARVALHO, 1999], [HE et al., 2004].
92
Dois tipos de cruzamento so considerados bsicos e de simples implementao:
o cruzamento de um ou mais pontos e o cruzamento uniforme.
No cruzamento de um ponto, o cromossomo dos pais quebrado em uma
posio aleatria e a parte inicial do cromossomo de um pai conectada parte final do
cromossomo do outro pai para gerar um filho. O segundo filho obtido com a juno da
parte final do cromossomo do segundo pai com a parte inicial do cromossomo do
primeiro pai (figura 25).
O cruzamento de mais de um ponto similar ao de um ponto, sendo que o
material gentico dos pais dividido em N partes.


Fig 25 Cruzamento de um ponto

No cruzamento uniforme cada bit dos pais trocado aleatoriamente de acordo
com a probabilidade de cruzamento, Pcross. Ou seja o filho 1 usar um bit do pai1 ou
do pai2 de acordo com esta probabilidade.
A mutao aplicada no filho gerado. Um bit sorteado e o seu valor trocado.
So estes operadores, juntamente com o mtodo de seleo, que iro fazer com
que a evoluo da populao ocorra na direo do ponto timo.
Analisando com mais cuidado estes operadores veremos que o operador de
cruzamento, ao trocar material entre os pais executa uma busca no espao prximo. O
filho tende a ser um ponto na mesma regio dos pais. Isto configura uma busca local, ou
explorao do espao em torno de uma mesma regio.
J a mutao, pode gerar um indivduo em qualquer regio do espao, j que a
mudana do material gentico totalmente aleatria. Isso pode levar o mtodo a
explorar novas regies do espao.
93
O balano entre as probabilidades de cruzamento e mutao um dos principais
mecanismos de controle do tipo de evoluo que o mtodo ter. Alta probabilidade de
cruzamento junto com uma baixa probabilidade de mutao levar a uma tendncia
maior de explorar o espao em torno dos melhores membros da populao inicial. J
uma alta probabilidade de mutao, independente da probabilidade de cruzamento,
levar a uma explorao global. No limite, com Pmut = 1, teramos uma busca
totalmente aleatria do espao.

7.3.6 - Sobrevivncia
Uma vez gerada a populao filha, necessrio decidir quem prossegue na
evoluo e quem morre. Vrias abordagens tm sido feitas, mas trs mtodos so os
mais utilizados para gerar a nova populao: Mtodo Geracional , Elitismo e Steady-
State
O mais simples o geracional onde toda a populao de pais substituda pela
populao filha. Este mtodo pode acarretar perda de bons indivduos que, pelo carter
aleatrio do AG, no tenham sido selecionados para reproduo. Ou ainda, tenham tido
seu material gentico modificado no cruzamento.
Uma soluo para os problemas do Geracional dada pelo Elitismo, onde os M
melhores indivduos da populao pai so copiados para a populao filha. Este mtodo
garante a continuidade dos bons indivduos, mas pode levar o mtodo a convergir
precocemente para estes indivduos. Para evitar este problema no se deve migrar para a
populao filha muitos indivduos da populao pai. Normalmente utiliza-se M=1.
O mtodo Steady-State tem demonstrado bons resultados e consiste em inserir,
na populao pai, os filhos logo que so gerados, ou seja no h a criao da Mating
Pool. Cada vez que um par selecionado, e cruzado, os filhos substituem os piores
indivduos da populao pai e j entram no processo de seleo para outros pares.

7.3.7 - Critrios de Parada
Depois de gerada uma nova populao pai, o processo se repete at que um
critrio de parada seja atingido.
94
Quando se conhece o valor esperado para o ponto timo, pode-se estipular uma
preciso e parar o processo assim que o melhor indivduo atingir este valor. Algumas
vezes, no caso de processos reais, no se est interessado num ponto timo mas sim
num ponto de satisfao. Por exemplo, no caso de minimizao de uma quantidade pode
haver um limite mnimo, abaixo do qual no mais interessante prosseguir com o
processo.
Como na maioria dos casos reais no se conhece o valor timo, tem-se que
lanar mo de critrios indiretos de avaliao da evoluo da populao.
O mais comum estipular um nmero mximo de geraes e executar o AG at
que todas as geraes sejam calculadas.
Pode-se ainda estipular critrios de convergncia. Interrompe-se o processo
quando uma ou mais das seguintes condies forem satisfeitas:
No houver mudana no melhor indivduo, por um dado nmero de geraes;
A mdia da populao se aproximar do valor do melhor indivduo;
A variedade gentica for menor que um limite mnimo.
Normalmente, usa-se uma combinao destes critrios para garantir que o
processo no seja interrompido antes que um valor razovel seja atingido, ou ento que
o processo se arraste por geraes que no evoluem.

7.3.8 Codificao Real
A AG foi desenvolvido originalmente com a codificao binria para o
cromossomo de cada indivduo. No entanto, pode-se implementar um Algoritmo
Gentico sem necessariamente ter o cromossomo codificado, utilizando-se operadores
de cruzamento e mutao, adaptados.

Cruzamento

O cruzamento pode ser feito atravs de operadores aritmticos:
No cruzamento feito por mdia aritmtica, produzido apenas um filho:
95


( )
2
2 pai 1 pai
filho
+
= (44)

Assim como na mdia geomtrica:

2 pai 1 pai filho * = (45)

Um operador mais interessante o de mdia aritmtica ponderada, que pode
gerar dois filhos:

2 pai 1 pai 1 2 filho
2 pai 1 1 pai 1 filho
* * ) (
* ) ( *


+ =
+ =
(46)

Onde um nmero aleatrio entre [0,1].

Este mtodo s gera filhos no intervalo entre pai1 e pai2 (interpolao). Para
permitir valores fora deste intervalo utilizado o operador conhecido como cruzamento
BLX [LACERDA e CARVALHO, 1999] :

) ( *
) ( *
1 pai 2 pai 1 pai 2 filho
2 pai 1 pai 2 pai 1 filho
+ =
+ =

(47)

Onde um nmero aleatrio gerado no intervalo [-,1+], e um nmero
pequeno escolhido a priori. Por exemplo = 0.5.
96

Mutao

A mutao pode ser implementada atravs da simples substituio aleatria do
valor de uma varivel, que passou no teste de mutao, por outro, escolhido no intervalo
de [x
i
, x
s
], que so os limites de definio das variveis.

7.4 - Micro Algoritmo Gentico (MGA)
Um dos mais graves problemas dos AGs a convergncia precoce. Um bom
indivduo quando encontrado tende a trazer o processo de busca para o seu entorno,
dominando a populao e levando o processo a convergir para, o que pode ser um timo
local.
Para evitar este problema o nmero de indivduos deve ser grande o bastante
para garantir uma boa amostragem inicial do espao, alm de utilizar taxas de mutao
mais altas para uma melhor explorao do espao.
S que em alguns problemas de engenharia o custo computacional de avaliar um
ponto do espao muito alto, e seria muito caro computacionalmente aumentar a
populao ou explorar exaustivamente o espao.
[TSUJI et al., 2002] apresenta uma variante do Algoritmo Gentico,
denominada de Micro Algoritmo Gentico (MGA), bastante interessante para estes
casos.
No MGA uma populao inicial bastante reduzida, N = 4, por exemplo,
utilizada no mtodo tradicional. Com uma populao to pequena o mtodo tender a
convergir rapidamente para um timo local. Quando isto ocorre, o melhor indivduo
mantido na populao e todos os outros so novamente gerados, aleatoriamente.
Este processo repetido at que os critrios de parada sejam atingidos.
Neste trabalho a repetio do algoritmo gentico, aps a convergncia da
populao, ser chamada de Fase 2 de iterao.
O MGA tem demonstrado boa performance em termos de nmero de avaliao
da funo, quando comparado ao Algoritmo Gentico tradicional.
97
7.5 - Enxame de Partculas (PSO)

7.5.1 Histrico
A otimizao por Enxame de Partculas (Particle Swarm Optimization. PSO)
foi desenvolvido por Kennedy e Eberhardt [KENNEDY e EBERHARDT, 1995] a partir
da modelagem matemtica do comportamento social de bandos de pssaros.
Ao levantar vo um bando de pssaros se comporta de forma aleatria. Mas, em
pouco tempo j esto voando organizadamente e, caso seja encontrado um bom lugar
para pouso ou um local com alimento, rapidamente todos os animais do bando se
dirigem para aquela regio.
Baseado nestas observaes Kennedy e Eberhardt propuseram um algoritmo de
otimizao bastante simples e robusto onde cada pssaro representado por um ponto,
ou partcula, e o local de pouso ou alimentao seria um ponto timo.
Assim como o Algoritmo Gentico, o PSO um algoritmo evolutivo baseado em
uma populao de indivduos, s que, a evoluo da populao no se faz com
cruzamento e mutao, mas sim com o vo de cada partcula pelo espao de busca. E
o conceito de geraes substitudo pelo conceito de intervalos de tempo.
O principal elemento que produz a evoluo dos indivduos a sua velocidade
de vo, que definida como sendo um vetor dentro do espao de busca. A cada
intervalo de tempo a posio da partcula calculada em funo da posio e velocidade
no instante anterior, a velocidade , ento, atualizada.
Assim a posio futura de cada indivduo calculada atravs da soma da posio
atual com a sua velocidade atual, e, a velocidade de cada indivduo dada pela soma de
trs fatores:
a sua velocidade anterior;
a distncia e direo do indivduo ao melhor ponto j visitado pelo bando e
a distncia e direo do indivduo ao melhor ponto j visitado por ele mesmo.


98
7.5.2 Algoritmo Bsico

O grande sucesso que este algoritmo alcanou em to pouco tempo , em grande
parte devido a sua simplicidade. Todo o mtodo baseia-se em duas frmulas:

1 i i 1 i
i i i 1 i
vel x x
x xbest 2 rnd x Gbest 2 rnd Vel vel
+ +
+
+ =
+ + = ) ( * * () ) ( * * ()
(48)

Onde :
x = posio da partcula
vel = velocidade
rnd() = nmero aleatrio com distribuio homognea no intervalo [0,1]
Gbest = melhor ponto j visitado pelo bando
Xbest = melhor ponto j visitado pela partcula
i = intervalo de tempo atual.

O coeficiente de valor 2 na frmula original foi utilizado para fazer com que o
nmero aleatrio gerado tivesse mdia 1.
Os termos (Gbest x
i
) e (xbest x
i
) so chamados de termos de acelerao por
distncia [KENNEDY e EBERHARDT, 1995] pois controlam a variao da
velocidade.
Inicialmente, a cada partcula atribuda uma velocidade e uma posio
aleatrias. E, a cada intervalo de tempo, a velocidade e a posio so atualizadas de
acordo com a equao (48).
Analisando a equao (48) pode-se ver que a velocidade da partcula possui trs
componentes. O primeiro um componente inercial, funo da velocidade prvia da
partcula e que tende a manter a velocidade inalterada. O segundo, um componente
histrico do bando, que tende a levar a partcula para o ponto mais promissor j
99
visitado pelo bando. E o terceiro componente um componente histrico pessoal da
partcula que faz com que ela tenda a retornar ao melhor ponto j visitado por ela.
O algoritmo pode ser dividido nas etapas mostradas na figura 26.


Figura 26 Algoritmo bsico de enxame de partculas

Para evitar que a velocidade cresa indefinidamente [KENNEDY e
EBERHARDT, 1995a] sugere que se limite a velocidade mxima de cada partcula ao
valor do limite de cada varivel.
Assim,

min max
max x x V = (49)

Onde:
x
max
o limite superior da varivel livre
x
min
o limite inferior.
A cada iterao a velocidade de cada partcula limitada a este valor.
A capacidade de explorar o espao dada pelos componentes inercial e histrico
pessoal. Sem estes componentes todas as partculas iriam rapidamente para o melhor
ponto visitado, acarretando uma convergncia precoce.
Incio
Inicialize a populao inicial P (posio e velocidade)
Repita
Atualize velocidades
Atualize posies
Avalie indivduos na populao
At critrio de parada satisfeito
Fim
100
No entanto, esta capacidade de explorar bem o espao leva o mtodo a ter um
comportamento ruim quando as partculas se aproximam do timo. Elas tendem a
voar em torno do ponto timo, com uma lenta convergncia.
Para melhorar a performance do mtodo, diversas variantes foram
desenvolvidas. A seguir sero apresentadas algumas destas variantes.

7.5.3 Inrcia
[EBERHARDT e SHI, 1998] props a modificao dos coeficientes, fixado no
algoritmo bsico, no valor 2, para um coeficiente de ponderao que controle a
influncia do melhor do bando e do melhor pessoal. E tambm a introduo de um
coeficiente para ponderar a influncia da inrcia no comportamento da partcula. Nesta
variante, a frmula do clculo da velocidade dada por:

1 i i 1 i
i i i 1 i
vel x x
x xbest rnd 2 C x Gbest rnd 1 C Vel w vel
+ +
+
+ =
+ + = ) ( * () * ) ( * () * *
(50)


Onde
w = Coeficiente de ponderao da inrcia
C1 = Coeficiente de ponderao do melhor global
C2 = Coeficiente de ponderao do melhor pessoal.

7.5.4 Melhor Global e Melhor Local
O algoritmo bsico usa o melhor ponto j visitado por todo o grupo, e
conhecido como GPSO (Global Particle Swarm Optimization). Uma variante proposta
por [EBERHARDT e SHI, 2002] introduz o conceito de vizinhana. Somente as L
partculas mais prximas influenciam a partcula i. Esta variante conhecida como
LPSO (Local Particle Swarm Optimization). A proposta era aumentar a capacidade de
101
explorao do espao, dividindo o bando em vizinhanas e cada uma agindo
independente das outras.
Os resultados obtidos com o LPSO no foram ainda suficientes para suplantar o
mtodo tradicional (GPSO), que ainda o mais utilizado.

7.5.5 Variao Linear da Inrcia
O maior problema com o PSO, em geral, a dificuldade que o mtodo tem de
convergir para o timo nas iteraes finais. Ele se mostra muito eficiente em explorar o
espao nas iteraes iniciais mas tende a gastar muitas iteraes quando se aproxima
do timo.
O principal agente deste comportamento a componente inercial da velocidade.
Que tende a manter a partcula na velocidade anterior. Para tentar minimizar este
problema, [EBERHARDT e SHI, 2000] props que o coeficiente w fosse variado
durante as iteraes. Assim um alto valor para o coeficiente no incio do processo
levaria a uma melhor explorao do espao, atravs da preponderncia da componente
inercial sobre as outras, conforme o mtodo evolui o valor de w diminui, aumentando a
influncia relativa dos dois outros termos.
[EBEHARDT e SHI, 2000] props, empiricamente, uma variao linear do
coeficiente de 0,9 a 0,4.
Assim,
fiu fin ini i
w
N
i N
w w w +

=
) (
) ( (51)

Onde:
w
ini
Valor inicial para o coeficiente de inrcia
w
fin
- Valor final para o coeficiente de inrcia
N Nmero total de iteraes

102
[RATNAWEERA e HALGAMUGE, 2004] apresentou uma extenso da
proposta de Ebehardt, segundo a qual, os outros coeficientes ( C
1
e C
2
) da formula
bsica tambm variam em funo da iterao atual (i):
ini ini fin i
1 C
N
i
1 C 1 C 1 C + = ) ( (52)

ini ini fin i
2 C
N
i
2 C 2 C 2 C + = ) ( (53)

Estas modificaes no clculo dos coeficientes trouxe ganhos expressivos na
performance do algoritmo conforme apresenta [EBEHARDT e SHI, 1999] e
[RATNAWEERA e HALGAMUGE, 2004].

7.5.6 Coeficiente de Constrio

[CLERC e KENNEDY, 2002], analisando a estabilidade do mtodo, props um
limitador de velocidade diferente do de Kennedy, chamado de Fator de Constrio. Este
fator multiplica a equao de velocidade limitando-a, e funo dos coeficientes C1 e
C2
Assim,

| |
1 i i 1 i
i i i 1 i
vel x x
x xbest rnd 2 C x Gbest rnd 1 C Vel K vel
+ +
+
+ =
+ + = ) ( * () * ) ( * () * *
(54)

4
2 C 1 C
4 2
2
K
2
>
+ =

=

*
(55)

103

Um estudo comparativo entre a performance do PSO utilizando o fator de
constrio e utilizando o coeficiente de inrcia pode ser visto em [EBERHARDT e
SHI, 2000].
Observando as duas formulaes pode-se notar que o fator de constrio um
caso particular do mtodo, e as equaes (54) e (55) so equivalentes equao (50)
quando se faz
w = K

e C1 e C2 atendem a condio: C1 + C2 > 4.


7.5.7 Variao No Linear da Inrcia
[CHATTERJEE e SIARRY, 2004] apresenta uma outra proposta para o clculo
da variao da inrcia, aumentando ainda mais a convergncia ao final do processo de
otimizao.
Ao invs de utilizar uma variao linear, como proposto por [EBERHARDT e
SHI, 2000], Chatterjee e Siarry prope uma variao segundo a seguinte frmula:

( )
fin fin ini
n
n
i
w w w
N
i N
w +
)
`

= ) ( * (56)

Onde
w
i
Coeficiente de inrcia para a iterao i
N Nmero mximo de iteraes
i Iterao atual
w
ini
Coeficiente inicial
w
fin
Coeficiente final
104
n Expoente de no linearidade

Com esta formulao a influncia da inrcia pode ser melhor controlada. Os
valores inicial e final do coeficiente so prestabelecidos, mas o comportamento do
mesmo durante as iteraes depende do valor de n. A figura 27 ilustra o comportamento
da variao de w em funo de n.



Fonte: [CHATERJEE e SIARRY, 2004]
Figura 27 - Variao do coeficiente w em funo da iterao i e do expoente n.

[VENTER e SOBIESZCZANSKI-SOBIELSKI, 2002] apresenta uma outra
forma de variao para a inrcia, utilizando um coeficiente de variao (COV) da
funo objetivo.
A inrcia seria ajustada pela seguinte expresso:

105
w
new
= w
old
*f
w
(57)

Onde f
w
um valor entre 0 e 1.
A inrcia no atualizada a cada iterao, ao invs disso, um coeficiente de
variao calculado para um pequeno grupo de partculas e a inrcia ajustada pela
equao (57) somente se esse coeficiente ficar abaixo de um valor pr determinado.
O coeficiente de variao dado por:

Mdia
DesvPad
COV = (58)


Onde, DesvPad o desvio padro e Mdia a mdia dos valores da funo
objetivo para um grupo de partculas.
Em seu trabalho, [VENTER e SOBIESZCZANSKI-SOBIELSKI, 2002] utilizou
um grupo de 20% do total de partculas, um valor limite para COV = 1 e f
w
= 0,975.

7.5.8 Congregao Passiva

PSO inspirado no comportamento social de grupos de animais como cardumes
de peixes e bando de aves. Cada um destes grupos apresentam uma estabilidade espao-
temporal, ou seja, o grupo se move persistentemente sem perder a forma e a densidade
[HE et al., 2004].
Diferentes foras biolgicas so essenciais para preservar a integridade destes
grupos. So as foras de agregao social e as foras de congregao. Podemos
distinguir dois tipos de agregao e congregao: a Passiva e a ativa.
A agregao motivada por foras fsicas, internas ou externas ao grupo.
106
A agregao passiva a que ocorre sem a participao do indivduo, como a
concentrao de plncton em uma determinada rea. ocasionada por foras externas
ao grupo.
A agregao ativa ocorre devido a um agente de atrao para o grupo, como
comida ou espao, com cada membro do grupo contribuindo ativamente para a
agregao.
Diferentemente da agregao, a congregao, uma fora essencialmente social.
A fonte de atrao para cada indivduo o grupo em si mesmo. Podendo ser ativa,
quando h uma atrao pessoal entre os membros do grupo, como um parentesco, ou
pode ser passiva, quando o grupo se mantm coeso mesmo sem relao direta entre os
componentes.
Pode-se correlacionar os termos

) ( * () *
i
x Gbest rnd 1 C (59)
e
) ( * () *
i
x xbest rnd 2 C

da equao (50) com agregao ativa, se considerarmos que os pontos Gbest e xbest
so pontos de atrao para os indivduos do grupo.
[HE et al., 2004] prope a adio de um termo ao PSO, que remeteria foras de
congregao, ou seja, um termo que representasse a atrao do indivduo pelo grupo:

) ( * () *
i
x R rnd 3 C (60)

Onde, R, representa uma partcula, diferente de i, escolhida aleatoriamente do
enxame e C3 um coeficiente de congregao passiva.

107

7.5.9 Atrao Social
Independentemente de [HE et al., 2004], desenvolveu-se para este trabalho uma
abordagem similar para a influncia do grupo sobre a partcula, que foi designada de
Atrao Social.
Verificou-se, por experimentos, que havia uma tendncia do grupo a migrar
rapidamente para a regio do melhor ponto obtido at aquele momento. Com a adio
do termo de atrao social, a explorao do espao tornou-se mais abrangente.
O termo desenvolvido bastante similar ao de [HE et al., 2004], s que, ao
invs de usar uma partcula escolhida aleatoriamente do enxame, usou-se o centride do
enxame. Com isso acredita-se que o grupo como um todo fica melhor representado.
O termo (60) substitudo por:

) ( * () *
i
x C rnd 3 C (61)
Onde
N
x
C
N
1 j
j
=

= (62)

Para melhorar ainda mais o rendimento do mtodo, foi feita uma modificao no
termo de atrao social. Ao invs de usar o centride do enxame, passou-se a usar um
centro de massa, onde a massa da partcula representada pelo valor da funo no
ponto.
Assim o termo C fica expresso por:

=
=
=
N
1 j
j
N
1 j
j j
f
x f
C (63)
108
Captulo 8: Implementao Computacional




8.1 Introduo


Os mtodos e variantes citados anteriormente foram implementados em um
mdulo do programa SITUA.
Neste mdulo possvel selecionar e controlar os parmetros do mtodo
escolhido, bem como definir os limites superior e inferior para cada dimenso do
problema e definir a sua preciso.
A figura 28 apresenta um recorte da tela do mdulo onde aparecem as opes
para seleo do mtodo e os controles dos diversos parmetros.

Figura 28 Opes para seleo do Mtodo de Otimizao e parmetros

Neste mdulo possvel optar pelos seguintes modelos de otimizao:
Algoritmo gentico (GA clssico)
Micro Algoritmo Gentico (Micro GA )
Enxame de Partculas (PSO)
Estratgia Evolutiva (Evolutivo)
109

Na figura 28 pode-se ver as opes disponveis neste mdulo, so elas:

Tamanho da populao Nmero de individuos para todos os mtodos;
Probabilidade de Cruzamento Valor utilizado para decidir se um par
de cromossomo ir sofrer cruzamento. Se um valor sorteado for menor
do que este valor, o par sofrer a operao de cruzamento;
Probabilidade de Mutao Valor utilizado para decidir se um
cromossomo ir sofrer mutao. Se um valor sorteado for menor do que
este valor, o cromossomo sofrer mutao;
Cruzamento Uniforme/ Cruzamento de 1 ponto Define o tipo de
operador de cruzamento que ser utilizado: uniforme ou de um ponto;
Geracional/Steady State/Elitismo Seleciona o tipo de sobrevivncia
que ser utilizado. No caso do Elitismo possvel definir quantos
indivduos passaro para a prxima gerao (Elite);
Seleo por Torneio Se marcado, define o torneio como forma de
seleo para os indivduos que iro participar do cruzamento e mutao.
Nesta implementao o torneio sempre entre dois indivduos escolhidos
aleatoriamente da populao. Se no estiver marcado a forma de seleo
escolhida ser a roda da roleta com ranking e utilizao da equao
(43);
Save/Restart Permite salvar o estado de uma otimizao e recomear o
processo mais tarde (ainda no operacional);
Binrio/Real Define a forma de codificao do indivduo. No caso de
estar selecionada a codificao real o cruzamento ser do tipo mdia
aritmtica ponderada;
Usar Semente Fixa Opo para utilizar sempre a mesma semente no
algoritmo de gerao de nmeros aleatrios. Com isso garante-se a
repetio dos valores entre duas otimizaes, para efeito de verificao;
110
Relatrio Detalhado Opo para imprimir, a cada gerao, informao
detalhada de cada indivduo como valor da funo, coordenadas e
velocidade, cromossomo e outras observaes.
Critrios de parada:
o Nmero Mximo de Geraes o critrio mais simples. O
processo interrompido quando um nmero N de geraes
atingido;
o Valor Limite para a funo objetivo Tambm conhecido
como valor de satisfao. Pode ser utilizado quando conhece-se
um valor da funo objetivo que satisfaa algum critrio
subjetivo. Alm deste valor a melhoria do sistema no ter
significado prtico;
o Mdia x Melhor O processo de otimizao ser interrompido
quando o valor da mdia for maior que K, K=[0,1], vezes o valor
do melhor indivduo, durante n geraes. O nmero de geraes n
expresso em funo de N, o nmero mximo de geraes;
o Mdia - O processo de otimizao ser interrompido quando a
variao do valor da mdia no for maior do que K, K=[0,1],
durante n geraes. Ou seja, a mdia est estacionria;
o Duplo (Mdia) Nesta opo os dois critrios anteriores so
aplicados simultaneamente, ou seja, o valor da mdia deve se
manter prximo do valor do melhor indivduo durante n geraes
e a mdia no deve variar alm do limite K durante estas n
geraes.

111
8.2 Mtodos Implementados

8.2.1 - Algoritmo gentico (GA clssico)

Foi implementada uma verso bsica de algoritmo gentico. As opes
apresentadas acima podem ser combinadas para obter-se variaes do algoritmo bsico,
ou seja, codificao binria ou real, cruzamento de um ponto ou uniforme, etc.

8.2.2 - Micro Algoritmo Gentico (Micro GA )

O Micro Algoritmo Gentico implementado utiliza as mesmas rotinas e as
mesmas opes do algoritmo gentico bsico. O nico dado a mais o nmero de
iteraes da fase 2, ou seja, o nmero de vezes que processos com algoritmos genticos
bsicos seqenciais sero utilizados.
O critrio de parada para a fase 1, ou seja, uma realizao do algoritmo gentico,
tambm diferenciado. O algoritmo pra quando a diferena entre o material gentico
do melhor indivduo e dos outros indivduos for menor do que 5%. Com esse nvel de
diversidade gentica admite-se que o algoritmo convergiu e no haver mais melhora .

8.2.3 - Enxame de Partculas (PSO)

O algoritmo de otimizao por Enxame de Partculas foi implementado com a
estratgia global (GPSO) e com atualizao da velocidade e posio dadas pelas
equaes (64). No foram implementados nem o fator de constrio, nem a estratgia
local (LPSO).

1 1
1
) ( * () * 3 ) ( * () * 2 ) ( * () * 1 *
+ +
+
+ =
+ + + =
i i i
i m i i i i i
vel x x
x C rnd C x xbest rnd C x Gbest rnd C Vel w vel
(64)
Onde
W
i
Inrcia com variao no linear, conforme equao (56)
112
C1, C2 e C3 = 1.
C
m
Centro de massa, conforme equao (63).


8.2.4 - Estratgia Evolutiva (Evolutivo)

A Estratgia Evolutiva foi implementada de forma simples, e somente na forma
de multi membros (,), com = .


8.3 Parmetros de Acompanhamento da Evoluo

Durante a execuo do processo de otimizao, algumas quantidades relativas ao
desenvolvimento da populao podem ser acompanhadas num grfico como o
apresentado na figura 29. Onde, os valores da fitness do melhor indivduo so
mostrados em azul e do pior indivduo em cinza. Os valores da mdia e do desvio
padro da fitness da populao, so mostrados, respectivamente em vermelho e rosa.
E a margem k, do critrio de parada, em amarelo.
Alm do grfico, um relatrio de acompanhamento da evoluo impresso
(figura 30), podendo mostrar detalhes da populao, ou no. Ao fim da otimizao
impresso um resumo com o tempo total, nmero de indivduos com problemas de
convergncia e nmero de indivduos penalizados. Alm dos dados do melhor
indivduo.

113

figura 29 Grfico de acompanhamento da evoluo


Figura 30 Relatrio de acompanhamento

Para melhor acompanhar a evoluo da populao, nos diversos mtodos, foram
criados alguns parmetros de acompanhamento que so apresentados no relatrio.
Para os mtodos baseados em cromossomos, avalia-se a diversidade gentica da
populao em termos de percentual de bits diferentes entre o melhor indivduo e o resto
da populao.
Para o PSO foi criado o conceito de energia do sistema, cuja expresso :

N
Vel
energ
nparam
1 j
2
j i
N
1 i

= =
=
,
(65)


114
Onde:
N Nmero de indivduos da populao
Nparam Nmero de parmetros
j i
vel
,
- Velocidade no parmetro j da partcula i.

A energia do sistema indica o nvel de movimento, ou agitao , das
partculas. Quando a energia decresce significa que o mtodo est convergindo, quando
a energia aumenta h divergncia e ocorre o que denomina-se de exploso do sistema
[CLERC e KENNEDY, 2002].
Outro parmetro de acompanhamento que foi desenvolvido, e utilizado para
todos os mtodos foi o denominado Distncia Euclideana Normatizada (DEN), cuja
expresso dada por:
N
ParMin ParMax
Gbest Valor
DEN
nparam
1 j
2
j j
j j i
N
1 i

= =
|
|
.
|

\
|

=
,
(66)

Onde:
N Nmero de indivduos da populao
Nparam Nmero de parmetros
j i
valor
,
- Valor do parmetro j da partcula i.
Gbest
j
Valor do parmetro j do melhor ponto.
ParMax
j
Valor Mximo do parmetro j.
ParMin
j
Valor Minimo do parmetro j.

A distncia euclideana normatizada d uma dia da disperso dos pontos pelo
espao de busca.
115
Analisando em conjunto a variao da energia e a variao da distncia
euclideana normatizada tem-se uma boa informao da convergncia da anlise.
Considerando-se que os mtodos aqui desenvolvidos sero aplicados a um
processo extremamente caro em termos de gasto computacional, como a anlise de
sistemas de ancoragem, so computados tambm, a cada gerao, o nmero de:
indivduos efetivamente calculados, considerando-se que indivduos
repetidos no so calculados duas vezes;
indivduos penalizados;
indivduos com falha de convergncia.


8.4 - Exemplos comparativos

Conforme dito anteriormente, a otimizao de sistemas de ancoragem um
processo com alto consumo de tempo de processamento. Sendo assim, seria invivel
comparar todos os mtodos e variantes em diversos exemplos de ancoragem.
Optou-se, ento, por selecionar os mtodos que fossem mais promissores em
termos de robustez e preciso para uma populao extremamente reduzida.
Enquanto na literatura existente a maioria das comparaes entre mtodos feita
com populaes variando entre 20 e 1000 indivduos, [EBERHARDT e SHI, 1999] ,
[EBERHARDT e SHI, 2000], [TRELEA, 2003] e [CHATERJEE e SIARRY, 2004],
optou-se, neste trabalho, por testar os mtodos apresentados para uma populao de
somente 10 (dez) indivduos. Com isso busca-se reduzir o nmero de avaliaes de
ancoragem e espera-se no reduzir a qualidade do resultado.


116
8.4.1 Funes de Comparao

Com todos os mtodos implantados, e todos os parmetros de
acompanhamento definidos, foram escolhidas 3 funes teste para poder comparar cada
mtodo em relao robustez e eficincia. As funes selecionadas foram as funes de
Rosenbrock e a Schaffer f6, bastante utilizadas como funes de teste e comparao
conforme pode ser visto em [EBERHARDT e SHI, 1999], [EBERHARDT e SHI,
2000], [TRELEA, 2003] e [CHATERJEE e SIARRY, 2004]. Foi tambm utilizada uma
funo mais simples, denominada funo teste, para fins de comparao e ajuste de
algumas variantes do PSO.
Estas funes foram implementadas no programa para a gerao de resultados
comparativos.
Duas das funes selecionadas, teste e Schaffer f6, foram utilizadas como
funes bidimensionais, o que facilita a visualizao da evoluo das populaes de
indivduos. A funo de Rosenbrock foi escolhida por ser uma funo multidimensional
tal como so os problemas de engenharia.
A funo teste apresentada na figura 31 e sua frmula dada por:


) (
) cos(
2 2
2 2
y x 1
2
y x
1 f
+ +
+
+ = (67)



117

Figura 31 Funo Teste Unimodal

A funo Schaffer f6 utilizada representada pela equao (68) . Foram
utilizadas 2 dimenses e os valores -100 e 100 como limites para cada dimenso. O
trecho central da funo apresentado na figura 32.

|
|
.
|

\
|
+ +
+
=
2 2 2
2 2 2
y x 001 0 1
5 0 y x
5 0 f
) ( . (
. ) ( sin
. (68)


Esta funo tem uma caracterstica interessante como funo de comparao.
No h UM ponto mximo, mas, uma regio anelar em torno do zero onde a funo
exibe o valor mximo (multimodal).
118

Figura 32 Funo Schaffer f6

A funo de Rosenbrock utilizada representada pela equao (72). Foram
utilizadas 30 dimenses e os valores -30 e 30 como valores limites.

2
i
2 2
i
1 n
1 i
1 i
1 x x x 1000 f ) ( ) ( * ( + =

=
+
(69)




Onde ,

n Nmero de dimenses (30)
x
i
Valor do parmetro i.


119


8.4.2 Anlises Comparativas

As principais caractersticas desejadas para um algoritmo de otimizao em
engenharia so preciso e robustez. Preciso em encontrar o ponto timo, e robustez
para lidar com as funes que descrevem os problemas de engenharia.
No entanto, no caso de otimizao de ancoragem, o custo computacional de uma
avaliao da funo objetivo muito alto e, uma caracterstica adicional deve ser
observada no algoritmo de otimizao: a eficincia computacional. Ou seja, obter um
bom resultado com o menor nmero de avaliaes da funo objetivo.
Para efeito de comparao dos algoritmos e variantes foram feitos dois tipos de
anlise. O primeiro tipo foi a execuo dos diversos mtodos com a mesma semente
aleatria, ou seja, a populao inicial, gerada aleatoriamente, foi sempre a mesma.
No segundo tipo de anlise, foram feitas diversas simulaes (100) de cada
mtodo com cada uma das funes e o valor mdio das anlises foi usado como
comparao.
Para cada funo teste foram analisados todos os mtodos, incluindo algumas
variantes, com as mesmas caractersticas de populao.
Os dados invariantes nos testes foram:
Tamanho da populao: 10 indivduos
Nmero Mximo de avaliaes da funo: 300
Critrio de parada: 10 geraes consecutivas com o valor da
mdia maior ou igual a 98% do valor do melhor indivduo.
Para os algoritmos genticos, foram utilizados:
Taxa de cruzamento de 0,8
Taxa de mutao de 0,05
Sobrevivncia por elitismo de 1 (um) indivduo.
Seleo por Roda da Roleta (Rank).
120

Foram comparados os seguintes mtodos:
Algoritmo Gentico Bsico com Cruzamento de Um ponto
Algoritmo Gentico Bsico com Cruzamento Uniforme
Algoritmo Gentico Bsico com Codificao Real
Micro Algoritmo Gentico com Cruzamento de Um ponto
Estratgia Evolutiva
Otimizao por Enxame de Partculas Sem variao de Inrcia
(w=1)
Otimizao por Enxame de Partculas Com variao Linear de
Inrcia
Otimizao por Enxame de Partculas Com Variao No Linear
da Inrcia
Otimizao por Enxame de Partculas Com Variao No Linear
da Inrcia e Atrao Social ao Centride
Otimizao por Enxame de Partculas Com Variao No Linear
da Inrcia e Atrao Social ao Centro de Massa

No caso do Micro Algoritmo Gentico foram permitidas 30 geraes do
algoritmo gentico bsico e 10 geraes da fase 2.
Como parmetros de comparao foram escolhidos:
valor mximo - Valor mximo da funo objetivo atingido pelo
mtodo;
Nmero de Avaliaes - O nmero total acumulado de avaliaes da
funo objetivo;
Ganho Relao percentual entre o melhor valor da funo objetivo na
primeira gerao (gerada aleatoriamente) e o melhor valor na ltima
121
gerao. O ganho indica o quanto o mtodo foi capaz de melhorar a
populao inicial;
Eficincia Relao entre o ganho e o nmero de avaliaes.

8.4.3 Resultados do teste com Semente Aleatria idntica

Teste Unimodal

Valor Mximo da funo: 2
Mtodo
Valor Mximo Gerao N. Aval
AG Cruz. Um Ponto
1,073393 13 39
AG Cruz. Uniforme
1,972162 34 109
AG Codif. Real
1,073393 12 40
MGA
1,999808 82 533
EEVOL
1,504361 300 3000
PSO Sem var. Inercia
1,998288 300 3000
PSO Var. Lin. Inercia
2,000000 67 670
PSO Var. No Linear
1,999999 102 1020
PSO Atr. Soc. Centroide
1,999993 151 1510
PSO Atr.Soc. Cent. Massa
1,999999 155 1550

122
Schaffer f6


Valor Mximo: 0,997544

Mtodo
Valor
Mximo
Gerao N. Aval
AG Cruz. Um Ponto
0,599581 24 77
AG Cruz. Uniforme
0,891073 24 75
AG Codif. Real
0,896919 26 91
MGA
0,776393 50 303
AEVOL
0,577407 300 3000
PSO Sem var. Inrcia
0,968636 300 3000
PSO Var. Lin. Inrcia
0,997544 128 825
PSO Var. No Linear
0,997544 153 903
PSO Atr. Soc. Centroide
0,997544 166 1437
PSO Atr. Soc. Cent.Massa
0,997544 208 1613

123
Rosenbrock

Valor Mximo: infinito

Mtodo
Valor Mximo Gerao N. Aval
AG Cruz. Um Ponto
0,000566 42 113
AG Cruz. Uniforme
0,001047 21 145
AG Codif. Real
0,001888 16 84
MGA
0,077233 116 926
AEVOL
0,000575 300 3000
PSO Sem var. Inercia
0,480801 300 3000
PSO Var. Lin. Inercia
0,151133 66 660
PSO Var. No Linear
9,213572 113 1038
PSO Atr. Soc. Centroide
5,324865 125 1078
PSO Atr. Soc. Cent.Massa
15,968178 128 1147

124
8.4.4 Resultados do teste com vrias realizaes

Teste Unimodal

Valor Mximo: 2

Mtodo
Valor Mximo Gerao N. Aval
AG Cruz. Um Ponto 1,56340392 19 62
AG Cruz. Uniforme 1,60204724 20 69
AG Codif. Real 1,82614695 22 91
MGA 1,99951852 - 529
AEVOL 1,64238097 293 2930
PSO Sem var. Inercia 1,99997932 283 2834
PSO Var. Lin. Inercia 1,99999308 43 432
PSO Var. No Linear 1,99990664 50 499
PSO Atr. Soc. Centroide 1,99989563 62 621
PSO Atr. Soc. Cent.Massa 1,99991470 64 642
Obs: no foi computada a mdia do nmero de geraes total para o Micro Algoritmo
Gentico

125
Schaffer f6


Valor Mximo: 0,997544

Mtodo
Valor
Mximo
Gerao N. Aval
AG Cruz. Um Ponto
0,68224 21 63
AG Cruz. Uniforme
0,70650 21 69
AG Codif. Real 0,79687 26 95
MGA 0,90014 - 349
AEVOL 0,67010 294 2942
PSO Sem var. Inrcia 0,99753 300 2930
PSO Var. Lin. Inrcia 0,99658 123 737
PSO Var. No Linear 0,99678 171 1214
PSO Atr. Soc. Centroide 0,99185 206 1628
PSO Atr. Soc. Cent.Massa 0,99566 198 1607
Obs: no foi computada a mdia do nmero de geraes total para o Micro Algoritmo
Gentico

126
Rosenbrock


Valor Mximo: infinito

Mtodo
Valor Mximo Gerao N. Aval
AG Cruz. Um Ponto
0,00000431 20 76
AG Cruz. Uniforme
0,00000552 22 114
AG Codif. Real
0,00003473 26 168
MGA
0,00168788 - 1019
AEVOL
0,00000429 300 3000
PSO Sem var. Inrcia
0,36643609 300 3000
PSO Var. Lin. Inrcia
0,02329714 78 765
PSO Var. No Linear
0,15030140 112 1078
PSO Atr. Soc. Centride
0,86301769 124 1172
PSO Atr. Soc. Cent.Massa
0,85681069 123 1165
Obs: no foi computada a mdia do nmero de geraes total para o Micro Algoritmo
Gentico

127
8.4.5 Anlise de Resultados e Seleo de Mtodos

Pela anlise dos resultados apresentados na seo precedente podemos notar que
a Otimizao por Exame de Partculas foi a que teve melhor resultado, em relao ao
valor mximo obtido, em todos os testes. Quanto ao nmero de avaliaes, o PSO no
ficou muito distante do Micro Algoritmo Gentico na anlise dos resultados da funo
de Rosenbrock, que a que mais se aproxima, em termos de complexidade, dos
problemas a serem tratados na tese.
Sendo assim, foram escolhidos os mtodos Micro Algoritmo Gentico e
Otimizao por Enxame de Partculas para serem avaliados quanto a aplicabilidade ao
projeto de ancoragem.

8.4.6 Ajuste da Inrcia do PSO

Durante os testes, verificou-se que o ajuste dos parmetros de controle da
variao no linear do coeficiente de inrcia um fator crtico para a performance do
PSO.
Aproveitou-se a oportunidade para analisar, atravs de um estudo de
sensibilidade, a influncia dos elementos de controle n e K, para um dado problema.
A equao (56), que define a variao no linear do coeficiente de inrcia,W,
foi modificada para a forma:

( )
n
n
i
N
1 i
K W

= (70)


Utilizando esta equao, a inrcia W ter o valor K no incio do processo de
otimizao, e K-1, ao fim do processo.
128
Com o objetivo de quantificar a relao entre a busca global, alto valor de W, e a
busca local, baixo valor de W, atravs da utilizao dos parmetros n e k foram feitos
diversas simulaes mantendo-se o valor de N constante (300).
Como resultado da anlise obteve-se o grfico apresentado na figura 33, onde
est relacionada a curva de equilbrio entre busca global e local.
Ou seja, para um dado valor de K, a escolha de um valor de n acima da curva ir
fazer com que o processo tenha um tendncia maior para busca global, utilizando mais
iteraes para explorar o espao de busca. Um valor de n abaixo da curva priorizar a
busca local, podendo levar a uma convergncia precoce.
A escolha do valor de K influenciar o comportamento da inrcia ao final do
processo. Como o valor da inrcia varia de K at K-1, um valor de K=1 far com que a
inrcia seja zerada na ltima iterao. Valores maiores de K fazem com que o termo
inercial permanea com uma alta influncia ao final do processo.
Ajuste Para Balano Global / Local
0.00
0.20
0.40
0.60
0.80
1.00
1.20
1.00 1.10 1.20 1.30 1.40 1.50 1.60 1.70 1.80
k
n
figura 33 Curva de Balano de busca Local e Global.

A utilizao da curva 33 serve somente como indicao de tendncia, pois o
processo de Otimizao por Enxame de Partculas um processo aleatrio.
129
Captulo 9: Sntese e Otimizao de Sistemas
de Ancoragem




9.1 Modelo Acoplado Ancoragem-Riser (SITUA/PROSIM)



Neste trabalho, foi utilizado o programa SITUA/PROSIM para a criao e
anlise dos modelos acoplados de ancoragem, risers e casco.
Este programa composto de vrios mdulos que permitem ao usurio criar
modelos de sistemas offshore, e executar anlises dinmicas ou estticas, utilizando a
formulao apresentada no captulo 3.
Dentre os vrios mdulos do programa, apresentaremos a seguir os mais
importantes para a montagem e anlise do modelo de ancoragem, so eles:
Dados Ambientais
Modelagem da Unidade Flutuante
Modelagem das Linhas
Diagrama de Offset

9.1.1 - Dados ambientais

Podem ser modelados: a correnteza, o estado de mar, com ondas uni ou bi
direcionais, o vento e o fundo.
A correnteza modelada como um perfil de velocidade em funo da
profundidade, podendo variar de direo e intensidade.
A onda pode ser modelada como onda regular, informando-se a amplitude, o
perodo e a direo, para cada componente de onda. Pode-se ainda modelar um mar
130
irregular, com a utilizao dos espectros de Jonswap ou Pierson Moskowitz. O mar
irregular pode ser definido como uni ou bidirecional, bastando definir um conjunto de
dados para as duas direes de propagao da onda.
O vento pode ser definido com velocidade constante ou varivel de acordo com
o espectro API.
Os dados de correnteza, onda e vento podem ser importados da ET-3000.00-
1000-941-PPC-001 [PETROBRAS, 1999], que contm os dados meteo - oceanogrficos
da bacia de Campos.

9.1.2 - Plataforma

A modelagem do casco da plataforma feita atravs da definio de quatro
conjuntos de dados:
Geometria descreve a forma do casco;
Dados de Massa - deslocamento, raio de girao, centro de gravidade e
demais dados relativos a massa da embarcao;
Coeficientes - a representao do comportamento hidrodinmico pode
ser feito atravs de coeficientes gerados por outros programas, como o
WAMIT [LEE, 1998]. Os coeficientes de forma, para clculo das foras
de vento e correnteza, tambm podem ser definidos;
Posio - Dados relativos a posio da embarcao no sistema global.

O casco da embarcao pode ser modelado de diversas formas, dependendo do
tipo de anlise que se pretenda realizar:
Conjunto de cilindros (reticulado)- a forma reticulada de definio do
casco feita atravs da descrio de cada elemento do casco como um
cilindro. a forma ideal para modelar plataformas semi-submersveis;
Navio - A embarcao descrita atravs do conjunto de coeficientes
hidrodinmicos que descrevem o comportamento da embarcao no mar;
131
Movimento Prescrito - Forma especial de definio da embarcao
onde no h clculo do movimento da mesma, mas o movimento
prescrito priori, atravs de RAOS ou sries temporais, e aplicado
s linhas.
Neste trabalho foi utilizada a modelagem de casco por cilindros.

9.1.3 - Linhas

Utiliza-se o modelo de elementos finitos para a descrio das linhas, sendo elas
riser ou ancoragem. O SITUA oferece diversas facilidades para a criao do modelo
da linha, como: definio da gradao da malha, definio das condies de contorno,
especificao das condies de extremidade (fixa, conectada plataforma, ancorada,
etc.), criao de apndices como molas, tensionadores ou bias e diversas outras
funes para definio da linha. Foge do escopo do trabalho descrever todas as
informaes disponveis para as linhas. Sero apresentadas apenas as principais:

Composio - A composio da linha dada pelo material que compe
cada segmento : ao (riser rgido), riser flexvel, cabo de ao,
polister, etc., e pelos comprimentos de cada trecho;
Geometria - A forma da catenria dada pelas condies definidas para
a gerao da mesma: projeo horizontal, trao total no topo, fora
horizontal ou ngulo de topo;
Orientao Espacial - ngulo que a linha faz com a direo Norte;
Malha de Elementos- Especificao da gradao da malha de elementos
finitos para segmento que compe a linha;
Condies de Contorno - As condies de contorno da linha podem ser
definidas n a n para casos especiais. Nos casos mais gerais, o prprio
sistema aplica as condies padro, de acordo com o tipo de conexo
definida nos extremos da linha: conectado plataforma, ancorado, fixo
no espao ou livre. Alm disso podem ser definidas molas lineares ou
no lineares;
132
Tipo de Elemento Finito - Trelia ou Prtico;
Sada de Resultados: Pode-se definir de forma independente quais
quantidades sero impressas e para quais ns e elementos. (velocidades,
ngulos, posio, foras, etc.)


A figura 34 apresenta um exemplo da tela de definio de linha do SITUA.




Figura 34 Exemplo de tela de definio de linha.


133
9.1.4 - Diagrama de Offset

Com o modelo do sistema pronto, pode-se fazer uma verificao do passeio da
embarcao, analisando-se a posio de equilbrio que a embarcao assumir quando
submetida a diversos carregamentos.
Esta verificao feita considerando-se todas as 8 (oito) possveis ocorrncias
de correnteza em uma dada regio e para um determinado perodo de recorrncia. Por
exemplo, para a Deep North Region e para um perodo de recorrncia de 100 anos, os
perfis das direes Norte, Nordeste, Este, Sudeste, Sul, Sudoeste, Oeste e Noroeste so
utilizados para gerar as oito anlises, nas respectivas direes.
Para cada direo efetuada uma anlise esttica acoplada, utilizando o mdulo
de Anlise Esttica do PROSIM com todas as linhas de ancoragens e risers
modelados por elementos finitos.
O mdulo do SITUA denominado Anlise de Offset gerencia todos os dados
ambientais, carregando-os automaticamente do banco de dados, e, a um simples clicar
de um boto, dispara as oito anlises, chamando o programa PROSIM em forma de
biblioteca (DLL), para cada uma das anlises.
O resultado das anlises plotado em forma de grfico, o Diagrama de Offset,
conforme mostrado na figura 35.
134


Figura 35 Diagrama de offset

135
9.2 - Exemplos propostos

Com os dois mtodos de otimizao selecionados, foram criados dois modelos
para representar o sistema de ancoragem de duas plataformas hipotticas. Um com
poucas linhas (13) e outro com um nmero maior de linhas (50). O primeiro modelo
ser chamado de P1 e o segundo de P2. Utilizou-se o programa SITUA/PROSIM para a
gerao dos modelos e anlise dos offsets.
Para cada um destes modelos foram aplicados os dois mtodos de otimizao
selecionados: PSO e MGA.
Como se trata de analisar a viabilidade da aplicao dos mtodos evolutivos
selecionados a uma etapa inicial do projeto de ancoragem, foi utilizada somente a
anlise esttica para a descrio do movimento da embarcao. Com o uso da anlise
esttica as avaliaes so mais rpidas, e um maior nmero de testes pode ser feito.
Mas, o sistema pode ser facilmente adaptado para utilizar anlise dinmica na avaliao
da ancoragem.
A seguir so apresentados os modelos utilizados.

9.2.1 Modelo 1 P1


Este modelo, denominado P1, composto por 8 linhas de ancoragem, com
arranjo inicial simtrico e 5 risers com arranjo assimtrico, todos voltados para Norte.
O modelo P1 foi criado com o intuito de verificar a aplicao dos mtodos em
um modelo simples porm assimtrico.
A profundidade da locao foi arbitrada em 2400 m e a composio das linhas
dada na tabela 4:
Tabela 4 Composio das linhas do exemplo P1

Segmento Comprimento(m) Material Diam (m) MBL (ton)
Topo 250 Amarra 0.076 612
Intermedirio 2400 Cabo de ao 0.087 528
Fundo 700 Amarra 0.076 612
136
Para os risers, foi escolhido um material de riser flexvel, com 0.277 m de
dimetro do banco de dados
O arranjo das linhas mostrado na figura 36.


Figura 36 Disposio das linhas do modelo P1

Os dados do casco utilizado neste modelo (figura 37) so:

Deslocamento: 23800 toneladas
Calado de projeto: 22,.2 m
Comprimento: 106 m
Boca: 65 m
Nmero de cilindros: 36
137


Figura 37 Modelo de casco da plataforma P1.


Figura 38 Vista tridimensional do modelo P1

Percebe-se claramente, na figura 38, a assimetria do sistema.
138

9.2.2 Modelo 2 P2

Este modelo composto por 16 linhas de ancoragem, com arranjo inicial
simtrico e 34 risers, e foi criado para verificar a aplicao dos mtodos em um
modelo mais complexo, mais realstico.
Foi arbitrada um profundidade de 1800 m.
A composio das linhas dada na tabela a seguir.

Tabela 5 Composio das linhas do exemplo 2

Segmento Comprimento(m) Material Diam (m) MBL (ton)
Topo 150 Amarra 0.21 1126
Intermedirio 2530 Polister 0.222 1400
Fundo 1000 Amarra 0.21 1126


Os risers possuem configurao variada, tentando simular um caso real, com
alguns risers de 8, e outros de 7. Todos com dados de materiais de risers
flexveis.
As figuras 39, 40 e 41 apresentam, respectivamente, o arranjo inicial de linhas, a
plataforma utilizada e uma vista tridimensional do modelo.



139

Figura 39 Disposio das linhas no modelo P2



Os dados do casco utilizado neste modelo (figura 40) so:


Deslocamento: 67900 toneladas
Calado de projeto: 27,5 m
Comprimento: 88 m
Boca: 88 m
Nmero de cilindros: 80


140

Figura 40 Modelo de casco da plataforma P2.



Figura 41 Vista tridimensional do modelo P2.



141

9.2.3 - Dados ambientais comuns aos dois modelos

Como ser efetuada somente anlise esttica, sero considerados apenas os
carregamentos de correnteza e parcela esttica do vento.
Foram utilizados os 8 (oito) perfis de correnteza correspondentes s direes
Norte, Nordeste, Este, Sudeste, Sul, Sudoeste, Oeste e Noroeste, com perodo de
recorrncia de 100 anos.
Para a montagem destes perfis foi utilizada a facilidade do SITUA de importar
os dados Meteo-Oceanogrficos da ET-3000.00-1000-941-PPC-001
[PETROBRAS,1999].
Da mesma forma, foi utilizada a mesma fonte para o carregamento de vento,
sendo 10 anos o perodo de recorrncia utilizado.
A tabela 6 apresenta os perodos de recorrncia dos carregamentos ambientais
utilizados nos dois modelos.

Tabela 6 Perodo de recorrncia dos carregamentos ambientais

Carregamento Perodo de Recorrncia
Correnteza 100 anos
Vento 10 anos




O fundo ser considerado plano nos dois modelos, com as caractersticas
apresentadas na tabela 7.


Tabela 7 Caractersticas do fundo

Modelo Tipo Profundidade Inclinao Do fundo
P1 Plano 2400 m 0
o
P2 Plano 1800 m 2
o
- Norte



142
9.3 - Modelo de otimizao
Nos dois modelos apresentados anteriormente foram utilizados os mtodos de
otimizao Micro Algoritmo Gentico (MGA) e Enxame de Partculas (PSO). A seguir
ser apresentada a metodologia utilizada para a otimizao dos sistemas de ancoragem.

9.3.1 - Variveis livres
Um modelo de ancoragem possui diversas variveis que podem funcionar como
variveis livres num problema de otimizao. Para simplificar o problema foram
escolhidas algumas delas:
Raio de ancoragem
Trao mdia
Azimute das linhas

Neste trabalho, a composio da linha, em termos de tipo de material utilizado e
nmero de segmentos, foi mantida invarivel.
Com esta seleo de variveis livres, o modelo P1 ficou com 10 dimenses: o
azimute das 8 linhas de ancoragem, o raio de ancoragem para todas as linhas e a trao
de trabalho mdia. E, o modelo P2, com 19 dimenses: o azimute das 16 linhas de
ancoragem, o raio de ancoragem para todas as linhas e a trao de trabalho mdia.


9.3.2 - Funo Objetivo e Restrio
A principal finalidade do sistema de ancoragem manter a posio da
plataforma. Assim, a funo objetivo mais natural a ser utilizada o prprio passeio da
embarcao.
O aumento da trao de trabalho ou a diminuio do raio de ancoragem levar a
uma diminuio do passeio, no entanto existem limites para a trao em cada linha. A
[API, 2001] recomenda que a trao a que a linha est submetida no deve ultrapassar a
50 % da trao de ruptura da linha (MBL) para anlises estticas. Alm disso, a trao
da linha no deve ser inferior 30% da trao de ruptura da linha (MBL).
143
Assim a funo objetivo penalizada deve levar em considerao o passeio e a
relao entre a trao atuante na linha e a trao mxima admitida.
Utilizou-se a seguinte expresso para a funo objetivo:

1 0
profund
offset
e f
.
= (71)

Onde :
Offset Maior offset, em metros, da embarcao dentre as oito direes
analisadas.
Profund profundidade, em metros, da locao analisada.


O valor 0,1 utilizado para fins de normalizao.

Como funes de penalidade foram utilizadas as expresses:

>

=

3 0
MBL
TracMax
se 0
3 0
MBL
TracMax
se e
03 Pen
MBL
TracMax
3 0
. ,
. ,
.
(72)


E

<

5 0
MBL
TracMax
se 0
5 0
MBL
TracMax
se e
06 Pen
5 0
MBL
TracMax
. ,
. ,
.
(73)


Onde
Tracmax Trao da linha mais solicitada dentre todas as linhas e todas as
direes analisadas.
MBL Trao mxima de ruptura da linha (Maximum Breaking Load)


144
A funo objetivo penalizada foi utilizada como sendo o inverso da soma destas
trs parcelas:


06 pen 03 pen f
1
f
obj
+ +
= (74)

Assim quanto menor for o passeio (offset) da embarcao maior ser o valor
da funo objetivo, e como no possvel obter-se offset zero sem que uma das
penalizaes seja ativada, no haver singularidade na funo.
Caso a trao da linha mais solicitada fique entre 30% e 50% da MBL os termos
de penalizao PEN03 e PEN06 sero zerados.
A figura 42 apresenta a funo penalizada na faixa de trao de 0.0 a 0.9*MBL e
de offset de 0.0 a 1.0*Profundidade. Pode-se ver claramente na figura que a penalizao
altera a funo objetivo nas faixas de trao acima de 0.6 e abaixo de 0.3. Na faixa de
trao entre entre estes valores a funo regida pelo termo do offset

Figura 42 Funo objetivo penalizada
0.05
0.15
0.25
0.35
0.45
0.55
0.65
0.75
0.85
0.95 0.00
0.30
0.60
0.90
0.2
0.4
0.6
0.8
1.0
1.2
Offset
Trao
Funo Objetivo Penalizada
1-1.2
0.8-1
0.6-0.8
0.4-0.6
0.2-0.4
145
Apesar da funo objetivo parecer uma funo suave e bem comportada, deve-
se lembrar que a superfcie apresentada na figura 42, funo das variveis
dependentes: trao da linha mais solicitada e Offset do sistema. Estas variveis
dependem dos valores das variveis livres, que so 10 no exemplo P1 e 19 no exemplo
P2. Com isso, o problema P1 possui um espao soluo de 10 dimenses e o P2 de 19
dimenses.

9.3.3 - Algoritmo de Otimizao

A estratgia utilizada na aplicao dos mtodos de otimizao selecionados, aos
modelos de ancoragem gerados no SITUA, foi utilizar um modelo base do qual sero
aproveitados os materiais utilizados nas linhas e os dados da plataforma.
A partir deste modelo bsico sero gerados os indivduos, sendo utilizados como
variveis livres: a variao do azimute de cada linha, em relao ao modelo bsico, o
raio de ancoragem e a trao de trabalho.
Os limites superior e inferior de cada varivel livre fornecida pelo usurio
conforme visto na figura 43.



Figura 43 Variveis livres

Alguns parmetros foram mantidos constantes para os dois mtodos e para os
dois exemplos:
Tamanho da populao: 10 indivduos
Nmero Mximo de Geraes: 30
Critrio de parada: 3 geraes consecutivas com o valor da
mdia maior ou igual a 95% do valor do melhor indivduo.

146
Estes parmetros foram escolhidos depois de alguns testes e avaliaes.
No Micro Algoritmo Gentico, foi mantido o nmero de 20 geraes da fase 2.

Foram utilizados no mtodo do Enxame de Partculas:
variao no linear da inrcia com os coeficiente K = 1,1 e n = 0,8,
retirados da figura 33.
Limitador de velocidade mxima, para cada dimenso:
precisao 10 * Vmax = (75)
A preciso definida pelo usurio conforme mostrado na figura 43.
Atrao Social ao centro de massa

Azimute

O ngulo alfa relaciona-se com o azimute da linha, este ngulo o limite de
variao permitido para o azimute. Assim, o azimute de cada linha poder variar, de
acordo com o mtodo de otimizao, entre:
Azim + alfa e Azim Alfa
Onde Azim o azimute da linha no modelo base.
Devido ao carter aleatrio da gerao, pode ocorrer o cruzamento de linhas de
ancoragem, ou de linhas de ancoragem com risers na gerao de um indivduo. Este
indivduo no poder ser analisado e deve ser descartado antes da anlise.
O sistema analisa cada indivduo gerado, quanto ao cruzamento de linhas, e o
substitui na populao inicial, ou atribui a ele uma fitness extremamente baixa, caso
seja gerado durante o processo de otimizao.
No modelo P1 alfa variou de -10
o
a 10
o
para todas as linhas, e no exemplo P2 os
valores foram de -5
o
e 5
o
.
147

Raio de ancoragem


Como simplificao, o raio de ancoragem utilizado nos modelos foi mantido
igual para todas as linhas.
Nos dois exemplos utilizou-se os limites de 1500 m e 3000 m para a variao do
raio de ancoragem.

Trao Mdia de Trabalho

A varivel livre Trao Mdia , na realidade, uma trao que utilizada como
base para o equilbrio do sistema.
Esta trao aplicada a todas as linhas de ancoragem. Devido a assimetria do
conjunto de risers, o sistema estar desequilibrado. Para obter um distribuio de
traes de topo que equilibre o sistema na posio de projeto, utilizado o mtodo
ALFA desenvolvido pelo engenheiro Abraham Moche Kaizer [KAIZER, 2003], da
Petrobras, para o equilibrio das foras de topo das linhas de ancoragem.
Aps a aplicao da fora base a todas as linhas, a fora resultante de
desequilbrio calculada.
A fora horizontal de cada linha de ancoragem projetada na direo da fora
resultante. As foras cuja projeo possui o mesmo sentido da resultante so chamadas
de positivas e somadas numa componente Fpos. As foras cuja projeo possui o
sentido contrrio da resultante so chamadas de negativas e somadas numa componente
Fneg.
Desta forma, um fator de correo definido como:
Fneg Fpos
Resultante
+
= fator (76)

148
Onde, Resultante o valor da resultante de desequilbrio do sistema, Fpos e
Fneg so respectivamente, a soma das componentes projetadas das foras horizontais de
cada linha, conforme definido acima.
As foras horizontais positivas so, ento, corrigidas pela seguinte expresso:

F
H
= (1 - fator)*F
H
(77)
E as negativas:
F
H
= (1 + fator)*F
H
(78)
Com as novas foras horizontais definidas, o SITUA ajusta o comprimento do
segmento central de cada linha a fim de obter uma catenria que atenda aos critrios
estabelecidos de projeo (raio de ancoragem) e fora horizontal.
Novas malhas so geradas para as linhas definidas, a fora resultante do sistema
novamente calculada e o processo todo repetido at que a resultante seja menor do
que uma tolerncia pr-estabelecida.
Utilizando este mtodo, consegue-se obter uma configurao sempre em
equilbrio na posio de projeto, sem carregamentos ambientais, independente do
arranjo de linhas utilizado.
Nos exemplos de ancoragem foram utilizados os limites de 80 t e 300 t para a
variao da trao base.
Anlise

Tanto para o Algoritmo Micro Gentico quanto para o Enxame de Partculas, um
conjunto de variveis livres define um indivduo.
Com o indivduo definido, ou seja com as variveis livres definidas, so
executadas as oito anlises acopladas, e, a maior trao e o maior passeio obtidos
dentre todas as anlises so utilizados para calcular a fitness.
Este processo repetido para cada indivduo da populao.

149
Captulo 10: Resultados Obtidos




10.1 Modelo P1

Conforme apresentado na figura 44, o modelo bsico utilizado no exemplo P1,
possui um passeio mximo de 210 m, que equivale a 8,75 % da profundidade, o que
bastante aceitvel. No entanto, nesta situao a linha mais tracionada est com 60,4 %
da MBL, ou seja, acima do limite de 50% ditado pela norma.






Figura 44 Diagrama de Offset original do modelo 1

150


10.1.1 Aplicao dos Mtodos

Foram efetuadas 3 execues do modelo com o mtodo MGA e 5 execues
com o mtodo PSO.
A tabela 8 apresenta um resumo dos resultados obtidos. Nesta tabela so
apresentados, na primeira linha os dados para o modelo base, no otimizado. Os dados
da tabela so:

Offset- Maior passeio, em percentual da profundidade, do melhor
indivduo da populao inicial e da populao final;
Trao Maior trao, em percentual da MBL do melhor indivduo da
populao inicial e da populao final;
Fitness Valor da fitness do melhor indivduo da populao inicial
e da populao final;
Ganho Relao entre a fitness do melhor indivduo da populao
inicial e a do melhor indivduo da populao final. Indica o quanto o
mtodo foi capaz de melhorar a populao inicial.
Nmero de avaliaes Quantas avaliaes do Diagrama de Offset
foram efetuadas.

Tabela 8 Resultados para a plataforma P1
Populao Inicial Populao Final
Mtodo Fitness Off.(%) Trac(%) Fitness Off.(%) Trac(%) N.Aval
MGA 0,477 8,8 60,2 1,047 5,3 48,7 628
MGA 0,939 16,3 47,6 1,019 8,2 49,9 747
MGA 0,486 10,4 55,2 0,980 11,9 49,9 1085
PSO 0,476 3,7 64,8 0,975 12,7 49,8 297
PSO 0,469 11,3 61,0 1,019 8,2 46,7 300
PSO 0,493 5,2 57,0 1,064 3,8 47,2 230
PSO 0,501 7,3 52,3 0,959 14,2 49,9 300
PSO 0,479 10,5 57,8 0,972 12,8 49,7 229


151
Observando a tabela 8, nota-se que os dois mtodos de otimizao obtiveram
bons resultados, com ganho mdio de 102 % e 103 % para o MGA e o PSO,
respectivamente. No entanto, o MGA atingiu este ganho com um nmero de avaliaes
mais alto, 820 avaliaes, em mdia, contra 270 avaliaes, em mdia, para o PSO.

10.1.2 Modelo P1 Otimizado

Dentre as diversas execues dos mtodos de otimizao, foi selecionado um
resultado do mtodo PSO para ser usado como exemplo.
A figura 45 mostra o arranjo final do sistema otimizado. Comparando esta figura
com a 36, pode-se notar pequenas modificaes nos azimutes das linhas.
As tabelas 9 e 10 apresentam os valores modelo P1 original e o otimizado. A
figura 46 mostra o diagrama de offset do sistema otimizado.
Neste exemplo
Tabela 9 Comparao Modelo P1: Original x Otimizado
Original Otimizado
Offset 8,75 % (210 m) 3,75% (90 m)
Trac. Max. (%) 60,4 47,2
Raio Anc. (m) 3000 3261

Tabela 10 Comparao entre modelo P1 original e otimizado
Original Otimizado
Azim(
o
) Comp(m) Trao(ton) Azim(
o
) Comp(m) Trao(ton)
Linha 1 305 3000 182,8 299 3328 63,3
Linha 2 325 3000 182,8 319 3328 63,3
Linha 3 35 3000 182,8 28 3312 65,5
Linha 4 55 3000 182,8 47 3312 65,5
Linha 5 125 3000 182,8 127 3166 127,9
Linha 6 145 3000 182,8 140 3166 127,9
Linha 7 215 3000 182,8 222 3177 120,5
Linha 8 235 3000 182,8 235 3177 120,5



152

Figura 45 Arranjo final do sistema P1 otimizado




Figura 46 Diagrama de Offset do sistema P1 otimizado
153
10.2 Modelo P2

Conforme apresentado na figura 47, o modelo bsico utilizado no exemplo P2,
possui um passeio mximo de 110 m, o que equivale a 6.1 % da profundidade, o que
bastante aceitvel. No entanto, nesta situao a linha mais tracionada est com 52.1 %
da MBL, ou seja, acima do limite ditado pela norma.





Figura 47 Diagrama de Offset original do modelo 2




154
10.2.1 Aplicao dos Mtodos

Foram efetuadas 3 execues do modelo com o mtodo MGA e 4 execues
com o mtodo PSO.
A tabela 11 apresenta um resumo dos resultados obtidos com o
modelo P2.
Tabela 11 Resultados para a plataforma P2
Inicial Final
Mtodo Fitness Off.(%) Trac(%) Fitness Off.(%) Trac(%) N.Aval
MGA 0,504 7,1 51,6 1,025 7,5 50,0 828
MGA 0,488 8,6 59,1 1,051 5,0 46,7 681
MGA 0,495 8,5 53,4 1,036 6,5 49,5 725
PSO 0,500 8,9 51,1 1,047 5,4 50,0 196
PSO 0,501 6,3 53,0 1,041 6,0 50,0 274
PSO 0,495 7,2 54,6 1,032 6,8 50,0 235
PSO 0,498 8,2 52,4 1,043 5,8 49,5 270




Pode-se verificar na tabela 11 que os dois mtodos de otimizao obtiveram
bons resultados, com ganho mdio de 109 % e 108 % para o MGA e o PSO,
respectivamente. No entanto, o MGA atingiu este ganho com um nmero de avaliaes
mais alto, 744 avaliaes em mdia contra 244 avaliaes em mdia para o PSO.

10.2.2 Modelo P2 Otimizado

As tabelas 12 e 13 apresentam os valores modelo P2 original e o otimizado. A
figura 46 mostra o diagrama de offset do sistema otimizado.

Tabela 12 Comparao Modelo P2: Original x Otimizado
Original Otimizado
Offset 6,1% (110 m) 5,4 (97 m)
Trac. Max. (%) 52,1 50,0
Raio Anc. (m) 3070 3125

155
Tabela 13 Comparao entre modelo P2 original e otimizado
Original Otimizado
Azim(
o
) Comp(m) Trao(ton) Azim(
o
) Comp(m) Trao(ton)
Linha 1 35 3680 219 38,3 3775 173
Linha 2 50 3680 194 56,6 3780 173
Linha 3 215 3680 164 213,9 3704 164
Linha 4 230 3680 178 231,7 3698 164
Linha 5 40 3680 211 42,2 3776 173
Linha 6 45 3680 191 42,9 3777 173
Linha 7 130 3680 131 130,9 3795 97
Linha 8 135 3680 129 131,6 3794 97
Linha 9 140 3680 129 138,0 3789 97
Linha 10 145 3680 128 143,6 3784 97
Linha 11 220 3680 171 221,0 3701 134
Linha 12 225 3680 173 224,3 3700 134
Linha 13 310 3680 300 312,7 3670 264
Linha 14 315 3680 303 315,0 3672 264
Linha 15 320 3680 305 316,8 3674 264
Linha 16 325 3680 305 322,7 3679 264



O modelo P2 possui suas linhas de ancoragem distribudas em grupos de 4 por
corner da plataforma. O sistema de otimizao no est preparado para tratar as linhas
de ancoragem em grupos, por isso o resultado dos ngulos de azimute no condizem
com a realidade de espaamento mnimo entre as linhas de um mesmo grupo. No
entanto, a disposio geral das linhas pode ser uma indicao para um ajuste final nos
azimutes.

156
Captulo 11: Concluso



11.1 Comentrios


Com os resultados obtidos, chega-se a concluso que os mtodos de otimizao
baseados em algoritmos evolutivos, principalmente o Mtodo do Enxame de Partculas,
so altamente recomendados para a utilizao em otimizao de sistemas de ancoragem,
conseguindo uma melhora sensvel no nvel de trao a que o sistema trabalha.
Recomenda-se o Mtodo do Enxame de Partculas no s pela melhora obtida na
funo de mrito, mas tambm pela sua simplicidade.
Por ser um mtodo relativamente novo, o PSO ainda deve receber muitos
acrscimos e ter sua performance melhorar ainda mais. O termo de Atrao Social,
desenvolvido neste trabalho, demonstrou ser um avano no sentido do aperfeioamento
do mtodo. Nos testes com as funes comparativas, o PSO com o termo de Atrao
Social obteve uma melhor performance, quando comparado com os outros. Esta
performance pode ser medida pelo nmero de geraes necessrias para obter um
resultado satisfatrio, que foi menor com o termos de Atrao Social.
Quanto ao sistema otimizado, observou-se a tendncia de uma pequena, porm
significativa, mudana dos ngulos de azimute da linhas.
O maior problema da otimizao de sistemas de ancoragem o alto custo
computacional para efetuar as anlises, o que limita o uso de mtodos mais precisos,
como a anlise dinmica.
No entanto, com o rpido desenvolvimento do poder de processamento dos
computadores, em muito breve ser vivel a utilizao deste tipo de anlise, bem como
a utilizao de populaes maiores, melhorando sensivelmente a qualidade dos
resultados.
Nos exemplos deste trabalho foi utilizado um computador com processador
AMD Athlon XP 2000, com 512 Mb RAM, e, o tempo total de processamento, de cada
execuo, ficou em torno de 5:00 horas para o MGA e 3:00 horas para o PSO, com
157
extremos de 1:00 hora para os casos com convergncia precoce e 10:00 horas para os
casos com convergncia mais lenta. Estes tempos podem ser considerados altos para a
aplicao do mtodo ao projeto preliminar, onde uma resposta rpida altamente
desejvel.
Por isso deve-se buscar meios de reduzir o tempo de processamento total. Vrias
solues podem ser adotadas, dentre elas, explorar o processamento paralelo. O
programa PROSIM j possui uma verso capaz de rodar distribudo por diversos
processadores. Existem ainda tcnicas de implementao de algoritmos evolutivos que
exploram o processamento paralelo, com a populao sendo distribuda entre os
processadores ou cada processador executando a anlise de um indivduo.
Novos mtodos, como redes neurais [MENDONA, 2004] e Surrogate
Surfaces [DENNIS, 2000], tm sido desenvolvidos no sentido de aumentar a
eficincia da otimizao atravs da manipulao, ou mesmo da substituio, da funo
objetivo. Isto traria grandes benefcios para a otimizao de sistemas complexos,
baseados em simulaes, tais como os sistemas de ancoragem, tornando vivel a anlise
de um nmero maior de indivduos em um tempo menor.


158
11.2 Trabalhos Futuros

Como aprimoramento da metodologia aqui apresentada poder-se-ia propor a
criao de um modelo simplificado de ancoragem, onde os movimentos da embarcao
seriam calculados de forma simplificada, utilizando as recomendaes da norma [API,
2001] com as linhas representadas pela equao da catenria. Este modelo seria uma
verificao inicial da viabilidade do indivduo. Caso um indivduo fosse penalizado, no
seria necessrio efetuar outro tipo de anlise. No entanto, se ele no fosse penalizado,
poderia ser aplicada a anlise esttica, e se ele ainda no fosse penalizado aplicar-se-ia
a anlise dinmica.
necessrio tambm incluir nos procedimentos de anlise do sistema de
ancoragem as anlises com linha rompida e transiente. O programa SITUA/PROSIM j
est apto a fazer estas anlises, restando s inclu-las na funo objetivo da otimizao.
Alm disso, o modelo de otimizao utilizado poderia levar em conta outros
elementos do projeto de ancoragem, tais como, tipo de ncora utilizada, escolha
automtica do tipo de material utilizado, interferncia com obstculos de fundo, linhas
tratadas em grupo por crner, etc.
Como temas a serem desenvolvidos em trabalhos futuros pode-se sugerir:
Avaliao de outros mtodos de otimizao (redes neurais, Surrogate)
Sistema simplificado de anlise
Anlise esttica e dinmica nos melhores indivduos
Considerao do tipo de ncora
Variao do tipo de material
Interferncia com obstculos de fundo
Processamento paralelo

159

Captulo 12: Referncias Bibliogrficas



AUGUSTO, O. B., DIAS, C.A.N., ROSSI, R.R., 1998, Practical Method for Mooring
System Optimum Design , PRADS 1998.
AUGUSTO, O. B.; ANDRADE, B. L. R.; ROSSI, R. R.; 2002, Otimizao de
Recursos para a Operao de Instalao de ncoras de Equipamentos
Offshore, Pesquisa Operacional, v. 22, n3, pp 305-322, Jul.
API, 1996, Recommended Practice for Design and Anaysis of Stationkeeping System
for Floating Structures, API-RP-2SK.
BCK, T.; HAMMEL, U.; SCHWEFEL, H.P; 1997, Evolutionary Computation:
Comments on the History and Current State , IEEE Transaction on
Evolutionary Computation, Vol 1, Nr 1, April 1997, pp 3-17.
BATHE, K-J., 1996, Finite Element Procedures, New Jersey, Prentice-Hall.
BRITO, A.M.M.; 2001 ,Otimizao do Sistema de Ancoragem de um FPSO usando
Estratgias Evolutivas, Tese Msc, COPPE-UFRJ.
BROOKS, S. H.; 1958, A Discussion of Random Methods for Seeking Maxima,
Oper. Res. 6 , 244-251.
BULGARELLI, U.; CARCATERRA, A.; LANDRINI, M.; LUGNI, C.; 1997,
Mooring System Optimization for Vessel in Waves, OMAE 1997, Vol. I-A
Offshore Technology ASME.
CHAKRABARTI, S. K, 1987 , Hydrodynamics of Offshore Structures, Computational
Mechanics Publications Southampton Boston.
CHATTERJEE, A. ; SIARRY, P.; 2004,Nonlinear Inertia Weight Variation for
Dynamic adaptation in Particle Swarm Optimization, Computers &
Operations Research, Elsevier, Article in Press.
160
CLERC, M. ; KENNEDY, J.; 2002, The Particle Swarm Explosion, Stability, and
Convergence in a Multidimensional Complex Space, IEEE Transaction on
Evolutionary Computation, Vol. 6, No 1, Feb.
CRISFIELD, M. A., 1990 ,A Consistent Co-Rotational Formulation for Non-Linear,
Three-Dimensional, Beam-Elements, Computer Methods in Applied
Mechanics and Engineering, v. 81, pp. 131-150.
DARWIN, C., 1996, A origem da Espcies, Esboo de 1842, Newton Compton Brasil,
Rio de Janeiro.
DENNIS Jr., J.E.; 2000, Surrogate Modeling and Space Mapping for Engineering
Optimization, A Summary of Danish Technical University Workshop.
DNV, 2001, Offshore Standard Dnv-Os-E301 Position Mooring, Det Norsk Veritas,
JUNE.
DSOUZA, R.; DOVE, P. G. S.; HERVEY, D. G.; HARDIN, D. J.; 1992, The Design
and Installation of Efficient Deepwater Permanent Moorings, Marine
Technology , Vol. 29, No. 1, pp. 25-35.
EBERHARDT, R.C.; SHI, Y.; 1998, A Modified Particle Swarm Optimizer, IEEE
International Conference on Evolutionary Computation, Anchorage, Alaska,.
pg. 1945 1950.
EBERHARDT, R. C.; SHI, Y.; 1999, Empirical Study of Particle Swarm
Optimization, IEEE proc. Conference on Evolutionary Computation,
Washington DC,. pg. 1945 1949.
EBERHARDT, R.C.; SHI, Y. ; 2000, Comparing Inertia Weights and Constriction
Factors in Particle Swarm Optimization, IEEE International Conference on
Evolutionary Computation, San Diego, California, pg. 84 88.
EBERHARDT, R.C.; SHI, Y. ; 2002, Multiobjective Optimization Using Dynamic
Neighborhood Particle Swarm Optimization, IEEE, pg. 1677 1681
161
EBERHARDT, R. C.; SHI, Y.; 2004, Guest Editorial: Special Number on Particle
Swarm Optimization, Transaction on Evolutionary Computation, IEEE,
Vol. 8, No 3.
ELTAHER, A.; RAJAPAKSA, Y; CHANG, K.; 2003 ,Industry Trends for Design of
Anchoring Systems for Deepwater Offshore Structures, OTC 15265,
Offshore Technology Conference.
FERRARI Jr., A.F., 1993 , Otimizao e Automatizao do Projeto de Sistemas de
Ancoragem de Plataformas Semi-submersveis, Tese de Mestrado, Faculdade
de Engenharia Mecnica, UNICAMP.
FYLLING, I. .J.; 1997, Automated Optimization of Deepwater Mooring System
Design , OMAE 1997, Vol. I-A Offshore Technology ASME.
GARZA-RIOS, L.O.; BERNITSAS, M.M.; NISHIMOTO, K.; MASETTI, I.Q.; 1997,
Preliminary Design of a DICAS Mooring Systemm for the Brazilian
Campos Basin. OMAE, Vol. I-A, Offshore Technology, ASME.
GOLDBERG, D. E., 1989 ,Genetic Algorithms in Search Optimization and Machine
Learning, Addison Wesley .
HE, S.; WU, Q.H.;. WEN, J.Y; SAUNDERS, J.R. ; PATON, R.C.; 2004, A
particle swarm optimizer with passive congregation, Elsevier BioSystems
78, pp. 135 147.
HINZ, E. R.; 1986, The complete Book of Anchoring and Mooring, Cornell Maritime
Press.
HOOFT, J. P., 1982 ,Advanced Dynamics of Marine Structures, John Wiley & Sons,
USA,
HUGHES, T. J. R. , 1987 ,The Finite Element Method - Linear Static and Dynamic
Finite Element Analysis, Prentice-Hall, Englewood Cliffs, NJ, USA.
JACOB, B. P., 1998, Notas de Aula da Disciplina Dinmica de Sistemas Discretos,
Programa de Engenharia Civil - COPPE/UFRJ, Rio de Janeiro.
162
JACOB, B.P, 2005, "Programa PROSIM: Simulao Numrica do Comportamento de
Unidades Flutuantes Ancoradas, Verso 2.7b Manual de Entrada de
Dados, COPPE/UFRJ, Programa de Engenharia Civil, Rio de Janeiro.
KAIZER, A. M; 2003 ,Mtodo Alfa para Equilbrio de Ancoragens de Plataformas,
Comunicao Pessoal, Rio de Janeiro.
KANNAN, S.; SLOCHANAL S. M. R., SUBBARAJ P., NARAYANA P. P., 2004,
Application of particle swarm optimization technique and its variants to
generation expansion planning problem, Electric Power Systems Research
70 (2004) 203210 , Elsevier.
KAYSER Jr, R, D. L., 2003, Anlise Dinmica de Linhas Flexveis com Elemento de
Prtico No Linear Geomtrico Hbrido. Tese de M.Sc., COPPE/UFRJ
Programa de Engenharia Civil, Rio de Janeiro.
KENNEDY, J.; EBERHARDT, R.; 1995 ,Particle Swarm Optimizarion, proc. IEEE
Conference on Neural Networks , pg. 1942 1948
KENNEDY, J.; EBERHARDT, R.; 1995a ,A New Optimizer Using Particle Swarm
Theory, Sixth International Symposium on Micro Machine and Human
Science, IEEE,. pg. 39 43
KENNEDY, J.; EBERHARDT, R.C.; SHI, Y. ; 2001, Swarm Intelligence, The
Morgan Kaufmann Series in Evolutionary Computation, Academic Press,
San Francisco.
KWAN, C.T.; 1992 , Design Practice for Mooring of Floating Production Systems,
Marine Technology, Vol. 28, No. 1, pp. 30-38,.
LACERDA, E.G.M.; DE CARVALHO, A.C.P.L.F.; 1999 , Introduo aos Algoritmos
Genticos, Anais do XIX Congresso Nacional da Sociedade Brasileira de
Computao, Vol II, pp 52-125.
LEE, C.H.; 1998, WAMIT Wave Analysis MIT Program, Department of Ocean
Engineering Massachusettes Institute of Technology.
163
LEMONGE, A.C.C.; 1999 ,Aplicao de Algoritmos Genticos em Otimizao
Estrutural, Tese DSc., COPPE/UFRJ.
MAFFRA, S.A.R.S.; PACHECO, M.A.C.; MENEZES, I.F.M.; 2001, Genetic
Algorithm Optimization for Mooring System, 5th IEEE International
Conference on Intelligent Engineering Systems, Helsinki, Stockholm.
MEIROVICH, L., 1970, Methods of Analytical Dynamics, McGraw-Hill, New York.
MASETTI, I.Q.; 1994 , Anlise de um Quadro de Ancoragem para Escoamento de
Produo por Navio. Exame de Qualificao ao Doutorado, Programa de
Engenharia Civil, COPPE/UFRJ.
MASETTI, I.Q.; 1997, Anlise Dinmica de Navios Ancorados com Complacncia
Diferenciada. Tese DSc., COPPE/UFRJ.
MASETTI, I.Q., JACOB, B. P., SPARANO J. V., ALBRECHT, C. H., BARROS,
C.R.M.; 2003 ,Computational System for Offshore Pipeline Launching
Simulation, Proceedings of 22
nd
International Conference on Offshore
Mechanics and Artic Engineering, Cancun.
MATHISEN, K.M., 1990 , Large Displacement Analysis of Flexible and Rigid Systems
Considering Displacement-Dependent Loads and Nonlinear Constraints.
Division of Structural Engineering/The Norwegian Institute of Technology,
Trondheim, Norway.
MENDONA, C.E.L.R.; 2004, Um sistema Computacional para Otimizao Atravs
de Algoritmos Genticos e Redes Neurais, Tese de Doutorado, Programa de
Engenharia Civil, COPPE/UFRJ.
MICHALEWICZ, Z. ; 1999, Genetic Algorithms + Data Structures = Evolution
Programs, 3
rd
Edition, Springer Verlag, Berlin Heidelberg.
MOURELLE, M. M., 1993 , Anlise Dinmica de Sistemas Estruturais Constitudos
por Linhas Martimas, Tese de D.Sc., COPPE/UFRJ, Programa de
Engenharia Civil.
164
NOBLE DENTON; 1996 ,Integrated Mooring and Riser Design Phase 1: Interim
report. MCS and Noble Denton Europe.
NOBLE DENTON; 1998, Integrated Mooring and Riser Design Phase II: Interim
report. MCS and Noble Denton Europe.
PARSOPOULOS, K. E.; VRAHATIS, M. N.; 2004, On the Computation of All Global
Minimizers Through Particle Swarm Optimization , Transaction on
Evolutionary Computation, IEEE, Vol. 8, No. 3, June.
PAULING, J.R., 1970, Wave-Induced Forces and Motions of Tubular Structures.
Proceedings 8th Symposium of Naval Hydrodynamic, ONR, Arc 179,
Pasadena,
PETROBRAS, 1999 ,Metocean Data Technical Specification, ET-3000.00-1000-
941-PPC-001.
PETROBRAS , 2004, Minisite guas Profundas,
http://www2.petrobras.com.br/minisite/aguas_profundas/index.stm
PORTELLA, R. B., 2001 , Simulaes Numricas e Testes em Modelos Reduzidos para
o Clculo de Ancoragem de Um Sistema Flutuante, Tese de Mestrado,
COPPE/UFRJ, Rio de Janeiro.
RATNAWEERA A., HALGAMUGE S.K.; 2004, Self-Organizing Hierarchical
Particle Swarm Optimizer With Time-Varying Acceleration Coefficients,
IEEE Transactions On Evolutionary Computation, vol. 8, no. 3, june .
RODRIGUES, G. J. de O., 2004, Ferramentas Computacionais Para Otimizao E
Sntese De Sistemas Hbridos De Risers Baseados No Conceito De Bia De
Subsuperfcie , Tese de Doutorado, COPPE/UFRJ, Rio de Janeiro.
RODRIGUES, M. V., 1998, Uma Estratgia Semi-Implcita para a Soluo de
problemas de Dinmica Estrutural, Tese de M.Sc., COPPE/UFRJ,
Programa de Engenharia Civil.
165
RODRIGUES, M. V., 2004a, Algoritmos Otimizados Para A Anlise Acoplada De
Sistemas Flutuantes Na Explorao De Petrleo Offshore, Tese Doutorado,
COPPE/UFRJ, Rio de Janeiro.
ROSSI, R. R.; MESSINA, L. C. P.; AMARANTE, L. M. N.; KAIZER, A. M.;
AUGUSTO, O. B.; SILVA, J. R.;. 2001, MODUSs Mooring Systems for
Campos Basin Deep Water Fields. OMAE.
ROSSI, R. R.; 2002 ,Cabos de Poliester para Ancoragem de Plataformas Ocenicas em
guas Ultraprofundas, Tese de Mestrado, Programa de Engenharia
Ocenica, COPPE/UFRJ.
SANTOS, C. M. P. M.; 2000 ,Otimizao de Um Sistema de Ancoragem de um FPSO,
Exame de Qualificao ao Doutorado, Programa de Engenharia Civil,
COPPE; UFRJ.
SCHACHTER, R. D.; 1990 Optimization Techniques with Knowledge Based Control in
Ship Concept Design, PhD Thesis, Department of Mechanical engineering,
Brunel University, UK.
SCHWEFEL, H.P.; 1995, Evolution and Optimun Seeking, John Wiley & Sons, Inc.,
New York.
SENRA, S. F. , 2000, Metodologia de Projeto Integrado de Linhas de Ancoragem e
Risers, Proposta de Tese de Doutorado, COPPE/UFRJ, Rio de Janeiro.
SENRA, S. F. , 2004, Metodologias de Anlise e Projeto Integrado De Sistemas
Flutuantes para Explotao de Petrleo Offshore, Tese de Doutorado,
COPPE/UFRJ, Rio de Janeiro.
SHI , X. H. ; LIANG, Y. C.; LEE, H.P.; LU, C.; WANG. L.M.; 2004, An improved
GA and a novel PSO-GA-based hybrid algorithm, Information Processing
Letters, Elsevier, Article in press,.
SIDDAL, J. N.; 1982, Optimal Engineering Design: Principles and Applications,
Marcel Drekker, inc., New York.
166
SOUZA, J. M. C.; CALIGIANA, J.; CHIMISSO, E. G.; 2001, Otimizao de Cabos
para Ancoragem Atravs da Associao de Algoritmos Genticos e de
Lgica Nebulosa (Fuzzy Logic), 22
nd
Iberian Latin-American Congresso n
Computational Methods in Engineering, Campinas.
TRELEA, I. C. ; 2003, The Particle Swarm Optimization Algorithm: Convergence
Analysis and Parameter Selection, Information Processing Letters, Nr. 85,
pp 317-325.
TSUJI, K ; HONGESOMBUT, K.; MITANI, Y.; 2002, Power System Stabilizer
Tuning in Multimachine Power System Based On a Minimum Phase Control
Loop Method and Genetic Algorithm , 14
th
PSCC, Sevilha.
VARDARO, E.; 2003, Curso de Ancoragem de Sistemas Flutuantes, Laboratrio de
Mtodos Computacionais em Sistemas Offshore, LAMCSO/COPPE/UFRJ.
VENTER, G.; SOBIESZCZANSKI-SOBIELSKI, J.; 2002 ,Particle Swarm
Optimization , 43
rd
AIAA/ASME/ASCE/AHS/ASC - Structures, Structural
Dynamics and Material Conference, Denver, Colorado.
VIEIRA, L. T. ; 2004, Projeto timo de Risers via Algoritmos Genticos ,Exame de
Qualificao ao Doutorado, COPPE/UFRJ, Rio de Janeiro.
WETTER, M.; WRIGHT, J.; 2004, A comparison of Deterministic and probabilistic
optimization algorithms for nonsmooth simulation-based optimization,
Building and Evironment , Elsevier, p. 989-999.
ZIENKIEWICZ, O. C., TAYLOR, R. L., 2000 ,The Finite Element Method, 5 ed.
Oxford, Butterworth-Heinemann,.


167









ANEXO A



168
A.1 - Resultado de Execuo de Enxame de Partculas - Exemplo P1


-----------------------------------------------------------------------------
SITUA - Otimizao 2/27/2005 11:33:06 AM
-----------------------------------------------------------------------------


Parmetros do Algortmo
Nmero de Parmetros = 10
Tamanho do cromossomo = 77
Param Minimo Mximo Preciso Tam. Alelo
01 -10.000 10.000 0.100 8
02 -10.000 10.000 0.100 8
03 -10.000 10.000 0.100 8
04 -10.000 10.000 0.100 8
05 -10.000 10.000 0.100 8
06 -10.000 10.000 0.100 8
07 -10.000 10.000 0.100 8
08 -10.000 10.000 0.100 8
09 1500.000 3000.000 20.000 7
10 80.000 300.000 5.000 6
Tam. Populao = 10 Mx. Gerao = 30
Critrio de parada: Mdia x Melhor. K= 0.95 N= 3

Utilizando Enxame de Partcula

+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| Ger | Melhor | Pior | Mdia |Desv.Pad| Energ. | Aval | Conv |Penal.| Dist. | Tempo |
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| 1| 0.49364| 0.42588| 0.45062| 0.02052| 5.7| 10| 0| 10| 3.39831| 0:04:35| 5.19% 57.02%
| 2| 0.49364| 0.44468| 0.45585| 0.01039| 9.1| 10| 0| 10| 3.08294| 0:04:19| 5.19% 57.02%
| 3| 0.49364| 0.45374| 0.46225| 0.00427| 9.1| 10| 0| 10| 2.75624| 0:04:46| 5.19% 57.02%
| 4| 0.49364| 0.45888| 0.46875| 0.00578| 8.8| 10| 0| 10| 2.44684| 0:07:00| 5.19% 57.02%
| 5| 0.49364| 0.00000| 0.14145| 0.21607| 8.6| 10| 7| 3| 2.28206| 0:04:34| 5.19% 57.02%
169
| 6| 0.49364| 0.00000| 0.04858| 0.14573| 31.8| 10| 9| 1| 1.71096| 0:04:14| 5.19% 57.02%
| 7| 0.49364| 0.00000| 0.43346| 0.14466| 23.3| 10| 1| 9| 1.65855| 0:04:57| 5.19% 57.02%
| 8| 0.49364| 0.46233|*0.47330| 0.00664| 16.3| 10| 0| 10| 1.62236| 0:04:34| 5.19% 57.02%
| 9| 0.49364| 0.45950|*0.47388| 0.00897| 8.2| 10| 0| 10| 1.35385| 0:04:24| 5.19% 57.02%
| 10| 0.88856| 0.36930| 0.50387| 0.13195| 8.3| 10| 0| 9| 1.28845| 0:08:16| 21.82% 47.42%
| 11| 0.88856| 0.00000| 0.09546| 0.19093| 8.7| 10| 8| 2| 0.96742| 0:02:23| 21.82% 47.42%
| 12| 0.94975| 0.00000| 0.37086| 0.40013| 13.5| 10| 5| 2| 0.76691| 0:05:27| 15.16% 48.27%
| 13| 0.99168| 0.48330| 0.72578| 0.23566| 12.8| 10| 0| 5| 0.70911| 0:06:59| 10.84% 49.01%
| 14| 1.00484| 0.48148| 0.59596| 0.20009| 7.8| 10| 0| 8| 0.66922| 0:05:10| 9.52% 47.88%
| 15| 1.00484| 0.49414| 0.74378| 0.24686| 6.8| 10| 0| 5| 0.50810| 0:06:04| 9.52% 47.88%
| 16| 1.00484| 0.49702| 0.90973| 0.14314| 5.6| 10| 0| 1| 0.36284| 0:08:47| 9.52% 47.88%
| 17| 1.00484| 0.00000| 0.75749| 0.38023| 5.6| 10| 2| 0| 0.42049| 0:07:03| 9.52% 47.88%
| 18| 1.00484| 0.00000| 0.77173| 0.31636| 4.8| 10| 1| 2| 0.36786| 0:07:33| 9.52% 47.88%
| 19| 1.00484| 0.49520| 0.69405| 0.23946| 4.8| 10| 0| 6| 0.38167| 0:05:48| 9.52% 47.88%
| 20| 1.00484| 0.49870| 0.74318| 0.24334| 4.0| 10| 0| 5| 0.31113| 0:06:41| 9.52% 47.88%
| 21| 1.00484| 0.94906|*0.97419| 0.01596| 4.0| 10| 0| 0| 0.24288| 0:06:56| 9.52% 47.88%
| 22| 1.00484| 0.93834|*0.96450| 0.01319| 3.4| 10| 0| 0| 0.20127| 0:06:34| 9.52% 47.88%
| 23| 1.00484| 0.96819|*0.97817| 0.00965| 2.7| 10| 0| 0| 0.14805| 0:07:41| 9.52% 47.88%

Dados da Evoluo da Populao:


Tempo total de simulao : 02:14:45
Nmero total de avaliaes da funo: 230
Nmero total de indivduos penalizados: 118
Nmero total de indivduos no penalizados: 112
Nmero total de indivduos com falha de convergncia: 33

+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+
| Ger | Melhor | Pior | Mdia | DesvPad | NumAval | NaoConv |N.Ind.Pen.|D.Euc.Norm| Tempo |
+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+
| 1| 0.493639| 0.425876| 0.450624| 0.020524| 10| 0| 10| 3.398315| 00:04:35|
| 2| 0.493639| 0.444678| 0.455854| 0.010386| 10| 0| 10| 3.082944| 00:04:19|
| 3| 0.493639| 0.453737| 0.462250| 0.004270| 10| 0| 10| 2.756241| 00:04:46|
| 4| 0.493639| 0.458878| 0.468751| 0.005778| 10| 0| 10| 2.446844| 00:07:00|
| 5| 0.493639| 0.000000| 0.141446| 0.216073| 10| 7| 3| 2.282057| 00:04:34|
| 6| 0.493639| 0.000000| 0.048577| 0.145731| 10| 9| 1| 1.710964| 00:04:14|
170
| 7| 0.493639| 0.000000| 0.433460| 0.144658| 10| 1| 9| 1.658555| 00:04:57|
| 8| 0.493639| 0.462327| *0.473304| 0.006644| 10| 0| 10| 1.622365| 00:04:34|
| 9| 0.493639| 0.459497| *0.473879| 0.008969| 10| 0| 10| 1.353855| 00:04:24|
| 10| 0.888563| 0.369303| 0.503871| 0.131950| 10| 0| 9| 1.288449| 00:08:16|
| 11| 0.888563| 0.000000| 0.095462| 0.190930| 10| 8| 2| 0.967417| 00:02:23|
| 12| 0.949747| 0.000000| 0.370860| 0.400131| 10| 5| 2| 0.766906| 00:05:27|
| 13| 0.991676| 0.483299| 0.725780| 0.235664| 10| 0| 5| 0.709112| 00:06:59|
| 14| 1.004842| 0.481478| 0.595965| 0.200086| 10| 0| 8| 0.669222| 00:05:10|
| 15| 1.004842| 0.494145| 0.743777| 0.246861| 10| 0| 5| 0.508097| 00:06:04|
| 16| 1.004842| 0.497018| 0.909729| 0.143142| 10| 0| 1| 0.362845| 00:08:47|
| 17| 1.004842| 0.000000| 0.757493| 0.380225| 10| 2| 0| 0.420488| 00:07:03|
| 18| 1.004842| 0.000000| 0.771728| 0.316358| 10| 1| 2| 0.367861| 00:07:33|
| 19| 1.004842| 0.495195| 0.694048| 0.239455| 10| 0| 6| 0.381665| 00:05:48|
| 20| 1.004842| 0.498701| 0.743180| 0.243339| 10| 0| 5| 0.311130| 00:06:41|
| 21| 1.004842| 0.949057| *0.974187| 0.015963| 10| 0| 0| 0.242878| 00:06:56|
| 22| 1.004842| 0.938336| *0.964503| 0.013190| 10| 0| 0| 0.201267| 00:06:34|
| 23| 1.004842| 0.968186| *0.978171| 0.009647| 10| 0| 0| 0.148052| 00:07:41|

+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+

Eficincia:
+----------+----------+----------+
| Ganho % | NumAval | Efic. |
+----------+----------+----------+
| 103.56| 230| 0.45025|
+----------+----------+----------+

171
A.2 - Resultado de Execuo de Micro Algoritmo Gentico - Exemplo P1

-----------------------------------------------------------------------------
SITUA - Otimizao 2/26/2005 4:54:28 PM
-----------------------------------------------------------------------------


Parmetros do Algortmo Gentico
Nmero de Parmetros = 10
Tamanho do cromossomo = 77
Param Minimo Mximo Preciso Tam. Alelo
01 -10.000 10.000 0.100 8
02 -10.000 10.000 0.100 8
03 -10.000 10.000 0.100 8
04 -10.000 10.000 0.100 8
05 -10.000 10.000 0.100 8
06 -10.000 10.000 0.100 8
07 -10.000 10.000 0.100 8
08 -10.000 10.000 0.100 8
09 1500.000 3000.000 20.000 7
10 80.000 300.000 5.000 6
Tam. Populao = 10 Mx. Gerao = 30
Critrio de parada: Mdia x Melhor. K= 0.95 N= 3

Utilizando Micro Algoritmo Gentico (10 geraes na fase 2)

+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| Ger | Melhor | Pior | Mdia |Desv.Pad|Var.Gen.| Aval | Conv |Penal.| Dist. | Tempo |
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| 1/1| 0.48584| 0.42626| 0.45340| 0.01863| 51.08| 10| 0| 10| 3.51607| 0:05:03| 10.43% 55.26% (0.48584)
| 1/2| 0.48661| 0.45103|*0.47100| 0.01287| 47.76| 9| 0| 9| 3.45929| 0:05:03| 10.99% 54.41% (0.48661)
| 1/3| 0.48661| 0.48366|*0.48536| 0.00111| 36.65| 5| 0| 5| 3.38103| 0:03:01| 10.99% 54.41% (0.48661)
| 1/4| 0.49301| 0.48592|*0.48753| 0.00272| 17.32| 5| 0| 5| 2.11938| 0:03:05| 10.17% 52.63% (0.49301)
| 1/5| 0.49302| 0.48659|*0.49054| 0.00296| 13.85| 5| 0| 5| 1.67912| 0:03:02| 10.17% 52.63% (0.49302)
| 1/6| 0.49318| 0.49220|*0.49295| 0.00025| 02.74| 4| 0| 4| 0.16245| 0:02:26| 10.13% 52.60% (0.49318)
172
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| Ger | Melhor | Pior | Mdia |Desv.Pad|Var.Gen.| Aval | Conv |Penal.| Dist. | Tempo |
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| 2/1| 0.49318| 0.00000| 0.41421| 0.13964| 51.52| 10| 2| 8| 4.00837| 0:04:29| 10.13% 52.60% (0.49318)
| 2/2| 0.49318| 0.44056| 0.46372| 0.01387| 51.66| 8| 1| 7| 4.14377| 0:03:56| 10.13% 52.60% (0.49318)
| 2/3| 0.95458| 0.00000| 0.47181| 0.21364| 36.36| 9| 2| 6| 2.96972| 0:04:20| 14.65% 49.85% (0.95458)
| 2/4| 0.95458| 0.35349| 0.50928| 0.15297| 35.79| 10| 1| 9| 3.36400| 0:05:24| 14.65% 49.85% (0.95458)
| 2/5| 0.95458| 0.47421| 0.57201| 0.19131| 29.29| 7| 0| 6| 3.33134| 0:05:41| 14.65% 49.85% (0.95458)
| 2/6| 0.98160| 0.47941| 0.77975| 0.24185| 14.29| 5| 0| 4| 1.31803| 0:02:47| 11.86% 49.85% (0.98160)
| 2/7| 0.98160| 0.95455|*0.95725| 0.00812| 00.00| 1| 0| 0| 0.00000| 0:00:51| 11.86% 49.85% (0.98160)
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| Ger | Melhor | Pior | Mdia |Desv.Pad|Var.Gen.| Aval | Conv |Penal.| Dist. | Tempo |
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| 3/1| 0.98160| 0.42674| 0.50768| 0.15931| 50.94| 10| 0| 10| 3.57553| 0:03:38| 11.86% 49.85% (0.98160)
| 3/2| 0.98160| 0.44728| 0.51768| 0.15522| 43.15| 10| 0| 10| 3.01196| 0:05:03| 11.86% 49.85% (0.98160)
| 3/3| 0.98160| 0.47371| 0.53103| 0.15023| 30.45| 6| 1| 5| 1.87414| 0:03:31| 11.86% 49.85% (0.98160)
| 3/4| 0.98160| 0.48397| 0.53463| 0.14900| 47.19| 4| 0| 4| 2.71322| 0:02:09| 11.86% 49.85% (0.98160)
| 3/5| 0.98160| 0.48275| 0.53436| 0.14908| 42.42| 7| 0| 7| 2.53653| 0:04:51| 11.86% 49.85% (0.98160)
| 3/6| 0.98160| 0.48251| 0.53505| 0.14886| 35.50| 8| 0| 8| 2.38307| 0:05:30| 11.86% 49.85% (0.98160)
| 3/7| 0.98160| 0.47915| 0.53460| 0.14911| 19.34| 6| 0| 6| 1.34892| 0:03:07| 11.86% 49.85% (0.98160)
| 3/8| 0.98160| 0.47073| 0.53036| 0.15056| 21.50| 8| 0| 8| 1.59460| 0:06:13| 11.86% 49.85% (0.98160)
| 3/9| 0.98160| 0.48241| 0.53478| 0.14895| 31.89| 7| 0| 7| 2.32064| 0:05:05| 11.86% 49.85% (0.98160)
| 3/10| 0.98160| 0.48383| 0.53513| 0.14883| 32.18| 5| 0| 5| 2.40853| 0:03:21| 11.86% 49.85% (0.98160)
| 3/11| 0.98160| 0.47077| 0.53377| 0.14934| 28.72| 5| 0| 5| 2.14178| 0:03:41| 11.86% 49.85% (0.98160)
| 3/12| 0.98160| 0.47078| 0.53214| 0.14993| 24.68| 4| 0| 4| 1.87445| 0:03:14| 11.86% 49.85% (0.98160)
| 3/13| 0.98160| 0.46890| 0.53099| 0.15037| 20.49| 6| 0| 6| 1.71876| 0:04:59| 11.86% 49.85% (0.98160)
| 3/14| 0.98160| 0.48565| 0.53575| 0.14862| 25.83| 4| 0| 4| 2.07683| 0:02:45| 11.86% 49.85% (0.98160)
| 3/15| 0.98160| 0.47077| 0.53308| 0.14964| 15.01| 4| 0| 4| 1.32830| 0:02:49| 11.86% 49.85% (0.98160)
| 3/16| 0.98160| 0.47159| 0.53492| 0.14897| 12.99| 3| 0| 3| 1.27601| 0:02:21| 11.86% 49.85% (0.98160)
| 3/17| 0.98160| 0.48691| 0.53664| 0.14832| 13.42| 3| 0| 3| 1.41718| 0:02:27| 11.86% 49.85% (0.98160)
| 3/18| 0.98160| 0.48559| 0.90923| 0.14147| 11.40| 3| 0| 2| 1.38980| 0:02:14| 11.86% 49.85% (0.98160)
| 3/19| 0.98160| 0.48791| 0.53728| 0.14811| 11.69| 2| 0| 2| 1.39052| 0:01:23| 11.86% 49.85% (0.98160)
| 3/20| 0.98160| 0.95317|*0.95601| 0.00853| 11.69| 1| 0| 0| 1.39052| 0:00:49| 11.86% 49.85% (0.98160)
| 3/21| 0.98160| 0.48746| 0.53688| 0.14824| 11.69| 2| 0| 2| 1.39052| 0:01:26| 11.86% 49.85% (0.98160)
| 3/22| 0.98160| 0.47151| 0.57882| 0.19454| 07.79| 4| 0| 3| 0.94195| 0:03:27| 11.86% 49.85% (0.98160)
| 3/23| 0.98160| 0.47151| 0.53411| 0.14927| 08.66| 5| 0| 5| 1.11858| 0:03:58| 11.86% 49.85% (0.98160)
| 3/24| 0.98160| 0.48543| 0.90933| 0.14155| 09.38| 4| 0| 2| 1.38976| 0:02:32| 11.86% 49.85% (0.98160)
173
| 3/25| 0.98160| 0.48755| 0.86390| 0.18834| 09.67| 3| 0| 2| 1.39049| 0:02:16| 11.86% 49.85% (0.98160)
| 3/26| 0.98160| 0.47078| 0.53529| 0.14886| 07.79| 3| 0| 3| 1.23526| 0:02:27| 11.86% 49.85% (0.98160)
| 3/27| 0.98160| 0.47071| 0.53559| 0.14876| 08.08| 2| 0| 2| 1.23598| 0:01:24| 11.86% 49.85% (0.98160)
| 3/28| 0.98160| 0.47069| 0.53335| 0.14956| 06.78| 4| 0| 4| 1.08076| 0:03:43| 11.86% 49.85% (0.98160)
| 3/29| 0.98160| 0.48796| 0.53732| 0.14809| 09.09| 2| 0| 2| 1.39048| 0:01:30| 11.86% 49.85% (0.98160)
| 3/30| 0.98160| 0.95328|*0.95612| 0.00850| 09.09| 2| 0| 1| 1.39048| 0:01:28| 11.86% 49.85% (0.98160)
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| Ger | Melhor | Pior | Mdia |Desv.Pad|Var.Gen.| Aval | Conv |Penal.| Dist. | Tempo |
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| 4/1| 0.98160| 0.36317| 0.49073| 0.16643| 53.68| 10| 1| 9| 3.66708| 0:04:58| 11.86% 49.85% (0.98160)
| 4/2| 0.98160| 0.44782| 0.51368| 0.15619| 35.50| 8| 0| 8| 2.18874| 0:04:19| 11.86% 49.85% (0.98160)
| 4/3| 0.98160| 0.45961| 0.52273| 0.15307| 46.03| 8| 0| 8| 2.65497| 0:04:39| 11.86% 49.85% (0.98160)
| 4/4| 0.98160| 0.46519| 0.52241| 0.15313| 34.05| 9| 0| 9| 1.91001| 0:06:25| 11.86% 49.85% (0.98160)
| 4/5| 0.98160| 0.45562| 0.52157| 0.15345| 38.67| 7| 0| 7| 1.94508| 0:04:40| 11.86% 49.85% (0.98160)
| 4/6| 0.98160| 0.45523| 0.52304| 0.15298| 36.80| 7| 0| 7| 2.27882| 0:04:06| 11.86% 49.85% (0.98160)
| 4/7| 0.98160| 0.47113| 0.52535| 0.15209| 44.88| 6| 0| 6| 2.92168| 0:05:14| 11.86% 49.85% (0.98160)
| 4/8| 0.98160| 0.46810| 0.52583| 0.15203| 41.70| 7| 0| 7| 2.56979| 0:03:16| 11.86% 49.85% (0.98160)
| 4/9| 0.98160| 0.45566| 0.52293| 0.15303| 35.79| 8| 0| 8| 2.46384| 0:05:09| 11.86% 49.85% (0.98160)
| 4/10| 0.98160| 0.47340| 0.52761| 0.15134| 43.43| 9| 0| 9| 3.24242| 0:05:59| 11.86% 49.85% (0.98160)
| 4/11| 0.98160| 0.47208| 0.52738| 0.15143| 42.57| 9| 0| 9| 3.07451| 0:05:01| 11.86% 49.85% (0.98160)
| 4/12| 0.98160| 0.46060| 0.52609| 0.15195| 39.54| 8| 0| 8| 2.98308| 0:04:17| 11.86% 49.85% (0.98160)
| 4/13| 0.98160| 0.45566| 0.52321| 0.15301| 34.49| 6| 0| 6| 2.49387| 0:04:15| 11.86% 49.85% (0.98160)
| 4/14| 0.98160| 0.45561| 0.52298| 0.15314| 31.17| 6| 0| 6| 2.25567| 0:03:49| 11.86% 49.85% (0.98160)
| 4/15| 0.98160| 0.47842| 0.52890| 0.15090| 43.29| 3| 0| 3| 3.16481| 0:01:33| 11.86% 49.85% (0.98160)
| 4/16| 0.98160| 0.46466| 0.52357| 0.15279| 25.40| 5| 0| 5| 1.92074| 0:02:32| 11.86% 49.85% (0.98160)
| 4/17| 0.98160| 0.46141| 0.52733| 0.15151| 38.10| 3| 0| 3| 3.08936| 0:01:40| 11.86% 49.85% (0.98160)
| 4/18| 0.98160| 0.47251| 0.52840| 0.15108| 41.27| 3| 0| 3| 3.13283| 0:02:17| 11.86% 49.85% (0.98160)
| 4/19| 0.98160| 0.46781| 0.52799| 0.15124| 38.67| 3| 0| 3| 3.10527| 0:01:33| 11.86% 49.85% (0.98160)
| 4/20| 0.98160| 0.46765| 0.52791| 0.15127| 38.67| 3| 0| 3| 3.10527| 0:01:32| 11.86% 49.85% (0.98160)
| 4/21| 0.98160| 0.46696| 0.52709| 0.15158| 37.81| 5| 0| 5| 2.75136| 0:02:28| 11.86% 49.85% (0.98160)
| 4/22| 0.98160| 0.47233| 0.52663| 0.15169| 38.10| 3| 0| 3| 3.10090| 0:01:58| 11.86% 49.85% (0.98160)
| 4/23| 0.98160| 0.47655| 0.52886| 0.15092| 40.40| 3| 0| 3| 3.11817| 0:01:44| 11.86% 49.85% (0.98160)
| 4/24| 0.98160| 0.46577| 0.52667| 0.15172| 35.93| 3| 0| 3| 2.61445| 0:01:37| 11.86% 49.85% (0.98160)
| 4/25| 0.98160| 0.46835| 0.52804| 0.15122| 40.84| 3| 0| 3| 2.96298| 0:02:03| 11.86% 49.85% (0.98160)
| 4/26| 0.98160| 0.46286| 0.52459| 0.15245| 30.88| 6| 0| 6| 2.79968| 0:04:07| 11.86% 49.85% (0.98160)
| 4/27| 0.98160| 0.46574| 0.52432| 0.15254| 27.13| 4| 0| 4| 2.08784| 0:02:04| 11.86% 49.85% (0.98160)
| 4/28| 0.98160| 0.47881| 0.52909| 0.15084| 41.56| 2| 0| 2| 3.13647| 0:01:06| 11.86% 49.85% (0.98160)
174
| 4/29| 0.98160| 0.46696| 0.52716| 0.15153| 37.66| 4| 0| 4| 2.90960| 0:02:00| 11.86% 49.85% (0.98160)
| 4/30| 0.98160| 0.46646| 0.52709| 0.15156| 37.66| 4| 0| 4| 2.91103| 0:02:13| 11.86% 49.85% (0.98160)
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| Ger | Melhor | Pior | Mdia |Desv.Pad|Var.Gen.| Aval | Conv |Penal.| Dist. | Tempo |
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| 5/1| 0.98160| 0.42413| 0.50006| 0.16104| 51.52| 10| 0| 10| 3.70544| 0:05:04| 11.86% 49.85% (0.98160)
| 5/2| 0.98160| 0.43011| 0.50912| 0.15791| 46.03| 10| 0| 10| 2.97091| 0:05:55| 11.86% 49.85% (0.98160)
| 5/3| 0.98160| 0.45697| 0.51443| 0.15583| 40.12| 10| 0| 10| 2.59765| 0:07:46| 11.86% 49.85% (0.98160)
| 5/4| 0.98160| 0.46139| 0.51743| 0.15478| 38.24| 10| 0| 10| 2.71984| 0:07:43| 11.86% 49.85% (0.98160)
| 5/5| 0.98160| 0.44465| 0.51629| 0.15534| 22.94| 8| 0| 8| 1.91723| 0:05:37| 11.86% 49.85% (0.98160)
| 5/6| 0.98160| 0.45746| 0.51883| 0.15434| 21.07| 9| 0| 9| 1.37779| 0:06:29| 11.86% 49.85% (0.98160)
| 5/7| 0.98160| 0.45759| 0.51899| 0.15427| 21.65| 9| 0| 9| 1.38025| 0:06:56| 11.86% 49.85% (0.98160)
| 5/8| 0.98160| 0.45898| 0.51986| 0.15397| 26.98| 8| 0| 8| 1.62209| 0:05:45| 11.86% 49.85% (0.98160)
| 5/9| 0.98160| 0.46880| 0.52336| 0.15276| 28.28| 6| 0| 6| 1.67974| 0:04:10| 11.86% 49.85% (0.98160)
| 5/10| 0.98160| 0.46780| 0.52371| 0.15266| 25.25| 6| 0| 6| 1.56583| 0:03:30| 11.86% 49.85% (0.98160)
| 5/11| 0.98160| 0.46177| 0.52426| 0.15252| 31.17| 5| 0| 5| 1.71552| 0:02:44| 11.86% 49.85% (0.98160)
| 5/12| 0.98160| 0.45745| 0.51751| 0.15488| 20.63| 6| 0| 6| 1.10621| 0:03:50| 11.86% 49.85% (0.98160)
| 5/13| 0.98160| 0.46413| 0.52239| 0.15316| 32.47| 4| 0| 4| 1.69816| 0:02:32| 11.86% 49.85% (0.98160)
| 5/14| 0.98160| 0.46440| 0.52379| 0.15267| 29.87| 4| 0| 4| 1.63705| 0:02:08| 11.86% 49.85% (0.98160)
| 5/15| 0.98160| 0.47633| 0.52686| 0.15158| 33.77| 2| 0| 2| 1.78859| 0:01:10| 11.86% 49.85% (0.98160)
| 5/16| 0.98160| 0.46562| 0.52579| 0.15197| 33.62| 3| 0| 3| 1.76768| 0:01:22| 11.86% 49.85% (0.98160)
| 5/17| 0.98160| 0.47633| 0.52686| 0.15158| 33.77| 2| 0| 2| 1.78859| 0:01:11| 11.86% 49.85% (0.98160)
| 5/18| 0.98160| 0.44495| 0.51807| 0.15489| 22.51| 5| 0| 5| 1.32233| 0:03:44| 11.86% 49.85% (0.98160)
| 5/19| 0.98160| 0.46182| 0.52215| 0.15326| 27.56| 6| 0| 6| 1.55557| 0:03:15| 11.86% 49.85% (0.98160)
| 5/20| 0.98160| 0.46230| 0.52426| 0.15253| 31.89| 4| 0| 4| 1.72393| 0:02:25| 11.86% 49.85% (0.98160)
| 5/21| 0.98160| 0.44469| 0.51476| 0.15594| 20.78| 8| 0| 8| 1.34959| 0:05:17| 11.86% 49.85% (0.98160)
| 5/22| 0.98160| 0.46440| 0.52625| 0.15184| 30.59| 3| 0| 3| 1.67882| 0:01:32| 11.86% 49.85% (0.98160)
| 5/23| 0.98160| 0.44898| 0.51910| 0.15444| 22.66| 7| 0| 7| 1.39409| 0:04:49| 11.86% 49.85% (0.98160)
| 5/24| 0.98160| 0.45234| 0.52185| 0.15348| 24.24| 5| 0| 5| 1.44418| 0:03:21| 11.86% 49.85% (0.98160)
| 5/25| 0.98160| 0.44580| 0.52090| 0.15388| 29.29| 5| 0| 5| 1.61383| 0:03:31| 11.86% 49.85% (0.98160)
| 5/26| 0.98160| 0.46172| 0.52312| 0.15294| 28.14| 5| 0| 5| 1.55105| 0:03:07| 11.86% 49.85% (0.98160)
| 5/27| 0.98160| 0.46809| 0.52603| 0.15188| 30.16| 3| 0| 3| 1.66923| 0:01:51| 11.86% 49.85% (0.98160)
| 5/28| 0.98160| 0.45702| 0.51989| 0.15408| 24.68| 6| 0| 6| 1.39586| 0:03:50| 11.86% 49.85% (0.98160)
| 5/29| 0.98160| 0.46865| 0.52537| 0.15211| 26.84| 3| 0| 3| 1.56970| 0:02:03| 11.86% 49.85% (0.98160)
| 5/30| 0.98160| 0.46269| 0.52315| 0.15289| 21.50| 5| 0| 5| 1.37572| 0:02:40| 11.86% 49.85% (0.98160)
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| Ger | Melhor | Pior | Mdia |Desv.Pad|Var.Gen.| Aval | Conv |Penal.| Dist. | Tempo |
175
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| 6/1| 0.98160| 0.38819| 0.48213| 0.16765| 52.96| 10| 0| 10| 4.10213| 0:05:20| 11.86% 49.85% (0.98160)
| 6/2| 0.98160| 0.41150| 0.49738| 0.16195| 52.96| 8| 0| 8| 3.94468| 0:03:08| 11.86% 49.85% (0.98160)
| 6/3| 0.98160| 0.43703| 0.50334| 0.15980| 40.84| 8| 0| 8| 3.00667| 0:04:47| 11.86% 49.85% (0.98160)
| 6/4| 0.98160| 0.42158| 0.51258| 0.15746| 35.50| 8| 0| 8| 3.02483| 0:03:58| 11.86% 49.85% (0.98160)
| 6/5| 0.98160| 0.46405| 0.52893| 0.15112| 20.63| 6| 0| 6| 1.73445| 0:03:01| 11.86% 49.85% (0.98160)
| 6/6| 0.98160| 0.45995| 0.51678| 0.15498| 07.79| 7| 0| 7| 0.93631| 0:05:43| 11.86% 49.85% (0.98160)
| 6/7| 0.98160| 0.46523| 0.52071| 0.15364| 09.96| 4| 0| 4| 1.50741| 0:03:24| 11.86% 49.85% (0.98160)
| 6/8| 0.98160| 0.42259| 0.51050| 0.15809| 05.48| 5| 0| 5| 0.97644| 0:04:19| 11.86% 49.85% (0.98160)
| 6/9| 0.98160| 0.47032| 0.52153| 0.15336| 08.95| 3| 0| 3| 1.60377| 0:02:30| 11.86% 49.85% (0.98160)
| 6/10| 0.98160| 0.46986| 0.52159| 0.15334| 11.11| 4| 0| 4| 1.56502| 0:03:15| 11.86% 49.85% (0.98160)
| 6/11| 0.98160| 0.36797| 0.49095| 0.16988| 08.66| 2| 0| 2| 1.02406| 0:01:50| 11.86% 49.85% (0.98160)
| 6/12| 0.98160| 0.36816| 0.50136| 0.16512| 10.10| 2| 0| 2| 1.19474| 0:01:33| 11.86% 49.85% (0.98160)
| 6/13| 0.98160| 0.47060| 0.52170| 0.15330| 12.99| 1| 0| 1| 1.53609| 0:00:50| 11.86% 49.85% (0.98160)
| 6/14| 0.98160| 0.36662| 0.50093| 0.16539| 10.10| 2| 0| 2| 1.19474| 0:01:48| 11.86% 49.85% (0.98160)
| 6/15| 0.98160| 0.46041| 0.52076| 0.15365| 11.69| 3| 0| 3| 1.37039| 0:02:13| 11.86% 49.85% (0.98160)
| 6/16| 0.98160| 0.46005| 0.51966| 0.15404| 10.10| 2| 0| 2| 1.19474| 0:01:28| 11.86% 49.85% (0.98160)
| 6/17| 0.98160| 0.46003| 0.52068| 0.15367| 11.40| 3| 0| 3| 1.36534| 0:02:24| 11.86% 49.85% (0.98160)
| 6/18| 0.98160| 0.45982| 0.51879| 0.15432| 08.51| 6| 0| 6| 1.16348| 0:05:29| 11.86% 49.85% (0.98160)
| 6/19| 0.98160| 0.46004| 0.51958| 0.15407| 08.95| 3| 0| 3| 1.21407| 0:02:23| 11.86% 49.85% (0.98160)
| 6/20| 0.98160| 0.46041| 0.51960| 0.15405| 09.96| 4| 0| 4| 1.19466| 0:03:29| 11.86% 49.85% (0.98160)
| 6/21| 0.98160| 0.47080| 0.52188| 0.15324| 12.99| 2| 0| 2| 1.53609| 0:01:32| 11.86% 49.85% (0.98160)
| 6/22| 0.98160| 0.45998| 0.51760| 0.15475| 07.50| 3| 0| 3| 0.85852| 0:02:16| 11.86% 49.85% (0.98160)
| 6/23| 0.98160| 0.34917| 0.45735| 0.18261| 07.94| 3| 0| 3| 1.00104| 0:02:43| 11.86% 49.85% (0.98160)
| 6/24| 0.98160| 0.44753| 0.50506| 0.15906| 02.02| 3| 0| 3| 0.31825| 0:02:30| 11.86% 49.85% (0.98160)
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| Ger | Melhor | Pior | Mdia |Desv.Pad|Var.Gen.| Aval | Conv |Penal.| Dist. | Tempo |
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| 7/1| 0.98160| 0.38983| 0.47799| 0.17120| 46.75| 10| 0| 10| 3.66550| 0:04:36| 11.86% 49.85% (0.98160)
| 7/2| 0.98160| 0.41530| 0.50197| 0.16086| 33.48| 9| 0| 9| 3.39950| 0:05:44| 11.86% 49.85% (0.98160)
| 7/3| 0.98160| 0.46558| 0.51996| 0.15390| 16.16| 5| 0| 5| 2.25296| 0:03:51| 11.86% 49.85% (0.98160)
| 7/4| 0.98160| 0.46845| 0.52256| 0.15302| 10.25| 4| 0| 4| 1.86886| 0:03:13| 11.86% 49.85% (0.98160)
| 7/5| 0.98160| 0.47218| 0.52316| 0.15281| 11.11| 3| 0| 3| 2.01140| 0:02:02| 11.86% 49.85% (0.98160)
| 7/6| 0.98160| 0.46967| 0.52252| 0.15303| 12.27| 4| 0| 4| 2.02613| 0:02:53| 11.86% 49.85% (0.98160)
| 7/7| 0.98160| 0.46810| 0.52245| 0.15306| 10.10| 3| 0| 3| 1.98431| 0:02:20| 11.86% 49.85% (0.98160)
| 7/8| 0.98160| 0.46532| 0.52216| 0.15316| 09.24| 2| 0| 2| 1.77525| 0:01:24| 11.86% 49.85% (0.98160)
| 7/9| 0.98160| 0.46554| 0.52186| 0.15327| 08.51| 3| 0| 3| 1.72865| 0:02:22| 11.86% 49.85% (0.98160)
176
| 7/10| 0.98160| 0.47217| 0.52312| 0.15283| 10.39| 1| 0| 1| 1.99716| 0:00:52| 11.86% 49.85% (0.98160)
| 7/11| 0.98160| 0.46558| 0.52181| 0.15329| 08.08| 2| 0| 2| 1.55335| 0:01:40| 11.86% 49.85% (0.98160)
| 7/12| 0.98160| 0.46562| 0.52200| 0.15322| 09.09| 4| 0| 4| 1.76247| 0:02:57| 11.86% 49.85% (0.98160)
| 7/13| 0.98160| 0.46561| 0.52116| 0.15351| 06.93| 2| 0| 2| 1.33144| 0:01:26| 11.86% 49.85% (0.98160)
| 7/14| 0.98160| 0.46637| 0.52227| 0.15312| 09.67| 3| 0| 3| 1.95056| 0:02:13| 11.86% 49.85% (0.98160)
| 7/15| 0.98160| 0.46541| 0.52178| 0.15330| 08.08| 3| 0| 3| 1.55335| 0:02:13| 11.86% 49.85% (0.98160)
| 7/16| 0.98160| 0.47218| 0.52312| 0.15283| 10.39| 1| 0| 1| 1.99716| 0:00:55| 11.86% 49.85% (0.98160)
| 7/17| 0.98160| 0.46562| 0.52209| 0.15319| 08.66| 3| 0| 3| 1.72418| 0:02:05| 11.86% 49.85% (0.98160)
| 7/18| 0.98160| 0.47184| 0.52281| 0.15293| 10.39| 1| 0| 1| 1.99716| 0:00:54| 11.86% 49.85% (0.98160)
| 7/19| 0.98160| 0.46656| 0.52231| 0.15311| 09.67| 3| 0| 3| 1.95056| 0:02:03| 11.86% 49.85% (0.98160)
| 7/20| 0.98160| 0.46560| 0.52219| 0.15315| 09.24| 2| 0| 2| 1.77525| 0:01:40| 11.86% 49.85% (0.98160)
| 7/21| 0.98160| 0.46777| 0.52242| 0.15307| 10.25| 3| 0| 3| 1.98437| 0:02:08| 11.86% 49.85% (0.98160)
| 7/22| 0.98160| 0.46561| 0.52167| 0.15333| 08.51| 3| 0| 3| 1.72865| 0:02:01| 11.86% 49.85% (0.98160)
| 7/23| 0.98160| 0.46794| 0.52269| 0.15298| 10.10| 3| 0| 3| 1.98431| 0:02:17| 11.86% 49.85% (0.98160)
| 7/24| 0.98160| 0.47220| 0.52314| 0.15282| 10.39| 2| 0| 2| 1.99716| 0:01:28| 11.86% 49.85% (0.98160)
| 7/25| 0.98160| 0.46565| 0.52147| 0.15339| 07.79| 5| 0| 5| 1.60922| 0:03:44| 11.86% 49.85% (0.98160)
| 7/26| 0.98160| 0.46562| 0.52220| 0.15315| 09.24| 2| 0| 2| 1.77525| 0:01:24| 11.86% 49.85% (0.98160)
| 7/27| 0.98160| 0.46558| 0.52127| 0.15347| 07.50| 3| 0| 3| 1.50227| 0:02:21| 11.86% 49.85% (0.98160)
| 7/28| 0.98160| 0.46543| 0.52048| 0.15373| 06.78| 3| 0| 3| 1.31865| 0:02:11| 11.86% 49.85% (0.98160)
| 7/29| 0.98160| 0.46560| 0.52180| 0.15329| 08.08| 2| 0| 2| 1.55335| 0:01:29| 11.86% 49.85% (0.98160)
| 7/30| 0.98160| 0.46892| 0.52253| 0.15303| 09.96| 3| 0| 3| 1.91417| 0:02:14| 11.86% 49.85% (0.98160)
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| Ger | Melhor | Pior | Mdia |Desv.Pad|Var.Gen.| Aval | Conv |Penal.| Dist. | Tempo |
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| 8/1| 0.98160| 0.00000| 0.42809| 0.22578| 50.36| 10| 2| 8| 3.97576| 0:03:29| 11.86% 49.85% (0.98160)
| 8/2| 0.98160| 0.00000| 0.41021| 0.26070| 42.42| 8| 2| 6| 3.34972| 0:06:01| 11.86% 49.85% (0.98160)
| 8/3| 0.98160| 0.45036| 0.61336| 0.21995| 44.16| 8| 1| 5| 3.39647| 0:05:49| 11.86% 49.85% (0.98160)
| 8/4| 0.98160| 0.00000| 0.65984| 0.37546| 34.05| 7| 3| 2| 2.84402| 0:03:51| 11.86% 49.85% (0.98160)
| 8/5| 0.98160| 0.46948| 0.66450| 0.22845| 37.09| 6| 1| 4| 3.11339| 0:04:18| 11.86% 49.85% (0.98160)
| 8/6| 0.98160| 0.00000| 0.51892| 0.44424| 20.63| 8| 5| 1| 1.79279| 0:03:18| 11.86% 49.85% (0.98160)
| 8/7| 0.98160| 0.00000| 0.75193| 0.31034| 31.31| 5| 1| 2| 2.69877| 0:03:31| 11.86% 49.85% (0.98160)
| 8/8| 0.98160| 0.00000| 0.79772| 0.30011| 33.04| 5| 2| 1| 2.76980| 0:02:23| 11.86% 49.85% (0.98160)
| 8/9| 0.98160| 0.00000| 0.65987| 0.37490| 30.59| 5| 3| 1| 2.79546| 0:01:53| 11.86% 49.85% (0.98160)
| 8/10| 0.98160| 0.00000| 0.70768| 0.31309| 32.18| 6| 2| 3| 2.82113| 0:03:14| 11.86% 49.85% (0.98160)
| 8/11| 0.98160| 0.93104|*0.93609| 0.01517| 38.96| 2| 0| 1| 3.24500| 0:02:04| 11.86% 49.85% (0.98160)
| 8/12| 0.98160| 0.00000| 0.65910| 0.37531| 31.31| 6| 3| 2| 2.71018| 0:02:20| 11.86% 49.85% (0.98160)
| 8/13| 0.98160| 0.48073| 0.89106| 0.13761| 37.23| 2| 0| 1| 3.17915| 0:01:28| 11.86% 49.85% (0.98160)
177
| 8/14| 0.98160| 0.00000| 0.74991| 0.37525| 30.30| 3| 2| 0| 2.52389| 0:00:53| 11.86% 49.85% (0.98160)
| 8/15| 0.98160| 0.00000| 0.74999| 0.37529| 30.30| 5| 3| 0| 2.62447| 0:01:46| 11.86% 49.85% (0.98160)
| 8/16| 0.98160| 0.47271| 0.84424| 0.18608| 34.63| 5| 1| 2| 3.04238| 0:03:12| 11.86% 49.85% (0.98160)
| 8/17| 0.98160| 0.00000| 0.61069| 0.42276| 25.25| 6| 3| 1| 2.33851| 0:02:18| 11.86% 49.85% (0.98160)
| 8/18| 0.98160| 0.00000| 0.65660| 0.43011| 24.82| 5| 3| 0| 2.24313| 0:01:32| 11.86% 49.85% (0.98160)
| 8/19| 0.98160| 0.93054|*0.93680| 0.01496| 31.17| 2| 0| 0| 3.09016| 0:01:54| 11.86% 49.85% (0.98160)
| 8/20| 0.98160| 0.00000| 0.75030| 0.37544| 22.80| 4| 2| 0| 2.57969| 0:02:01| 11.86% 49.85% (0.98160)
| 8/21| 0.98160| 0.93241|*0.93733| 0.01476| 27.27| 2| 1| 0| 3.01274| 0:00:57| 11.86% 49.85% (0.98160)
| 8/22| 0.98160| 0.00000| 0.79780| 0.29911| 23.81| 3| 1| 1| 2.63795| 0:01:25| 11.86% 49.85% (0.98160)
| 8/23| 0.98160| 0.00000| 0.61130| 0.42355| 19.34| 6| 4| 1| 2.36614| 0:01:27| 11.86% 49.85% (0.98160)
| 8/24| 0.98160| 0.00000| 0.51832| 0.44495| 14.57| 6| 4| 1| 1.93450| 0:01:27| 11.86% 49.85% (0.98160)
| 8/25| 0.98160| 0.00000| 0.84418| 0.28177| 24.24| 3| 2| 0| 2.67799| 0:00:53| 11.86% 49.85% (0.98160)
| 8/26| 0.98160| 0.00000| 0.70488| 0.37785| 22.80| 5| 3| 1| 2.74835| 0:01:21| 11.86% 49.85% (0.98160)
| 8/27| 0.98160| 0.00000| 0.70575| 0.37835| 21.21| 5| 3| 1| 2.46196| 0:01:28| 11.86% 49.85% (0.98160)
| 8/28| 0.98160| 0.00000| 0.84396| 0.28170| 24.39| 3| 2| 0| 2.75736| 0:00:57| 11.86% 49.85% (0.98160)
| 8/29| 0.98160| 0.00000| 0.75220| 0.31019| 23.09| 5| 2| 2| 2.59592| 0:02:03| 11.86% 49.85% (0.98160)
| 8/30| 0.98160| 0.48074| 0.89086| 0.13755| 26.84| 3| 1| 1| 2.97270| 0:01:27| 11.86% 49.85% (0.98160)
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| Ger | Melhor | Pior | Mdia |Desv.Pad|Var.Gen.| Aval | Conv |Penal.| Dist. | Tempo |
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| 9/1| 0.98160| 0.00000| 0.22117| 0.31379| 45.17| 10| 7| 3| 4.00599| 0:01:27| 11.86% 49.85% (0.98160)
| 9/2| 0.98160| 0.00000| 0.27003| 0.31254| 33.91| 10| 6| 4| 3.21918| 0:03:32| 11.86% 49.85% (0.98160)
| 9/3| 0.98160| 0.00000| 0.36060| 0.28577| 32.32| 9| 4| 5| 3.21018| 0:04:29| 11.86% 49.85% (0.98160)
| 9/4| 0.98160| 0.00000| 0.46808| 0.22021| 29.73| 6| 2| 4| 3.16768| 0:03:40| 11.86% 49.85% (0.98160)
| 9/5| 0.98160| 0.00000| 0.43022| 0.26227| 22.08| 4| 3| 1| 2.65782| 0:00:54| 11.86% 49.85% (0.98160)
| 9/6| 0.98160| 0.47503| 0.52569| 0.15197| 22.08| 2| 1| 1| 2.97339| 0:00:52| 11.86% 49.85% (0.98160)
| 9/7| 0.98160| 0.00000| 0.43067| 0.26235| 17.17| 2| 1| 1| 2.31264| 0:00:53| 11.86% 49.85% (0.98160)
| 9/8| 0.98160| 0.00000| 0.38308| 0.29138| 16.31| 3| 2| 1| 2.20532| 0:00:51| 11.86% 49.85% (0.98160)
| 9/9| 0.98160| 0.00000| 0.43073| 0.26236| 17.60| 4| 2| 2| 2.38787| 0:01:58| 11.86% 49.85% (0.98160)
| 9/10| 0.98160| 0.00000| 0.47817| 0.21958| 19.34| 3| 1| 2| 2.63272| 0:01:51| 11.86% 49.85% (0.98160)
| 9/11| 0.98160| 0.00000| 0.43060| 0.26233| 19.19| 4| 3| 1| 2.59927| 0:00:54| 11.86% 49.85% (0.98160)
| 9/12| 0.98160| 0.00000| 0.43067| 0.26234| 18.18| 3| 2| 1| 2.55530| 0:00:53| 11.86% 49.85% (0.98160)
| 9/13| 0.98160| 0.00000| 0.47810| 0.21959| 19.62| 2| 1| 1| 2.64301| 0:00:52| 11.86% 49.85% (0.98160)
| 9/14| 0.98160| 0.00000| 0.43060| 0.26233| 17.46| 3| 2| 1| 2.39200| 0:00:53| 11.86% 49.85% (0.98160)
| 9/15| 0.98160| 0.47503| 0.52569| 0.15197| 22.08| 2| 1| 1| 2.97339| 0:00:59| 11.86% 49.85% (0.98160)
| 9/16| 0.98160| 0.00000| 0.28816| 0.32182| 12.55| 4| 3| 1| 1.78141| 0:00:52| 11.86% 49.85% (0.98160)
| 9/17| 0.98160| 0.00000| 0.36792| 0.29015| 18.04| 5| 3| 2| 2.49023| 0:01:34| 11.86% 49.85% (0.98160)
178
| 9/18| 0.98160| 0.00000| 0.43067| 0.26234| 17.17| 2| 1| 1| 2.31264| 0:00:54| 11.86% 49.85% (0.98160)
| 9/19| 0.98160| 0.00000| 0.47799| 0.21959| 20.20| 3| 2| 1| 2.80367| 0:00:54| 11.86% 49.85% (0.98160)
| 9/20| 0.98160| 0.00000| 0.43060| 0.26233| 17.17| 3| 2| 1| 2.31264| 0:00:52| 11.86% 49.85% (0.98160)
| 9/21| 0.98160| 0.00000| 0.47819| 0.21958| 19.62| 3| 2| 1| 2.64301| 0:00:51| 11.86% 49.85% (0.98160)
| 9/22| 0.98160| 0.00000| 0.43057| 0.26233| 17.60| 3| 2| 1| 2.39448| 0:00:52| 11.86% 49.85% (0.98160)
| 9/23| 0.98160| 0.47494| 0.61549| 0.21516| 20.35| 5| 1| 2| 2.94043| 0:03:53| 11.86% 49.85% (0.98160)
| 9/24| 0.98160| 0.00000| 0.47870| 0.21958| 18.04| 5| 1| 4| 2.61076| 0:03:36| 11.86% 49.85% (0.98160)
| 9/25| 0.98160| 0.00000| 0.38339| 0.29148| 12.70| 4| 1| 3| 1.93043| 0:02:03| 11.86% 49.85% (0.98160)
| 9/26| 0.98160| 0.32919| 0.46738| 0.18469| 18.76| 3| 1| 2| 2.88074| 0:01:40| 11.86% 49.85% (0.98160)
| 9/27| 0.98160| 0.00000| 0.47826| 0.21958| 16.45| 3| 2| 1| 2.58542| 0:00:49| 11.86% 49.85% (0.98160)
| 9/28| 0.98160| 0.00000| 0.36220| 0.22872| 16.16| 2| 1| 1| 2.56062| 0:01:08| 11.86% 49.85% (0.98160)
| 9/29| 0.98160| 0.00000| 0.36286| 0.22863| 16.16| 2| 1| 1| 2.56062| 0:00:54| 11.86% 49.85% (0.98160)
| 9/30| 0.98160| 0.47514| 0.52579| 0.15194| 18.18| 2| 1| 1| 2.88070| 0:00:51| 11.86% 49.85% (0.98160)
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| Ger | Melhor | Pior | Mdia |Desv.Pad|Var.Gen.| Aval | Conv |Penal.| Dist. | Tempo |
+------+--------+--------+--------+--------+--------+------+------+------+--------+--------+
| 10/1| 0.98160| 0.00000| 0.09816| 0.29448| 49.06| 10| 10| 0| 3.60549| 0:00:00| 11.86% 49.85% (0.98160)
| 10/2| 0.98160| 0.00000| 0.09816| 0.29448| 24.82| 7| 7| 0| 1.73147| 0:00:00| 11.86% 49.85% (0.98160)
| 10/3| 0.98160| 0.00000| 0.09816| 0.29448| 18.47| 4| 4| 0| 1.46912| 0:00:00| 11.86% 49.85% (0.98160)
| 10/4| 0.98160| 0.00000| 0.09816| 0.29448| 12.70| 4| 4| 0| 1.07721| 0:00:00| 11.86% 49.85% (0.98160)
| 10/5| 0.98160| 0.00000| 0.09816| 0.29448| 20.63| 6| 6| 0| 1.68365| 0:00:00| 11.86% 49.85% (0.98160)
| 10/6| 0.98160| 0.00000| 0.09816| 0.29448| 13.71| 7| 7| 0| 1.08084| 0:00:00| 11.86% 49.85% (0.98160)
| 10/7| 0.98160| 0.00000| 0.09816| 0.29448| 11.11| 5| 5| 0| 1.00954| 0:00:00| 11.86% 49.85% (0.98160)
| 10/8| 0.98160| 0.00000| 0.09816| 0.29448| 08.23| 2| 2| 0| 0.66767| 0:00:00| 11.86% 49.85% (0.98160)
| 10/9| 0.98160| 0.00000| 0.09816| 0.29448| 08.80| 6| 6| 0| 0.81531| 0:00:00| 11.86% 49.85% (0.98160)
| 10/10| 0.98160| 0.00000| 0.09816| 0.29448| 04.33| 3| 3| 0| 0.43999| 0:00:00| 11.86% 49.85% (0.98160)

Dados da Evoluo da Populao:


Resumo do Micro GA


Tempo total de simulao : 10:14:14
Nmero total de avaliaes da funo: 1085
Nmero total de indivduos com falha de convergncia: 186

179
+----------+----------+----------+----------+
| Ger2 | Melhor | Mdia | NumAval |
+----------+----------+----------+----------+
| 1|0.49317724|*0.4931772| 38|
| 2|0.98160315|0.73739020| 50|
| 3|0.98160315|0.81879451| 137|
| 4|0.98160315|0.85949667| 165|
| 5|0.98160315|0.88391797| 177|
| 6|0.98160315|0.90019883| 102|
| 7|0.98160315|0.91182802| 97|
| 8|0.98160315|0.92054991| 149|
| 9|0.98160315|0.92733361| 116|
| 10|0.98160315|*0.9327605| 54|
+----------+----------+----------+----------+
Eficincia:
+----------+----------+----------+
| Ganho % | NumAval | Efic. |
+----------+----------+----------+
| 102.04| 1085| 0.09405|
+----------+----------+----------+