Escolar Documentos
Profissional Documentos
Cultura Documentos
DECISES SEQENCIAIS
3 NVEIS
TECNOLGICA
ESTRUTURAL
PARAMTRICA
OTIMIZAO DE PROCESSOS
Campo da matemtica dedicado ao desenvolvimento de
mtodos eficientes de determinao de mximos e mnimos de
funes de uma ou mais variveis.
Busca da melhor soluo (soluo tima) dentre as diversas
solues possveis de um problema, segundo um critrio
estabelecido previamente.
A cincia que determina as melhores solues para certos
problemas fsicos:
problemas que so descritos por modelos matemticos.
Simulao
Otimizao
Melhoria econmica
Lucro mximo; custo mnimo
Melhoria tcnica
Melhor estratgia de processamento;
Aumento de eficincia;
Reduzir contaminantes.
custo total
Custo $
Custo do investimento
Custo mnimo total no isolante
Custo da energia perdido
espessura do
isolante
LITERATURA
LIVROS
ENGENHARIA
1.
2.
3.
ANLISE NUMRICA
1.
2.
3.
JORNAIS
TEORIA / ANLISE
1.
2.
Mathematical Programming.
3.
Numerische Mathematik.
4.
FORMULAO / APLICAO
1.
2.
Engineering Optimization.
3.
Operations Research.
ENGENHARIA DE PROCESSO
1.
AICHE Journal.
2.
3.
Trans. I. Chem. E.
1.Modelo do Sistema
2.Critrio de Desempenho - FO
3.Restries
4.Variveis Independentes
5.Regio Vivel
6.Condies Gerais para Valores timos
7.Um Exemplo Tpico de Otimizao
MODELO DO SISTEMA
Requer um conhecimento de como o sistema responde s perturbaes
impostas
Prprio processo
Planta piloto
scale-up?
Black-box
Baseado apenas na descrio emprica
- correlao dos dados de entrada e sada do processo sem a anlise
fsico-qumica
Modelo matemtico
Descrio matemtica do processo
interrelao entre causa-efeito ou variveis dependentes e
independentes
Quando Modelar?
Sempre?
Grau de Complexidade?
Modelos
simples
fornecem
70-80%
de
benefcios
Custo desenvolvimento
$
benefcio
complexidade do modelo
RESTRIES
Limites estabelecidos pelas leis naturais que
governam o comportamento do sistema;
Presso e composio no podem ser negativas;
Dois tipos:
Igualdade h (x) = 0
Desigualdade g(x) > 0 ou g(x) < 0
Especificaes de qualidade;
Quantidade do produto;
Relao de projeto;
Restrio do equipamento;
P por risco;
Capacidade etc.
k = 1....K
j = 1....J
i = 1....n
(1) Min
s.r.
CT D2 X 2 + CS DL = Custo
4
V - D2L = 0
4
D, L >=0
Custo = CT D2 + CS 4V
D
2
(2) d(Custo) =
dD
D == 4V CS
D
CT
1/3
CT D - CS 4V
D2
L=
=0
4V
1/3
CT
CS
2/3
L == CT
D
CS
NOTA:
SE L NO PUDER SER ELIMINADA DE (1) ? ---- FORMA ESTRANHA
SE D NO PUDER SER OBTIDA DIRETAMENTE EM (2)? ---- CORRELAO CUSTO IMPLCITA
1) ESTUDO DE CASO
2) ESTUDO DE SENSIBILIDADE
ESTUDO DE CASO
CLCULO REPETIDO DO PROCESSO COM DIFERENTES VALORES DAS
VARIVEIS DE PROJETO NA BUSCA DE UMA MELHORIA
ESTUDO DE SENSIBILIDADE
SIMILAR AO ANTERIOR
NESTE CASO REALIZADA UMA VARIAO
SISTEMTICA
DAS
VARIVIES
PARA
DETERMINAR A DIREO DO TIMO
TO
CUS
$/t
TO
CUS
$/t
TO
CUS
$/t
VALOR PADRO
TO
CUS
$/t
VIDA CATALISADOR
VAZO DA CARGA
DO REAGENTE
BUSCA UNIVARIVEL
MAIORIA DOS PROBLEMAS PRTICOS SO MULTIVARIVEIS
E RESTRITOS
O ESTUDO DE TCNICA DE OTIMIZAO PARA PROBLEMAS
UNIVARIVEIS IMPORTANTE POR 3 RAZES:
1.
2.
3.
1
f
f
x1
x2
x1
x2
2!
2f
x 2
1
2f
2f
2f
2
x1x2
x2 x1
x
x 2 2 ...
x
1 2
1 2
2
x12
Notao Matricial
x 1
1
1
x1x2
f ( x1 , x2 ) f x1x2
1!
2!
x2
Gradiente da
funo f
2f 2f
2
x1 x1x2
2f 2f
x2x1 x2 2
* x1 ...
x2
H 2 f
Matriz Hessiana da funo
f simtrica
f ( x) f ( x) x f 1 x H x
2
T
f
xi
a um ponto estacionrio
f
f
2f
2 f
f {x} y{x} f {a} ( x1 a1 )
... ( xn a n )
1 2 ( x1 a1 )
(
x
a
)(
x
a
)
...
1
1
2
2
x1 a
xn a
x1x2
x12
OU
y{x} f {a} f a x 1 x T Hx
2
Hessiana
2f
2f
...
x
1
n
1
H 2 f
f
f
...
x x x 2
n
n 1
2
2f
i j x x ( xi ai )( xi a j )
i j
a
i,j= 1 ... n
f ( x) f ( x) x f 1 x H x
2
T
T f
indefinida
a
x2
x1
Para todo x 0 x
Hx
+ H positiva definida
f {x} f {a}
Mnimo
- H negativa
f {x} f {a}
Mximo
Avaliao de Mtodos:
Comparao em grandes classes de problemas testes
Teoria de Convergncia
Convergncia Global
Achar o extremo?
Taxa Local de Convergncia
Mtodo rpido?
Problema teste representativo (Hughes, 1981)
Min = C- = (x1,x2)
onde:
1
b1 b2u 2 (1 u ) 2 b3u
1 C2
2
1 C3u
C1 2
u x1 0,8
1
timo: *=-5,0893
x*=[0,7395;0,3144]
CONDIES DE OTIMALIDADE:
O que caracteriza uma soluo tima localmente?
Porque as curvas de nvel em torno do timo so elpticas?
Srie de Taylor em n dimenses em torno de xot:
( x) ( x ot ) ( x ot )( x x ot ) 1 2 ( x x ot )T 2 ( x ot )( x x ot ) ...
Como ( x ot ) 0 ento
OTIMIZAO DE PROCESSOS
- Multivarivel:
Campo de estudo em rpida ascenso
1)
2)
3)
4)
5)
6)
Introduo
Otimizao sem restrio
Otimizao com restrio
Otimizao de fluxogramas
Estimao de parmetros
Otimizao algbrico-diferencial
OTIMIZAO MULTIVARIVEL
Existe um nmero imenso de mtodos de otimizao em funo de:
OTIMIZAO MULTIVARIVEL
Problemas de Otimizao
Minimizar ou maximizar uma funo objetivo f{x1, ..., xn}
n variveis independentes
Restries:
Igualdade:
g1 {x1, ... xn} = 0
Ex: min G
x0
ou
x 0
OTIMIZAO MULTIVARIVEL
Embora o entendimento dos mtodos seja importante, alguns aspectos
devem ser ressaltados:
H pacotes prontos:
MTODOS DE RESOLUO
(I)
Fazer
f {x}
0 para i=1 ... N
xi
Tamanho do passo
OTIMIZAO MULTIVARIVEL
Melhor idia:
a) Escolher uma direo de busca, s*
b) Minimizar (total ou parcialmente) ao longo da direo de busca para
encontrar:
xk-1 = xk + xk
Diversos mtodos se enquadram nesta idia geral diferindo pelas formas
utilizadas para realizar as etapas a e b.
Em geral:
Mtodos que requerem maior conhecimento da funo (por exemplo,
derivadas analticas):
Menores tempos de computao
Maiores tempos para formulao dos problemas
Menor conhecimento da funo:
Maiores tempos de computao
Menores tempos para formulao dos problemas
Funo
objetivo
f{x1,x2}
Superfcie
Contornos
MTODO DE BUSCA
UNIVARIVEL
Em um problema de n variveis, utiliza n direes fixas de busca (em geral a
direo dos eixos)
Funciona bem se as
curvas de nvel forem
bem alinhadas com os
eixos
Lento quando as
curvas de nvel no
esto alinhadas com o
eixo
Pouco aplicado
OBS: M = 1,65n+0,05n2
MTODO SIMPLEX
- O mais popular
Dado um problema com n variveis, construir uma figura geomtrica regular
(simplex) com n+1 vrtices
A duas variveis
Algoritmo Genrico
A maioria dos mtodos sem restrio caem nesta classe.
Hi
3- Encontrar o tamanho do passo que melhore f(x) na direo d
4- xi+1 = xi + d
5- i=i+1, v para (2)
Terminar quando || f(xi)|| < 1 e ||d|| 2
0 i j n-1
Em otimizao Q=H
x(k) = xo(k+1)
xk
MTODO DO GRADIENTE
Gradiente: Vetor em um ponto x que fornece a direo de maior aumento em
f(x) e ortogonal s curvas de nvel
xk+1 = xk + xk
xk = k sk
sk = - f(xk)
Gradiente Conjugado:
Combina informao sobre o vetor gradiente com os vetores gradientes de:
iteraes anteriores para obter uma nova direo
Obter a direo fazendo uma combinao linear do gradiente atual com os
anteriores
so= - f(xo) s1= - f(x1)|| + so Tf(x1) f(x1)
Tf(xo) f(xo)
MTODO DE
MARQUARDT
Steepest Descent
MTODO DE
MARQUARDT
lim
k
||xk+1-x*|| = k
||xk-x*||
(Newton)
Taxa Linear
(Steepest Descent)
Taxa Superlinear
lim
k
lim
k
||xk+1-x*|| < 1
||xk-x*||
||xk+1-x*|| = 0
||xk-x*||
RESUMO
Resumindo os mtodos derivativos :
xk+1 = xk + dk k = xk k k fk
Matriz direo
Steepest Descent: =I
Newton: =H-1
Rearranjando:
xk+1 - xk = (Hk)-1 [ fk+1 - fk]
OU xk = (Hk)-1 gradk
RESUMO
k = xk yT - k gradk zT
yT grad
zT gradk
xk - k gradk
Z
xk - k gradk
DFP
xk
k gradk
Pearson 1
xk
x k
Pearson 2
k gradk
k gradk
DFP: y= xk z= k gradk
Obtem-se: k+1= k +Ak Bk
Onde: Ak= (xk) (xk)T
(xk)T gradk
MTODO QUASI-NEWTON
Motivao: Hi precisa ser positiva definida; evitar clculo de 2f ; evitar
inverso de Hi para d= - (Hi)-1 f(xi)
Estratgia: Definir frmulas para clculo de (Hi)-1 simtrica, positiva definida e
satisfaz
(xi+1 - xi) = (Hi+1)-1 ( fi+1 - fi)
Relao da Secante
y Hi y
Onde s=xi+1 - xi
y= f(xi+1) - f(xi)
(yT s) (yT s)
OBS:
1- Ambas frmulas so derivadas com consideraes similares e tm simetria
2- Ambas tm convergncia superlinear; so idnticas se minimizado
3- BFGS mais estvel e seu desempenho melhor que DFP, em geral
4- Para n 100, estes so os melhores mtodos
ALGORITMO
1- Estimar x(o), k=0
3- dk=k fk
4- Busca Unidirecional
5- xk = - k k fk
6- xk+1 = xk +xk
7- fk+1
8- gradk= fk+1 - fk
9- Checar convergncia
No
Passo 3
8 (x1 - 5)
2(x2 6)
o=I ; xo= 8
2
8
9
- o
1
0
0
1
24
6
f(x 1) = 4,985
Ento:
grado= -25,108
-1,569
f(x1) = -1,108
4,431
Prxima matriz
1
1=
0
0
1 +
1
-3,13 0 -3,13 -0,785
-0,785 0 0
0
- 1
-3,13 -0,785 -25,108
-1,569
1= 0,217
-0,03149
0 -25,108 0
0 -1,569 0
-25,108 -1,569
-25,108 -1,569 1 0
0
0
0 1
1
0
0
1
-25,108
-1,569
-0,03149
1,0038
O procedimento repetido at a convergncia
Bibliotecas:
National Algorithms Group (NAG)
IMSL
Harwell
Netlib (e-mail netlib@ornligov)
MINIPACK
TOMS Algorithms
LP test problems
Restries
Decises
Simulao Modular
dimensionamento e
custo
Propriedades fsicas
Desvantagens: (1) dificuldade em especificaes
(2) reciclos
Vantagens:
Otimizao
x
,g
simulao
Simultneo Modular
Converge reciclos e especificaes de unidades simultaneamente
Vrios nveis de sofisticao so possveis
Executivo mais avanado
Alguns mdulos como seqencial modular
Seqencial Modular
Est se tornando obsoleto
Restrito para otimizao
2.
Modular Simultneo
Desenvolvido do seqencial
Em desenvolvimento
3.
Orientado por equaes
Mais flexvel
Baseado em NR
Manipulao equaes
+ mtodo de resoluo
Pacote TD
- 80% de equaes
Prprocessador/
psprocessador
Motivao
destilao uma operao grande consumidora de energia;
a maioria dos processos de separao foram projetados com
velhas ferramentas que geram fatores de incerteza e
superdimensionamento;
necessidade de ampliar produo com mnimos custos de
investimentos Desengargalamento.
reduo de custos de produo
condies de competitividade
maiores lucros
adequar processo novos padres de segurana e de
controle de poluio.
nfase em parmetros tcnicos
Otimizao
Mtodo sistemtico para melhorar o desempenho de qualquer
sistema
Necessidades para se fazer qualquer otimizao
saber o que deseja otimizar;
critrio de avaliao;
variveis manipulveis;
intervalos que podem ser manipulados;
estratgia;
O que se deseja Otimizar?
coluna de destilao (existente ou no)
Critrio de Avaliao:
normalmente o custo global do processo.
Funo Objetivo: C = f(x) min
X variveis independentes (manipulveis).
Mesmo quando o critrio de avaliao for terico deve ser
levado em conta critrios econmicos.
Pode ser encontrada soluo maravilhosa porm
impraticvel.
Simulao:
Entradas
Modelo do Processo
Sadas ?
Otimizao:
? Entradas
Modelo do Processo
Sadas ?
Variveis de concepo
rea
Descrio
Mod.
Termodinmico e
Matemtico
11 e 12
Separar EDC da
corrente eluente de
oxiclorao de etileno
No foi modelada
absoro de HCl.
Demais Aproximado
T-1301
Col. De Destilao
Azeotrpica, separa
gua e leves do EDC
Diversos Inside-Out
Fracasso na
modelagem
T-1302
Col. De Destilao
separa pesados do
EDC
T1303
Col. De Destilo
vcuo, concentra os
pesados do EDC
rea 14 e T-1501
Separa HCl do
efluente das fornalhas
T-1502
T-1503
Avaliao
Modelagem
Satisfatria
Restrio quanto ao
comportamento do
CCl4
Item
Observaes
1000 US$
Torre T-1302
360,0
Torre T-1503
600,0
Total
960,0
Item
Observaes
1000 US$
A11 e A12
10,5
Torre T-1302
Torre T-1303
9,4
16,5
A-14 e T-1501
225,0
Torre T-1502
56,5
Melhoria na
Pureza do
Produto.
Total
OBS.: Bases para a avaliao
1 US$ (05/01/89) = NCz$ 0,80
1 tonelada de vapor (Novembro/1988) = US$ 9,38
317,9
PROBLEMAS DE OTIMIZAO
NO-LINEAR COM RESTRIO
min F { x1 ... xn}
Sr
igualdade
g1 { x1 ... nn} = 0
...
Gr {x1 .... xn} = 0
desigualdade
h1 {x1 ... xn} 0
...
hm {x1 ... xn} 0
Ex:
f(x) funo objetivo escalar
x vetor de n variveis
g(x) meq restries de igualdade ; r = meq
h(x) m restries de desigualdade
Grau de liberdade = n meq
Condio suficiente para timo nico
f(x) deve ser convexa, e
Regio vivel deve ser convexa, isto ,
g(x) so todas lineares
h(x) so todas convexas
S em casos especiais no existe nenhuma garantia que um timo local global
Se a condio suficiente violada
Multiplicadores de Lagrange
(1)
g{x} = 0
Introduz um multiplicador de Lagrange ,
c.r.
L { x, } = f {x} + g{x}
Minimizar L usando mtodos para funes objetivos sem restrio
Min L
Ento L = 0 ou
L = ... = L = L = 0
x1
xn
Ex:
min f {x1,x2} = 2x1 +x1x2 + 3x2
Com g {x1,x2} = x1 +x2 3 = 0
min L {x1,x2, } = 2x1 +x1x2 + 3x2 + (x1 + x2 -3)
Obs: Propriedades do Mtodo Multiplicador de Lagrange
df = 0 = f dx1 + f dx2
x1
x2
dg = 0 = g dx1 + g dx2
x1
x2
condies necessrias
Ento
Logo
f
g
dx1 = - x2
e dx1 = - x2
dx2
f
dx2
g
x1
x1
f
g
x2 = x2
f
g
x1
x1
Rearranjando e definindo
f
f
x1 = x2 = -
g
g
x1
x1
Para determinar x1 , x2 e no ponto de equivalncia:
f + g = 0 ; f + g = 0 ; g = 0
x1
x1
x2
x2
Mesmas equaes so obtidas quando busca o extremo de L = f + g
O mtodo multiplicador de Lagrange fornece um ponto estacionrio sobre g,
onde as inclinaes de f e g so iguais
L = 2z = 0
z
forma equivalente
f + h = 0
x1 x1
f + h = 0
x2 x2
h = 0
h0
g{x*} = 0 , 0
g{x*} > 0 , = 0
2 ordem suficiente
pTxxLp > 0 , onde p so todas as direes das restries
pTg{x*} = 0 , pTh{x*} = 0
Para n = 2
L = f + h = 0
x1 x1
x1
L = f + h = 0
x1 x1
x1
L = h + z = 0
L = 2z = 0
z
Obs:
h + z = 0
h + z = 0
Note que z = 0
Logo h = 0
Forma equivalente
f + h = 0
x1
x1
f + h = 0
x2
x2
h0
h = 0
pontos estacionrios
localizao
natureza
limite regio
mnimo
limite regio
mximo
limite regio
ou mx ou mn
ou no interior
ou outro
localizao
natureza
< 0 (ativa)
contorno
mnimo
> 0 (ativa)
contorno
mximo
= 0 (inativa)
contorno
ou mx ou mn
ou interior
ou outro
Exemplo: otimizar Y{x1, x2} = x2 - 2x1 x1
sr h{x1 , x2} = x1 + x2 - 1 0
Aplicar condies de estacionaridade
- 2 2x1 + 2x1 = 0
2x2 + 2x2 = 0
(x1 +x2 -1 ) = 0
Solues
x1
x2
Y
Tipo
A
1.0
0.0
2.0
-3.0
min
B
-1.0
0
0
1.0
sela
C
-0.5
0.87
-1.0
1.5
max
D
-0.5
-0.87
-1.0
1.5
max
PROGRAMO QUADRTICA
Funo objetivo quadrtica + restries lineares
Minimize f{x} = aTx + xTBx
sr g{x} = Ax b = 0
h{x} = - x 0
x1
g1
h1
x = ...
g = ...
h = ...
xn
gn
hn
Toma-se funo de Lagrange
L{x, , , z} = f{x} + T [Ax b] + T[h{x} + z]
L = aTx + xTBx + T[Ax-b] + T[h{x} + z]
Para encontrar o mnimo
L = 0
xL = a + Bx + AT + = 0
Bx + A + = -a
n equaes lineares
L = Ax b = 0
L = x + z = 0
zL = z = 0
Ax = b
r equaes lineares
xii = 0
i = 1 ... N
x,,0
n equaes
2n + r equaes em 2n + r variveis
Obs: para cada i
xi = 0 ou i=0
PROGRAMO QUADRTICA
RECURSIVA
Aproximar f{xk+1} por uma expanso em Srie de Taylor de 2 Ordem em torno
de xn
f{xk+1} Q{xk+1} = f{xk} + fT{xk}xk + xkfxk
xk = xk+1 xk
Linearizar as restries
g{xk+1} g{xk} + g{xk}xk
h{xk+1} h{xk} + h{xk}xk 0
Resulta um problema de programao quadrtica
resolvido para xk . O procedimento repetido at
|| xk ||
PROGRAMAO QUADRTICA
ITERATIVA (SUCESSIVA)
Powell, A fast algorithm for Nonlinearly Constrained Optimization Calculations
, AERE Harwell, England , 1977
minimizar f{x}
sr g{x} = 0
h{x} 0
r restries
m restries
Lagrange
L{x, , , z} = f{x} + Tg{x} + T[h{x} + z]
No mnimo
L = 0
ou
xL = xL + Txg + Txh = 0
J{x}
K{x}
g{x} = 0
hii = 0
0
restries ativas
i = 1 ... m
J T kT k
x
xLk
0
0
= g{x}
0
0
ihi
i = 1 ... m
Precisa calcular : xxL; correto conjunto g ativo ; boa estimativa i, i
Algoritmo
1. k = 0 ; estimar x
2. Calcular: g{x} ; h{x} ; xf ; J ; k
3. Para k = 0 fazer C = I
k > 0 fazer C [frmula BFGS]
4. Resolver problema programao quadrtica para k+1 , k+1 e dk+1
5. xk+1 = xk + k+1dk+1
Hans (1977)
e selecione por minimizao
6. Convergiu?
No k = k+1
(= xk+1)
Obs: Ck = xxL
PLIM (lindo)
Programao Linear com Sim / No
( 0/1) {decises}
Min aTx + cTy
sr Ax + By b
Cx + Dy = d
y = { 0, 1 }
Algoritmo Branch Bound
PL relaxado
1
6
y1 = 0
y1 = 1
15
y2 = 0
17
10
y1 = 1
20
y2 = 0
y1 = 1
11
13
Obs:
1) MINOS implementado de forma eficiente para levar em conta de forma
cuidadosa a linearizao ; torna-se um mtodo SIMPLEX para Programao
Linear se o problema est totalmente linear; tem tambm rotinas eficientes
para matrizes
2) No-linearidades nas restries so levadas em conta no passo (3)
MINOS a mais eficiente que GRG
3) Passos (3) e (4) convergem com taxa quadrtica
Obs:
i)
ii)
MINOS
MINOS / AUMENTADO
MTODO GRADIENTE REDUZIDO
Algoritmo eficiente esto disponveis para resolver problemas de otimizao com
restries lineares
Min f{x}
Ax b
Cx = 0
Extenso para problemas no lineares atravs da linearizao sucessiva
das restries
RV
RV
Vantagens :
(i) Qualquer mtodo para problemas sem restrio pode ser aplicado
(ii) Todas as variveis so ajustadas simultaneamente
Desvantagens:
(i) Funo objetivo bastante complexa
(ii) i , i , R so desconhecidos; uma seqncia de minimizao deve ser
realizada com o aumento de R
Algoritmo:
1) Estimativa inicial para i , i , R
2) Minimize AL para obter x
3) As restries so satisfeitas?
Sim
fim
4) As violaes das restries so reduzidas?
No
aumente R
5) Reestime i , i
Vantagens:
As operaes para calcular as variveis dependentes envolvem poucas
operaes com matriz
As restries de igualdade so satisfeitas aps cada iterao
Desvantagens:
Se as restries de igualdade, as variveis independentes so calculadas
iterativamente com mtodo tipo Newton
A seleo das variveis independentes no inteiramente arbitrria
o
conjunto de equaes no lineares deve ser no singular
2.
3.
4.
5.
Comear com
Min f{z}
zT = [zIT zDT]
h{z} = 0
zD Rmeq
azb
zI Rnmeq
Obs: escolher zD longe dos limites
Escolha z tal que h {z} = 0
Calcule
df em zi
dzI
mtodo Quasi-Newton
dI = - (Bi)-1 df
dzI
Se zIji +dIj ultrapassar os limites faa dIj = 0
Calcule
Para cada zI = zIi + dI , obtenha zD
zDk+1 = zDk [zdhT{zI , zDk}]-1h{zI,zDk}
Mtodo de Newton
Escolha menor, se zD ultrapassar o limite ou f{z} f{zi}
Se ||df/dzI|| e ||dI|| 2 ento PARE
Seno volte ao (3)
Obs: Pode-se usar um algoritmo de otimizao para problemas com restrio usando o
gradiente reduzido e as restries de desigualdade que sobraram
Quasi-Newton
O problema reduzido para um espao reduzido (n-meq) de variveis
Exemplo: Gradiente Reduzido
Min f = x1 - 3x2
sr h = 3x1 + 4x2 24 = 0
hT = [3 4]
fT = [2x1 -3]
Considere z = x ; zI = x1 ; zD = x2
df = f - zIh [ zDh]-1 f
dzI zI
zD
(df/dx1) = (f/ x1) (h/ x1)(h/ x2)-1(f/ x2)
df = 2x1 (3)(4)-1(-3) = 2x1 + 9/4
dx1
zD = {zI}
zT = [zIT zDT]
min f{z}
h{z} = 0
azb
meq equaes
220A0,596
KWhr/yr
ft2
lb/(ft2hr)
BTU/hr
264V0,582
gal/min
Restries de igualdade
Trocador de calor
T =(T1+T2)/2
= 1800e-0,025T
h = 0,041*(G0,65)/(0,27)
U = 1/(R + 1/h)
F
centipoise
fator de resistncia - especificado
LISTA DE EXERCCIOS