Kalid Otimizacao Rev04

OTIMIZAO
de PROCESSOS
e SISTEMAS
Prof. Dr. Ricardo Kalid
kalid@ufba.br - (71) 3283.9811 ou
9188.3316
Prof. PEI-EP-UFBA
Objetivos deste Curso

1.
2.
3.
4.
5.
Desenvolver modelos
matemticos apropriados para
otimizao de processos
Entender os algoritmos de
otimizao
Aplicar os algoritmos de
otimizao
Resolver problemas de
otimizao
Objetivo no-prioritrio:
2
Programa
1.
2.
3.
4.
5.
Definio de um problema de
otimizao
Mtodos para soluo de problemas
sem restries
Mtodos para soluo de problemas
com restries
Aplicao num problema proposto,
formulado, desenvolvido e
resolvido pelas equipes (mximo de 2
alunos por equipe)
Estudo de casos.
4
Metodologia de ensino:
1.
2.
3.
4.
5.
6.
7.
Uso do projetor multimdia e da lousa

Exerccios resolvidos para exemplificar
Lista de exerccios propostos
Acompanhamento das aulas pela
apostila
Sempre que necessrio interrupo da
aula
Desenvolvimento dos trabalhos fora de
sala de aula
Desenvolvimento dos trabalhos em
sala de aula com auxlio do professor.
6
Ferramentas para aumento da Produtividade
Objetivos
Ferramentas
Maximizao do lucro
Minimizao dos custos
Melhoria da qualidade
Aumento da segurana
operacional
Diversificao da
produo
Aumento da produo
Minimizao do impacto
ambiental negativo
Maximizao da
eco2-eficincia
Troca da tecnologia
Aperfeioamento do
processo
Melhoria da gesto
Controle estatstico do
processo (CEP)
Controle automtico do
processo (CAP)
Integrao de
processos: HEN, MEN,
M&HEN
Otimizao das
condies
operacionais
7
o BOM inimigo do
TIMO !
timo ! perseguir
ento devemos
o ...
Otimizao
definio filosfica:
A oposio dos contrrios a
condio de transformao das coisas
e, ao mesmo tempo, princpio e lei.
O estado de estabilidade, de concordncia e
de paz apenas a confuso das coisas no
abrasamento geral.
O que contrrio til e daquilo que
est em luta que nasce a mais bela
harmonia.
Tudo se faz por discrdia.
Herclito de Efeso 9
Otimizao
outras definies possveis:
Campo da matemtica dedicado ao

desenvolvimento de mtodos eficientes
de determinao de mximos e
mnimos de funes de uma ou mais
variveis
A cincia que determina as melhores

solues para certos problemas fsicos;
problemas que so descritos por
modelos matemticos.
10
Definio apropriada para

Otimizao:
Busca da melhor
soluo,
entre as possveis
solues,
que atenda a um
critrio estabelecido
11
Otimizao
Conflito de
interesses
O grito de Edvard Munch
12
APLICAES DA
OTIMIZAO
Otimizao off-line
Projeto de equipamentos
Sntese de processos
Ampliao de processos
Integrao (retrofit) de processos
Ajuste/identificao de modelos estticos ou
dinmicos
Reconciliao de dados
Otimizao em linha (on-line)
Identificao de modelos estticos e/ou dinmicos

Controle adaptativo
Controle timo
Pontos operacionais timos.
13
Antes de otimizar a base deve estar firme

ERP
Otimizao
Controle Preditivo
Enterprise
Resources
Planning
sistemas de
gesto
corporativa
Controle avanado no SDCD

Controle bsico
Instrumentao (sensores e atuadores)
PROCESSO
ORGANIZAO
14
OTIMIZAO DAS CONDIES

OPERACIONAIS
QUALIDADE
Controladores (PID)
PID + Controle
Avanado
(Feedforward +
Inferencial +
Ganho no linear
+ ...)
Investimento
PID + Ctrl.Avanado +
Controle Preditivo
Multivarivel (MPC)
Inicial
Investimento Inicial
PID + CA +
MPC +
OTIMIZAO
SEGURANA e
MEIO AMBIENTE
QUANTIDADE
15
Etapas p/ soluo de problemas

1.
2.
Definir os objetivos = formular a pergunta

Estudo e anlise qualitativa
Quais as ferramentas adequadas
3.
Estudo e anlise quantitativa
4.
5.
6.
7.
Nova tecnologia
Seis Sigma, CEP
CAP
...
Otimizao
Escolha a ferramenta tcnica-econmica-ambiental

adequada
Avaliao tcnico-econmica a priori
Aplicao da ferramenta escolhida

Anlise de sensibilidade e validao
Avaliao tcnico-econmica a posteriori
Auditoria continuada manuteno continuada.
16
Soluo geral de um
problema de otimizao
1.
2.
3.
4.
5.
6.
7.
8.
9.
Definir os objetivos econmicos e ambientais

Estudo e anlise quantitativa - Modelo de otimizao
a) Funo Objetivo
b) Variveis de deciso
c) Restries de mercado, ambientais, tcnicas e modelo
matemtico
Simplificao do problema
Mapeamento da funo objetivo (variao das VDs)
Aplicao dos algoritmos de otimizao
a) Escolha do algoritmo
b) Definio dos parmetros do mtodo numrico
c) Normalizao do modelo
d) Execuo do algoritmo
Anlise de sensibilidade e validao (variao dos parmetros)
Implantao da soluo obtida
Avaliao tcnica e econmica da otimizao
17
Mapeamento da
Funo Objetivo
Como a Funo Objetivo varia com os
valores das variveis de deciso (de
projeto):
1. Avaliar sensibilidade da FO s VDs
2. Definir regio vivel
3. Definir estimativa inicial
4. Detectar erros de modelagem ou outros
erros
5. Avaliar o valor da FO
6. Conhecer melhor o problema
18
Mapeamento da FO
Exemplo: Z = sen(R)/R; R2 = X2 +
2
YGrfico
Grfico tridimensional
bidimensional
1
0.5
1
0.8
0.6
0.4
-0.5
10
0.2
0
5
0
-0.2
-0.4
-8
10
5
0
-5
-10
-6
-4
-2
-5
-10
19
Curvas de nvel
8
6
Grf. trid. c/ curvas de nvel
0
0
-0.2
4
0
0.5
0.2
0.4
0.8
-0.2
-2
0.6
0
-0.5
10
-4
-6
-8
-8
0
0
-6
-4
-2
0
-5
Curva de nvel pseudo-colorida
-10
-5
-10
10
Valores alinhados da funo

1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
200
400
600
800
1000
1200
20
Exemplo de otimizao:
Programao de produo de uma refinaria
G: X3= 36
R$/t
Q: X4= 24
REFINARIA
X1= 24
R$/t
DE
R$/t
O: X5= 21
PETRLEO
R$/t
Petrleo 2
A: X6= 10
X2= 15
R$/t
R$/t
Qual a quantidade TIMA de
petrleo tipo 1 e tipo 2 a ser
Resposta:adquirida
a que der? o maior
LUCRO
Petrleo
1
21
FO: maximizar o lucro = max L = Receita Custo
Receita = $j.Produoj = 36x3 + 24x4 + 21x5 + 10x6
Custo = custo matria-prima + custo processamento
custo matria-prima
= 24x1 + 15x2
custo processamento = 0,5x1 + 1,0x2
FRs: quanto ao rendimento de cada

produto
Gasolina:
0,80x1 + 0,44x2 = x3
Querosene:
0,05x1 + 0,10x2 = x4
leo combustvel: 0,10x1 + 0,36x2 = x5
Resduo:
0,05x1 + 0,10x2 = x6.
22
FRs: quanto capacidade total de produo
Gasolina:
x3 < 24
ou
0,80x1 + 0,44x2 <
24
Querosene:
x4 < 2
ou
0,05x1 + 0,10x2 <
2
leo combustvel: x5 < 6
ou
0,10x1 +
0,36x2 < 6
FRs: quanto natureza das variveis

xi > 0
, i = 1, 2, ..., 6
Portanto: max f(x) = 8,1x1 + 10,8x2

submetido a:xi > 0
, i = 1, 2
0,80x1 + 0,44x2 < 24 (A)
23
Mapeamento de uma funo objetivo

max f(X) = 8,1.X1 + 10,8.X2
s. a: xi > 0 , i = 1, 2
0,80.X1 + 0,44.X2 < 24
(FR1)
Item
0,05.X1 + 0,10.X2 <

VD1(FR
=X 2)VD2=X
0,10.X
2 1 + 0,36.X2 <
(FR3)
FO
1
2
3
4
5
6
7
5
10
15
25
30
35
40
1
3
5
7
9
11
13
FR1
FR2
FR3
24
Regio vivel:
max f(x) = 8,1x1 + 10,8x2

s.a: xi > 0
, i = 1, 2
0,80x1 + 0,44x2 < 24
(A)
0,05x1 + 0,10x2 <
(B)
0,10x1 + 0,36x2 <
(C).
2
6
Vamos ao EXCELL
25
Petrleo 1
X1= 26,2
t/h
Petrleo 2
Gasolina: X3=
24,0 t/h
Querosene:
X
=
4
REFINARIA
2,0 t/h
DE
leo comb.: X5=
PETRLEO
5,1 t/h
Asfalto: X6= 2,0
t/h
X2= 6,9
t/h
Lucro mximo = 287 000 reais /
hora
26
Anlise de sensibilidade aos PARMETROS

max f(X) = 8,1.X1 + 10,8.X2
s. a: xi > 0 , i = 1, 2
0,80.X1 + 0,44.X2 < 24
(FR1)
Ite
m
p1
0,05.X1 + 0,10.X2 <

(FR2)
p2
p3
FR1
8,0
10,8
0,36
24
8,1
10,8
0,44 e
0,36
24
8,2
10,8
0,44 e
0,36
24
8,1
10,7
0,44 e
0,36
24
8,1
10,9
0,44 e
0,36
24
8,0
10,7
0,44 e
0,36
24
0,10.X1 + 0,36.X2 <

(FR3)
0,44 e
FO
X1
X2
287
26
27
Anlise de sensibilidade s RESTRIES

max f(X) = 8,1.X1 + 10,8.X2
s. a: xi > 0 , i = 1, 2
0,80.X1 + 0,44.X2 < 24
(FR1)
Item
FR1
1
2
3
4
5
6
7
23
24
25
24
24
24
24
0,05.X1 + 0,10.X2 <

(FR2)
FR2
FR3
FO
FO
X1
X2
2
2
1
2
3
2
6
6
6
6
6
7
287
26
0,10.X1 + 0,36.X2 <

23)
6
(FR
28
Qual a relao custo/benefcio atual e

qual a esperada com a implantao
da otimizao? Onde otimizar?
Alto consumo de matria-prima

Alto consumo de energia
Produo elevada
Produtos de grande valor
econmico
Limites operacionais rgidos
Produo diversificada e flexvel
29
OTIMIZAO EM-LINHA em
3 camadas ou em 2 camadas
CONTROLADOR
APC - MPC
Variveis
Manipuladas
Variveis Manipuladas
Setpoints
OTIMIZADOR
APC - MPC
Variveis de Processo
Variveis de Processo
OTIMIZADOR
NO LINEAR
DCS SDCD - PLC
DCS SDCD - PLC
PROCESSO
PROCESSO
30
Estudos de otimizao
Cursos de Especializao (CEASI,

CECAPI, CEEGAN 1, CICOP 1, CICOP 2 e
CICOP 3), cursos e dissertaes de
mestrado com aplicaes em 23
processos reais
DUPONT (ex-GRIFFIN)
ELEKEIROZ (ex-CIQUINE)
MONSANTO
BRASKEM-UNIB
DOW
BRASKEM-PE1 (ex OPP)
31
Aplicao da metodologia em
OTIMIZAO BRASKEM-PE1
Operao do reator em baixa carga
Condio operacional atpica
Instrumentao - OK
Processo - CAUSA RAIZ
Estrutura de controle (PVs, MVs e PV-MV)
Algoritmo de controle
Sintonia
Resultados
Mudana na poltica operacional
Retorno econmico R$ 410.000/ano em etileno
Otimizao das condies operacionais
No necessita de investimento de capital
Ganho potencial R$ 1 750 000 por ano
33
OTIMIZAO - MONSANTO
Troca de matria prima da
MONSANTO
Duas matrias primas

Uma mais nobre e mais cara
Outra com mais contaminantes e mais barata
Limitao quanto ao contaminante
Resultados
Mudana na poltica de compra
De 20 % do mais barato
Para 30 % do mais barato
Retorno econmico
US$ 800.000/ano
34
OTIMIZAO - ELEKEIROZ
Operao tima de colunas de destilao
Resultados
Para cada coluna retorno econmico de
R$ 600.000,00/ano
US$ 170.000,00/ano
3 colunas:
R$ 1.800.000,00/ano
US$ 510.000,00/ano
35

de um conversor de acetileno
Caso BRASKEM - UNIB
estimativa do tempo timo de campanha
Sim
trocar
o leito
No
clculo da condies operacionais timas
para os dias restantes da campanha
"Setpoint'
controlador preditivo multivarivel
36
Comparao entre campanhas com

tempo real e tima
Item
Real
tima
N campanhas
Durao (dias)
231
77
Lucro dirio
6.600,00
US$/dia
Lucro em 231
1,5
dias US$ milhes
10.500,00
2,5
Concluso: Sem investimento, reduzindo o

tempo de campanha, ganha-se US$ 1.408.000
ano.
37

de um conversor de acetileno
estimativa do tempo timo de campanha
Sim
trocar
o leito
No
clculo da condies operacionais timas
para os dias restantes da campanha
"Setpoint'
controlador preditivo multivarivel
38
FO: tr fixo, dia-a-dia e com FCO

max
t,ent
t f ,FCO
,FHt,ent ,T t,ent
2
tf
t 0
C L t f C perdas t f P F
max P F
max P F
tf
t,ent
FCO
, FHt,ent ,T t,ent
t to
t,ent
FCO
, FHt,ent , T t,ent
2
t
1
t,ent
FCO
,FHt,ent ,T t,ent
t,sai
C2H 4
t,sai
C2H 4
t,sai
C2 H 4
P F
t
2
t,sai
C2 H 6
t,ent
C2 H 6
P F
P F
t,ent
C2H 4
t, ent
C2H 4
t,ent
C2 H 4
t
2
t
2
t,sai
C2H6
t, ent
C2H6
t,sai
C2H6
t, ent
C2H6
para t t o , t o 1, , t
max P F
t
1
t
1
t
1
t,sai
C2H 4
t
t,sai
t,ent
t
t,ent
FCt,ent
P
F
P
F
2
C2H6
C2H6
3
CO
2H 4
para t t o , to 1, , t f
39
FO: tr fixo, dia-a-dia e com FCO

max
t,ent
t f ,FCO
,FHt,ent ,T t,ent
2
tf
t 0
tf
tto
max P F
t,ent
FCO
, FHt,ent ,T t,ent
2
C L t f C perdas t f P F
t
1
t,sai
C2H 4
t
1
t,sai
C2 H 4
t,ent
C2H 4
t,ent
C2 H 4
P F
t
2
P F
t,sai
C2H6
t
2
t,sai
C2 H 6
t, ent
C2H6
t,ent
C2 H 6
40
Variveis de deciso
C O (kg /h)
30
20
10
0
20
40
60
80
100
120
140
20
40
60
80
100
120
140
20
40
60
80
Dias em Operao
100
120
140
H 2 (kg /h)
200
100
0
T e ntra d a (C )
80
60
40
valores iniciais das variveis de deciso

variveis de deciso no ponto timo
restries operacionais
41
Restries Operacionais
H 2 s a d a (p p m m o l)
C 2 H 2 s a d a (% m o l)
1000
0.4
800
0.3
600
0.2
400
0.1
0
200
50
100
150
100
150
H 2 /C 2 H 2 e n tra d a
120
1.8
T s a d a (C )
110
1.6
100
90
1.4
80
1.2
1
50
70
50
100
Dias em Operao
150
50
100
Dias em Operao
150
valores iniciais das restries

variveis das restries no ponto timo
restries operacionais
42
Funo objetivo econmica na campanha

F u n o O b je tivo (1 e 3 U S $ /d ia )
0
20
40
60
80
Dias em Operao
100
120
140
funo objetivo no ponto timo

(total = US$ 379 mil)
funo objetivo no incio da otimizao
(total = US$ 178 mil)
Diferena anual = US$ 520 mil.
43
OTIMIZAO EM LINHA DE
CONVERSOR DE ACETILENO
Caso BRASKEM-UNIB
Otimizando o tempo de campanha

+ US$ 1,4 milhes/ano
Otimizando as condies
operacionais
+ US$ 500 mil/ano
Total: US$ 1,9 milhes/ano
Investimento de capital = zero
Investimento apenas de hh
44
Otimizao de plantas existentes

com investimento necessrio apenas emm hh
Receita annual
US$ milhes
Empresa
Tema
BRASKEMPE 1
Otimizao do
reator de
polietileno
BRASKEMUNIB
Otimizao do
conversor de
acetileno
ELEKEIROZ
(ex
CIQUINE)
Otimizao de 3
colunas de
destilao
(purificao de
butanos)
US$
600 mil / ano
MONSANT
O
Troca de matria
prima
US$
800 mil / ano
produo de PCl3
US$
330 mil / ano
MONSANT
US$
700 mil / ano
I = 2 eng x 7.680 h =
15.360 hh
US$ 1.900 mil / ano
45
Softwares para
otimizao de processos:
ITENS
BD
term
o.
Mt.
num. e
flexib.
IH
M
Ass.
tc.
local
Recon.
dados
$$$
Som
a
ASPEN/
HYSYS
20
UNISIM
22
GPROM
S
20
EES
3
1
1
1
3
3
5
3
3
5
3
3
3
3
3
5
3
3
5
5
1
5
3
3
5
3
3
3
1
5
18
20
16
16
2646
GAMS
LINGO
MATLAB
EMSO
Idiossincrasias
dos softwares
Max f(x) = Min -f(x)

Restries de igualdade = 0
Restries de desigualdade < 0
Mensagens incompletas ou
incompreensveis
Manuais mal escritos
Exemplos inapropriados
...
47
Referncias Bibliogrficas Principais
Bazaraa, Mokhtar S. Nonlinear Programming: Theory and

Algorithms. Editora Wiley.
Beveridge, G. S. and Schehter, R. S.; Optimization Theory and
Practice. McGraw-Hill, 1970. Traz uma discusso mais profunda a
respeito dos fundamentos matemticos em que os mtodos de
otimizao so baseados
Himmelblau, D. M. and Edgar, T. F. Optimization of Chemical
Process. McGraw-Hill, 1989. Livro essencial para quem quer iniciar
e/ou aprofundar seus estudos sobre otimizao de processos
qumicos. Cdigo na Biblioteca da EP: 660.28 E23D
Himmelblau, D. M.; Process Analysis by Statistical Methods. Jonh
Wiley & Sons, 1970. Livro que traz os algoritmos de vrios mtodos
de otimizao e aplica esses mtodos principalmente ao ajuste de
modelos matemticos a dados experimentais
Kalid, Ricardo de A., Otimizao de Processos Qumicos.
Departamento de Engenharia de Qumica, Universidade Federal da
Bahia, material publicado em www.LACOI.ufba.br
Reklaitis, G. V.; Ravindran, A.; Ragsdell, K. M.; Engineering
Optimization: Methods and Applications. Jonh Wiley & Sons, 1983.
Livro importante e complementar ao de Himmelblau e Edgar (R1).
49
OTIMIZAO DE
PROCESSOS INDUSTRIAIS
muitas perguntas ...

uma soluo:
ABORDAGEM
SISTMICA &
SISTEMTICA.
50
OTIMIZAO DE
PROCESSOS e Sistemas
Ricardo Kalid
kalid@ufba.br - (71) 3283.9811 ou
9188.3316
Prof. PEI-EP-UFBA
51
Mudam-se os tempos,
mudam-se as vontades,
Muda-se o ser,
muda-se a confiana;
Todo o mundo
composto de mudana,
Tomando sempre
novas qualidades.
As tormentas
Lus Vaz de Cames
52
Por que Otimizar?
Promover ganhos econmicos

- minimizar investimento
- maximizar lucro total
- maximizar lucro por unidade
produzida
- minimizar os custos operacionais
- minimizar os custos de
manuteno.
53
Por que Otimizar?

(cont.)
Aumentar vantagens tcnicas e

operacionais
- maximizar a produo
- minimizar a produo insumos
indesejveis
- minimizar consumo matriaprima/energia
- minimizar o tempo de batelada
- minimizar a diferena entre o SP e a PV
Promover, simultaneamente, ganhos
54
Exemplos de Aplicao
Melhor localizao de uma planta

Escalonamento do parque de tancagem
Dimensionamento e layout de pipelines
Projeto de plantas e/ou de
equipamentos
Escalonamento de reposio e
manuteno de equipamentos
Planejamento e escalonamento da
construo de plantas;
55
Exemplos de Aplicao
(cont.)
Ajuste de modelos matemticos

Minimizao de inventrio
Alocao de recursos ou servios
entre diferentes processos
Operao de equipamentos e/ou
plantas.
56
Definio de um
problema de otimizao:
Busca da melhor
soluo,
entre as possveis
solues,
que atenda a um
critrio estabelecido
57
Partes de um problema de otimizao:
Partes de um problema de otimizao:

- O propsito: a Funo Objetivo (FO)
- As limitaes: Funes de Restrio
(FR)
- As variveis de deciso
A soluo um ponto que maximiza ou
minimiza um certo critrio e que
pertena regio vivel
Para otimizar essencial que seja
possvel manipular as variveis de
deciso (VD), graus de liberdade >
0
58
A Funo Objetivo (FO)
Estabelece o alvo a ser alcanado

Funo matemtica a ser
maxi/minimizada
Definida a partir de:
- critrios estritamente econmicos
- critrios apenas tcnicos/operacionais
- critrios tcnico-econmicos
Para sua formulao necessrio
conhecer profundamente o processo
a ser otimizado.
59
Variveis de Deciso
(VD)
No var. de deciso = No graus de liberdade

(gl)
Se gl = 0 ento no h como otimizar
As VD devem ter influncia sobre a FO
Se a FO extremamente sensvel a uma
VD difcil reproduzir na prtica o ponto
timo.
60
As Restries
Capacidade mxima de processamento

Temperatura e presso absolutas > 0
0 < fraes molares < 1
Fechamento dos balanos
Capacidade de absoro do mercado
Preo mximo de venda ou de compra
Equaes algbricas ou diferenciais
Inequaes algbricas ou diferenciais.
61
A Regio Vivel
Regio ou espao de busca ou de

pesquisa
Cuidado com a escolha da regio
FO com restrio
vivel
Exemplomax y1
-200
FO:
y1 a. x 2 b. x c
-400
-600
-800
-1000
sujeita a:
10 < x < 20.-1200

-1400
-1600
10
12
14
16
18
20
62
Obstculos Otimizao
No disponibilidade de dados ou de um
modelo matemtico confivel do
sistema
Descontinuidades da FO ou da FR
No-lineraridade da FO ou da FR
Interao entre as variveis de deciso
FO "achatada" ou exponencial
a FO multimodal perto do ponto timo
IGNORNCIA dos benefcios
IGNORNCIA das dificuldades.
63
Otimizao de Processos
Qumicos:
Captulo 2
Conceitos Matemticos
Ricardo de Araujo Kalid
Programa em Engenharia
Industrial - Escola Politcnica da
UFBA.
65
Conceitos Matemticos
Compreenso intuitiva dos

conceitos
Para implementar algoritmos temos
que conhecer profundamente:
- lgebra linear
- clculo diferencial
- estatstica (reconciliao e estimativa
de parmetros de modelos)
- clculo numrico.
66
Classificaes para a FO:
Quanto a continuidade
contnua
discreta
Quanto a convexidade
cncava (tm um nico mximo)
convexa (tm um nico mnimo);
67
x 10
10000
0.8
9000
0.6
8000
0.4
7000
0.2
6000
5000
-0.2
4000
-0.4
3000
-0.6
2000
-0.8
1000
-1
0
Funo com derivada descontnua
Funo descontnua
10
15
20
25
30
35
0
0
30
5
10
15
20
25
melhor que x* esteja afastado da

descontinuidade
Exemplo: projeto de tubulaes
- realizar otimizao discreta (+ complexa)
- realizar otimizao contnua e aproximar (subtimo).
68
Funes Cncavas e
Convexas
Funo cncava
500
2500
-500
2000
-1000
1500
-1500
1000
-2000
-2500
Funo convexa
3000
500
-40
-20
20
40
60
0
-40
-20
20
40
Funes convexas e cncavas so unimodais
Funo cncava:
Estritamente cncava:.
60
f x a 1 x b f x a 1 f x b
f f x a 1 f x b
69
0.5
x 10
Quanto ao nmero de pontos

crticos.
Funo Unimodal
Funo Multimodal
x 10
0.5
-0.5
-0.5
-1
-1
-1.5
-1.5
-2
-2
-2.5
-2.5
-3
-3
-3.5
-3.5
-4
-4
-4.5
-100
-4.5
-50
50
100
-100
-50
50
100
70
Funes Unimodais e
Multinodais
Funes com + de 1 pto. de mximo ou

de mnimo
Todo extremo global tambm local
Apenas um dos extremos locais global
Mtodos numricos detectam apenas

extremos locais, a menos que o
problema seja convexo.
71
Definies
Matriz:
a11
a
21
a12
an1
an 2
anm
A n xm
Matriz Identidade:
I
n xn
Vetor:
.
x 1 xn x1
T
a1m
a2 m
a22
1 0
0 1
0
0
0 0
1
0
0 0 0 1
0
0
x2 xn
72
Operaes bsicas com

matrizes e vetores
Igualdade: A = B aij = bij
Adio: A + B = C cij = aij + bij

m
Multiplicao: Anxm x Bmxr = Cnxrcij
k 1
Multiplicao de matriz por

sA B s. a b
escalar:
ij
aik bkj
ij
T
Transposta de
um
de
T produto
T
AB B A
matrizes:
73
Produto interno entre dois vetores:

n
x y x , y xi yi
T
i 1
xT y 0
Se
ortogonais
x x x i2
T
i 1
os vetores so
1
A A AA
Inversa de uma matriz:
z Ax A z x
por exemplo
Determinante de uma matriz:

|A2x2| = a11.a22 - a12.a21 .
74
Gradiente - derivada de uma funo

escalar de um campo vetorial:

x
1

f x
x
grad f x f x
f x 2
x x
M

xn
f x
x1
f x
f x x2
M
f x
xn
75
matriz hessiana H(x):
H x
2 f x
x

f x
x
x

x
1

f x
H x x2
x1
M
xn
f x
L
x2
f x
x
1
f x
f x

x2

x
x
M
f x
x
n
2 f x
x
1
2 f x
f x
x2 x1
xn
2 f x
xn x1

x
1
x2
M

xn
2 f x
x1 x2
2 f x
x22
M
2 f x
xn x2
f x
x1
f x
x2
M
f x
xn
2 f x
L
x1 xn
2 f x
L
x2 xn
O
M
2 f x
L
2
xn
T
76
Dicas:
b x
b
x
T
x Ax
T
x Az
x b
b
x
T
Ax A
Ax
2
Az
A A
T
e se A for simtrica
x Ax
T
2 Ax
Ax
x2
2 A.
77
Independncia linear,
matriz singular e rank
M singular det(M) = 0
M singular quando todos os elementos
de uma ou mais linhas (ou colunas) so
nulos
M singular quando uma ou mais
linhas (colunas) da matriz tem
dependncia linear com outra(s) linha(s)
(colunas)
Para matrizes quadradas linhas
dependentes implicam em colunas
78
Operadores linha ou
coluna
aumente a matriz A com a matriz

identidade: A A
aug
pr-multiplique a matriz aumentada

por A-1
1
1
A A
79
Soluo de sist. eq. lin.

a1 x1 a2 x2 an xn b
Para b 0 e se a matriz |A| 0
a11
a
21

an 1
a12 a1n
a22 a2 n

an 2 ann
Ax b
x1
x2
b1
b
2
xn

bn
Ax b
x A b
80
Ax b
x A b
Para b 0
- Se posto de A = n existe uma

soluo
- Se posto de A < n existem infinitas
solues ou a soluo no existe
Se b = 0
- a soluo trivial se x = 0
- a soluo no-trivial se x 0 e
det[A] = 0
Ento o sistema indeterminado.
81
Graus de liberdade
Um sistema com n incgnitas e r

equaes:
n > r gl = n - r > 0
otimizao
n = r o sistema no tem graus
de liberdade:
sistema
linear tem apenas uma soluo

sistema no-linear pode ter + de uma
soluo
n < r gl < 0
Se
o sistema linear ento o mesmo
82
Autovalores e autovetores
Uma matriz Anxn tem n autovalores/vetoresAv v

Por definio
soluo trivial: v = 0
det A I 0
soluo no-trivial: v 0 =>
A I v 0
Se todos os autovalores de A so > 0

existe a sua inversa.
83
Estudo de funo
Condio necessria (funo de 1

varivel):
f(x*) = 0 x* ponto estacionrio
x* ponto crtico
Funo
monovarivel
mximo, mnimo ou ponto
de
inflexo.
2500
2000
1500
1000
500
100
200
300
400
500
84
Condio suficiente (funo univarivel):

f(x*) = 0 e f(x*) > 0 x* pto mnimo
f(x*) = 0 e f(x*) < 0 x* pto mximo
f(x) = x4/3 x* = 0 mnimo e f(x*)
Condio necessria (funo

0
f x
x
multivarivel):
f(x*) = 0
x* pto. crtico
Condio suficiente (funo multivarivel):

f(x*) = 0 e H(x*) > 0 x* pto. de mnimo
f(x*) = 0 e H(x*) < 0 x* pto. de mximo.
85
A hessiana determina a concavidade:

- Se H(x) > 0 , f(x) estritamente convexa
H(x) positiva-definida xTH x > 0
Se todos os autovalores de H(x) positivos
(>0)
- Se H(x) < 0 , f(x) estritamente cncava
H(x) negativa-definida xTH x < 0
Se todos os autovalores de H(x) negativos
(<0)
- Se H(x) > 0 ou < 0 a depender de x ,
f(x) no cncava nem convexa
- Se H(x) = 0 , f(x) cncava/convexa e
linear
86
Continuidade de funes
f(x) continua em xo se e somente se:

(a) f(xo) existe
(b) lim f(xo) existe
(c) lim f(xo) = f(xo)
f(x,y) continua em (xo,yo) se e somente
se:
(a) f(xo,yo) existe
(b) lim f(xo,yo) existe
(c) lim f(xo,yo) = f(xo,yo)
87
Regio Convexa
Regio de busca na qual todas as retas entre

dois pontos interiores esto contidas na regio
Regies convexas
Regies no convexas
Se uma regio definida por gi(x) > 0 todas

cncavas regio convexa fechada
Se uma regio definida por gi(x) < 0 todas

convexas regio convexa fechada.
88
(a) Ponto de mximo

fora da regio vivel
(b) Ponto de
mximo dentro
da regio vivel
(c) Regio no-convexa
Se na figura (c), a procura

iniciar mais esquerda
ser encontrado o mximo local.
Para achar o global convertemos
a regio para convexa.
89
Sendo a regio convexa ento:

- Se a FO cncava existe apenas um mximo
- Se a FO cncava existem + de um mnimo
- Se a FO convexa existe apenas um mnimo
- Se a FO convexa existem + de um mximo
Se a FO e suas FRs so bem comportadas a
otimizao facilitada
PROBLEMA CONVEXO
Se a FO cncava e a regio vivel convexa um
ponto de mximo local = mximo global
Se a FO convexa e a regio vivel convexa

ponto de mnimo local = mnimo global
um
FO lineares so convexas e cncavas tem

apenas um mximo e um mnimo local (global).
90
2.14. Interpretao da Funo

Objetivo em Termos de uma
Aproximao Quadrtica
FO = funo quadrtica:
x b0 b1 x1 b2
x2
b11 x12
2
b22 x2
b12
x1 x2
Os autovalores de H(x) no ponto x*

identificam a natureza deste ponto.
93
ou
ou
95
ou
96
Qumicos:
Captulo 3
Formulao Matemtica de
um Problema de Otimizao
97
Soluo geral de um
problema de otimizao
1.
2.
3.
Definir os objetivos
Estudo e anlise quantitativa
Modelo de otimizao estabelecer:

a)
b)
c)
4.
5.
6.
7.
8.
9.
10.
Funo Objetivo
Variveis de deciso
Restries
Simplificao do problema
Mapeamento da funo objetivo
Aplicao dos algoritmos de otimizao
Anlise de sensibilidade e validao
Implantao da soluo obtida
Avaliao tcnica e econmica
Auditoria continuada manuteno
continuada.
98
Problema de otimizao
Expresso matemtica:
min f ( x )
x
Variveis de deciso: x
As Funes de Restrio (FR):
sujeito a h x 0
e/ou
g x 0.
101
Traduzir para linguagem matemtica

- maximizao (minimizao) de
algo
No empregar expresses do tipo

- construir um mundo melhor
- desenvolver uma sociedade mais
justa
Objetivos econmicos ou
operacionais.
102
Objetivos Econmicos
Maximizar o lucro:
fluxo de caixa
depreciao
valor presente e valor futuro
inflao
vida econmica
taxa de retorno de investimento
tempo de retorno
custos de capital e operacional.
103
FO: Max lucros operacionais
Reator a batelada com regenerao:

x1 nmero de dias de operao
x2 nmero de dias de regenerao
Hipteses ou premissas:
H1.
H2.
H3.
H4.
H5.
H6.
H7.
H8.
Partida da planta nas manhs: x1 + x2 inteiro

Inventrio da carga constante (q) [=] kg/dia
Custo constante da matria-prima (C1) [=] $/kg
Valor constante do produto (C2) [=] $/kg
Custo constante da regenerao (C3) [=] $/kg
Atividade cataltica: A = 1 - K.x1
Custo de separao desprezvel
Custo de recirculao negligencivel.
104
Reator batch c/ regenerao
Qual a varivel de projeto/deciso (VP)?

tempo timo de campanha (x1 + x2)
FO: maximizar o lucro dirio
lucro (L) = receita (R) - custo (C)
R = preo venda (C2) x produo diria (PD)
PD = produo total (PT) / no total de dias
PT = vazo x atividade mdia x no de dias
operao
C = custo matria-prima (CMP) + custo
regenerao(CR)
CMP = preo matria-prima (C1) x consumo dirio
(CD)
CD = consumo total (CT) / no total de dias
105

no total de dias = (x1 + x2)
L = f(q,x1,x2,C1,C2,C3,A) = R - C
R = C2.PD = C2.PT / (x1 + x2) = C2.q.Amed.x1 / (x1
+ x2)
x
Adx 1 Kx dx x K 2
x
x1
x1
Amed
0
x1
dx
x1
x1
1 K
C = CMP + CR
CMP = C1.CD = C1.CT / (x1 + x2) = C1.q.x1 / (x1 +
x2)
106
FO: max f(q,x1,x2,C1,C2,C3,A)
C2 qAmed x1 C1qx1 C3
f q , x1 , x2 , C1 , C2 , C3 , A
x1 x2
Derivando f(q,x1,x2,C1,C2,C3,A) em
relao a x1 e igualando a zero:
opt
1
C1 x 2
C3
2
x x x2
x2
K
C2
qC2
2
2
P/ x2 = 2 , K = 0,02 , q = 1000 , C1
= 0,4
C2 = 1 , C3 = 1000
=>
x1* =
107
FO: Min custos de capital
Projeto de um vaso cilndrico de

presso:
V - volume do vaso (fixo)

L - altura do vaso
D - dimetro do vaso
H1. Topo e fundo planos
H2. Paredes de espessura (t) e massa esp.
cte.
H3. Iguais custos para extremidades e
lateral
H4. No existe perda de material na
fabricao.
108
Projeto de vaso de
presso
Qual a varivel de projeto/deciso

(VP)?
L e
D
FO: minimizar o custo de fabricao
- custo
min f 1 (C) = custo por peso (S) x peso
(P).S , , t , D, L
D 2
onde f 1 S , , t , D, L S 2
DL t
109
Projeto de vaso de presso
Como S, t, e a massa esp. so ctes

=>min f
D,L
onde
D 2
f 3 D, L
DL
2
Mas V fixo =>
D2
4V
V
L L
4
D2
min f 4
Funo
D 2 4V .
onde f 4 D
objetivo:
D
2
110
Projeto de vaso de presso
Derivando f4 e igualando a zero:

1/ 3
4V

e, consequentemente
D opt
4V
Lopt

ou seja
L

D
1/ 3
opt
opt
Mas o critrio emprico: L/D = 3

1
Por que? Quem ou o que est
111
Projeto do vaso com

novas hipteses:
Topo e fundo tem o formato de elipses
2:1,
com uma rea dada por 2(1,16D 2) =
2,32D 2
Custo de fabricao das extremidades
maior que para a lateral c/ um fator de
1,5
Custo de fabricao por unidade de peso
S ($/unidade de peso) e massa esp. so
ctes.
112
Novo projeto de vaso de presso

FO a ser expressa em $:
min
S , , t , D, L
onde
f5
f 5 S , , t , D, L S 15, 2,32 D 2 DL t
Substituindo t(D) em f5 e
lembrando que S e a massa esp.
Dctes.
D e que
so
V
L
min f 6
D
onde
V
f 6 D 0,0432V 0,5 0,3041D 2 0,0263D 3
D
113
Novo projeto de vaso de presso

Soluo para vrios nveis de presso e
Ponto timo: (L/D)
V:
opt
Presso de projeto (psi)
Capacidade
(gales)
100
250
400
2500
1,7
2,4
2,9
25000
2,2
2,9
4,3
Cuidado! no consideramos as perdas

de material durante a fabricao do
vaso.
114
FO: Max economia

anual
Projeto espessura de isolamento (VP)

Custo de capital x economia de
energia
AT
Q
H1. Q perda de calor por hora:
x 1
k hc
H2. Custo de instalao por unidade de

rea
CI = F0 + F1.x
H3. Tempo de vida do isolamento = 5
anos
115
FO: Max economia anual
Definies
r - frao do custo de instalao
Ht - custo de reposio do calor ($/106
Btu)
Y - nmero de horas de operao por
ano
FO: maximizar L
L=R-C
R = economia de energia por ano
C = custo do isolamento por ano
Economia de energia: Q(x = 0) - Q = Q0
-Q
Custo (pagamento) por ano: P = r.
(F0+F1.x).A
116
FO: Max economia anual
FO em $ por ano:
min f hc , A, T , k , F0 , F1 , r , x
x
onde
AT
Q x
x 1
k hc
f hc , A, T , k , F0 , F1 , r , x Q0 Q x .Y .H t F0 F1 x . A.r
Diferenciando em relao a x e
igualando a zero:
H .Y .T
1
t

x opt k
6
10 .k .F1.r hc
Se utilizar capital prprio temos que
definir uma taxa mnimo de retorno.
117
Objetivos Operacionais
No considerar explicitamente os $ $ $ $
$
Mnimo tempo de processamento
Maximizar a produo total
Maximizar a produo de um
componente
Minimizar o consumo de utilidades
Minimizar o consumo de matria-prima
Diferena entre os SPs e o valor das
PVs.
118
FO: Min erros nos

balanos
Reconciliao de dados de processos
A
Mc1 = 80,5 kg/h
Mc2 = 82,0 kg/h
Mc3 = 84,8 kg/h
Planta
MB1 = 92,4 kg/h

MB2 = 94,3 kg/h
MB3 = 93,8 kg/h
Mc1 = 11,1 kg/h

C Mc2 = 10,8 kg/h
Mc3 em
= 11,4 estado
kg/h
est
H1. O processo
estacionrio
H2. As medies MA , MB e MC tm
incertezas.
119
Balano de massa: MA + MC = MB
FO: encontrar um valor de MA (VP) que
minimize os erros nos balanos de
2
timo
M A M A
massa

min
M A ,M B ,M C
f M A, M B, MC
no.exp
MB
exp
i 1
expi
M
Cexpi
M
Aexpi
ou melhor f M A , M B , M C
no.exp
i 1
MB
exp
M
Cexpi
M Ctimo
2
rec
MA
2
rec
MB
2
M Crec

timo
B
120
Simulao X Reconciliao
Usa o dado para
melhorar o
modelo
Clcula as sadas
a partir das
entradas
Desempenho
predito
ndices devem
ser especificados
Redundncia
fonte de problemas
Usa o modelo
para melhorar o
dado
Entradas e sadas
so independentes
Desempenho
monitorado
ndices podem
ser corrigidos
Redundncia a
fonte da informao.
121
FO: Maximizar a produo
Reator batch
A
Esquema reacional:
k1
k2
k3
k4
D
Maximizar a concentrao do produto
B
max CB(k1, k2, k3, k4, CA, CB, CC, CD , t)
Hipteses simplificadoras:
H1. O reator fechado
H2. Operao isotrmica
H3. Equaes das taxas de 1a ordem
H4. Reao em fase lquida (volume
constante)
122
FO: Maximizar a produo

Modelo do processo: balano por
componente:
acmulo = formado - consumido
k1
k2
k3
k4
dC A
k 2 C B k 1C A
dt
dC B
k 1C A ( k 2 k 3 k 4 ) C B
dt
dCC
k 3CB
dt
dC D
k 4 CB
dt
123
Modelo do processo: balano global

massa inicial = massa final
no de moles inicial = no de moles final
conc. inicial = conc. final
CA0 + CB0 + CC0 + CD0 = CA + CB + CC + CD
Queremos maximizar CB , as
condies iniciais so dadas, portanto
s nos resta manipular o tempo de
campanha (VP)
Resolvendo as eq. diferenciais,
obtemos:
CB(t) = a1.exp(b1.t) + a2.exp(b2.t)
diferenciando e derivando em relao a t :
t* = 0,63 h => CB* = 23,04 g-mol/L 124
Ajuste de modelo
matemtico
Viscosidade de gases
Fonte: The Properties of Gases and Liquids, Fifth Edition.

Bruce E. Poling, John M. Prausnitz, John P. OConnell. McGraw-Hill
125
Viscosidade de gases
Fonte: The Properties of Gases and Liquids, Fifth Edition.

Bruce E. Poling, John M. Prausnitz, John P. OConnell. McGraw-Hill
126
FO: Minimizar os
desvios entre SPs e PVs
Controle timo
Controle Preditivo
Objetivo sistema de controle: Min |SP PV|
Manipulao difcil FO: Min (SP - PV)2

ou
FO: Min [E(t)]2 Min [E(t)TE(t)]
Variao suave nas MVs:
FO: Min { [E(t)T W1 E(t)] + [MV(t)T W2

MV(t)]}
127
Combinao de Objetivos
Operacionais com Objetivos
Econmicos
Minimizar os erros entre SPs e

PVs com um mnimo consumo de
utilidades
SP t PV t T W SP t PV t
MV t
min
MV t
MV
W2 MV t
T
R$
.MV t
min E t W1 E t MV t W2 MV t MV t
MV t
128
Funes de Restrio FR
Restries de natureza
- operacional, p.ex. MVs entre limites
- fsica, p.ex. mxima capacidade do equip.
- mercadolgica, p.ex. mx. capac. do mercado
P.ex. controle preditivo timo:
min
MV ( t )
E t W E t MV t W MV t W . MV t
T
sujeito a MV t min MV t MV t max
MV t min MV t MV t max
PV t min PV t PV t max
E t SP t PV t
PV f MV , DE
Modelo do processo
129
Exemplos de modelo de problemas de otimizao do livro:

Optimization of chemical processes do Edgar & Himmelblau
Recuperao de calor rejeitado

Projeto de trocadores de calor
Sntese de redes de trocadores de calor
Projeto de evaporadores
Sistema caldeira-turbina
Extrao lquido-lquido
Coluna de destilao
Ajuste de modelo ELV
Dimetro timo de tubulao
Mnimo trabalho de compresso
Operao econmica de um filtro
Projeto de uma rede de transmisso de gs
Tempo de residncia timo em reator a batelada
Otimizao de um reator de craqueamento cataltico
Maximizao do rendimento
Projeto timo de um reator de amnia.
130
O JULGAMENTO DO
ENGENHEIRO
ESSENCIAL
NA ACEITAO OU NO
DAS SOLUES
ENCONTRADAS.
131
Qumicos:
Captulo 4:
Otimizao Unidimensional
Sem Restries (OUSR)
Ricardo de Araujo Kalid, Dr.
132
Algoritmos de
Otimizao
P1. Estabelea o intervalo de busca ou
estimativa inicial que contenha o ponto
de mnimo da FO
O mapeamento fornece esse intervalo ou
estimativa inicial
P2. Defina uma tolerncia
P3. Aplique o mtodo selecionado at
atingir a tolerncia, certificando-se que:
f(x k+1) < f(xk)
133
Tolerncia ou
Critrio de Parada
f x
k 1
Erro absoluto na FO:
f x
Erro relativo na FO:
f x
Erro absoluto no ponto timo:

k 1
f x
f x
k 1
ou
k 1
i
k
i
x
i 1
k 1
i
xik 3
xi
k 2
i
4.
134
Erro relativo no ponto timo:

xik 1 xik
5
k
xi
Erro absoluto na direo de busca:
f x
f x
x
i 1
xk
6.
135
Mtodos para OUSR
Motivao:
M1. Problemas unidimensionais sem restries
M2. Incorporao da(s) restries FO
M3. Tcnicas OMSR e OMCR se originam em
OUSR
M4. Auxilia em problemas onde desconhecemos
a
regio de busca
Classificao dos mtodos para OUSR:

MD - Mtodos Diretos (utilizam apenas as
funes)
MI - Mtodos Indiretos (utilizam as derivadas).
137
Mtodos Diretos (MD) p/ OUSR
No utilizam derivadas
G1. Mtodos por diminuio da regio de

busca:
G1.1. Dois intervalos iguais de busca
G1.2. Mtodo da seo urea
G2. Mtodos por aproximao polinomial da
FO:
G2.1. Interpolao quadrtica
G2.2. Interpolao cbica.
138
Mtodos por Diminuio

da Regio de Busca
Algoritmo
P1. Escolha uma regio vivel (a,b) que

contenha uma funo unimodal
P2. Calcule f(x) em dois ou mais pontos.
P3. Compare os valores de f(x)
eliminando as
regies que tem maiores valores de
f(x) .
139
Trs intervalos iguais de busca
x1 - a = b - x2 = x2 - x1 neste caso o
intervalo reduzido de 1/3 a cada
iterao
L0 o intervalo de busca original (b - a)
k
e Lk o intervalo aps
k interaes,
2
k
0
ento
L L
A cada iterao necessrio avaliar

duas vezes a funo f(x) .
140
Mtodo da seo urea
O intervalo eliminado manter

sempre uma mesma proporo
com o intervalo original
a
x y 1
x y y
y
x
y
1 y

y x 1 y
y 0,618
L 0,618 L
k
141
Seo urea
142
Algoritmo Seo urea

P1. determine ak e bk , e a
tolerncia e
P2. Calcule Lk = bk - ak
x1k = ak + 0,382.Lk
x2k = bk - 0,618.Lk
P3. Calcule f(x1k) e f(x2k)
P4. Se f(x1k) > f(x2k) => ak+1 = x1k
bk+1 = bk
x1k+1 = x2k
Se f(x1k) < f(x2k) =>
bk+1 =
x2k
ak+1 = ak
x2k+1 = x1k
143
MD: Interpolao Quadrtica
f(x) aproximada por um polinmio

quadrtico
Seja f(x) unimodal e um intervalo de
busca que contenha o extremo
Avalie f(x1) , f(x2) e f(x3)
Aproxime f(x) no ponto timo (x*) por
uma funo quadrtica g(x) , ento
2
f x1 g x1 a b.x1 c.x1
f x2 g x2 a b.x2 c.x
2
2
f x3 g x3 a b.x3 c.x .
2
3
144
Mnimo de uma funo quadrtica

b
g(x) :
*
xg x
2c
g( x)
Resolvendo g(x1) , g(x2) e g(x3)

que
formam
um
sistema de 3 eqs

e
3 incogs:
2
2
2
2
2
2
1 x 2 x 3 g x1 x 3 x1 g x 2 x1 x 2 g x 3

2 x 2 x 3 g x1 x 3 x 1 g x 2 x1 x 2 g x 3
ou1 x 22 x 32 f x1 x 32 x12 f x 2 x12 x 22 f x 3
x f ( x )
x 2 x 3 f x1 x 3 x1 f x 2 x1 x 2 f x 3
145
Escreva um algoritmo p/ I.Q.

P1.
146
MD: Interpolao Cbica
f(x) aproximada por um polinmio

cbico
f ( x ) g ( x ) a1 x 3 a 2 . x 2 a 3 . x a 4
Seja f(x) unimodal e um intervalo de

busca que contenha o extremo
Avalie f(x1) , f(x2) , f(x3) e f(x4)
Aproxime f(x) no ponto timo (x*) por

uma funo cbica g(x), ento
podemos escrever um sistema de 4
equaes lineares.
147
SEAL:
FXA
x13
3
x2
x33
3
x4
x1
x22
x32
x42
F f x1
T
A a1
T
A X
a2
x1 1
x2 1
x3 1
x4 1
f x2
a3
f x3
a4
f x4
F
logo
Derivando g(x) e igualando a zero:
f x
dx
3a 1 . x 2 2a 2 . x 1 a 3 0
x apr
2a 2 4a 22 12a 1 . a 3
6a 1
148
Escreva um algoritmo
p/ I.C.
P1.
149
Comparao MDs x MIs

Mtodos Diretos
Mtodos Indiretos
Utilizam apenas f(x)

+ lentos
Tratamento + fcil das
descontinuidades
Tratamento + fcil das
restries
Preferido
Utilizam f'(x) e f(x)

+ rpidos
Tratamento + difcil das
descontinuidades
Tratamento + difcil das
restries
Recaem em SENL
150
Algoritmos MIs
P1. Intervalo de busca contendo o ponto
de
mnimo com FO unimodal neste
intervalo
P2. Defina uma tolerncia
P3. Aplique o MI at atingir a tolerncia,
certificando-se que: f(x k+1) < f(xk)
Quanto mais positivo for f"(xk) mais
rapidamente f(x) diminuir
Para maximizar f(x) , minimize -f(x) .
151
MI: Mtodo de Newton

Baseado no mtodo de Newton p/
SEANL
k
k+1
Expandindo
g
x
g(x
)=
0
em
torno
de
x
k 1
k
k 1
k
k
k 1
k
g x g x x x .g ' x 0 x x
k
k
g
'
x
:
gx
f' x
k 1
k
Como
f(x)=
x podemos
x
escrever
x x g(x)=
k
k
g
'
x
f
"
x
0
k 1
152
Vantagens do Mtodo de
Newton
V1. Convergncia quadrtica se f "(x*) 0
V2. Se FO quadrtica o mnimo obtido em
uma iterao, pois a expanso em srie
de
Taylor da funo f(x) exata
V3. Converge rapidamente p/ bom chute
inicial
Temos sempre que assegurar que a cada
iterao f(xk+1) < f(xk) para que o mnimo
seja alcanado [f(xk+1) > f(xk) para o
153
Desvantagens do
Mtodo de Newton
D1. S se aplica qdo existem f(x) e f(x)
D2. Calcular a cada iterao f(x) e f(x)
D3. Sensvel estimativa inicial
D4. Se f(x) tende a 0 a convergncia
lenta
D5. Se existe mais de um extremo o
mtodo
pode no convergir para o ponto
desejado
ou pode oscilar.
154
Mtodo de QuasiNewton
f(x) aproximada por diferenas

finitas
DF1. Diferena finita para trs:
f x f x x
f x
x
f x 2 f x x f x 2x
f x
x 2
155
DF2. Diferenas finitas para frente:

f x
f x
f x x f x
x
f x 2 x 2 f x x f x
x 2
DF3. Diferenas finitas central:

f x x f x x
f x
2x
f x x 2 f x f x x
f x
2
x
156
Portanto definindo h=x e

obtemos
f x

f x
k
k 1
x
k
xk
f x h f x h / 2h
f x h 2 f x f x h / h
Esse mtodo tem duas

desvantagens em relao ao
mtodo de Newton:
D1. Necessidade de definir o passo
h
D2. Avaliao de uma funo a mais
a cada iterao.
157
Mtodo da Secante
Expandindo f(x) = 0 em srie de

Taylor e truncando no terceiro termo:
f x f xk x xk
x x . f x
. f x
2!
k
k 2
Diferenciando em relao a x e
igualando
f x a 0:
x
f ' x f x k x x k f x k 0
158
Em lugar de utilizar a f"(xk) usamos
x x
q
f x f x / x
Ponto timo aproximado
f xq f x p
apr
fx
O x* encontrado aps algumas

iteraes
A derivada f'(x) pode ser obtida por
diferenas finitas.
159
Representao geomtrica
do mtodo da secante ou
regula falsi ou falsa posio
f(x)
f(x)
xp
Secante
~
x*
x*
xq
A sua ordem de convergncia de aproximadamente 1,6

Requer menos esforo computacional que o quasi-Newton,
pois precisa avaliar um nmero menor de funes
160
Algoritmo da Secante
a. Escolha dois pontos xp e xq com
derivadas de sinal contrrio
b. Calcule xapr*
c. Calcule f(xapr *)
d. Escolha o novo par de pontos que
mantm o sinal contrrio entre as
derivadas
e. Volte etapa b at que a tolerncia
admitida seja alcanada.
161
Avaliao dos Mtodos

Unidimensionais de Otimizao
Requisitos desejados:
R1. FO seja unimodal
R2. Conhecer a regio de busca que
contenha o extremo da FO
R3. Nos MIs dar boa estimativa inicial
R4. Nos MI's, existir f(x*) e/ou f(x*)
Conhecer as idiossincrasias dos
programas.
162
Problemas da otimizao
Mltiplos extremos
Erros de arredondamento
FO com gradiente grande
FO com gradiente prximo a zero
Descontinuidades da FO
Descontinuidades das FR
(para problemas com restries)
Interao entre as VDs
(para multivarivel).
163
Exerccio:
max L x
x
sujeito a :
L x R C x
R constante
2
3
4
C x 20 x 10 x x
164
Dica:
max L x max R C x max C x
x
x
x
max C x min C x min C x
x
x
x
min C x min 20 x 10 x x
x
1: use a instruo fplot ou plot do MATLAB

para mapear a funo objetivo
2: use a instruo fminbnd para encontrar o
ponto timo
Ou
1: faa o mapeamento da funo objetivo no
EXCEL
165
Qumicos:
Captulo 5:
Otimizao Multidimensional
Sem Restries (OMSR)
166
Mtodos para OMSR
Devem ser eficientes e robustos

Formulao geral de problemas de
OMSR:
encontrar x* = [x1 *,x2 *,...,xn *] que
minimiza f(x)
Algoritmo geral:
P1. Escolha ponto(s) de partida ou estimativa

inicial
P2. Calcule a direo de busca sk
P3. Obtenha a nova aproximao do ponto timo:
xk+1 = xk + xk , onde xk = k.sk
167
P4. Verifique se a tolerncia foi atingida,
Tolerncia ou
Critrio de Parada
f x
k 1
Erro absoluto na FO:
f x
Erro relativo na FO:
f x
Erro absoluto no ponto timo:

k 1
ou
f x
f x
k 1
xi
k 1
i
k
i
x
n
i 1
k 1
i
k 2
i
xik 3
4.
168
Erro relativo no ponto timo:

xik 1 xik
5
k
xi
Erro absoluto na direo de busca:
f x
f x
x
i 1
xk
6.
169
Mtodos Indiretos
Mtodos de 1a ordem:
gradiente
gradiente conjugado
Mtodos de 2a ordem:
Newton
Levenberg-Marquardt
Mtodos da secante ou quasiNewton:

Broyden
Davidson-Fletcher-Powell (DFP)
Broyden-Fletcher-Goldfarb-Shano
170
MI: Gradiente Descendente
Utiliza a derivada de 1a ordem

O gradiente aponta para a direo
de maior variao de f(x)
Na minimizao a direo de busca
k
k
s f x
O ponto timo atualizado por

k 1
k
k
k
k
k
k
k
k
x x x x s x
f x

171
k = cte
k = opt
opt s
k T
H x
f x
Caractersticas do gradiente
descendente:
C1. Eficiente nas iteraes iniciais
C2. Baixa taxa de convergncia qdo x
x*
C3. Bom qdo existe interao entre as
VDs
C4. Determina apenas pontos
estacionrios.
174
MI: Gradiente
Conjugado
Utiliza a derivada de 1a ordem

Combina o gradiente da iterao
anterior com o gradiente da iterao
atual
Desempenho superior ao gradiente
descendente
Tem taxa de convergncia quadrtica
175
Algoritmo do Grad. Conjugado

P1. Defina uma estimativa inicial xo
P2. Calcule f(xo), f(xo), so = - f(xo)
P3. Compute x1 = xo + o.so . o o escalar que
minimiza f(x) na direo so , ou seja,
obtido atravs de uma busca
unidimensional
P4. Calcule f(x1) e f(x1). A nova direo de
busca combinao linear entre so e f(x1).
0
0
s f x f x f x

1
1
s f x
1
f x
176
para a k-sima iterao

s
k 1
f x
k 1
k
f x
f x
k 1
f x

k 1
f x
P5. Teste se a FO esta sendo minimizada,

se no volte ao passo P4.
P6. Termine o algoritmo quando ||sk|| <
tolerncia
Problema se a razo entre os produtos
internos dos gradientes entre as iteraes
k+1 e k for pequena recaimos no
gradiente descendente.
177
MI: Mtodo de Newton

MI de 2a ordem
Aproximar f(x) por srie de Taylor
T
1
k
k
k
k T
k
k
f x f x f x
x x
H x
x
2
Derivando em relao a x e igualando a
zero:
Portanto
H x x
f x
Esta eq.
define
akdireo e kamplitude
do
1
k
k 1
k
x x x H x
f x
passo.
178
Podemos alterar o passo por:

k
x x
k 1
f x
Para avaliar o passo no necessrio

inverter a Hessiana, basta resolver o
SEAL 1
k
k
k
x H x
H x

f x
Mtodo rpido quando converge

Taxa de convergncia rpida perto do
ponto timo, exatamente o
comportamento contrrio do mtodo
gradiente.
179
Desvantagens do Newton
D1. Requer a inverso de uma matriz, ou
pelo
menos a soluo de um sistema
linear a
cada iterao
D2. Requer a avaliao analtica das
derivadas
de 1a e 2a ordem
D3. Pode convergir para um ponto de sela
se
H(x) no positiva definida
D4. Tem desempenho fraco ou no
converge
180
MI: LevenbergMarquardt
Combina o mtodo do gradiente

descendente com o de Newton
No incio se comporta como o MI
gradiente
No final como o MI de Newton
Matriz Hessiana modificada para sempre
ser positiva-definida e bem-condicionada
Acrescento a Hessiana uma matriz
positiva-definida;
181
~
A cada iterao fao:H x H x I
~
H x
H x
Ou:
Onde um valor positivo que torna H(x) > 0

e bem-condicionada
Se = 0 Mtodo de Newton
Se Mtodo Gradiente Descendente
> min(autovalor da Hessiana)
Marquardt aproveita as melhores
caractersticas do Gradiente Descendente e
do Newton.
182
Algoritmo de Marquardt
P1. Defina uma estimativa inicial xo e uma
tolerncia
P2. Para k = 0 faa 0 = 103 .
P3. Calcule f(xk).
P4. Verifique se a tolerncia
foi atingida, se no
1
k
k
k
k
continue s H I f x
P5. Calcule
P6. Compute xk+1 = xk + k .sk ; k vem da
Eq. 5-F
P7. Se f(xk+1) < f(xk) v ao p/ P8, se no v p/
P9
P8. k+1 = 0,25 k , e k = k+1 . Volte ao passo
P3
183
MI: Secante ou Quasi-Newton

Anlogo ao Mtodo da Secante para
OUSR
Algoritmo:
Passo 0 (zero):
P1. Defina uma estimativa inicial e uma
toler.
0
0 de busca
0
P2. Selecione
uma
direo
H H x
H
inicial.
0
Usualmente so = - f(x)
H I
P3. Calcule
. Se
no for
positiva definida faa
184
Passo k
P1. Calcule a amplitude do passo k
P2. Calcule xk+1 que minimiza f(x) por uma
busca unidimensional na direo sk
x
k 1
x H
k
P3. Calcule f(xk+1) e f(xk+1)

P4. Calcule xk = xk+1 - xk
e
g(xk) = f(xk+1) - f(xk)
P5. Calcule k 1
k
k
H H H
185
P6. Calcule a nova direo de busca

atravs de
k 1 1
ou de
k 1
f x
k 1 k 1
k 1
H s f x
k 1
Passo k+1
P1. Verifique se a tolerncia foi atingida
P2. Se o critrio de parada foi atingido,
pare.
Se no, volte ao passo k
Broyden, DFP, BFGS, etc.
186
Desvantagens Quasi-Newton
D1. H ou H
>0
D2.
ilimitada
k 1
pode deixar de ser
ou H
k 1
pode ser
187
Mtodos Diretos (MD) para OMSR

No utilizam as derivadas:
MD1. Busca randmica
MD2. Grade de busca
MD3. Busca unidirecional
MD4. Mtodo simplex ou do poliedro
flexvel
MIs tem taxa de convergncia maior.
189
Busca Randmica
Algoritmo
P1. Fazer k = 0
P2. Randomicamente escolher um vetor
xk
P3. Avaliar f(xk)
P4. Verificar se a tolerncia foi atingida,
se no retornar ao passo P2
Ponto de partida para outro algoritmo
Cheque do mnimo local.
190
Grade de busca
Mapeamento da FO segundo uma

geometria definida
Requer elevado esforo
computacional
Algoritmo:
P1. Definir a topologia da grade
P2. Em torno do ponto mnimo
encontrado,
repetir a grade e/ou torn-la
mais fina.
191
MD: Busca Unidimensional
Estabelecida uma direo, fazer

uma OUSR nesta direo
Eficiente para FO quadrticas sem
interaes entre as VPs
Algoritmo:
P1. Definir um vetor de partida e

tolerncias
P2. Escolher um componente j do vetor
P3. Na direo de j fazer uma OUSR
P4. Voltar a P3 at percorrer todos os j
P5. Verificar se as tolerncias foram
192
MD: Simplex ou Poliedro Flexvel
Utiliza uma figura geomtrica regular

(simplex) para selecionar o ponto em
k+1
Em 2 dimenses o simplex um
tringulo
Em 3 dimenses o simplex um
tetraedro.
193
Comparao MDs x MIs
Os mtodos precisam:
Definio de uma regio de busca convexa

Na regio de busca a FO seja unimodal
Ponto(s) de partida
Mtodos Numricos para OMSR

MDs
MIs
Usam f(x)
f(x), f(x), f(x)
> no iteraes
< no iteraes
< tempo p/ itera. > tempo p/ itera.
Pto(s) de partida Estimativa inicial
Encontram apenas mnimos locais
Fornecem soluo aproximada
194
Procedimento Geral para

Resolver Problemas de
Otimizao
1.
2.
3.
4.
5.
6.
7.
8.
9.
Definio dos objetivos

Estudo Qualitativo
Desenvolvimento da FO e das FRs
Mapeamento da FO
Manipulao, normalizao e simplificao
da FO e da FO e das FRs
Aplicao do algoritmo de otimizao
Anlise de sensibilidade e
validao da soluo encontrada
Implementao da soluo
Manuteno preditiva e Auditoria
continuada.
196
Exerccio:
Qual o valor mximo de f(y, z) ?
Qual o valor da varivel de deciso no
ponto timo?
f y, z
seno 1.5242 1014 y 2 10 12 z 2

1.5242 10 y 10
14
12
Faa o mapeamento
Encontre o ponto timo utilizando uma
rotina de otimizao
197
Mapeamento no MATLAB
clear all
close all
clc
y = [ -10 : 0.5 : +10 ] ;
z=y;
[Y,Z] = meshgrid(y,z) ;
aux = sqrt(1.5242*1e14*Y.^2+1e-12*Z.^2) +
eps ;
f = sin(aux)./aux ;
surfc(Y,Z,f)
xlabel('y')
ylabel('z')
198
Algoritmo no MATLAB
% Programa principal: arquivo
Programa_principa;.m
X0 = [ -0.1 0.1 ] ; % Estimativa inicial
opcoes = optimset('TolFun',1e-8,'TolX',1e8,'Display','iter');
X=fminunc(@funcao_objetivo,X0,opcoes)
% Funo (subrotina): arquivo
funcao_objetivo.m
function [ f ] = funcao_objetivo(X)
Y = X(1) ;
Z = X(2) ;
% aux = sqrt(1.5242*1e14*Y.^2+1e-12*Z.^2)
+ eps ;
aux = sqrt(Y.^2+Z.^2) + eps ;
199
O JULGAMENTO DO
ENGENHEIRO
ESSENCIAL
NA ACEITAO OU NO
DAS SOLUES
ENCONTRADAS.
200
Qumicos:
Captulo 6:
Estimativa de parmetros
201
Estimativa de Parmetros
X
Ajuste de Modelos
Estimativa de parmetros
Abordagem por mtodos estatsticos

Tecnicamente mais correta
O ajuste do modelo uma das etapas
Abordagem por Mtodos de Otimizao:

Tecnicamente menos rigorosa
Mais pragmtica e fcil de aplicar
Cuidado com a utilizao dos parmetros ajustados
Mais difcil de aplicar

Requer conhecimentos de estatstica
Define intervalo de abrangncia do parmetro
Define intervalo de abrangncia do modelo.
202
Partes de um parmetro
Valor mais provvel

Tcnicas de otimizao
Unidade
Converso das unidades para SI e
variveis absolutas
Incerteza
LPU: Lei da Propagao da Incerteza
GUM
LPP: Lei da Propagao de PDFs
Mtodo de Monte Carlo

GUM S1.
203
Metodologia para
estimativa de parmetros
P1: Definio dos objetivos
P2: Estudo qualitativo: proposio do(s)
modelo(s) a ser ajustado; estabelecimento
da FO, VD e FR; eliminao de outliers por
grficos
P3: Estudo quantitativo: eliminar os outliers
por mtodos estatsticos; mapeamento da
FO e FRs
a) Escolha da forma do modelo linear
e ajuste os parmetros por regresso linear; ou
b) Resolva um SEANL para obter a estimativa inicial
Ajust
e
P4: Normalizao parmetros do modelo e

ajuste dos parmetros dos mtodos
numricos
P5: Ajuste dos parmetros por regresso nolinear
Avaliao
P6: Anlise de sensibilidade do modelo
204
da
Partes do problema de
otimizao para ajuste de modelos
Funo objetivo
Maximizao da funo de
verossimilhana
Hiptese 1: Incerteza desprezvel nas
variveis independentes
Hiptese 2: Independncia entre os pontos
experimentais das variveis dependentes
Hiptese 3: Distribuio normal
Hiptese 4: Igualdade das incertezas das
variveis dependentes
Mnimos
quadrado
s
ponderad
os (WLS)
Mnimos
quadrado
s
ordinrio
s
(OLS)
Variveis de deciso
Parmetros do modelo
207
Diferentes funes
objetivos
Funes objetivos
quadrticas
Incerteza iguais nos
pontos
Independncia entre Yei
Distribuio
normal
NE NY
2
min YE YM
b0 , b1 , K , bNP
i 1 j 1
min YE YM
b
s.a : YM f X E , b
ij
ij
YE YM
Funes objetivos
absolutas
Incerteza iguais nos
pontos
Independncia entre YEi
Distribuio
NE NY
min
YE YM
exponencial
b0 , b1 , K , bNP
i 1 j 1
ij
ij
min soma soma abs YE YM

b
s.a : YM f X E , b
208
WLS
(Weighted Least
Funes objetivos
quadrticas
Square)
OLS (Ordinary Least Square)
Quadrados Mnimos NoPonderados
Incerteza desprezvel
nas variveis
independentes
Todas as incertezas
so iguais
NE NY
min
b0 , b1 , K , bNP
i 1 j 1
min YE YM
b
YEij YMij
T
s.a : YM f X E , b
YE YM
Quadrados Mnimos
Ponderados
Incerteza desprezvel
nas variveis
independentes
As incertezas so
diferentes
NE NY
min
b0 , b1 , K , bNP
E ij
YMij
u
i 1 j 1
2
Yij
min YE YM VY1 YE YM
T
s.a : X M f XE , b
209
Ajuste e Reconciliao
RWLS (Reconciliation and Weighted Least

Square)
Quadrados mnimos ponderados com
reconciliao de dados
Incerteza nas variveis dependentes

Incerteza nas variveis independentes
NE NY
min
b0 , b1 , K , bNP
E ij
YMij
u
i 1 j 1
2
Yij
2
NE NX

i 1 k 1
Eik
xMik
u
2
Xik
min YE YM VY-1 YE YM X E X M VX-1 X E X M

T
s.a : YM f XM , b
g XM 0
210
OLS:
Quadrados mnimos ordinrios
min YE YM
b
YE YM
s.a : YM X E b
b1
b
2
M

bNP
X E1
X E21
X E2
X E22
M M
1 X
E NE
X E2NE
1
XE
NP1
X ENP
1
NP 1
X E2
M
X ENPNE1
NE NP
1
YMi b1 b2 X Ei b3 X E2i L bNP X ENP
i
i 1, 2,K , NE
211
OLS
min YE X E b YE X E b
0
b
b
YET YE YET X E b b T XTE YE b T X TE X E b
T
YET YE YET X E b b T X TE YE b T X TE X E b
0 YET X E
b
X YE b X X E
T
E
T
E
XTE X E b 0
T
T
T
T
T
T
T
T
T
X E YE X E YE X E X E b XTE VY1X E b 0
b
2XTE YE 2XTE X E b 0 XTE X E b XTE YE

b
b X XE
T
E
XTE YE
212
WLS:
Quadrados mnimos ponderados para modelo polinomial
min YE YM VY1 YE YM
T
s.a : YM X E b
b1
b
2
M

bNP
XE
NP1
X E1
X E2
M M
1 X
E NE
2
E1
2
E2
X E2NE
NP 1
E1
NP 1
E2
X ENPNE1
NE NP
1
YMi b1 b2 X Ei b3 X E2i L bNP X ENP
i
i 1, 2,K , NE
213
Soluo WLS
min YE X E b VY1 YE X E b
T
YET b T XTE VY1 YE X E b
YET VY1 YE YET VY1 X E b b T X TE VY1YE b T X TE VY1 X E b
YET VY1 YE YET VY1 X E b b T XTE VY1YE b T X TE VY1 X E b
0 YET VY1 X E
b
XTE VY1
b
Y
T
T
E
1
Y
1
Y
X V YE b X V X E
T
E
T
E
1
Y
1
Y
T
E
1
Y
X V YE X V
V
T
E
T
Y
-1
X TE VY1 X E b 0
X b
T
T
E
XTE VY1 X E b 0
VY1
2XTE VY1YE 2XTE VY1 X E b 0 XTE VY1 X E b XTE VY1 YE

b
1
Y
b X V XE
T
E
XTE VY1 YE
214
Avaliao da incerteza
dos parmetros
A matriz de varincia-covarincia
indica a variabilidade do
parmetro Se f x uma PDF f x dx 1
Relembrado:
Mdia ou esperana de uma varivel aleatria X :
X E X @ f X X dX
Varincia de uma varivel aleatria X :
VX Var X X2 @ f X X X dX
215
Para amostras:
N
Mdia ou esperana de uma varivel aleatria X :
X
i 1
Varincia de uma varivel aleatria X :

N
VX Var X S X2 S XX
Xi x
i 1
N 1
Co-varincia entre duas variveis aleatrias X 1 e X 2 :

N
Cov X 1 X 2 S X1 X 2
X
i 1
1i
x1 X 2i x2
N 1
Para um vetor X a matriz de varincia-covarincia : VX E X X T
216
Varincia dos parmetros:

Vb E b b T
b b1 b 2 XTE VY1X E
XTE VY1 YE1 X TE VY1X E X TE V Y1 YE2
1
YE YE1 YE 2 b XTE VY1X E X TE VY1 YE
T
1
1

T 1
T 1
T 1
T 1
Vb E X E VY X E X E VY YE X E VY X E X E VY YE
Vb E
Vb E
X V
1
Y
T
E
1
Y
Vb X V X E
T
E
XE
T
X V YE YE XTE VY1
1
Y
T
E
T
E
1
Y
T
E
1
Y
1
Y
1
Y
T
E
X V V X V
1
T
E
1
Y
XE
1
Y
T
E
X V XE
1 T
Y
X V E Y Y X V
T
E
1
Y
T
E
X TE VY1VY VY1X E XTE VY1X E

T
E
X V Y Y X V X V
1
T
E

V X V
1
Vb X V X E
Vb XTE VY1X E
XT V 1X
E Y
E
1 T
Y
1
Y
X V
1
Y
XE
1 T
Y
T
E
X V
T
E
X TE VY1X E
b XTE VY1X E
T
E
XE
1 T
T 1
XE
XTE VY1X E
XTE VY1YE Vb XTE VY1YE
XTE VY1X E
217
Metodologia para
estimativa de parmetros
1.
Objetivo: desenvolver um modelo

para
Psat = f(T)
2.
Estudo qualitativo:
Presso proporcional a temperatura

Utilizar unidades absolutas
Utilizar SI: Psat /Pa e T/K
Modelo emprico: polinomial
Modelo fenomenolgico: equao de
Antoine
218
Exemplo
Estimativa de parmetros de um modelo

que relaciona presso de saturao do
tolueno com a temperatura.
Tabela 4.1: Dados experimentais
Temperatura T x Psat Presso saturao
Estimativa Incerteza
padro
Estimativa
Incerteza
padro
n
1
T/oC uT/oC p/bar up/bar

106,9
2,6
0,8837
0,0042
2 112,0
2,0
1,0217
0,0033
3 117,1
2,3
1,1751
0,0029
4 122,0
2,2
1,3531
219
2 Eliminao de outliers
Dados experimentais
2.2
2
Presso (bar)
1.8
1.6
1.4
1.2
1
0.8
105
110
115
120
125
Temperatura (oC)
130
135
140
220
2 Equao de Antoine
B
Modelo matemtico no linear:
P d exp A
T
Modelo matemtico linearizado:

P
B
B
P
exp A ln A
d
T
T
d
1
P
Y ln e X
T
d
b1
A
b Y b1 b2 X
B
b2
Incerteza dos parmetros: consultar livro de JCP

PINTO, Jos Carlos Pinto. Anlise de dados
221
2 Equao emprica
YM i b1 b2 X Ei b3 X E2i
Modelo
polinomial:
i 1, 2,L , NE
b1
b b2
b3
YM X E b
1
X E1
X E21
1 X E2
XE
M M
1 X
E NE
2
E2
M
X E2NE
222
2 Varincia dos parmetros

para modelo polinomial
YE X E b
Valor ajustado:min
b
YM i b1 b2 X Ei b3 X
Matriz de varincia dos

V b1 , b1
parmetros:
1
Vb X V X E
T
E
2
Ei
1
Y
Se Vb for
preponderadame
nte diagonal:
V b2 , b1
V b3 , b1
1
Y
YE X E b
1
Y
b X V XE
T
E
0
b
1
XTE VY1YE
V b1 , b2 V b1 , b3
V b2 , b2 V b2 , b3
V b3 , b2 V b3 , b3
ub1 V b1 , b1
ub2 V b2 , b2
ub3 V b3 , b3
223
2 Estudo qualitativo
Funo
1
min
X
b
V
objetivo: WLS E E Y YE X E b
T
As variveis so normais
As variveis independentes tem
incerteza desprezveis
As medidas das variveis
dependentes so independentes
Variveis de deciso: bT = [ b1 b2
b3 ]
2
Restries:
YM i b1 b2 X Ei b3 X Ei
Psati b1 b2TEi b3TE2i
224
3 Estudo quantitativo:
mapeamento
Modelo linear nos parmetros:

O modelo polinomial com WLS tem
soluo analtica
No h necessidade de estimativa
inicial
Essa etapa pode ser desprezada
Modelo no-linear nos parmetros:

Linearizar obter estimativa inicial do
modelo linear
Solucionar sistema de equaes nolinear
225
Ajuste de modelos lineares

com uma varivel independente
Modelo linear nos parmetros e na VI:
Y t b0 b1 . x t
Modelo linear apenas nos parmetros:
Y t b0 b1 . x t
Modelo no-linear nos parmetros e na

VI:.
Y t exp b0 . b1 . x t b0
226
Escolha da forma
linear equivalente para o modelo
Equao na Forma
No-Linear
1
b0 b1 . x
y
y b0 b1 .
1
x
Coordenadas na Forma Linear

Eixo X
y#
x
x#
1
x
x
b0 b1 . x
y
y b0 . x b1 b2
x # log x
Eixo Y
1
y
Linear
y # b0 b1 . x
y b0 b1 . x #
y#
Equao na Forma
x
y
y # log y b2
y # b0 b1 . x
y # log b0 b1 . x #
Quando possvel indicado 1 ajustar o modelo

linear
Se no for possvel, escolho n pontos e resolvo um
227
Obs. sobre a linearizao
A linearizao afeta, de maneira

complexa, a distribuio de
freqncia dos erros
Dado o modelo:
Y y b0 . x
b1
Linearizando no obteremos:
log Y log b0 b1. log x *

228
Obs. sobre a linearizao
prefervel utilizar o seguinte modelo:
y b b . x x
*
0
*
1
Esta forma torna os parmetros

no-correlacionados.
229
Ajuste modelo linear nos

parmetros
Ajuste: encontrar um conjunto de

parmetros que minimize um critrio de
desempenho
POMSR:
f min
n
onde
yi i . pi
i 1
i b0 b1. xi x
Mtodo dos Quadrados Mnimos
230
Derivando a FO em relao a b0 e
b1 , igualando a zero e resolvendo
n
o SEAL:.
yi . pi
b0 i 1n
y
pi
i 1
b1
y . x x . p
i 1
n
x x
i 1
. pi
231
Ajuste modelo
multidimensional
Neste caso temos apenas uma varivel

dependente e vrias independentes:
f
min
b0,b1,bq
n
onde:.
yi i . pi ei . pi
i 1
i 1
i b0 b1 . xi ,1 x 1 b2 . xi ,2 x 2 bq . xi ,q x q
232
Modelo de otimizao
min yi i . pi
b0 , b1 , K , bq
i 1
Funo objetivo:
i b0 b1 . xi ,1 x 1 b2 . xi ,2 x 2 bq . xi ,q x q
Definindo as matrizes:
y1
y
2
,b
yn
n1
p2

x11 x1 x12 x2
x21 x1 x22 x2
xn1 x1 xn 2 x2
bq
1
1
,X
p1
0
b0
b
1
q 1 1
0
0
y1
y
2
,e
pn
n n
1
1
yn
x
x
1q
2q
xq
xq
x
x x x x x
x x x x x
11
12
21
22
xn1 x1 xn 2 x2
nq
n q 1
xq

x
2q
q

xnq xq
1q
b0
b1
bq
233
Derivando a FO em relao aos

parmetros, igualando a zero e
resolvendo o SEAL:
T
b X . p. X
b c.G ,
c X . p. X
X
1
. p. y
G X . p. y
A matriz p pode ser interpretada como a

ponderao do inverso das varincias
das medies. 1
2
1
2
2
n2
234
4 Simplificao do modelo:
normalizao dos parmetros
Explicitar o valor do parmetros

Os novos parmetros ficam com valores
em torno de 1 (um)
Transformao de variveis
Exemplo 5.12, pgs. 366 a 370 do livro do
JCP
Redefinir as variveis dependentes e

independentes na forma de desvio
em relao a mdia
Parmetros menos correlacionados
235
5 Aplicao do algoritmo
O problema tem soluo analtica

Estudo de funo (derivar = 0)
Mtodo de Lagrange
O problema no tem soluo analtica

Estimativa inicial
do modelo linearizado
da soluo de um SEANL
da literatura
Mtodo numrico:
SLP, SQP, GRG, FP, AG, etc..

236
5 Aplicao do algoritmo
O problema tem soluo analtica:
1
Y
b X V XE
T
E
T
E
1
Y
X V YE
Vb XTE VY1X E
b Vb XTE VY1YE
1
Y
S X V XE
T
b
T
E
b S YE
T
b
X E1
X E21
1 X E2
XE
M M
1 X
E NE
2
E2
1
Y
T
E
YM X E b
1
S Vb X V
T
b
T
E
1
Y
X V
b1
b M
b3
M
X E2NE
237
Ajuste de modelo nolinear
min yi i . pi
b0 , b1 , K , bNP
i 1
s.a : i f XE , b
A soluo do modelo linearizado

fornece a estimativa inicial para o
problema no-linear
necessrio utilizar um mtodo
para otimizao no-linear.
238
Observaes
Ajuste de parmetros um POM

Problemas semelhantes na
formulao
estimativa de estado (controle de
processos);
estimativa simultnea de estado e
parmetros;
reconciliao de dados;
simultnea reconc. e estim. de
parmetros (mtodo dos erros nas
variveis).
239
6 Anlise de sensibilidade
Variar os parmetros, incertezas e

dados experimentais e avaliar:
O valor da funo objetivo
Os novos valores dos parmetros.
241
7 Validao do modelo
Testar com conjunto de dados que

no foram utilizados no ajuste
Avaliao da matriz de varinciacovarincia.
Avaliao da matriz dos coeficientes
de correlao
Avaliao dos resduos
Proximidade do zero
Aleatoridade
Homocedasticidade.
242
8 Determinao da
regio de abrangncia
Teste F (para PDFs gaussianas)

Matriz de co-varincia dos
parmetros estimados
Avaliao da incerteza dos
parmetros: se a diagonal da matriz
de varincia-covarincia dos
parmetros predominante
A incerteza dos parmetros pode ser
avaliada.
243
Metodologia geral p/ ajuste

P1: Eliminao de dados esprios (outliers)
P2: Proposio do(s) modelo(s) a ser ajustado
P3: Mapeamento
a) Escolha da forma do modelo linear
e ajuste os parmetros por regresso linear
ou
b) Resolvo um SEANL para obter a estimativa inicial
P4: Fazer tratamento estatsticos e metrolgico dos
dados
P5: Normalizao parmetros do modelo
P6: Ajuste dos parmetros dos mtodos numricos
P7: Ajuste dos parmetros por regresso no-linear
P8: Anlise de sensibilidade do modelo ajustado
P9: Validao cruzada
P10: Estabelecimento do intervalo de confiana e
regio conjunta de confiana
244
O JULGAMENTO DO
ENGENHEIRO
ESSENCIAL NA
ACEITAO OU NO
DAS SOLUES
ENCONTRADAS.
245
Exerccios.
Captulo 5
E5.3, pg 106
E5.4, pg 106
246
Exemplo
Estime os parmetros de um modelo que

relaciona presso de saturao do
tolueno com a temperatura.
Tabela 4.1: Dados experimentais
Temperatura T x Psat Presso saturao
Estimativa Incerteza
padro
Estimativa
Incerteza
padro
n
1
T/oC uT/oC p/bar up/bar

106,9
2,6
0,8837
0,0042
2 112,0
2,0
1,0217
0,0033
3 117,1
2,3
1,1751
0,0029
4 122,0
2,2
1,3531
247
Matrizes para estimativa da

incerteza dos parmetros
Na estimativa de
parmetros as expresses
abaixo so muito utilizadas.
ne
OLS yei ymi y e y m y e y m

2
i 1
ne
WLS
ei
ymi
ye ym V
y e y m
Para as funes objetivos

apresentadas, deduza as
matrizes correspondentes.

r
uuu
p
ye
Gx
r
uuu
p
xe
y y
ei
mi
Jp

f p; y e , x e
onde
ye
ne
OLA yei ymi

i 1
ne
WLA
onde
Vye
i
y m f p; y e , x e
o sistema de equaes algbricas no-lineares

que representa os modelos a ser ajustados
aos dados experimentais.
p; y e , V y , x e , V x
e
2 p
2 p
p
2
p p
p p
p
2 p
p
ye p
y e p
2 p
p
xe p
xe p
r
uuu
Hp
p
p
Gy
Vi
i 1
i 1
uuu
r
p
p
p
a funo objetivo do problema
de estimao de parmetros
uuu
r
p o gradiente da funo objetivo
Hp
a matriz hessiana da funo objetivo
Jp
matriz jacobiana do modelo em relao aos

parmetros aplicada nos pontos experimentais
248
Qumicos:
Captulo 7
Programao Linear (LP)
UFBA.
249
LP
FO e FRs lineares nos parmetros e

VDs:.
min x, c
x
x, c ci xi
i 1
sujeito a xi 0 , i 1,2, ,q
a x b
q
i 1
ji i
a x b
, j 1,2, ,m
, j m 1,2, , p
i 1
ji i
250
LP
Em notao matricial.
min x , c
x
x , c c x
T
sujeito a xi 0
e
A1 x b 1
e
i 1, 2, , q
A2 x b 2
251
Exemplo exerccio E3.3:

FO: maximizar o lucro
lucro = faturamento - custo matria-prima - custo
processo
faturamento
= 36x3 + 24x4 + 21x5 + 10x6
custo matria-prima
= 24x1 + 15x2
FRs: quanto ao rendimento de cada produto

Gasolina:
0,80x1 + 0,44x2 = x3
Querosene:
0,05x1 + 0,10x2 = x4
leo combustvel: 0,10x1 + 0,36x2 = x5
Resduo:
0,05x1 + 0,10x2 = x6.
252

Gasolina:
x3 < 24.000; 0,80x1 + 0,44x2 <
24.000
Querosene:
x4 < 2.000; 0,05x1 + 0,10x2 <
2.000
leo combustvel: x5 < 6.000; 0,10x1 + 0,36x2 <
6.000

xi > 0
, i = 1, 2, ..., 6
Portanto:
max f(x) = 8,1x1 + 10,8x2
s.a. xi > 0 , i = 1, 2
e
0,80x1 + 0,44x2 < 24.000 (A)

0,05x1 + 0,10x2 < 2.000 (B)
0,10x1 + 0,36x2 < 6.000 (C).
253
Regio vivel:
O extremo de um PPL est num dos vrtices

da regio vivel.
254
Vamos ao MATLAB:
clear all
clc
f = [ 8.1 ; 10.8 ]
A = [ 0.8 0.44 ; 0.05 0.1 ; 0.1 0.36]
b = [ 24000 ; 2000 ; 6000 ]
Aeq = [ ]
beq = [ ]
LB = [ 0 ; 0 ]
UB = [ +inf ; +inf ]
[ X , FVAL , EXITFLAG , OUTPUT , LAMBDA ] = ...
linprog( -f , A , b , Aeq , beq , LB , UB )
255
Exemplo
FO: maximizar o lucro
lucro = faturamento - custo matria-prima - custo processo
faturamento
= 36x3 + 24x4 + 21x5 + 10x6
custo matria-prima = 24x1 + 15x2
FRs: quanto ao rendimento de cada produto

Gasolina:
0,80x1 + 0,44x2 = x3
Querosene:
0,05x1 + 0,10x2 = x4
leo combustvel:
0,10x1 + 0,36x2 = x5
Resduo:
0,05x1 + 0,10x2 = x6

Gasolina:
x3 < 24.000
Querosene:
x4 < 2.000
leo combustvel:
x5 < 6.000

xi > 0
, i = 1, 2, ..., 6.
256
Petrleo 1
X1= 26,2
t/h
Petrleo 2
Gasolina: X3=
24,0 t/h
Querosene:
X
=
4
REFINARIA
2,0 t/h
DE
leo comb.: X5=
PETRLEO
5,1 t/h
Asfalto: X6= 2,0
t/h
X2= 6,9
t/h
Lucro mximo = 287 000 reais /
hora
257
LP
Um PPL uma funo cncavaconvexa, limitada por funes

convexas a regio convexa
Principal algoritmo o SIMPLEX
No confundir o SIMPLEX para LP

com o SIMPLEX ou poliedro flexvel
No toolbox de otimizao do
MATLAB o comando linprog.
258
Forma Padro do PPL

1. max f = min -f
2. se alguma inequao > multiplicar por
-1
3. se xk > uk , ento faa yk = xk - uk >
0
4. se xk irrestrita quanto ao sinal,
ento
faa xk = xk+ - xk- , onde xk+ > 0 e xk>0
para utilizar o toolbox de otimizao do
MATLAB no necessrio padronizar
259
Dualidade em LP
Todo PPL tem uma forma primal e uma

min x, c
dual
x
Forma primal: x, c c x c x
T
1
T
2
sujeito a A11.x1 A12 .x 2 b1 (q )

A21.x1 A22 .x 2 b 2 (m)
x1 0
(r1 )
x 2 irrestrito (r2 )
min y, b
y
y, b b1T y1 bT2 y 2
Forma dual:.
sujeito a A11 . y1 A12 . y 2 c1 (r1 )

A21. y1 A22 . y 2 c 2 (r2 )
y1 0
(q )
y 2 irrestrito (m)
260
Exerccio:
Resolva o exerccio E3.3.
261
Programao Linear Sucessiva

(SLP)
PO no-linear podemos linearizar e

aplicar sucessivamente a LP.
x
s.a.h x h x x x h x 0
g x g x x x g x 0
min x x x x
#
# T
# T
# T
262
Algoritmo SLP
P1: Defina os limites superior e inferior de
validade
da linearizao
P2: Escolha uma estimativa inicial
P3: Linearize a FO e as FRs em torno da
estimativa
inicial. Encontre a nova soluo do
problema LP
P4: Verifique se a nova soluo vivel, se
sim
assuma esta como ponto; se no estreite
os
limites de validade da linearizao
263
SLP
Vantagens do SLP:
fceis de implementar
podem manipular grande no de variveis
se temos uma boa estimativa inicial
convergem rapidamente
aplicveis a problemas com moderadas nolinearidades
Desvantagens da SLP:
convergem lentamente se o ponto timo est
no interior da regio vivel
converge lentamente se grande o no de
variveis no-lineares
se a no-linearidade elevada o passo das
iteraes deve ser pequeno.
264
Qumicos:
Captulo 8
Multiplicadores de Lagrange
Programa em Engenharia Industrial Escola Politcnica da UFBA.
265
Multiplicadores de Lagrange
POSR:
O gradiente identifica os pontos
estacionrios
A Hessiana da FO nos ptos crticos
determina se o pto mximo, mnimo ou
pto de sela
Converte um POCR em um POSR

utilizando os multiplicadores de
Lagrange
Mtodo importante do ponto de vista
terico, porm pouco aplicvel na
prtica.
266
Funo Lagrangeana
Seja o PO: min x1 , x 2 , , x n
s.a. h1 x1 , x 2 , , x n 0
Funo Lagrangeana:
L x , w x w1 . h1 x
No ponto crtico:.
h1 x 0 x L x , w x w1.h1 x
267
Mtodo dos
multiplicadores de Lagrange
Encontrar w1 que satisfaa do seguinte
minPOSR:
L x , x , , x , w
onde L x1 , x 2 , , x n , w1 x1 , x 2 , , x n w1 . h1 x1 , x 2 , , x n
Derivando em relao s
variveis de deciso e aos
multiplicadores de Lagrange e
igualando a zero.
SEANL a ser resolvido, com
n+1 equaes e incgnitas.
L
x 0
1
L
x 0
2
0
xn
0
w1
268
ML e FRs de Inequaes
min x
Para
s.a. h j x 0
j 1, , m
g j x 0
j m 1, , p
definimos variveis de folga (slack
variable):
min x
s.a. h j x 0
j 1, , m
g j x 2j 0
Lagrangeana:.
m
j m 1, , p
L x , w x w j . h j x
j 1
j m 1
w j . g j x 2j
272
Anlise de
Sensibilidade
Alterao do ponto timo e/ou do

valor da FO quando modificamos os
coeficientes da FO e/ou das FRs
Identificar a influncia das
incertezas
Estudo de casos para diferentes
valores de variveis controlveis
Certificar da validade da soluo
encontrada.
275
Anlise de Sensibilidade
min x
Seja
s.a. h x e
ou seja
s.a. h x h x e 0
logo
L x,w x w.h x
x w h x e w
e
e e
no ponto timo : x * L x *
L x * L x * x *
w ou w.e
e
e
e
276
Vantagens e Desvantagens dos ML
Vantagens:
Fcil anlise de sensibilidade da FO s FRs
Base terica para outros mtodos
Estabelece condies necessrias e
suficientes
Desvantagens:
Nem sempre consigo obter os ML pelo
mtodo de L
O clculo dos ML pode ser complicado
O mtodo dos ML recai num SEANL com
aumento do no de variveis.
278
Qumicos:
Captulo 9
Funo Penalidade
UFBA.
280
Funo Penalidade
Mtodo foi muito empregado

Converte um POCR em um POSR utilizando
uma funo penalidade
Partindo de um POSR, com uma funo que
penaliza muito pouco as violaes das
restries, paulatinamente nos
aproximamos da soluo aumentando a
penalizao
No ponto timo a influncia da funo
penalidade sobre a FO nula (anlogo aos
multiplicadores de Lagrange).
281
Seja
min x
s.a. h j x 0
g j x 0
j 1, , m
j m 1, , p
penalizando as violaes das restries

min P x , R
P x , R x R, h x , g x
R, h x , g x
a influncia da funo
pequena no incio (problema irrestrito) e
gradualmente vai aumentado, ao mesmo
tempo em que a soluo se aproxima,
atendendo as restries, do ponto timo.
282
Algoritmo da PF
P1: Definir a forma da PF
P2: Definir a razo (RR) de atualizao da
PF
P3: Estabelecer o critrio de parada em
relao
ao valor de R, a sucessivos valores da
FO,
das FRs ou das variveis de deciso
P4: Resolver o PO na iterao k, diminuir o
valor de R at que o critrio de parada
seja
atendido.
283
Exemplo aplicao PF
Seja
min x1 , x2
2
2
x1 , x2 x1 4 x2 4
s.a. h x1 , x2 x1 x2 5 0
definindo uma FP quadrtica:
R, h x , g x
1
x 1 x 2 5
R
obtemos
1
2
P x1 , x2 , R x1 4 x2 4 x1 x2 5 .
R
2
284
Seqncia de convergncia do mtodo

PF.
285
Tipos de PFs
Tipo de
Restrio
Igualdade
Funo Penalidade
Denominao
Expresso
R , h x
Penalidade Parablica
1
R
j 1
Equao -A
h x
Inequaes
10 20 . g
j J
Equao -B
Barreira Infinita
onde
J
identifica
o
conjunto
de
restries violadas, isto , neste caso
g
Inequaes
x 0
g x R.
Penalidade Logartmica
j J
ln g x
p
j m 1
Equao -C
R , g x
Inequaes
1
R
g x
p
Penalidade Inversa
j m 1
Equao -D
Inequaes
Equaes e
Inequaes
R , g x
onde
Operador Parnteses
R , g x
1
R
h x
m
j 1
1
R
j m 1
g j x se
se
0
Equao -E
g j x 0
g j x 0
1
R
g x
p
j m 1
Equao -F
Equaes e
Inequaes
R , g x
1
R
h
j
j 1
ln
j m 1
Equao -G
286
287
Exerccios.
Monte o exemplo anterior no
Excel
Monte o exemplo anterior no
Matlab
288
Qumicos:
Captulo 10
Programao Quadrtica
UFBA.
289
Programao Quadrtica (QP)
FO quadrtica e FRs lineares
min x f
x
1 T
x x
H x
2
s.a. A x b
x0
290
w*, u* so multiplicadores de
Lagrange
x*, y*, w*, u* a soluo do PPNL,
QPP
x
entomin
o
equivalente
ao
LPP:
x
1 T
x c x b T y
2
T
s.a. c Q. x A w u 0
A. x b y 0
wT y 0
x0
uT x 0
y0
w0
u0
No toolbox de otimizao do MATLAB:

qp ou quadprog.
292
Exerccio 1:
Resolva utilizando o MATLAB:
Funo quadprog
min x1 , x2
x1 , x2 x1 4 x2 4
s.a. h x1 , x2 x1 x2 5 0
2
293
Soluo
min x1 , x2
x1 , x2 x1 4 x2 4
s.a. h x1 , x2 x1 x2 5 0
2
8
f
2 0
H
0 2
A []
Aeq 1 1
b []
b eq 5
x quadprog H , f , A, b, Aeq , b eq
294
Programao Quadrtica
Sucessiva (SQP)
Analogamente ao LPS,
aproximamos o NLP por sucessivas
min x
QPP.
j 1, 2,K , J
Seja o NLP s.a. h j x 0
gk x 0
k 1, 2,K , K
Aprox..
x

s.a.h x h x x x 0 j 1,2, , J
g x g x x x 0 k 1,2, , K
min x
i T
i 1
i T
i 1
i T
1 i 1 i T 2 i i 1 i
x x x x x x
2
i
i 1
295
Programao Quadrtica
Sucessiva (SQP)
Definindo a direo de busca: d = (xi+1 x i)

1 T 2
i T
i
min x d d x d
2

s.a.h x h x d 0 j 1,2, , J
g x g x d 0 k 1,2, , K
i
Resolvendo esse sistema obtemos um

nova estimativa do ponto timo
Essa aproximao pode ser melhorada
atravs do uso do Lagrangeano.
296
Programao Quadrtica
Sucessiva (SQP)
Forma mais robusta do SQP
min L x
1 T 2
i
d d L x d
2
d 0
g x g x d 0
i
s.a. h j x h j x
k
j 1,2, , J
k 1,2, , K
onde.
x L x , w, u x x w x h x u x g x
T
L x , w, u x w h x u g x
2
x
2
x
2
x
2
x
297
w x h x 0 e u x g x 0
Mas no pto. timo
T
min q d , x , w , u
ento q d , x , w , u x
i
d 0
g~ d , x g x g x d 0
~
s.a. h j d , x i h j x i h j x i
i
1 T 2
i
i
i
d d x L x , w , u d
2
T
j 1,2, , J
k 1,2, , K
Estimativa inicial para x , w e u

Convergncia melhorada
substituindo a Hessiana por um
BFGS ou Broyden.
298
Exerccio 2:
Trocador de calor c/ bypass, todas as vazes so

medidas, foi desconsiderado troca energtica e
possui erros aleatrios nas medidas.
FI1
SPL
HX
MIX
FI2
FI4
FI3
VAL
FI6
FI5
299
Exemplo 2:
N da
corrente
1
2
3
4
5
6
Valores medidos
das vazes
(m3/h)
Incerteza
(m3/h)
101,9
64,4
34,6
64,2
36,4
98,8
2,5
0,9
0,9
1,5
4.0
6,2
Vamos a uma prtica de reconciliao utilizando

o EXCEL ou o MATLAB e a funo quadprog 300
Formulao do Problema
de Reconciliao de Dados
Em geral a RD formula o problema como

um problema de otimizao, utilizando a
minimizao do erro ao quadrado com
6
pesos.
M i Ri 2
FO
min
Ri , i 1, 2 ,..., 6

i 1
i2
R1 R2 R3
R R
2
4
s.a. :
R3 R5
R4 R5 R6
Mi = varivel medida;
Ri = estimativa reconciliada p/ a varivel i;
i = pesos (que dependem das incertezas das medidas.
301
Exemplo
N da
corrent
e
1
2
3
4
5
6
Valores
verdadeir
os das
vazes
(m3/h)
Valores
medidos das
vazes
(m3/h)
Incerteza
(desvio
padro)
(m3/h)
Valores
reconciliados
das vazes
(m3/h)
101,9
64,4
34,6
64,2
36,4
98,8
2,5
0,9
0,9
1,5
4,0
6,2
99,5
64,6
35,0
64,6
35,0
99,5
Qual o conjunto mais fidedigno a realidade?

O original ou o reconciliado? E qual o mais confiavel? 302
Exemplo
N da
corrent
e
1
2
3
4
5
6
Valores
verdadeir
os das
vazes
102,0
65,0
36,0
65,0
36,0
102,0
Valores
medidos das
vazes
Incerteza
(desvio
padro)
Valores
reconciliados
das vazes
101,9
64,4
34,6
64,2
36,4
98,8
2,5
0,9
0,9
1,5
4,0
6,2
99,5268
64,5619
34,9649
64,5619
34,9649
99,5268
Qual o conjunto mais fidedigno?

O original ou o reconciliado?
303
Soluo no MATLAB
clear all ; close all ; format short ; clc

% Entrada de dados
Vazao.Medida = [ 101.9 ; 64.4 ; 34.6 ; 64.2 ; 36.4 ; 98.8 ] ;
Vazao.Incerteza = [ 2.5 ; 0.9 ; 0.9 ; 1.5 ; 4.0 ; 6.2 ] ;
% Restries: Matriz incidncia
%
R1 R2 R3 R4 R5 R6
A.eq = [ +1 -1 -1 0 0 0
0 +1 0 -1 0 0
0 0 +1 0 -1 0
0 0 0 +1 +1 -1 ] ;
B.eq = [ 0 ; 0 ; 0 ; 0 ] ;
A.ineq = [ ] ; B.ineq = [ ] ;
LB = -10*Vazao.Medida ;
UB = +inf*Vazao.Medida ;
% Funo objetivo
H = 2*diag(1./(Vazao.Incerteza.^2)) ;
f = -2*Vazao.Medida./(Vazao.Incerteza.^2) ;
% Estimativa inicial
X0 = Vazao.Medida*0.999 ;
% Resoluo do problema de otimizao
[Vazao.Reconciliada] = quadprog(H,f,A.ineq,B.ineq,A.eq,B.eq,LB,UB,X0);
Vazao.Reconciliada
304
APLICAES DA
RECONCILIAO DE
DADOS
Fechamento de balanos de massa

Fechamento de balanos de
energia
Estimativa (cooptao) de
variveis no medidas
Estimativa mais confivel de
parmetros do modelo
Obteno de base de dados
confivel
305
RECONCILIAO DE DADOS e
CONTROLE DE PROCESSOS e
OTIMIZAO EM LINHA
OTIMIZADOR EM LINHA
BASE DE DADOS
RECONCILIADA
SISTEMA
DE CONTROLE
SISTEMA DE
AQUISIO
DE DADOS
PROCESSO
306
Formulao do Problema de
Reconciliao de Dados
sem Redundncia de Medio
Metodologia TECLIM para reconciliao de dados
Min J (M-R) (M-R)

R
sujeito a f(R,d) 0
T
g(R,d) 0
Onde: f Vetor de restries de igualdade.
g Vetor de restries de desigualdade.
- Matriz da qualidade da informao (1/incerteza)
d Vetor de variveis no reconciliadas.
M Vetor de variveis mapeadas.
307
R Vetor de variveis reconciliados.
RECONCIALIAO DE
DADOS DE PROCESSOS
Mtodo tradicional
A medio a nica fonte

de informao
Variveis medidas
REDUNDANTES podem
ser RECONCILIADAS
NO-REDUDANTES
precisa de medio
adicional
No medidas
OBSERVVEIS
podem ser COOPTADAS
NO-OBSERVVEIS
precisa de medio
adicional
Mtodo TECLIM
A medio UMA das fontes
de informao
Variveis mapeadas
Todas as variveis so
REDUNDANTES
TODAS podem ser

RECONCILIADAS
Todas as variveis so
mapeadas a partir de, p. ex.
Medio
Simulao
Projeto
Medida pontual
Estimativa grosseira
Qualidade da Informacao
308
(QI).
Deteco de erros
grosseiros
Mtodo usual
1.
2.
3.
4.
Resolver o problema de
Testar os desvios entre valor medido
e reconciliado em cada iterao
Remover as medidas com maiores
desvios (>5%)
Voltar ao passo 1 at que nenhum
dos desvios seja estatisticamente
relevante.
309
Mtodo TECLIM
1.
2.
3.
Todas as vazes, composies, presses, nveis,

temperaturas ou etc. so conhecidas,
mas com diferentes incertezas
Todas as variveis so conhecidas cada uma com
uma certa Qualidade de Informao (QI)
As variveis so mapeadas por vrios mtodos:
4.
5.
Medio em linha
Medies pontuais
Dados de projeto
Estimativa qualitativa
Mdia entre o valor mnimo e mximo, etc.
Estabeleo QI inicial e executo a reconciliao

Se o resultado est inadequado (indigesto),
modifico QIs, at que o resultado da reconciliao
seja aceitvel.
310
RECONCILIAO DE DADOS
DE PROCESSOS INDUSTRIAIS
Bibliografia bsica:
Romagnoli, Jos A.; Snchez, Maria Cristina. DATA

PROCESSING AND RECONCILIATION FOR CHEMICAL
PROCESS OPERATIONS. Academic Press. 1988
Haugen, Joel O.; DATA RECONCILIATION & GROSS
ERROR DETECTION - AN INTELLIGENT USE OF
PROCESS PLANT PROBLEMS
Fontana, D., Kalid, R., Kiperstok, A. et al. 2005.
METHODOLOGY FOR WASTEWATER MINIMIZATION IN
THE PETROCHEMICAL COMPLEX. ENPROMER. Costa
Verde, RJ.
Martins, Mrcio; Amaro, Carolina; Souza, Leonardo;
Kalid, Ricardo e Kiperstok, Asher. NEW OBJECTIVE
FUNCTION FOR DATA RECONCILIATION IN WATER
BALANCE. Journal of Cleaner Production. No prelo
Jonh Walker & Glenfiddich.
312
Quem considera que

conhecimento custo,
desconhece o
preo da ignorncia
Abraham Lincoln
313
Qumicos:
Captulo 11
Gradiente Reduzido
Generalizado
UFBA.
314
Gradiente Reduzido
Generalizado (GRG)
Foi um mtodo poderoso e muito

utilizado
Linearizao das FRs, resoluo do
SEAL e substituio desse resultado na
FO
Converte um POMCR em um POMSR
Para um problema de NLP com n
variveis de deciso e m restries, o
GRG resolver um POMSR de (n-m)
variveis
Aps utilizar as FRs utiliza o algoritmo
315
Seja
min x1 , x2
s.a. h x1 , x2 0
Diferencial total d x x dx x dx
1
2
x1
x2
h x
h x
dh x
dx1
dx2 0
x1
x2
h x
x2
ento.
dx1
h x
dx2
h x
x1
x1
h x
dx2
x2
316
Substituindo dx1 no diferencial da FO:

x h x
d x

x1 x1
h x x
dx2

x2
x2
dx2
essa expresso o GRG: d
x2
k
k 1
No mtodo gradiente: x2 x2
x2
Ou seja, atualizamos o valor de x2 por
x x
k
2
k 1
2
k 1
k 1
k 1
k 1
x2 xD x2 xB
x2
317
GRG
h x
x2
Substituindo
dx2 em dx1 :
dx1
k 1
1
x x
h x h x
dx2
dx2
h x
x1 x2
x1
1
Atualizamos o valor de x1 por

k
1
k 1
1
dx
Entenda o diferencial como a direo de

busca
Soluo das restries com x1 e x2 .
318
GRG
Direo de busca para x2 (dx2), anloga ao mtodo do

gradiente para POMSR
T
dx2k 1 kI1 g Rk 1 kI
g g
g g
k 1
R
k T
R
k 1
R
k
R
Conhecido dx2 calculamos dx1 e x1

x1 denominada varivel bsica ou
dependente. No caso multivarivel xD (mx1)
x2 denominada varivel no-bsica ou
independente. No caso multivarivel xI (n-mx1)
Particionamos x = [ xD | xI ] = [ xB | xNB ].
319
Relao entre GRG e os ML

T
Seja a LagrangeanaL x , w x w h x
L x , w x h x
w
x
x
x
T
logo.
L x I , w
xI
n m
L x D , w
xD
x1
mx1
x I
xI
x D
xD
h x I
x
I
n m x 1
h x D
x
D
mx1
w mx1
n m
xm
w mx1 0
mxm
320
Portanto:
h x
w
x
D

h x
x
x
D
D

L x , w x h x
gR
xI
xI
x
I
h x

x
D

x
D
x
D
O GRG a derivada parcial do

Lagrangeano em relao s
variveis no-bsicas.
321
Algoritmo GRG
E1: Escrever o problema na forma padro
E2: Escolher as variveis bsicas e nobsicas,
critrio de parada, tolerncias, fator de
amortecimento e estimativa inicial
E3: Clculo do gradiente reduzido gRk
E4: Clculo da direo das variveis nobsicas
E5: Clculo da direo das variveis bsicas
E6: Clculo das variveis no-bsicas e
bsicas
E7: Determinao da regio vivel pelo E6
(resolvo um SEANL), o qual d a estimativa
322
inicial de x
Programa
GRAD_RED.M
Programa
grad_red.m
grad_r_f.m
grad_r_h.m
grad_r_d.m
Funo
programa principal
clculo da funo objetivo
clculo das funes de restrio
clculo do gradiente reduzido
323
Exerccios.
324
Algoritmos heursticos
Problema das formigas

Tratamento trmico
Algoritmo gentico
...
325
Algoritmo gentico
No MATLAB:
x = ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,nonlcon,options)
ou
[X,FVAL,EXITFLAG,OUTPUT,POPULATION,SCORES] =
ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,nonlcon,options)
clear all; clc

A_ineq = [ ] ; b_ineq = [ ] ;
Aeq = [ 1 1 ] ; b_eq = 5 ;
LB = [ 0 0 ] ; UB = [ +inf +inf] ;
x = ga(@(x) (x(1)-4)^2+(x(2)4)^2,2,A_ineq,b_ineq,Aeq,b_eq )
[X,FVAL,EXITFLAG,OUTPUT,POPULATION,SCORES] = ...
ga(@(x) (x(1)-4)^2+(x(2)326
Qumicos
Captulo 12
Programao Inteira e Mista
UFBA.
327
Programao Inteira (IP)
Problemas de otimizao que envolvem

nmeros inteiros:
- operao de equipamentos ou
unidades
- localizao de plantas
- nmero de equipamentos a instalar/
operar
Soluo aproximada: tratar como NLP e
aproximar o resultado
Soluo exata: IP
Programao Inteira Binria (BIP)
Programao Inteira-Mista (MIP)
328
Branch and Bound Technique

Apropriado para IP e para MIP
Algoritmo:
P1: Obtenha uma soluo contnua - C
P2: Se C inteira fim da procura; se no
P3
P3: Escolha uma das variveis (a) no
inteiras e
faa duas ramificaes inteira (branch)
em
torno com as seguintes restries
(bound):
(1) subproblema C1: menor inteiro maior que a
329
Algoritmo Branch and Bound

P4: A partir de C1 encontre a soluo do NLP
e
ramifique conforme P3
P5: A partir de C1 encontre a soluo do NLP
e
ramifique conforme P3
P6: Repira P3, P4 e P5 para cada nova
ramificao,
sempre calculando o valor da FO, at
que:
(1) encontrada uma soluo inteira, ou
(2) o valor da FO superior mas satisfaz as
restries
330
Exemplo aplicao
Branch and Bound.
max 86x1 4 x2 40x3

s.a. 774 x1 76x2 42 x3 875
67 x1 27 x2 53x3 875
x1 , x2 , x3 0 ou 1
331
max 86x1 4 x2 40x3

s.a. 774 x1 76x2 42 x3 875
67 x1 27 x2 53x3 875
x1 , x2 , x3 0 ou 1
332
max 86x1 4 x2 40x3

s.a. 774 x1 76x2 42 x3 875
67 x1 27 x2 53x3 875
x1 , x2 , x3 0 ou 1
PL contnuo s.a.
Soluo:
Valor da FO:
0 < x1 < 1
0 < x2 < 1
0 < x3 < 1
= (1; 0,776; 1)
= 129,10
x2 = 0
x2 = 1
PL contnuo s.a.
Soluo:
Valor da FO:
x*
0 < x1 < 1
x2 = 1
0 < x3 < 1
= (0,978; 1; 1)
= 128,11
x1 = 1
x1 = 0
PL contnuo s.a.
Soluo:
Valor da FO:
x1 = 1
x2 = 1
0 < x3 < 1
= (1; 1; 0,595)
= 113,81
PL contnuo s.a.
Soluo:
Valor da FO:
x1 = 0
x2 = 1
0 < x3 < 1
= (1; 0; 1)
= 44,00
x3 = 0
PL contnuo s.a.
Soluo:
Valor da FO:
x*
x1 = 1
x2 = 1
x3 = 0
= (1; 1; 0)
= 90,0
333
max 86x1 4 x2 40x3

s.a. 774 x1 76x2 42 x3 875
67 x1 27 x2 53x3 875
x1 , x2 , x3 0 ou 1
PL contnuo s.a.
Soluo:
Valor da FO:
x*
0 < x1 < 1
0 < x2 < 1
0 < x3 < 1
= (1; 0,776; 1)
= 129,10
x2 = 0
x2 = 1
PL contnuo s.a.
Soluo:
Valor da FO:
x*
0 < x1 < 1
x2 = 1
0 < x3 < 1
= (0,978; 1; 1)
= 128,11
x1 = 1
x1 = 0
PL contnuo s.a.
Soluo:
Valor da FO:
x*
x1 = 1
x2 = 1
0 < x3 < 1
= (1; 1; 0,595)
= 113,81
x3 = 0
PL contnuo s.a.
Soluo:
Valor da FO:
x*
x1 = 1
x2 = 1
x3 = 0
= (1; 1; 0)
= 90,0
334
max 86x1 4 x2 40x3

s.a. 774 x1 76x2 42 x3 875
67 x1 27 x2 53x3 875
x1 , x2 , x3 0 ou 1
PL contnuo s.a.
Soluo:
Valor da FO:
0 < x1 < 1
0 < x2 < 1
0 < x3 < 1
x* = (1; 0,776; 1)
= 129,10
x2 = 0
x2 = 1
PL contnuo s.a.
Soluo:
Valor da FO:
0 < x1 < 1
x2 = 1
0 < x3 < 1
x* = (0,978; 1; 1)
= 128,11
x1 = 1
x1 = 0
PL contnuo s.a.
Soluo:
Valor da FO:
x1 = 1
x2 = 1
0 < x3 < 1
x* = (1; 1; 0,595)
= 113,81
x3 = 0
PL contnuo s.a.
X3=0
Soluo:
Valor da FO:
x1 = 1
x2 = 1
x3 = 0
x* = (1; 1; 0)
= 90,0
X3=1
No vivel
335
PL contnuo s.a.
max 86x1 4 x2 40x3

s.a. 774 x1 76x2 42 x3 875
67 x1 27 x2 53x3 875
x1 , x2 , x3 0 ou 1
Soluo:
Valor da FO:
0 < x1 < 1
0 < x2 < 1
0 < x3 < 1
*
x = (1; 0,776; 1)
= 129,10
x2 = 0
x2 = 1
PL contnuo s.a.
PL contnuo s.a.
Soluo:
Valor da FO:
Soluo:
Valor da FO:
0 < x1 < 1
x2 = 1
0 < x3 < 1
*
x = (0,978; 1; 1)
= 128,11
x1 = 1
0 < x1 < 1
x2 = 0
0 < x3 < 1
*
x = (1; 0; 1)
= 126,00
x1 = 0
PL contnuo s.a.
x1 = 1
x2 = 1
0 < x3 < 1
*
x = (1; 1; 0,595)
= 113,81
PL contnuo s.a.
Soluo:
Valor da FO:
Soluo:
Valor da FO:
X3=0
x1 = 0
x2 = 1
0 < x3 < 1
*
x = (1; 0; 1)
= 44,00
X3=1
PL contnuo s.a.
Soluo:
Valor da FO:
x1 = 1
x2 = 1
x3 = 0
*
x = (1; 1; 0)
= 90,0
No vivel
336
max 86x1 4 x2 40x3

s.a. 774 x1 76x2 42 x3 875
67 x1 27 x2 53x3 875
x1 , x2 , x3 0 ou 1
X3=0
X3=1
No vivel
337
IP No-Binria
Tratar como PIB usando a seguinte

transformao:
n
xi k j . yij
j 1
yij 0 ou 1
y 1
n
j 1
ij
onde kj so os valores que xi pode

assumir.
338
Exerccio: utilizando a
funo
bintprog do MATLAB
resolva:
max 86x1 4 x2 40x3

s.a. 774 x1 76x2 42 x3 875
67 x1 27 x2 53x3 875
x1 , x2 , x3 0 ou 1
339
max 86x1 4 x2 40x3

s.a. 774 x1 76x2 42 x3 875
67 x1 27 x2 53x3 875
x1 , x2 , x3 0 ou 1
Soluo:
>> f = [ 86 4 40 ] ;
>> b = [ 875 875 ] ;

>> A = [ 774 76 42 ; 67 27 53 ] ;
>> opcoes =
optimset('display','iter') ;
>> [X,FVAL,EXITFLAG,OUTPUT] = ...
bintprog(-f,A,b,[ ],[ ],[ ],opcoes)
>> FO = -FVAL
340
Qumicos:
Captulo 13
Controle timo
Ricardo de Arajo Kalid
UFBA.
341
Controle timo (OC)
Classe de problemas comuns em

Eng. Qu..
min x t , u t , t
u t
tf
F x t , u t , t dt
x t , u t , t G x t f
t0
dx
s.a.
H x t , u t , t
dt
h x t , u t 0
g x t , u t 0
342
Forma discreta do OCP

min x t , u t , t
u t
K 1
x t , u t , t G x K F x k , u k , k
k 0
s.a. x k 1 H x k , u k , k
h x k , u k 0
g x k , u k 0
G penalidade associado ao estado

final
F custo devido aos esforo de
controle.
343
Tipos de OCP
Problema de tempo mnimo: G = 0 e F

=1
Problema de erro final mnimo:

G = [x(tf ) - xd )]TA[x(tf ) - xd )] e F = 0
Problema mnimo esforo de controle:

G = 0 e F = uTCu
Problema de rastreamento:.
G = 0 e F = [x(t) - xd(t))] TB[x(t) - xd(t))]
ou
F = [x(t) - xd(t))] TB[x(t) - xd(t))] + uTCu
344
Abordagem
Discretizao da FO
Mtodos
para
OCP
Caractersticas
Vantagens
Desvantagens
Utilizar os mtodos de
Estamos mais
Geralmente leva a
PNL j estudados.
acostumados com PPNL. problemas com nmero
Requer a parametrizao s vezes temos uma boa elevado de variveis de
por polinmios ou
estimativa(s) do
deciso.
discretizao das FR's
polinmio(s)
A discretizao conduz
por diferenas finitas.
aproximador(es),
SEANL.
Programao Dinmica Utiliza o princpio de
Pode ser aplicado a
Exige grande esforo
otimalidade de Bellman. sistemas lineares, nocomputacional para um
lineares, contnuos,
nmero elevado de
discretos, variantes no
variveis de deciso
tempo, MIMO,
determinsticos, de
parmetros concentrados
ou distribudos.
Princpio mnimo de
Define-se o funcional
Pode ser aplicado a
Requer conhecimento de
Pontryagin
Hamiltoniano, anlogo sistemas lineares, nofuncionais e de clculo
funo Lagrangeana
lineares, contnuos,
variacional para o
Define-se um vetor de
discretos, variantes no
entendimento e
co-estado, anlogo aos
tempo, MIMO,
aplicao da teoria.
multiplicadores de
determinsticos, de
Lagrange
parmetros
Define as condies
concentrados.
necessrias para um
Conduz a sistemas de
ponto timo
equaes elegantes e
gerais.
345
o BOM inimigo
do TIMO ,
ento devemos
perseguir o ...
346
Otimizao?
muitas perguntas ...
uma soluo:
ABORDAGEM
SISTMICA & SISTEMTICA
347
Seis Sigma X Otimizao
Parte de
experincias
anteriores
Encontra
solues
interpoladas
Deteco do
ponto timo j
ocorrido
Parte de
experincias
anteriores e de
modelos
fenomenolgicos
Encontra solues
interpoladas e/ou
extrapoladas
Deteco do ponto
timo j ocorrido
ou
348
Otimizao casos industriais em parceria com o LACOI

Empresa
BRASKEM-UNIB
ELEKEIROZ
Tema
Investimento apenas em HH e Receita

US$ mil
Minimizao do uso de energia

para produo de vapor
US$
Otimizao de trem de destilao

de octanol
US$
11 mihes / ano
174 mil / ano
BRASKEM-UNIB
Otimizao de fornos de pirlise
4 a 12 % de aumento da margem a
depender do cenrio
CARABA METAIS
Reconciliao de dados balano

hdrico
Dados confiveis para tomada de decises
DETEN

hdrico
MONSANTO

hdrico
BRASKEM-UNIB

hdrico
BRASKEM-OPP
Otimizao do reator de
polietileno para baixa carga
US$
BRASKEM-UNIB
Otimizao do conversor de
acetileno
I = 2 eng x 7.680 h = 15.360 hh

US$ 1.900 mil / ano
ELEKEIROZ
Otimizao de 3 colunas de
destilao (purificao de
butanos)
US$
600 mil / ano
MONSANTO
Troca de matria prima
US$
800 mil / ano
MONSANTO
produo de PCl3
US$
330 mil / ano
MONSANTO
produo de PIA
US$
400 mil / ano
200 mil / ano
350
PARCEIROS DO LACOI
TECLIM
351
Integrao dos "Vcios"

AMBIENTE
INDUSTRIAL
AMBIENTE
ACADMICO
PENSAMENTO
SINTTICO
PENSAMENTO
ANALTICO
INTUIO
TEORIA
EXPERINCIA
MATEMTICA
SOLUO
352
OTIMIZAO
de PROCESSOS
e SISTEMAS
Prof. Dr. Ricardo Kalid
kalid@ufba.br - (71) 3283.9811 ou
9188.3316
Prof. PEI-EP-UFBA
353

Kalid Otimizacao Rev04

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Kalid Otimizacao Rev04

Enviado por

Direitos autorais:

Formatos disponíveis

OTIMIZAO

Objetivos deste Curso

Uso do projetor multimdia e da lousa

Ferramentas para aumento da Produtividade

Campo da matemtica dedicado ao

A cincia que determina as melhores

Definio apropriada para

O grito de Edvard Munch

Otimizao em linha (on-line)

Identificao de modelos estticos e/ou dinmicos

Antes de otimizar a base deve estar firme

Controle avanado no SDCD

OTIMIZAO DAS CONDIES

Etapas p/ soluo de problemas

Definir os objetivos = formular a pergunta

Quais as ferramentas adequadas

Estudo e anlise quantitativa

Escolha a ferramenta tcnica-econmica-ambiental

Aplicao da ferramenta escolhida

Definir os objetivos econmicos e ambientais

Grf. trid. c/ curvas de nvel

Curva de nvel pseudo-colorida

Valores alinhados da funo

FRs: quanto ao rendimento de cada

FRs: quanto natureza das variveis

Portanto: max f(x) = 8,1x1 + 10,8x2

Mapeamento de uma funo objetivo

0,05.X1 + 0,10.X2 <

max f(x) = 8,1x1 + 10,8x2

Anlise de sensibilidade aos PARMETROS

0,05.X1 + 0,10.X2 <

0,10.X1 + 0,36.X2 <

Anlise de sensibilidade s RESTRIES

0,05.X1 + 0,10.X2 <

0,10.X1 + 0,36.X2 <

Qual a relao custo/benefcio atual e

Alto consumo de matria-prima

DCS SDCD - PLC

DCS SDCD - PLC

Cursos de Especializao (CEASI,

Duas matrias primas

Otimizao das condies operacionais

Comparao entre campanhas com

Concluso: Sem investimento, reduzindo o

Otimizao das condies operacionais

FO: tr fixo, dia-a-dia e com FCO

FO: tr fixo, dia-a-dia e com FCO

valores iniciais das variveis de deciso

valores iniciais das restries

Funo objetivo econmica na campanha

funo objetivo no ponto timo

Otimizando o tempo de campanha

Otimizao de plantas existentes

600 mil / ano

800 mil / ano

330 mil / ano

700 mil / ano

Max f(x) = Min -f(x)

Referncias Bibliogrficas Principais

Bazaraa, Mokhtar S. Nonlinear Programming: Theory and

muitas perguntas ...

Por que Otimizar?

Promover ganhos econmicos