Escolar Documentos
Profissional Documentos
Cultura Documentos
de PROCESSOS
e SISTEMAS
Prof. Dr. Ricardo Kalid
kalid@ufba.br - (71) 3283.9811 ou
9188.3316
Prof. PEI-EP-UFBA
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.
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:
11
Otimizao
Conflito de
interesses
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
Enterprise
Resources
Planning
sistemas de
gesto
corporativa
PROCESSO
ORGANIZAO
14
PID + Ctrl.Avanado +
Controle Preditivo
Multivarivel (MPC)
Inicial
Investimento Inicial
Investimento Inicial
PID + CA +
MPC +
OTIMIZAO
Investimento Inicial
SEGURANA e
MEIO AMBIENTE
QUANTIDADE
15
3.
4.
5.
6.
7.
Nova tecnologia
Seis Sigma, CEP
CAP
...
Otimizao
Soluo geral de um
problema de otimizao
1.
2.
3.
4.
5.
6.
7.
8.
9.
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
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
-10
-5
-10
10
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
Exemplo de otimizao:
Programao de produo de uma refinaria
FO: maximizar o lucro = max L = Receita Custo
Receita = $j.Produoj = 36x3 + 24x4 + 21x5 + 10x6
Custo = custo matria-prima + custo processamento
custo matria-prima
= 24x1 + 15x2
custo processamento = 0,5x1 + 1,0x2
Exemplo de otimizao:
Programao de produo de uma refinaria
FRs: quanto capacidade total de produo
Gasolina:
x3 < 24
ou
0,80x1 + 0,44x2 <
24
Querosene:
x4 < 2
ou
0,05x1 + 0,10x2 <
2
leo combustvel: x5 < 6
ou
0,10x1 +
0,36x2 < 6
, i = 1, 2, ..., 6
, i = 1, 2
0,80x1 + 0,44x2 < 24 (A)
23
Item
0,10.X
2 1 + 0,36.X2 <
(FR3)
FO
1
2
3
4
5
6
7
5
10
15
25
30
35
40
1
3
5
7
9
11
13
FR1
FR2
FR3
24
Exemplo de otimizao:
Programao de produo de uma refinaria
Regio vivel:
, i = 1, 2
0,80x1 + 0,44x2 < 24
(A)
0,05x1 + 0,10x2 <
(B)
0,10x1 + 0,36x2 <
(C).
2
6
Vamos ao EXCELL
25
Exemplo de otimizao:
Programao de produo de uma refinaria
Petrleo 1
X1= 26,2
t/h
Petrleo 2
Gasolina: X3=
24,0 t/h
Querosene:
X
=
4
REFINARIA
2,0 t/h
DE
leo comb.: X5=
PETRLEO
5,1 t/h
Asfalto: X6= 2,0
t/h
X2= 6,9
t/h
Lucro mximo = 287 000 reais /
hora
26
Ite
m
p1
p2
p3
FR1
8,0
10,8
0,36
24
8,1
10,8
0,44 e
0,36
24
8,2
10,8
0,44 e
0,36
24
8,1
10,7
0,44 e
0,36
24
8,1
10,9
0,44 e
0,36
24
8,0
10,7
0,44 e
0,36
24
FO
X1
X2
287
26
27
Item
FR1
1
2
3
4
5
6
7
23
24
25
24
24
24
24
FR2
FR3
FO
FO
X1
X2
2
2
1
2
3
2
6
6
6
6
6
7
287
26
28
OTIMIZAO EM-LINHA em
3 camadas ou em 2 camadas
CONTROLADOR
APC - MPC
Variveis
Manipuladas
Variveis Manipuladas
Setpoints
OTIMIZADOR
APC - MPC
Variveis de Processo
Variveis de Processo
OTIMIZADOR
NO LINEAR
PROCESSO
PROCESSO
30
Estudos de otimizao
Aplicao da metodologia em
OTIMIZAO BRASKEM-PE1
Operao do reator em baixa carga
Condio operacional atpica
Instrumentao - OK
Processo - CAUSA RAIZ
Estrutura de controle (PVs, MVs e PV-MV)
Algoritmo de controle
Sintonia
Resultados
Mudana na poltica operacional
Retorno econmico R$ 410.000/ano em etileno
Otimizao das condies operacionais
No necessita de investimento de capital
Ganho potencial R$ 1 750 000 por ano
33
Aplicao da metodologia em
OTIMIZAO - MONSANTO
Troca de matria prima da
MONSANTO
Resultados
Mudana na poltica de compra
De 20 % do mais barato
Para 30 % do mais barato
Retorno econmico
US$ 800.000/ano
34
Aplicao da metodologia em
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
Sim
trocar
o leito
No
clculo da condies operacionais timas
para os dias restantes da campanha
"Setpoint'
controlador preditivo multivarivel
36
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
Sim
trocar
o leito
No
clculo da condies operacionais timas
para os dias restantes da campanha
"Setpoint'
controlador preditivo multivarivel
38
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
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
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
0
20
40
60
80
Dias em Operao
100
120
140
OTIMIZAO EM LINHA DE
CONVERSOR DE ACETILENO
Caso BRASKEM-UNIB
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$
MONSANT
O
Troca de matria
prima
US$
produo de PCl3
US$
MONSANT
US$
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
49
OTIMIZAO DE
PROCESSOS INDUSTRIAIS
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
54
Exemplos de Aplicao
Exemplos de Aplicao
(cont.)
56
Definio de um
problema de otimizao:
Busca da melhor
soluo,
entre as possveis
solues,
que atenda a um
critrio estabelecido
57
58
59
Variveis de Deciso
(VD)
60
As Restries
61
A Regio Vivel
FO:
y1 a. x 2 b. x c
-400
-600
-800
-1000
sujeita a:
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
66
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 descontnua
10
15
20
25
30
35
0
0
30
5
10
15
20
25
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
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
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
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
k 1
aik bkj
ij
T
Transposta de
um
de
T produto
T
AB B A
matrizes:
73
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
74
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
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
A A
79
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 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
n < r gl < 0
Se
82
Autovalores e autovetores
soluo trivial: v = 0
det A I 0
A I v 0
Estudo de funo
2000
1500
1000
500
100
200
300
400
500
84
f x
x
multivarivel):
f(x*) = 0
x* pto. crtico
85
Continuidade de funes
Regio Convexa
Regies no convexas
(b) Ponto de
mximo dentro
da regio vivel
um
FO = funo quadrtica:
x b0 b1 x1 b2
x2
b11 x12
2
b22 x2
b12
x1 x2
93
ou
ou
95
ou
96
Otimizao de Processos
Qumicos:
Captulo 3
Formulao Matemtica de
um Problema de Otimizao
Ricardo de Araujo Kalid
Programa em Engenharia
Industrial - Escola Politcnica da
97
Soluo geral de um
problema de otimizao
1.
2.
3.
Definir os objetivos
Estudo e anlise qualitativa
Estudo e anlise quantitativa
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:
A Funo Objetivo (FO)
min f ( x )
x
Variveis de deciso: x
As Funes de Restrio (FR):
sujeito a h x 0
e/ou
g x 0.
101
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
105
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
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
108
Projeto de vaso de
presso
onde f 1 S , , t , D, L S 2
DL t
109
onde
D 2
f 3 D, L
DL
2
D2
4V
V
L L
4
D2
min f 4
Funo
D 2 4V .
onde f 4 D
objetivo:
D
2
110
4V
e, consequentemente
D opt
4V
Lopt
ou seja
L
D
1/ 3
opt
opt
111
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
Capacidade
(gales)
100
250
400
2500
1,7
2,4
2,9
25000
2,2
2,9
4,3
x 1
k hc
115
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 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
A
Mc1 = 80,5 kg/h
Mc2 = 82,0 kg/h
Mc3 = 84,8 kg/h
Planta
H1. O processo
estacionrio
H2. As medies MA , MB e MC tm
incertezas.
119
Reconciliao de dados
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
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
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
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
125
Viscosidade de gases
126
FO: Minimizar os
desvios entre SPs e PVs
Controle timo
Controle Preditivo
127
Combinao de Objetivos
Operacionais com Objetivos
Econmicos
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
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
O JULGAMENTO DO
ENGENHEIRO
ESSENCIAL
NA ACEITAO OU NO
DAS SOLUES
ENCONTRADAS.
131
Otimizao de Processos
Qumicos:
Captulo 4:
Otimizao Unidimensional
Sem Restries (OUSR)
Ricardo de Araujo Kalid, Dr.
Programa em Engenharia
Industrial - Escola Politcnica da
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
f x
f x
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
f x
f x
x
i 1
xk
6.
135
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
137
No utilizam derivadas
138
Algoritmo
139
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
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
143
2
2
f x3 g x3 a b.x3 c.x .
2
3
144
g( x)
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
x f ( x )
x 2 x 3 f x1 x 3 x1 f x 2 x1 x 2 f x 3
145
146
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
Mtodos Indiretos
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
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
155
f x x f x
x
f x 2 x 2 f x x f x
x 2
k 1
x
k
xk
f x h f x h / 2h
f x h 2 f x f x h / h
157
Mtodo da Secante
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
x x
q
f x f x / x
f xq f x p
apr
fx
Representao geomtrica
do mtodo da secante ou
regula falsi ou falsa posio
f(x)
f(x)
xp
Secante
~
x*
x*
xq
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
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
Otimizao de Processos
Qumicos:
Captulo 5:
Otimizao Multidimensional
Sem Restries (OMSR)
Ricardo de Araujo Kalid
Programa em Engenharia
Industrial - Escola Politcnica da
166
Tolerncia ou
Critrio de Parada
f x
k 1
f x
f x
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
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
170
k
k
s 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
0
0
s f x f x f x
1
1
s f x
1
f x
176
k 1
f x
k 1
k
f x
f x
k 1
f x
k 1
f x
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
x x
k 1
f x
x H x
H x
f x
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
~
A cada iterao fao:H x H x I
~
H x
H x
Ou:
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
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
H H H
185
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
ou H
k 1
pode ser
187
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
191
192
193
Os mtodos precisam:
Exerccio:
Qual o valor mximo de f(y, z) ?
Qual o valor da varivel de deciso no
ponto timo?
f y, z
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
Otimizao de Processos
Qumicos:
Captulo 6:
Estimativa de parmetros
Ricardo de Araujo Kalid
Programa em Engenharia
Industrial - Escola Politcnica da
201
Estimativa de Parmetros
X
Ajuste de Modelos
Estimativa de parmetros
Partes de um parmetro
Unidade
Converso das unidades para SI e
variveis absolutas
Incerteza
LPU: Lei da Propagao da Incerteza
GUM
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
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
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
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
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
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
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
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
Relembrado:
Mdia ou esperana de uma varivel aleatria X :
X E X @ f X X dX
VX Var X X2 @ f X X X dX
215
Para amostras:
N
X
i 1
VX Var X S X2 S XX
Xi x
i 1
N 1
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
b b1 b 2 XTE VY1X E
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 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 VY1X E
217
Metodologia para
estimativa de parmetros
1.
2.
Estudo qualitativo:
218
Exemplo
Estimativa
Incerteza
padro
n
1
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
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
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
YE X E b
Valor ajustado:min
b
YM i b1 b2 X Ei b3 X
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
225
Y t b0 b1 . x t
Y t b0 b1 . x t
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
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 #
227
Y y b0 . x
b1
Linearizando no obteremos:
y b b . x x
*
0
*
1
229
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
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
b X . p. X
b c.G ,
c X . p. X
X
1
. p. y
G X . p. y
2
1
2
2
n2
234
4 Simplificao do modelo:
normalizao dos parmetros
Transformao de variveis
Exemplo 5.12, pgs. 366 a 370 do livro do
JCP
5 Aplicao do algoritmo
Mtodo numrico:
5 Aplicao do algoritmo
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
min yi i . pi
b0 , b1 , K , bNP
i 1
s.a : i f XE , b
Observaes
6 Anlise de sensibilidade
241
7 Validao do modelo
8 Determinao da
regio de abrangncia
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
Estimativa
Incerteza
padro
n
1
247
Na estimativa de
parmetros as expresses
abaixo so muito utilizadas.
ne
i 1
ne
WLS
ei
ymi
ye ym V
y e y m
r
uuu
p
ye
Gx
r
uuu
p
xe
y y
ei
mi
Jp
f p; y e , x e
onde
ye
ne
WLA
onde
Vye
i
y m f p; y e , x e
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
de estimao de parmetros
uuu
r
p o gradiente da funo objetivo
Hp
Jp
248
Otimizao de Processos
Qumicos:
Captulo 7
Programao Linear (LP)
Ricardo de Araujo Kalid
Programa em Engenharia
Industrial - Escola Politcnica da
UFBA.
249
LP
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
, i = 1, 2, ..., 6
Portanto:
max f(x) = 8,1x1 + 10,8x2
s.a. xi > 0 , i = 1, 2
e
253
Regio vivel:
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
custo processamento = 0,5x1 + 1,0x2
, i = 1, 2, ..., 6.
256
Exemplo de otimizao:
Programao de produo de uma refinaria
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
No toolbox de otimizao do
MATLAB o comando linprog.
258
259
Dualidade em LP
T
2
(r1 )
x 2 irrestrito (r2 )
min y, b
y
y, b b1T y1 bT2 y 2
Forma dual:.
(q )
y 2 irrestrito (m)
260
Exerccio:
Resolva o exerccio E3.3.
261
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
264
Otimizao de Processos
Qumicos:
Captulo 8
Multiplicadores de Lagrange
Ricardo de Araujo Kalid
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
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
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:
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
Otimizao de Processos
Qumicos:
Captulo 9
Funo Penalidade
Ricardo de Araujo Kalid
Programa em Engenharia
Industrial - Escola Politcnica da
UFBA.
280
Funo Penalidade
Seja
min x
s.a. h j x 0
g j x 0
j 1, , m
j m 1, , p
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
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
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
Otimizao de Processos
Qumicos:
Captulo 10
Programao Quadrtica
Ricardo de Araujo Kalid
Programa em Engenharia
Industrial - Escola Politcnica da
UFBA.
289
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
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)
2
s.a.h x h x d 0 j 1,2, , J
g x g x d 0 k 1,2, , K
i
Programao Quadrtica
Sucessiva (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
Exerccio 2:
Reconciliao de dados
FI1
SPL
HX
MIX
FI2
FI4
FI3
VAL
FI6
FI5
299
Exemplo 2:
reconciliao de dados
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
Formulao do Problema
de Reconciliao de Dados
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
reconciliao de dados
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
Exemplo
reconciliao de dados
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
303
Soluo no MATLAB
304
APLICAES DA
RECONCILIAO DE
DADOS
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
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
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 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
reconciliao de dados
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
Reconciliao de dados
Mtodo TECLIM
1.
2.
3.
4.
5.
Medio em linha
Medies pontuais
Dados de projeto
Estimativa qualitativa
Mdia entre o valor mnimo e mximo, etc.
310
RECONCILIAO DE DADOS
DE PROCESSOS INDUSTRIAIS
Bibliografia bsica:
Otimizao de Processos
Qumicos:
Captulo 11
Gradiente Reduzido
Generalizado
Ricardo de Araujo Kalid
Programa em Engenharia
Industrial - Escola Politcnica da
UFBA.
314
Gradiente Reduzido
Generalizado (GRG)
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
x1 x1
h x x
dx2
x2
x2
dx2
essa expresso o GRG: d
x2
k
k 1
No mtodo gradiente: x2 x2
x2
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
k 1
1
dx
GRG
dx2k 1 kI1 g Rk 1 kI
g g
g g
k 1
R
k T
R
k 1
R
k
R
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
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
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)
Otimizao de Processos
Qumicos
Captulo 12
Programao Inteira e Mista
Ricardo de Araujo Kalid
Programa em Engenharia
Industrial - Escola Politcnica da
UFBA.
327
328
329
330
Exemplo aplicao
Branch and Bound.
332
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
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
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.
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
X3=0
X3=1
No vivel
337
IP No-Binria
xi k j . yij
j 1
yij 0 ou 1
y 1
n
j 1
ij
338
Exerccio: utilizando a
funo
bintprog do MATLAB
resolva:
Soluo:
>> f = [ 86 4 40 ] ;
Otimizao de Processos
Qumicos:
Captulo 13
Controle timo
Ricardo de Arajo Kalid
Programa em Engenharia
Industrial - Escola Politcnica da
UFBA.
341
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
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
Tipos de OCP
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
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
Tema
US$
US$
11 mihes / ano
174 mil / ano
BRASKEM-UNIB
4 a 12 % de aumento da margem a
depender do cenrio
CARABA METAIS
DETEN
MONSANTO
BRASKEM-UNIB
BRASKEM-OPP
Otimizao do reator de
polietileno para baixa carga
US$
BRASKEM-UNIB
Otimizao do conversor de
acetileno
ELEKEIROZ
Otimizao de 3 colunas de
destilao (purificao de
butanos)
US$
MONSANTO
US$
MONSANTO
produo de PCl3
US$
MONSANTO
produo de PIA
US$
350
PARCEIROS DO LACOI
TECLIM
351
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