Professional Documents
Culture Documents
CDU 621.337.1(043)
Agrade
imentos
A Deus, pela ddiva da vida e todas as suas innitas possibilidades.
Aos meus pais, pelo amor in
ondi
ional, os valores transmitidos e por estarem ao meu
lado todos os dias, mesmo morando distante.
minha namorada Diana, por enxugar o suor do meu rosto e por me inspirar todos
os dias.
Aos meus familiares e amigos que, ao tor
erem genuinamente por meu su
esso e feli-
idade, tornaram-se valiosas fontes de motivao.
Ao professor Pri
les Rezende Barros por todas as lies dadas, a dedi
ao e
om-
prometimento ao me orientar durante esta dissertao, e a
ima de tudo pela amizade
onstruda.
i
Resumo
Diferente dos
ontroladores tradi
ionais, os
ontroladores preditivos implementam as aes
de
ontrole a serem apli
adas no sistema a partir de predies das sadas do pro
esso em
um
erto intervalo de tempo futuro. Isto feito para que o
ontrolador se ante
ipe a
futuras variaes da sada, e assim possa atuar
om mais e
in
ia.
A abordagem mais direta para a obteno de modelos apropriados para o
ontrole
preditivo denir e minimizar a funo de
usto de mltiplos passos frente. Isto pode
ser al
anado utilizando um mtodo de otimizao no-
onvexa
omo o de Levenberg-
Marquardt. J no mtodo PLS-PH, o problema de otimizao no-linear resolvido a
partir de uma bus
a linear e da transformao dos preditores para o espao de variveis
latentes (PLA, 2012).
Neste trabalho foi proposto um novo mtodo de identi
ao multivarivel MRI intitu-
lado EN-PH (Elasti
-Net Predi
tion Horizon) que
onsiste em um algoritmo de otimizao
numri
a asso
iado a t
ni
a de regresso regularizada Elasti
-Net. O novo mtodo mos-
trou ser
apaz de estimar os parmetros do modelo do pro
esso e
ientemente, mesmo
em presena de
olinearidade entre os preditores.
ii
Abstra
t
Unlike traditional
ontrollers, predi
tive
ontrollers implement the
ontrol a
tions to be
applied to the system based on predi
tions of the pro
ess outputs at a
ertain future time
interval. This is done so that the
ontroller may anti
ipate future
hanges in the output,
and thus
an a
t more e
iently.
The most dire
t approa
h for obtaining appropriate models for predi
tive
ontrollers
is to dene and minimize the multi-step ahead predi
tion error
ost fun
tion. This
an
be a
hieved using a non-
onvex optimization method like the Levenberg-Marquardt al-
gorithm. However, in the PLS-PH method, the nonlinear optimization problem is solved
by a linear sear
h method that performs a transformation of predi
tors for the latent
variables spa
e (PLA, 2012).
This work proposes a new MRI multivariable identi
ation method entitled EN-PH
(Elasti
-Net Predi
tion Horizon) that
onsists of a numeri
al optimization algorithm asso-
iated with the regularized regression te
hnique Elasti
-Net. The new method has proved
apable of estimate the parameters of the pro
ess model e
iently, even in the presen
e
of
ollinearity among the predi
tors.
iii
Sumrio
1 Introduo 3
1.1 Contexto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Reviso Bibliogr
a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Controle preditivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.2 Identi
ao relevante ao
ontrole preditivo . . . . . . . . . . . . . 6
1.2.3 Regime de golfada em en
anamentos-riser . . . . . . . . . . . . . . 7
1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Contribuies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 Organizao do Texto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
iv
3 Identi
ao de sistemas baseada em otimizao numri
a 37
3.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Algoritmo Least Squares - Predi
tion Horizon (LS-PH) . . . . . . . . . . . 38
3.3 Algoritmo Partial Least Squares - Predi
tion Horizon (PLS-PH) . . . . . . 41
3.4 Algoritmo Elasti
Net - Predi
tion Horizon (EN-PH) . . . . . . . . . . . . 42
3.5 Con
luso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
v
B.2.4 Modelo do oleoduto . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
B.2.5 Modelo do riser . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
B.2.6 Modelo do uxo de gs na base do riser . . . . . . . . . . . . . . . . 87
B.2.7 Modelo do uxo de lquido na base do riser . . . . . . . . . . . . . . 88
B.2.8 Modelo de distribuio das fases na sada da vlvula . . . . . . . . . 88
vi
Lista de Smbolos e Abreviaturas
1
Lista de Tabelas
1
Lista de Figuras
1
Lista de Figuras 2
Introduo
1.1 Contexto
Identi
ao de sistemas uma rea da modelagem matemti
a que lida
om o problema
de formular modelos matemti
os de sistemas dinmi
os baseando-se em dados experi-
mentais gerados pelos prprios sistemas (LJUNG, 1999), (ISERMANN; MNCHHOF,
2011), (PAYNE, 1977), (STOICA, 1989).
Existem prin
ipalmente duas formas de
onstruir modelos matemti
os de sistemas
dinmi
os. Uma das abordagens
onsiste na
onstruo analti
a dos modelos atravs
de leis fsi
as e qumi
as inerentes aos pro
essos analisados. Entretanto, na engenharia
muitas vezes as informaes a
er
a da dinmi
a dos sistemas es
assa e insu
iente,
por isso as leis e os parmetros exatos dos fenmenos so des
onhe
idos. Assim, faz-
se ne
essrio realizar uma aproximao que des
reva satisfatoriamente o pro
esso para
uma dada apli
ao. Na prti
a, existe um
omprometimento entre a
omplexidade e a
pre
iso dos modelos, in
ertezas so toleradas desde que no
omprometam a robustez ou
o desempenho do sistema (MOOR, 1996).
Todo modelo obtido por t
ni
as de identi
ao de sistemas ser inevitavelmente
uma aproximao do pro
esso real, assim a validade de um modelo est diretamente
rela
ionada
om o seu propsito de uso. Um modelo pre
iso pode ser utilizado para
simular o
omportamento dinmi
o do sistema. J a
lasse de mtodos de identi
ao
relevantes ao
ontrole (CRI) tem
omo motivao a ne
essidade de explorar os modelos
lineares em projetos de
ontroladores baseados em modelos. Sendo assim, os mtodos CRI
propem-se a gerar um modelo que seja adequado ao problema de
ontrole em questo,
riando uma sinergia entre os algoritmos de identi
ao e os de
ontrole.
Na indstria,
res
ente a demanda por
ontroladores
ada vez mais sosti
ados.
Na area de
ontrole avanado, desta
a-se o Controle Preditivo por Modelo (MPC). Em
essn
ia, o objetivo do MPC otimizar a previso do
omportamento futuro do pro
esso
3
Captulo 1. Introduo 4
1.3 Objetivos
Este trabalho teve
omo objetivos os seguintes itens:
1.4 Contribuies
As
ontribuies apresentadas neste trabalho so:
2.1 Introduo
O desenvolvimento do modelo o passo mais
rti
o e demorado na implementao de um
ontrolador preditivo (MORARI; LEE., 1999). Existem diferentes estruturas de modelos
apazes de representar aproximadamente o pro
esso, a es
olha deve ser realizada
om
base no propsito de sua utilizao e na natureza de
ada pro
esso. Por exemplo,
aso se
deseje
riar um simulador para estudar o
omportamento dinmi
o de um pro
esso, um
modelo sosti
ado e pre
iso deve ser utilizado. Entretanto, se o objetivo projetar um
ontrolador para aquele pro
esso, um modelo simpli
ado geralmente prefervel para
fa
ilitar a implementao da estratgia de
ontrole.
Na identi
ao tradi
ional minimiza-se a funo de
usto do erro de predio a um
passo frente. Uma vez que no MPC o modelo realiza predies a
er
a do
omportamento
do pro
esso por toda uma janela de predio, uma abordagem direta para MRI a
minimizao da funo de
usto do erro de predio multi-passos frente para ajustar
o modelo ao
onjunto de dados de identi
ao. Em (GOPALUNI; PATWARDHAN;
SHAH, 2004) a funo de
usto do erro de predio multi-passos frente foi minimizada,
e analisou-se as propriedades do MRI demonstrando o poten
ial desta abordagem. Uma
desvantagem deste mtodo que a funo de
usto de identi
ao no linear em seus
parmetros, e em geral o problema de minimizao no
onvexo. A
omplexidade
omputa
ional da otimizao no-
onvexa no vem a ser um empe
ilho, uma vez que o
estgio de identi
ao do modelo realizado oine.
omum veri
ar algum grau de
olinearidade entre as variveis em
onjuntos de
dados
olhidos de pro
essos reais. Uma alta
olinearidade entre os preditores signi
a
que as variveis do
onjunto partilham quantidades de informaes redundantes. Este
11
Captulo 2. Identi
ao relevante ao
ontrole preditivo 12
fenmeno pode
ausar problemas para a estimao dos parmetros pois gera um aumento
na varin
ia dos parmetros de regresso. Com isso, o resultado da identi
ao dos
parmetros do modelo relevantes ao pro
esso
omprometido. Neste
aptulo tambm
sero apresentados os mtodos de variveis latentes e os mtodos de regularizao, que
so duas diferentes abordagens para lidar
om o problema de
olinearidade nos dados de
identi
ao.
Como passo ini
ial, o modelo do pro
esso usado para realizar as predies a
er
a
do
omportamento do pro
esso em uma dada janela de predio: y
k+i = i
[1, 2, ..., nf ]. Onde y
k+i R1n0 so as predies em k + i a partir das informaes
disponveis at o instante k ; n0 , o nmero de sadas do pro
esso; nf , o nmero de
passos futuros preditos, tambm
hamado de horizonte de predio.
Captulo 2. Identi
ao relevante ao
ontrole preditivo 13
2.2.1 Preditor
O preditor responsvel por forne
er as predies das sadas do pro
esso sobre uma
janela de tempo futura. As predies so realizadas a partir do modelo do pro
esso e
so expressas em termos das informaes
onhe
idas priori das entradas, sadas e da
sequen
ia de
ontrole futura. O preditor o
omponente fundamental no projeto de
um
ontrolador preditivo, uma vez que as aes de
ontroles so baseadas nas predies
das variveis
ontroladas. Quo melhor for o preditor, melhor ser a performan
e do
ontrolador; assim, obter um preditor
onvel
ru
ial em MPC.
Uma forma generalizada das predies futuras pode ser expressa
omo:
f (k) = [
y (k + nf )] Sadas preditas
y(k + 1) ... y
)
up (k) = [u(k 1) ... u(k nb + 1)]
Dados passados
onhe
idos
yp (k) = [y(k 1) ... y(k na )]
)
uf (k) = [u(k + nf 1) ... u(k + nu )]
Sequn
ia de
ontrole futura
dof (k) = [u(k + nu 1) ... u(k)]
u
Y = |{z}
X +F
Y
JC = g (r(k), y
f (k), udof (k)) (2.3)
2.3.1 Modelo
Num estudo ini
ial, o modelo SISO de Box-Jenkins ser usado representando a expresso
geral para um modelo LTI na forma de funo de transfern
ia:
B(z 1 ) C(z 1 )
y(k) = u(k) + (k)
A(z 1 ) D(z 1 )
onde: y(k) a sada do pro
esso; u(k), a entrada do pro
esso; e (k) um rudo bran
o.
omum no obter su
esso na estimao de C(z 1 ), alm disso as
ara
tersti
as do
distrbio so frequentemente alteradas. Por esses motivos uma prti
a
omum em
MPC usar o modelo CARIMA Rossiter:
onde T(z 1 )
onsiderado
omo uma es
olha de projeto. O modelo SISO pode ser
transformado na forma ARX:
B(z 1 ) T(z 1 )
y(k) = u(k) + (k)
A(z 1 ) A(z 1 )(1 z 1 )
(1 z 1 ) B(z 1 ) (1 z 1 ) 1
y(k) = u(k) + (k)
T(z 1 ) A(z 1 ) T(z 1 ) A(z 1 )
B(z 1 ) 1
yf (k) = uf (k) + (k)
A(z )
1 A(z 1 )
1 z 1 1 z 1
yf (k) = y(k) ; uf (k) = u(k)
T(z 1 ) T(z 1 )
om,
x(k 1) = [u(k 1) ... u(k nb ), y(k 1) ... y(k na )], o vetor de regresso onde:
(k + 1) = x(k)
y (2.8)
onde,
x(k) = [u(k) ... u(k + 1 nb ) , y(k) ... y(k + 1 na )]
y(k + 1) = y
(k + 1) + e(k + 1)
formulado omo:
(k + j) = x(k + j 1),
y j [1, 2, ..., nf ] (2.9)
onde
(
()
y para () > k
() =
y (2.11)
y() para () k
y(k + j) = y
(k + j) + e(k + j) (2.12)
f (k)k2F
JC = krf (k) y
nf
X
JC = k r(k + j) y (k + j) k2F (2.13)
| {z }
j=1
,c(k+j)
minimiza-se os desvios entre os valores reais das sadas e suas refern
ias:
nf
X
JC , kr(k + j) y(k + j)k2F
j=1
Utilizando a equao (2.12), a funo de
usto pode ser expressa
omo funo dos
erros de
ontrole e de identi
ao:
nf
X
JC = y(k + j) + e(k + j))k2F
kr(k + j) (
j=1
nf
X
= k r(k + j) y (k + j) e(k + j)k2F
| {z }
j=1
c(k+j)
nf
X
= kc(k + j) e(k + j)k2F
j=1
Note que o somatrio em (2.14a) igual funo de
usto minimizada no MPC obtida
na equao (2.13). J o somatrio em (2.14
) representa a
orrelao
ruzada entre os
erros de
ontrole e identi
ao, e de a
ordo
om (GEVERS, 2002) pode ser resolvido
utilizando ajuste iterativo. Porm esta estratgia est fora do es
opo deste trabalho.
Uma vez que o somatrio em (2.14b) depende apenas do erro de identi
ao, ele o
omponente mais relevante do JC para esta seo, e ser referido
omo Jlrpi ( do ingls
Long Range Predi
tion Identi
ation
ost index). O Josapi ( do ingls One Step Ahead
Predi
tion Identi
ation
ost index ) normalmente utilizado em mtodos de predio de
1A norma de Frobenius pode ser expressa usando o operador trao: kAk2F = tr(AT A)
Captulo 2. Identi
ao relevante ao
ontrole preditivo 20
nf
X
Jlrpi (k) = ke(k + j)k2F (2.15)
j=1
N nf
N X
X X
JLRP I = Jlrpi (k) = ke(k + j)k2F (2.17)
k=1 k=1 j=1
onde,
e(k + j) = y(k + j) x(k + j 1) (2.18)
gradiente des
endente quando os parmetros esto longe de seu valor ideal, e age mais
omo o mtodo de Gauss-Newton quando os parmetros so perto de seu valor ideal.
Y = X + F
Porm, na o
orrn
ia de
orrelao nos dados de identi
ao, a matriz (XT X) mal
ondi
ionada. Por isso, a obteno de pelos mnimos quadrados no ser al
anada
om
su
esso,
ausando grande erro de varin
ia. A m de solu
ionar este problema, realiza-se
a regresso no espao das variveis latentes.
Dados Y e X, a reduo das variveis pode ser realizada
omo :
Y = UQT + F (2.19)
X = TPT + E (2.20)
U = |{z}
TB + resduos
LS
B = (TT T)1 TT U (2.21)
,U
Note que agora a identi
ao pode ser realizada no espao interno, B obtido
om
base em U e T. Uma das propriedades deste mtodo que as
olunas de T so ortogonais,
om isso a obteno de B no ser afetada pela
orrelao presente nos vetores
olunas
de X.
A m de es
olher o melhor valor para o nmero de variveis latentes nlv a serem usadas
no espao interno, introduz-se o ndi
e MSEP (Mean Squared Error of Predi
tion)
N
1 X
MSEP = f (k)k2F
kyf (k) y
N k=1
TICA; GOMBAR, 2003). De a
ordo
om (PLA, 2012), para um dado
onjunto de dados
de identi
ao, o nmero de parmetros no modelo afeta diretamente a de
omposio do
MSEP entre os erros de polarizao e de varin
ia. Veri
a-se na gura 2.3, a dimenso
de nx ny e a dimenso de B nlv nlv , assim o ajuste de nlv permite melhorar
o MSEP. Alm disso, P e Q tambm devem ser
onsiderados uma vez que eles tambm
so ajustados no
onjunto de dados de identi
ao, e isto afeta na reduo do nmero
de parmetros para ajuste.
A estratgia utilizada avaliar iterativamente o ndi
e MSEP para diversos valores de
nlv . Ini
ia-se
om nlv pequeno e
onforme ele aumenta, MSEP diminui. Es
olhe-se o nlv
omo o menor valor que forne
e uma reduo signi
ativa do MSEP.
Assim, se a identi
ao for realizada no espao das variveis latentes: Y e X so
projetados sob um espao reduzido (nlv ), e o modelo ajustado neste espao interno. A
diferentes abordagens para denir a projeo: PLS, Regresso em Componentes Prin
ipais
(PCR), regresso por reduo de posto (RRR) e regresso poten
ial (KIERS; A.K., 2007).
De a
ordo
om a
omparao entre os vrios mtodos realizada em (KIERS; A.K., 2007),
PLS e PCR so parti
ularmente indi
ados em
asos de presena de
olinearidade, enquanto
nos demais
asos mais indi
ado utilizar a regresso linear ordinria.
Com base nas equaes (2.19),(2.20), (2.21) e (2.22), o modelo no espao externo
pode ser obtido usando o PLS
omo:
Y T = TBQT = X ZBQT
= UQ (2.23)
| {z }
,
= ZBQ T
(2.24)
Captulo 2. Identi
ao relevante ao
ontrole preditivo 24
2. w = XT u/(ut u)
3. w = w/kwk
4. t = Xw
5. c = Y T t/(tTt)
6. c = c/kck
7. u = Yc/(cT c)
8. Testa se kui ui1 k Tolern
ia ,
aso positivo prosseguir para o passo 9;
aso
negativo voltar ao passo 2
9. p = XT t/(tT t)
10. l = Y T u/(uT u)
11. b = uT t(tT t)
12. X = X tpT
13. Y = Y btcT
14. Parar o algoritmo
aso kXk = 0 (ou outro
ritrio de parada,
omo por exemplo
nmero de iteraes). Caso
ontrrio, voltar ao passo 1.
2.5 Regularizao
Considere o modelo de regresso linear usual: dados ni preditores x1 , ..., xni , a resposta
predita da sada y dada por:
para avaliar a qualidade de um modelo, no geral os dois aspe
tos
itados a seguir so
onsiderados importantes:
Pre
iso do modelo o grau de delidade das predies do modelo quando dados
futuros so apli
ados. Isto pode ser mensurado a partir dos os ndi
es de avaliao
de modelo apresentados na seo 4.2.
O erro mdio quadrado (MSE) sem dvida o mais importante
ritrio utilizado para
avaliar o desempenho de um preditor ou um estimador (A distino sutil entre preditores e
estimadores que as variveis aleatrias so preditas e variveis
onstantes so estimadas).
O MSE tambm til para transmitir os
on
eitos de polarizao, pre
iso e exatido na
estimao estatsti
a. Dado um
onjunto de entradas x, o modelo obtido pelo mtodo de
identi
ao ir predizer as sadas y(x). O MSE pode ento ser
al
ulado
omo:
N
1 X
MSE = E ky yk 2
= (y(i) y(i))2 (2.25)
N i=1
No Teorema 1 mostrado que o MSE pode ser de
omposto em termos que reetem a
inun
ia da varin
ia e da polarizao na estimao.
Na regresso linear pelo mtodo dos mnimos quadrados obtm-se a estimao dos
parmetros ao minimizar a soma dos erros quadrti
os. Porm quando existe
orrelao
Captulo 2. Identi
ao relevante ao
ontrole preditivo 26
E[(y y)2 ] = E (y f + f y)2
= E (y f )2 + E (f y)2 + 2E [(f y)(y f )]
= E (y f )2 + E (f y)2 + 2 E[f y] + E[yf ] E[y y] E[f 2 ]
Neste primeiro passo foi aumentada a soma
om dois termos que se
an
elam. Tambm
foi usada expanso binomial e a linearidade da esperana. Observe que y f = , assim
Captulo 2. Identi
ao relevante ao
ontrole preditivo 27
o primeiro termo E[2 ] = 2 . Veri a-se ento que o ltimo termo anulado:
E[(y y)2 ] = 2 + E (f y)2
Apli ando o mesmo pro edimento no ltimo termo da equao anterior teremos:
E[(f y)2 ] = E (f E[ y ] y)2
y ] + E[
y ])2 + E (E[
= E (f E[ y ] y)2 + 2E [(E[
y ] y)(f E[
y ])]
E[(y y)2 ] = E (f E[
y ])2 + E (E[
y ] y)2 + 2
y )2 + V ar(
= Bias( y) + 2
n p
X X
minimizar 2
(y(i) y(i)) s.t. j2 t (2.27)
i=1 j=1
Uma outra forma de expressar a restrio Ridge a partir da soma penalizada do quadrado
dos parmetros de regresso (OSBORNE; PRESNELL; TURLACH, 2000):
n p
X X
2
SSEL2 = (y(i) y(i)) + j2
i=1 j=1
ridge
= (XT X + I)1 XT y (2.29)
Note que:
Utilizando a de
omposio SVD podemos es
rever o vetor ajustado pela soluo dos
mnimos quadrados
omo:
X LS = X(XT X)1 XT y
= UUT y
n
X P
X
min 2
(y(i) y(i)) s.t. |j | t (2.30)
i=1 j=1
Embora parea uma mudana pequena, as impli
aes prti
as so signi
antes. Uma
onsequn
ia da natureza da penalizao dos valores absolutos dos
oe
ientes que fa-
zendo t su
ientemente pequeno, alguns dos parmetros sero, de fato, anulados. Assim,
o lasso forne
e modelos que utilizam regularizao para simultaneamente melhorar o de-
sempenho das predies e
onduzir seleo de re
ursos. Se t for es
olhido maior que
Captulo 2. Identi
ao relevante ao
ontrole preditivo 30
Pp
t0 = 1 |jLS |, ento as estimativas lasso sero lasso = LS . Para valores menores de
t a soluo dos mnimos quadrados ser en
olhida por algum fator. A funo de
usto
na equao (2.30) equivalente funo de
usto penalizada da forma: (OSBORNE;
PRESNELL; TURLACH, 2000)
n
X P
X
2
SSEL1 = (y(i) y(i)) + |j |
i=1 j=1
T
= (y X) (y X) + kk1 (2.31)
lasso
= arg min (y X)T (y X) + kk1 (2.32)
4. Move j de 0 em direo a seus
oe
ientes dos mnimos quadrados < xj , r >, at que
algum outro
ompetidor xk possua o mesmo nvel de
orrelao
om o resduo atual
que xj possui. Se um
oe
iente no-nulo atingir o zero, remover sua varivel do
onjunto ativo de variveis e re
al
ular a direo dos mnimos quadrados
onjuntos.
5. Move j e k na direo denida por seus
oe
ientes dos mnimos quadrados
on-
juntos do resduo atual em (xj , xk ), at que algum outro
ompetidor xl possua o
mesmo nvel de
orrelao
om o resduo atual.
6. Repetir o pro
edimento anterior at que todos os p preditores tenham sido in
ludos.
aps min(N 1, p) passos, a soluo ser al
anada.
Captulo 2. Identi
ao relevante ao
ontrole preditivo 31
Por m, interessante notar que a regresso lasso no realiza seleo de grupo
omo
a ridge. Se um grupo de preditores for altamente
orrela
ionado lasso tende a es
olher
apenas um e en
olher os demais para zero. Porm o lasso
apaz de eliminar variveis
irrelevantes.
No
aso de haver mais
oe
ientes que amostras, p > N , o lasso ir sele
ionar no
mximo N variveis antes de saturar, graas natureza do problema da otimizao
onvexa. Este uma limitao para um mtodo de seleo de variveis. Alm disso,
o lasso no bem denido a menos que a restrio dos
oe
ientes na norma L1
seja menor que um
erto valor.
Para situaes usuais, N > P , se existe alta
orrelao entre os preditores, tem sido
observado empiri
amente que o desempenho da regresso lasso so inferiores aos da
regresso ridge (TIBSHIRANI, 1996).
N
1 X (1 EN )
SSEEnet = 2
(y(i) y(i)) + 2 EN
kk2 + || (2.33)
2N i=1 2
2.5.4 Obteno de
Em todos os mtodos de regularizao apresentados foi visto que uma soluo diferente
obtida para
ada valor de utilizado. A questo que ainda no foi denida dado um
onjunto de dados de identi
ao,
omo es
olher o ideal. Retori
amente esta questo
foi abordada a partir dos
aminhos de regresso e em seguida veri
ou-se que a melhor
soluo utilizar a validao
ruzada.
de genes em dados de leu
emia que
onsistiam em 7129 genes e 72 amostras. No
onjunto
de dados de treinamento existiam 38 amostras divididas entre leu
emia do tpo 1 e 2. Na
gura 2.4 possvel
omparar os
aminhos ridge,lasso e elasti
net. Aqui, as abs
issas
Validao Cruzada
A estratgia de utilizar os
aminhos das regresses para a es
olha de foi duramente
riti
ada devido falta de objetividade (BURT; FRANK; BEATTIE, 1987). Para resolver
este problema, tornou-se prti
a padro utilizar a validao
ruzada para sele
ionar .
De a
ordo
om (TROPSHA; GRAMATICA; GOMBAR, 2003), a validao
ruzada
uma t
ni
a de avaliao da
apa
idade de generalizao de um modelo, a partir de um
onjunto de dados. Bus
a-se estimar o quo pre
iso este modelo na prti
a, i.e. avaliar
o seu desempenho para um novo
onjunto de dados. Assim, deve-se identi
ar o modelo
f(.) a partir de um
onjunto de treinamento e avaliar o desempenho de suas predies em
novos dados,
hamados
onjunto de teste. Quando o nmero de observaes su
iente,
separa-se os dados disponveis nos
onjuntos de treinamento e de teste.
A abordagem mais
omum, es
olhida para ser usada no presente trabalho, a validao
ruzada K-fold des
rita a seguir:
ex eo do k-simo onjunto Tk .
K
X ()
(EV C)() = K 1 (EV C)k
k=1
(T1 , T2 , ..., TK ).
Captulo 2. Identi
ao relevante ao
ontrole preditivo 35
( )
Apli
a-se fk (x) no
onjunto de teste e avalia-se o erro de teste.
3.1 Introduo
Neste
aptulo, a identi
ao de sistemas relevante ao
ontrole preditivo ser abordada
sob a luz da otimizao numri
a. Primeiramente os parmetros dos modelos sero esti-
mados
om base no algoritmo de bus
a linear iterativo
hamado Least Squares - Predi
tion
Horizon (LS-PH), que atualiza os valores dos parmetros apli
ando os mnimos quadrados
para minimizar a funo de
usto de mltiplos passos frente (JLRP I ). Em seguida este
algoritmo ser estendido dando origem a dois novos mtodos, o PLS-PH e o EN-PH.
O algoritmo PLS-PH proposto em (PLA, 2012) um mtodo paramtri
o MRI
apaz
de identi
ar pro
essos que apresentam
orrelao entre as variveis. A ideia fundamental
do algoritmo reduzir o fenmeno da
olinearidade presente na matriz de regressores
realizando a identi
ao no espao das variveis latentes.
O mtodo EN-PH proposto neste trabalho tambm teve
omo motivao abordar os
problemas
ausados quando h
olinearidade na matriz de regressores. Porm ao invs
de utilizar os LVM
omo foi feito no mtodo PLS-PH, o EN-PH baseia-se nos mtodos
de regresso linear regularizados. No mtodo proposto, uma bus
a linear exe
utada
visando en
ontrar os parmetros que minimizam a funo de
usto JLRP I , apli
ando em
ada iterao a t
ni
a Elasti
-Net para en
ontrar a nova direo do vetor de bus
a.
37
Captulo 3. Identi
ao de sistemas baseada em otimizao numri
a 38
onde,
Ea1 e(1 + j)
. ..
.
.
Ea = ; Eaj = . , j [1, 2, ..., nf ]
Eanf e(N + j)
Eaj so matrizes de dimenses N n0 , e
ontm os erros de identi
ao baseados
nas predies em k + j
om informaes disponveis at o instante k . A matriz de erro
de predio de um passo frente obtida para nf = 1,
om isso Ea = Ea1 = E. Cada
submatriz Eaj obtida de:
Eaj = Yaj Xaj (3.2)
onde,
y(j + 1) xj
.. ..
Yaj =
.
; Xaj =
.
, j [1, 2, ..., nf ] (3.3)
y(j + N) x(j + N + 1)
Ea = Ya Xa (3.4)
sendo,
Ya1 Xa1
. .
. . (3.5)
.
Ya = ; .
Xa =
Yanf Xanf
Assim, o ndi
e de
usto pode ser expresso
omo:
JLRP I
= 0 = 2Xa |Tk Ya + 2Xa |Tk Xa |Tk ( k + p)
( k + p)
( k + p) = (Xa |Tk Xa |Tk )1 Xa |Tk Ya
pk = (Xa |Tk Xa |Tk )1 Xa |Tk Ya k (3.8)
k = min JLRP I ( k + k pk )
JLRP I ( k + pk ) a + b + c2 (3.9)
Note que o range de valores vlidos para [0, 1]
omo foi provado na Proposio 1.
Com isso, a bus
a linear inexata ser dada nos seguintes passos:
2. Os trs valores de e JLRP I quando apli
ados na equao (3.9), formaro um sistema
de trs equaes e trs in
gnitas. Resolvendo o sistema obtm-se os valores a, b e
c.
3. Veri
a-se dentre os valores de o que minimiza JLRP I . Se este valor no estiver
no range [0, 1], ele ser des
artado. Neste
aso ser tomado
omo o ponto
mdio entre os valores anteriores de se a parbola tiver a
on
avidade para
ima;
ou entre o valor anterior de e 0 ou 1
aso
ontrrio.
5. Os menores dois valores de JLRP I obtidos nas iteraes anteriores mais o valor obtido
no passo 4 so usados para estimar a, b e c novamente. seguir o algoritmo retorna
ao passo 3.
O pro
edimento anterior repetido enquanto houver mudanas signi
ativas de JLRP I ,
que pode ser veri
ado na
ondio de parada seguir:
k+1 = k + k pk (3.11)
O LS-PH um mtodo otimizao de bus
a linear que apresenta os seguintes benef
ios
omparados s abordagens de Newton e Quasi-Newton:
Captulo 3. Identi
ao de sistemas baseada em otimizao numri
a 41
Prova.
deve ser maior que zero uma vez que pk uma direo des endente.
k+1 = k + pk
= k + [(Xa |Tk Xa |k )1 Xa |k Ya k ]
= k + (Xa |Tk Xa |k )1 Xa |k Ya k ]
= (Xa |Tk Xa |k )1 Xa |k Ya
do PLS obtida em (2.22) e (2.24). Assim, o novo vetor de bus a ser dado por:
neste trabalho uma rotina de bus
a iterativa para en
ontrar o melhor valor de para os
dados de identi
ao que estiverem sendo analisados. A estratgia
onsiste nos seguintes
passos:
3. Em seguida, bus
a-se no vetor armazenado no passo anterior qual valor timo de
alfa, opt
EN
, sendo este o que forne
e o menor erro mdio da validao
ruzada.
4. Apli
a-se novamente o algoritmo elasti
net sob os dados de identi
ao utilizando
EN
= opt e = 1se , obtendo assim os
oe
ientes EN .
Uma vez obtidos os
oe
ientes EN , o vetor de bus
a do mtodo EN-PH ser dado
por:
= EN
k (3.14)
A partir da expresso do vetor de bus
a modi
ado, algoritmo de bus
a linear prosse-
gue
om os passos des
ritos na seo 3.2, onde
al
ula-se o
omprimento do passo pela
bus
a inexata e em seguida, itera-se os parmetros a partir da equao (3.11). Tambm
foram utilizados os mesmos
ritrios de parada.
Em seguida apresentado o pseudo-
digo do algoritmo EN-PH:
1. Sele
iona-se usando X e Y no mtodo Elasti
Net a partir de uma bus
a iterativa.
(Varia-se no intervalo [0,1
om o passo de 0.01 e ser es
olhido o valor que forne
er
o menor MSE)
6. Ini
ializa-se
~ = [0 0.5 1]
b
=
2c
10. O valor de
~
om o maior JLRP I removido e k inserido em
~.
11. Se a equao (3.10) mantiver-se verdadeira, repetir a partir do passo 7,
aso
ontrrio
ir para o passo 12.
13. k+1 = k + k pk
14. Finalizar
aso o
ritrio de parada da equao (3.12) for atingido; Caso
ontrrio,
k = k + 1 e voltar ao passo 3.
Captulo 3. Identi
ao de sistemas baseada em otimizao numri
a 45
4.1 Introduo
Neste
aptulo so apresentados exemplos de identi
ao de sistemas a m de avaliar o
algoritmo EN-PH proposto. Esta avaliao ser realizada
om base em uma anlise
om-
parativa do desempenho preditivo dos modelos que foram obtidos utilizando os seguintes
mtodos de identi
ao:
46
Captulo 4. Avaliao das t
ni
as de identi
ao - Simulao/Experimento 47
4.2.2 R2
O indi
ador R2 uma matriz nf no
ontendo os valores dos
oe
ientes de determinao
para dados externos. Cada elemento em R2 obtido usando a equao (4.1). R2
al
ulado para vizualizar a evoluo da performan
e dentro do horizonte de predio.
EaTjs Eajs
Rs2 (j) =1 j [1, nf ], s [1, n0 ] (4.1)
(Yajs E{Yajs })T (Yajs E{Yajs })
Onde Eajs a
oluna s da matriz Eaj da equao (3.2); Yajs a
oluna s de Yaj da equao
(3.3); e E{.} o operador da mdia.
Captulo 4. Avaliao das t
ni
as de identi
ao - Simulao/Experimento 48
ndi
e padro
U , tambm
hamado
oe
iente de desigualdade de Theil, forne
e uma medida normali-
zada do erro relativo que reduz o efeito de grandes erros, e sua equao apresentada a
seguir: q P
1 N
N
y(k))2
k=1 (
y (k)
U=q P q P (4.2)
1 N 2 (k) + 1 N
N k=1 y
N k=1 y2 (k)
ndi
e de polarizao
UB , tambm
hamado grau de pre
iso ou exatido, que dado por:
(y y)2
UB = 1
PN (4.3)
N k=1 (
y (k) y(k))2
onde, y a mdia dos valores estimados; y a mdia dos valores observados. O ndi
e de
polarizao est no intervalo UB [0, 1]. Quanto mais prximo de zero, menos polarizada
ser a estimativa.
ndi
e de varin
ia
UV , tambm
hamado grau de
onsistn
ia, dado por:
(y y )2
UV = 1
PN (4.4)
N
y (k) y(k))2
k=1 (
onde, y o desvio padro dos valores estimados; y o desvio padro dos valores medidos.
O ndi
e de varin
ia tambm est no intervalo UV [0, 1]. Quanto mais prximo de zero
for UV , menor ser variao entre os valores das estimativas e das medies.
Captulo 4. Avaliao das t
ni
as de identi
ao - Simulao/Experimento 49
2(1 )yy
UC = 1
PN (4.5)
N
y (k) y(k))2
k=1 (
N
1 X
= y (k) y)(y(k) y)
(
yy N k=1
O ndi
e de
ovarin
ia tambm est no intervalo UV [0, 1]. Porm, Quanto mais
prximo de um for UV , mais prximos sero os valores das estimativas e das medies
(mais
orrela
ionados), e assim melhor ser a estimativa.
segunda ordem. O pro
esso dis
retizado
om Ts = 1 minuto pode ser expresso
omo:
y (k) 0,06z 1 +0,63z 2 +0,072z 3 0,033z 1 +0,087z 2 0,58z 3 u1 (k)
1 10,93z 1 0,013z 2 0,0023z 3 11,57z 1 +0,72z 2 0,13z 3
= 0,2z 1 0,63z 2 +0,52z 3 0,051z 1 +0,12z 2 0,85z 3
y2 (k) u2 (k)
12,18z +1,58z 0,39z
1 2 3 11,55z 1 +0,71z 2 0,13z 3
0,1z 0,3z +0,23z
1 2 3 0,0037z 1 0,011z 2 +0,0087z 3 1 (k)
(4.6)
12,29z 1 +1,74z 2 0,45z 3 12,28z 1 +1,72z 2 0,44z 3
+ 0,003z 1 0,095z 2 +0,25z 3 0,0052z 1 0,014z 2 +0,01z 3
1 11,65z
2 +0,84z
3 0,16z 1 12,34z
2 +1,83z
3 0,48z
2 (k)
Os sinais de ex
itao para o pro
esso es
olhidos foram sinais randmi
os Gaussianos
(RGS) e foram gerados utilizando a funo idinput do Matlabr
om BAND = [0, 0.01]. A
amplitude do rudo bran
o foi es
olhida para que o SNR seja aproximadamente 10dB para
ambas as sadas. O
onjunto de dados de identi
ao gerados apresentado na gura 4.2,
estes sinais foram normalizados antes de sua utilizao nos algoritmos de identi
ao.
Entradas (U)
4
u1
2 u
2
Amplitude
4
0 100 200 300 400 500
Sadas (Y)
4
y
1
2 y
2
Amplitude
4
0 100 200 300 400 500
Tempo (min)
Sada 1
na /nb ndi
e LS EN LM EN-PH PLS-PH
U 0,13225 0,11999 0,11623 0,11368 0,12219
Ub 0,00588 0,01264 0,01322 0,02108 0,01609
2
Uv 0,04434 0,04314 0,02067 0,01573 0,02116
Uc 0,94978 0,94422 0,96611 0,96319 0,96275
U 0,17892 0,12228 0,12629 0,11890 0,12402
Ub 0,04234 0,02005 0,01782 0,02247 0,02131
3
Uv 0,03481 0,02380 0,02069 0,02165 0,02703
Uc 0,92285 0,95616 0,96149 0,95588 0,95166
U 0,12359 0,11597 0,13636 0,10889 0,11223
Ub 0,04951 0,01330 0,05069 0,02358 0,01801
4
Uv 0,02725 0,06147 0,03473 0,02271 0,02288
Uc 0,92324 0,92523 0,91458 0,95371 0,95911
Sada 2
na /nb ndi
es LS EN LM EN-PH PLS-PH
U 0,21538 0,18165 0,18019 0,17956 0,18788
Ub 0,00730 0,01258 0,01520 0,02120 0,01775
2
Uv 0,12542 0,15273 0,05301 0,05296 0,09093
Uc 0,86728 0,83469 0,93179 0,92584 0,89132
U 0,24926 0,18485 0,20680 0,17750 0,18027
Ub 0,04732 0,01671 0,02271 0,01825 0,01953
3
Uv 0,04387 0,03373 0,03965 0,03044 0,03242
Uc 0,90881 0,94956 0,93764 0,95131 0,94805
U 0,18113 0,18214 0,19286 0,15928 0,16290
Ub 0,05593 0,01594 0,05833 0,03142 0,02738
4
Uv 0,03508 0,08976 0,03601 0,02615 0,04137
Uc 0,90900 0,89430 0,90567 0,94243 0,93125
mtodos MRI
omo j era esperado, uma vez que os ltimos so t
ni
as mais sosti
adas
e foram
riadas almejando a previsibilidade do modelo mltiplos passos frente.
Uma
omparao mais detalhada sobre algumas propriedades dos modelos de regresso
obtidos neste exemplo realizada
om base nos
oe
ientes de Theil apresentados na
tabela 4.1, onde os melhores resultados para
ada ndi
e e em todas as ordens foram
desta
ados em negrito.
Veri
a-se na tabela 4.1 que o mtodo EN-PH forne
eu os melhores ndi
es de Theil
padres U para todas as ordens de modelo analisadas, o que era de se esperar uma vez
que este ndi
e pode ser visto
omo uma normalizao do JLRP IEV . O efeito da utilizao
da regularizao pode ser veri
ado ao
omparar os ndi
es Ub e Uv . No geral, o mtodo
EN-PH forne
eu estimativas
om polarizao ligeiramente maior que o PLS-PH, porm
a varin
ia dessas estimativas foi reduzida. Esta tro
a entre polarizao e varin
ia
a propriedade prin
ipal da regularizao e,
omo pde ser
omprovado neste exemplo,
Captulo 4. Avaliao das t
ni
as de identi
ao - Simulao/Experimento 53
justi
ada por forne
er um erro mdio quadrti
o geral menor. Por m, o mtodo EN-
PH forne
eu, no geral, estimativas
om maior asso
iao entre as sadas estimadas e as
medidas, o que pode ser observado a partir dos valores do ndi
e Uc .
Foi inserido um rudo bran
o em
ada sada, a relao sinal rudo usada foi de apro-
ximadamente 30dB. Os sinais foram normalizados antes de sua utilizao nos algoritmos
de identi
ao. Foram utilizados trs modelos MIMO ARX, de ordens na = nb = 2, 3, 4
para aproximar o pro
esso. O horizonte de predio foi denido
omo nf = 20. Aps a
Captulo 4. Avaliao das t
ni
as de identi
ao - Simulao/Experimento 56
obteno dos parmetros por
ada mtodo de identi
ao, apli
ada uma nova entrada
Z aleatria PRBS de validao a m de avaliar o desempenho do preditor.
O mtodo de identi
ao LM utilizado no exemplo anterior no obteve su
esso para
identi
ar o pro
esso da golfada. Na exe
uo do algoritmo o
orreu um erro de memria
e foram gerados ndi
es JLRP IEV da ordem de 1036 . Sendo assim, este mtodo foi ex
ludo
da anlise
omparativa. A m de no reduzir a diversidade de t
ni
as
omparadas, o
mtodo de identi
ao PLS apresentado anteriormente, foi utilizado
omo substituto do
mtodo LM.
Nas guras 4.9, 4.10 e 4.11 so apresentadas as
urvas dos indi
adores de validao
2
R203 , que
onsiste no valor de R2 obtido apli
ando a equao (4.1) para
ada sada e
varrendo j por todo o intervalo de predio j [0, 20]. Os valores do ndi
e JLRP IEV
para
ada mtodo de identi
ao tambm foram
al
ulados e inseridos nas legendas das
guras.
Veri
a-se nas
urvas de R203
2
das guras 4.9 a 4.11, que o algoritmo EN-PH, no
geral, apresentou o melhor desempenho entre os mtodos de identi
ao analisados. O
melhor ajuste do modelo foi obtido quando na = nb = 4, onde JLRP IEV = 2897. Nota-se
que os ndi
es R203
2
no de
res
em
onforme j aumenta neste exemplo, o motivo para
este fenmeno est na
ara
tersti
a os
ilatria das sadas observadas.
Uma
omparao mais detalhada sobre algumas propriedades dos modelos de regresso
obtidos neste exemplo realizada
om base nos
oe
ientes de Theil apresentados na
tabela 4.2.
Captulo 4. Avaliao das t
ni
as de identi
ao - Simulao/Experimento 57
A partir da tabela 4.2 veri
a-se que em todos os
asos mtodo o EN-PH forne
eu
um modelo
om menor ndi
e padro e de varin
ia de Theil. Em alguns
asos o mtodo
EN-PH tambm apresentou menor ndi
e de polarizao, porm na maioria dos
asos ele
obteve uma polarizao ligeiramente maior que os demais mtodos. No geral, o ndi
e de
orrelao do mtodo proposto indi
ou que ele forne
eu uma maior
orrelao entre as
sadas estimadas e medidas neste exemplo.
Captulo 4. Avaliao das t
ni
as de identi
ao - Simulao/Experimento 59
Sada 1
na /nb ndi
e LS EN PLS EN-PH PLS-PH
U 0,20728 0,21240 0,21192 0,16669 0,17629
Ub 0,03025 0,04403 0,00745 0,05861 0,02698
2
Uv 0,18320 0,31825 0,20248 0,01782 0,02366
Uc 0,78657 0,63776 0,79009 0,92357 0,94936
U 0,17078 0,19476 0,22587 0,16135 0,16142
Ub 0,04847 0,05217 0,06279 0,06713 0,08004
3
Uv 0,10772 0,21019 0,01766 0,01624 0,00970
Uc 0,84382 0,73767 0,91955 0,91662 0,91625
U 0,25637 0,17281 0,16381 0,15325 0,15362
Ub 0,00004 0,06596 0,04857 0,07488 0,04556
4
Uv 0,00212 0,15856 0,09431 0,01299 0,01739
Uc 0,99784 0,77550 0,85713 0,91213 0,93705
Sada 2
na /nb ndi
es LS EN PLS EN-PH PLS-PH
U 0,24040 0,24717 0,24607 0,20321 0,20992
Ub 0,00032 0,00229 0,00037 0,00407 0,00302
2
Uv 0,15454 0,30420 0,16904 0,03061 0,03803
Uc 0,84515 0,69355 0,83061 0,96532 0,95896
U 0,20648 0,22764 0,32615 0,19385 0,20159
Ub 0,00082 0,00292 0,06070 0,00450 0,01281
3
Uv 0,11850 0,18531 0,45312 0,01662 0,03242
Uc 0,88069 0,81179 0,48623 0,97888 0,97371
U 0,25968 0,20770 0,19924 0,18934 0,19030
Ub 0,01975 0,00360 0,00068 0,00460 0,00051
4
Uv 0,01701 0,15114 0,10180 0,02190 0,03140
Uc 0,96324 0,84528 0,89754 0,97350 0,96810
Sada 3
na /nb ndi
es LS EN PLS EN-PH PLS-PH
U 0,20422 0,20483 0,21028 0,16204 0,17392
Ub 0,00105 0,00004 0,00214 0,00028 0,00013
2
Uv 0,16830 0,28463 0,18397 0,00863 0,02031
Uc 0,83067 0,71537 0,81391 0,99109 0,97956
U 0,16949 0,19134 0,33400 0,15552 0,16535
Ub 0,00089 0,00009 0,00411 0,00024 0,00440
3
Uv 0,12454 0,22251 0,00713 0,00559 0,04010
Uc 0,87458 0,77743 0,96476 0,99417 0,95551
U 0,25264 0,16938 0,16215 0,14916 0,15356
Ub 0,18003 0,00011 0,00102 0,00022 0,00127
4
Uv 0,00751 0,17039 0,10015 0,00701 0,01559
Uc 0,81246 0,82952 0,89885 0,99277 0,98315
Captulo 4. Avaliao das t
ni
as de identi
ao - Simulao/Experimento 60
4.5.4 Identi
ao
Os sinais de ex
itao es
olhidos para o pro
esso foram sinais PRBS e foram gerados
utilizando a funo idinput do Matlabr
om perodo de amostragem de 0,5s BAND =
[0 0, 05] e levels = [50 100] (Varia o duty
i
le do PWM de 50% a 100%). O
onjunto de
dados de identi
ao gerados apresentado na gura 4.18.
Estes sinais foram normalizados antes de sua utilizao nos algoritmos de identi
ao.
Tambm foram utilizados trs modelos MIMO ARX, de ordens na = nb = 2, 3, 4 para
aproximar o pro
esso. O horizonte de predio foi denido
omo nf = 30. Aps a
obteno dos parmetros por
ada mtodo de identi
ao, apli
ada uma nova entrada
aleatria PRBS de validao a m de avaliar o desempenho do preditor.
Como no exemplo anterior, o mtodo de identi
ao LM no obteve su
esso para
identi
ar o pro
esso do sistema de temperatura, gerando ndi
es JLRP IEV da ordem de
1031 , por isso ele foi ex
ludo da anlise
omparativa. O mtodo de identi
ao PLS
apresentado anteriormente, foi utilizado para substituir o mtodo LM.
Nas guras 4.19, 4.20 e 4.21 so apresentadas as
urvas dos indi
adores de validao
2
R302 , que
onsiste no valor de R2 obtido apli
ando a equao (4.1) para
ada sada e
varrendo j por todo o intervalo de predio j [0, 30]. Os valores do ndi
e JLRP IEV
para
ada mtodo de identi
ao tambm foram
al
ulados e inseridos nas legendas das
guras.
Veri
a-se nas
urvas de R302
2
das guras 4.19, 4.20 e 4.21 que o algoritmo EN-PH
apresentou o melhor desempenho entre os mtodos de identi
ao analisados, para todas
as ordens dos modelos sugeridas. O melhor ajuste do modelo foi obtido para na = nb = 4,
Captulo 4. Avaliao das t
ni
as de identi
ao - Simulao/Experimento 65
onde JLRP IEV = 884. Nota-se que em todos os mtodos de identi
ao, o valor de R2
manteve-se prximo de 1 para todos os valores de j , a razo disto porque este sensor
est
one
tado ao dis
o
ilndri
o de raio maior, tornando esta sada menos sus
eptvel
Captulo 4. Avaliao das t
ni
as de identi
ao - Simulao/Experimento 66
ao rudo e a orrelao.
Sada 1
na /nb ndi
e LS EN LM EN-PH PLS-PH
U 0,05890 0,09883 0,05985 0,05847 0,05985
Ub 0,00645 0,00239 0,00626 0,00651 0,00626
2
Uv 0,02096 0,43448 0,02330 0,01019 0,02330
Uc 0,97259 0,56313 0,97044 0,98329 0,97044
U 0.05747 0.07142 0.05711 0.05754 0.05711
Ub 0.00722 0.00485 0.00729 0.00727 0.00729
3
Uv 0.03702 0.27615 0.03646 0.00656 0.03646
Uc 0.95576 0.71900 0.95626 0.98617 0.95626
U 0.05583 0.06269 0.05588 0.05163 0.05279
Ub 0.00805 0.00673 0.00804 0.00946 0.00960
4
Uv 0.04902 0.23691 0.04879 0.06526 0.09233
Uc 0.94292 0.75636 0.94317 0.92528 0.89808
Sada 2
na /nb ndi
es LS EN LM EN-PH PLS-PH
U 0,03230 0,08616 0,03292 0,02932 0,03292
Ub 0,00881 0,00116 0,00851 0,01097 0,00851
2
Uv 0,07281 0,70600 0,07367 0,13693 0,07367
Uc 0,91838 0,29286 0,91782 0,85211 0,91782
U 0.03128 0.05525 0.03117 0.02978 0.03117
Ub 0.01000 0.00311 0.01005 0.01139 0.01005
3
Uv 0.17533 0.63925 0.17537 0.19622 0.17537
Uc 0.81467 0.35765 0.81458 0.79239 0.81458
U 0.03142 0.04613 0.03145 0.03058 0.03404
Ub 0.01040 0.00476 0.01039 0.01114 0.00949
4
Uv 0.23704 0.59193 0.23808 0.21965 0.28279
Uc 0.75256 0.40332 0.75154 0.76921 0.70772
Na tabela 4.3 veri
ou-se que o mtodo EN-PH forne
eu um modelo
om menor ndi
e
padro de Theil, novamente reetindo a asso
iao
om deste ndi
e
om o JLRP IEV . O
mtodo EN-PH tambm al
anou os melhores ndi
es de varin
ia e
ovarin
ia para a
sada 1, porm para a sada 2 o mtodo dos mnimos quadrados o superou ligeiramente
nestes quesitos. interessante veri
ar que, no geral, os maiores ndi
es de
ovarin
ia
so obtidos nos mtodos que apresentam a menor varin
ia.
Captulo 4. Avaliao das t
ni
as de identi
ao - Simulao/Experimento 67
68
Captulo 5. Con
luses e Sugestes de Trabalhos Futuros 69
dos mtodos de regularizao do que pelo PLS,
omo pde ser observado partir dos ndi-
es de Theil. Nestes ndi
es observou-se que o EN-PH forne
eu uma predio
om menor
varin
ia e ligeiramente maior polarizao, o que pelos motivos des
ritos anteriormente,
resultou em um erro mdio quadrti
o inferior ao PLS-PH e aos demais mtodos.
BAI, Y.; BAI, Q. Subsea Pipelines and Riser. Oxford: [s.n., 2005.
BELLEMANS, T.; SCHUTTER, B. D.; MOOR, B. D. Model predi
tive
ontrol for ramp
metering of motorway tra
- a
ase study. Control Engineering Pra
ti
e, 14, p. 757
767, 2006.
BOHLIN, T.; ASTROM, K. J. Numeri
al identi
ation of linear dynami
systems for
normal operating re
ords. 2nd IFAC Symp. Theory of Self-Adaptive Systems, Teddington,
p. 96111, 1965.
EFRON, B. et al. Least angle regression. The Annals of Statisti
s, v. 32, p. 407451,
2004.
GEVERS, M. A de
ade of progress in iterative pro
ess
ontrol design: from theory to
pra
ti
e. Journal of Pro
ess Control, v. 12, p. 519531, 2002.
GODHAVN, J.-M.; FARD, M. P.; FUCHS, P. H. New slug
ontrol strategies, tuning
rules and experimental results. Journal of Pro
ess Control, v. 15, p. 547 557, 2005.
70
REFERNCIAS BIBLIOGRFICAS 71
HROVAT, D. et al. The development of model predi
tive
ontrol in automotive industry:
A survey. IEEE international
onferen
e on
ontrol appli
ations, p. 295 302, 2012.
KOURO, S. et al. Model predi
tive
ontrol - a simple and powerful method to
ontrol
power
onverters. IEEE Transa
tions on Industrial Ele
troni
s, 56, p. 1826 1838, 2009.
KUHN, M.; JOHNSON, K. Applied Predi
tive Modeling. New York, USA: [s.n., 2013.
LJUNG, L. System Identi
ation: Theory for the user. 2nd ed.. ed. [S.l.: Prenti
e Hall,
1999.
MARTENS, H. Reliable and relevant modelling of real world data: a personal a
ount
of the development of pls regression. Chemometri
s and Intelligent Laboratory Systems,
v. 58, p. 8595, 2001.
MEGLIO, F. D.; KAASA, G.; PETIT, N. A rst prin
iple model for multiphase slugging
ow in verti
al risers. 48th IEEE Conferen
e on De
ision and Control and 28th Chinese
Control Conferen
e, p. 8244 8251, 2009.
MELAND, A. K. Stabilization of two-phase ow in risers from reservoirs, Comparison of
alternative simple models. Dissertao (Spe
ialization Thesis) Norwegian University
of S
ien
e and Te
hnology, Dezembro 2010.
MOOR, P. V. O. B. Subspa
e Identi
ation for Linear Systems. [S.l.: Kluwer A
ademi
Publishers, 1996.
MORARI, M.; LEE., J. H. Model predi
tive
ontrol: past, present and future. Computers
and Chemi
al Engineering, vol. 23, p. 667 682, 1999.
REFERNCIAS BIBLIOGRFICAS 72
OSBORNE, M.; PRESNELL, B.; TURLACH, B. On the lasso and its dual. Journal of
Computa
ional and Graphi
al Statisti
s, v. 9(2), p. 319337, 2000.
PALADINO, E. Estudo do Es
oamento Multifsi
o em Medidores de Vazo do Tipo
Presso Diferen
ial. Tese (Doutorado) Universidade Federal de Santa Catarina,
Florianpolis - SC, Abril 2005.
PAYNE, G. G. R. Dynami
System Identi
ation: Experiment Design and Data Analysis.
[S.l.: A
ademi
Press, 1977.
PLA, D. MPC: Relevant Identi
ation, and Control in the Latent Variable Spa
e. Tese
(Doutorado) Universidad Polit
ni
a de Valen
ia, Valen
ia, Janeiro 2012.
RICHALET, J. et al. Paper: Model predi
tive heuristi
ontrol. Automati
a, v. 14, n. 5,
p. 413428, set. 1978. ISSN 0005-1098.
SHOOK, D.; MOHTADI, C.; SHAH, S. Identi
ation for long-range predi
tive error.
IEE pro
eedings-D, v. 138, p. 7584, 1991.
SILVA, C. B. C.Medio de Vazo e Propriedades em Es
oamento Multifsi
o Soluo
E
onmi
a para Diferentes Atividades Industriais. Rio de Janeiro, 2000.
SIVERTSEN, H.; SKOGESTAD, S. Anti-slug
ontrol experiments on a smalls
ale
two-phase loop. Pro
. European Symposium on Computer Aided Pro
ess Engineering,
Bar
elona, Spain: Elsevier S
ien
e, p. 1021 1026, 2005.
STOICA, T. S. P. System Identi
ation. [S.l.: Prenti
e Hall, New Jersey, 1989.
STORKAAS, E.; SKOGESTAD, S. A low-dimensional dynami
model of severe slugging
for
ontrol design and analysis. 11th International Conferen
e on Multiphase ow, BHR
Group, p. 117 133, 2003.
THEIL, H. E
onomi
fore
asts and poli
y. The Ameri
an E
onomi
Review, v. 49, p.
711716, 1959.
TIBSHIRANI, R. Regression shrinkage and sele
tion via the lasso. Journal of the Royal
Statisti
al So
iety Series B (Methodologi
al), v. 58, p. 267288, 1996.
TROPSHA, A.; GRAMATICA, P.; GOMBAR, V. The importan
e of being earnest:
Validation is the absolute essential for su
essful appli
ation and interpretation of qspr
models. QSAR and Combinatorial S
ien
e, v. 22, p. 6977, 2003.
onde
74
Apndi
e A. Modelo MIMO ARX 75
u1 (k)
..
ys = [B1,s ... Bni ,s ]
. + (1 As )ys (k) + s (k)
uni (k)
uTk1 ys (k 1)
n ] ... + [a1s ... anas ] ..
1s ... b
= [b . + s (k)
bs
T
uknb ys (k na )
T1
b s
..
.
T
bn
= [uk1 ... uknb , ys (k 1) ... ys (k na )]
bs s (k)
a1s
..
.
ana s
onde:
s = [b1,s ... bn ,s ],
b [1, 2, ..., nb ]
i
A expresso geral para modelos lineares usada nesta tese pode ser derivada da equao
anterior
omo:
yk = xk1 + k (A.2)
onde,
a1 0 ... 0
.. .. ..
0 . . .
A = .. .. .. , [1, 2, ..., na ]
. . . 0
0 ... 0 ano
(k) = [1 (k) ... no (k)] (A.3)
Apndi
e B
Estrati
ado (Stratied Flow):
ara
terizado pela separao gravita
ional total
das fases lquida e gasosa
om es
oamento
ontnuo de
ada fase. A
onte
e em
velo
idades muito baixas de lquido e gs.
77
Apndi
e B. Regime de uxo multifsi
o de golfadas 78
Anular (Annular Flow): o es
oamento anular o
orre
om altas vazes de gs, onde
o lquido es
oa na superf
ie interna da tubulao, formando um lme
om bolhas
dispersas, e o gs es
oa no
entro da tubulao.
Bolhas (Bubble Flow ): devido ao efeito gravita
ional a fase gasosa em forma
de bolhas dis
retas, tende a se dispersar no topo da tubulao
om a fase lquida
ontnua.
Nvoa (Mist Flow ):
ara
terizado por velo
idades super
iais de gs e lquido
muito altas. Todo o lquido en
ontra-se disperso no n
leo do gs e as got
ulas
formadas pelo lquido viajam mesma velo
idade super
ial do gs.
Golfadas (Slug Flow ): aumentando a velo
idade da fase gasosa, as bolhas
oa-
les
em e o dimetro desta nova bolha atinge dimenso similar
om a da tubulao.
Quando isto o
orre, formam-se bolhas grandes em formato de bala, tambm de-
nominadas bolhas de Taylor. Com isto, golfadas de gs e lquido se su
edem na
tubulao
om a golfada de lquido apresentando pequenas bolhas dispersas.
Figura B.2: Padres de es oamento de uxo multifsi o em uma tubulao verti al.
O me
anismo de formao de golfada no riser ilustrado na gura B.3 e des
rito nos
seguintes passos: (STORKAAS; SKOGESTAD, 2003)
Este regime
li
o o
asiona um uxo intermitente na sada do riser, o que pode reduzir
a
apa
idade de produo. Problemas maiores,
omo parada de produo, podem ser
o
asionados quando grandes volumes de lquido
hegam ao vaso separador, inundando-o.
As plataformas de petrleo lidam
om grandes quantidades de um produto muito valioso,
por isto, uma reduo da produo ou pequenas paradas no pro
esso reetem em perdas
nan
eiras substa
iais. A ttulo de exemplo, na plataforma P-55 na Ba
ia de Campos
no Rio de Janeiro, uma parada indevida de um trem de produo de 30 minutos resulta
numa perda mdia de 1.875 barris. Considerando o valor do barril de petrleo
omo sendo
US$60,00, esta perda de produo
ustaria US$112.500, 00 (CAMPOS; LOUREIRO; B.,
2006).
Apndi
e B. Regime de uxo multifsi
o de golfadas 81
dmg,p
= g,in g,rb (B.1a)
dt
dml,p
= l,in l,rb (B.1b)
dt
dmg,r
= g,rb g,out (B.1
)
dt
dml,r
= l,rb l,out (B.1d)
dt
O New Model
riado por Jahanshahi possui quatro variveis de estado referentes s
diferentes fases do uido, so elas:
p
out = Cv1 f (z1 ) rt max(Prt Ps , 0) (B.2)
ondio pode ser modi
ada para outras vlvulas. Os uxos individuais de lquido e gs
so
al
ulados por:
m
l,out = l,rt out (B.3)
m
g,out = (1 l,rt )out (B.4)
onde l,rt
m
, a frao de massa de lquido no topo do riser, vale:
l,rt l
m
l,rt = (B.5)
l,rt l + (1 l,rt )g,r
O termo no denominador da equao (B.5) a densidade rt da mistura no topo do
riser, que tambm apare
e na equao (B.2). A frao de volume de lquido no riser l,rt
des
rita na equao (B.44).
lm /l
l = (B.6)
lm /l + (1 lm /)g
A frao mdia de massa de lquido nesta tubulao vem das
ondies de
ontorno
na entrada:
l,in
m
l,p = (B.7)
l,in + g,in
J a frao mdia de volume de lquido no oleoduto :
g,p l,in
l,p = (B.8)
g,p l,in + l g,in
O
l
ulo da densidade mdia de gs g,p feito a partir da presso nominal (estado
esta
ionrio) no oleoduto, assumindo que o gs ideal:
Pin,nom Mg
g,p = (B.9)
RTp
Pin,nom por sua vez dependente de
l,p e por isso,
al
ulado a partir de uma
ini
ializao geral do modelo no estado esta
ionrio. Usando a equao (B.9) e taxas de
l,p
onstante.
uxo de entrada
onstantes (nominais), resulta em
A rea da seo transversal do oleoduto :
Apndi
e B. Regime de uxo multifsi
o de golfadas 85
2
Ap = D (B.10)
4 p
onde Dp o dimetro do oleoduto,
om isso o volume do oleoduto ser Vp = Ap Lp .
Quando o gs e lquido esto distribudos homogeneamente ao longo do oleoduto, a
massa de lquido presente no oleoduto dada por:
m
l,p = l Vp
l,p (B.11)
= Kh hd
h l,p (B.12)
ml,p = ml,p m
l,p = LAp (1
l,p )l (B.13)
+ L sin() ou ainda:
O nvel de lquido torna-se h = h
+ ml,p m
h=h
l,p
sin() (B.14)
Ap (1
l,p )l
Com isso o nvel de lquido h pde ser es
rito
omo uma funo da massa de lquido no
oleoduto, que uma varivel de estado do modelo. O restante dos parmetros da equao
(B.14) so
onstantes.
A equao densidade do gs no oleoduto :
mg,p
g,p = (B.15)
Vg,p
onde o volume o
upado pelo gs no oleoduto :
g,p RTp
Pin = (B.17)
Mg
Apenas a fase lquida
onsiderada no
l
ulo da queda de presso o
asionada pelo
atrito no oleoduto, que dada por:
Apndi
e B. Regime de uxo multifsi
o de golfadas 86
l,p p l Usl,in
2
Lp
Pf p = (B.18)
2Dp
onde p o fator de atrito do oleoduto, que pode ser
omputado por uma aproximao
expli
ita da equao de Colebrook-White:
" 1,11 #
1 /Dp 6, 9
p 1, 8 log10 + (B.19)
p 3, 7 Rep
l Usl,in Dp
Rep = (B.20)
sl,in a velo
idade super
ial do lquido, que dada
onde a vis
osidade do lquido e U
por:
4l,in
Usl,in = (B.21)
Dp2 l
Vr = Ar (Lr + Lh ) (B.22)
onde,
2
Ar = D (B.23)
4 r
O volume o
upado pelo gs no riser :
ml,r
Vg,r = Vr (B.24)
l
A densidade do gs no riser obtida por:
mg,r
g,r = (B.25)
Vg,r
A presso no topo do riser derivada da lei dos gases ideais:
g,r RTr
Prt = (B.26)
Mg
A frao mdia de volume de lquido no riser dada por:
Apndi
e B. Regime de uxo multifsi
o de golfadas 87
ml,r
l,r = (B.27)
Vr l
A densidade mdia da mistura no interior do riser :
mg,r + ml,r
m,r = (B.28)
Vr
A queda de presso, devido ao atrito, entre as fases no riser dada por:
2 (Lr + Lh )
l,r r m,r U
Pf r = m
(B.29)
2Dr
O fator de atrito do riser usa a mesma
orrelao do oleoduto:
" 1,11 #
1 /Dr 6, 9
= 1, 8 log10 + (B.30)
r 3, 7 Rer
m,r Um Dr
Rer = (B.31)
A velo
idade da mistura no riser equivale soma da velo
idade super
ial do lquido
e do gs:
l,in
Usl,r = (B.33)
l Ar
g,in
Usg,r = (B.34)
g,r Ar
g,rb = 0, h hd (B.35)
p
g,rb = Kg Ag g,p Pg , h < hd (B.36)
onde,
A rea livre Ag para a passagem de gs pode ser
al
ulada pre
isamente utilizando
funes trigonomtri
as (STORKAAS; SKOGESTAD, 2003). Porm, por simpli
idade,
ser utilizada a seguinte aproximao quadrti
a:
2
hd h
Ag = Ap , h < hd (B.38a)
hd
Ag = 0, h < hd (B.38b)
p
l,rb = Kl Al l Pl (B.39)
Al = Ap Ag (B.41)
Al
l,rb = (B.43)
Ap
Finalmente, a frao de volume de lquido no topo do riser dada por:
2ml,r
l,rt = 2
l,r l,rb = (B.44)
Vr l