You are on page 1of 325

OTIMIZAO

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

Objetivos deste Curso


1.

2.
3.
4.
5.

Desenvolver modelos
matemticos apropriados para
otimizao de processos
Entender os algoritmos de
otimizao
Aplicar os algoritmos de
otimizao
Resolver problemas de
otimizao
Objetivo no-prioritrio:
2

Programa
1.
2.
3.
4.

5.

Definio de um problema de
otimizao
Mtodos para soluo de problemas
sem restries
Mtodos para soluo de problemas
com restries
Aplicao num problema proposto,
formulado, desenvolvido e
resolvido pelas equipes (mximo de 2
alunos por equipe)
Estudo de casos.
4

Metodologia de ensino:
1.
2.
3.
4.
5.
6.
7.

Uso do projetor multimdia e da lousa


Exerccios resolvidos para exemplificar
Lista de exerccios propostos
Acompanhamento das aulas pela
apostila
Sempre que necessrio interrupo da
aula
Desenvolvimento dos trabalhos fora de
sala de aula
Desenvolvimento dos trabalhos em
sala de aula com auxlio do professor.
6

Ferramentas para aumento da Produtividade

Objetivos

Ferramentas

Maximizao do lucro
Minimizao dos custos
Melhoria da qualidade
Aumento da segurana
operacional
Diversificao da
produo
Aumento da produo
Minimizao do impacto
ambiental negativo
Maximizao da
eco2-eficincia

Troca da tecnologia
Aperfeioamento do
processo
Melhoria da gesto
Controle estatstico do
processo (CEP)
Controle automtico do
processo (CAP)
Integrao de
processos: HEN, MEN,
M&HEN
Otimizao das
condies
operacionais
7

o BOM inimigo do
TIMO !
timo ! perseguir
ento devemos
o ...

Otimizao
definio filosfica:
A oposio dos contrrios a
condio de transformao das coisas
e, ao mesmo tempo, princpio e lei.
O estado de estabilidade, de concordncia e
de paz apenas a confuso das coisas no
abrasamento geral.
O que contrrio til e daquilo que
est em luta que nasce a mais bela
harmonia.
Tudo se faz por discrdia.

Herclito de Efeso 9

Otimizao
outras definies possveis:

Campo da matemtica dedicado ao


desenvolvimento de mtodos eficientes
de determinao de mximos e
mnimos de funes de uma ou mais
variveis

A cincia que determina as melhores


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

Definio apropriada para


Otimizao:
Busca da melhor
soluo,
entre as possveis
solues,
que atenda a um
critrio estabelecido

11

Otimizao
Conflito de
interesses

O grito de Edvard Munch

12

APLICAES DA
OTIMIZAO
Otimizao off-line

Projeto de equipamentos
Sntese de processos
Ampliao de processos
Integrao (retrofit) de processos
Ajuste/identificao de modelos estticos ou
dinmicos
Reconciliao de dados

Otimizao em linha (on-line)

Identificao de modelos estticos e/ou dinmicos


Controle adaptativo
Controle timo
Reconciliao de dados
Pontos operacionais timos.
13

Antes de otimizar a base deve estar firme


ERP
Otimizao
Controle Preditivo

Enterprise
Resources
Planning
sistemas de
gesto
corporativa

Controle avanado no SDCD


Controle bsico
Instrumentao (sensores e atuadores)

PROCESSO
ORGANIZAO
14

OTIMIZAO DAS CONDIES


OPERACIONAIS
QUALIDADE
Controladores (PID)
PID + Controle
Avanado
(Feedforward +
Inferencial +
Ganho no linear
+ ...)
Investimento

PID + Ctrl.Avanado +
Controle Preditivo
Multivarivel (MPC)

Inicial

Investimento Inicial

Investimento Inicial

PID + CA +
MPC +
OTIMIZAO

Investimento Inicial

SEGURANA e
MEIO AMBIENTE

QUANTIDADE

15

Etapas p/ soluo de problemas


1.
2.

Definir os objetivos = formular a pergunta


Estudo e anlise qualitativa

Quais as ferramentas adequadas

3.

Estudo e anlise quantitativa

4.
5.
6.
7.

Nova tecnologia
Seis Sigma, CEP
CAP
...
Otimizao

Escolha a ferramenta tcnica-econmica-ambiental


adequada
Avaliao tcnico-econmica a priori

Aplicao da ferramenta escolhida


Anlise de sensibilidade e validao
Avaliao tcnico-econmica a posteriori
Auditoria continuada manuteno continuada.
16

Soluo geral de um
problema de otimizao
1.
2.
3.

4.
5.
6.

7.
8.
9.

Definir os objetivos econmicos e ambientais


Estudo e anlise qualitativa
Estudo e anlise quantitativa - Modelo de otimizao
a) Funo Objetivo
b) Variveis de deciso
c) Restries de mercado, ambientais, tcnicas e modelo
matemtico
Simplificao do problema
Mapeamento da funo objetivo (variao das VDs)
Aplicao dos algoritmos de otimizao
a) Escolha do algoritmo
b) Definio dos parmetros do mtodo numrico
c) Normalizao do modelo
d) Execuo do algoritmo
Anlise de sensibilidade e validao (variao dos parmetros)
Implantao da soluo obtida
Avaliao tcnica e econmica da otimizao
17

Mapeamento da
Funo Objetivo
Como a Funo Objetivo varia com os
valores das variveis de deciso (de
projeto):
1. Avaliar sensibilidade da FO s VDs
2. Definir regio vivel
3. Definir estimativa inicial
4. Detectar erros de modelagem ou outros
erros
5. Avaliar o valor da FO
6. Conhecer melhor o problema

18

Mapeamento da FO
Exemplo: Z = sen(R)/R; R2 = X2 +
2
YGrfico
Grfico tridimensional
bidimensional
1

0.5
1

0.8
0.6
0.4

-0.5
10

0.2
0

5
0

-0.2
-0.4
-8

10
5
0

-5
-10
-6

-4

-2

-5
-10

19

Curvas de nvel
8
6

Grf. trid. c/ curvas de nvel

0
0

-0.2

4
0

0.5

0.2
0.4

0.8

-0.2

-2

0.6
0

-0.5
10

-4

-6
-8
-8

0
0
-6

-4

-2

0
-5

Curva de nvel pseudo-colorida

-10

-5

-10

10

Valores alinhados da funo


1
0.8
0.6
0.4
0.2
0
-0.2
-0.4

200

400

600

800

1000

1200

20

Exemplo de otimizao:
Programao de produo de uma refinaria
G: X3= 36
R$/t
Q: X4= 24
REFINARIA
X1= 24
R$/t
DE
R$/t
O: X5= 21
PETRLEO
R$/t
Petrleo 2
A: X6= 10
X2= 15
R$/t
R$/t
Qual a quantidade TIMA de
petrleo tipo 1 e tipo 2 a ser
Resposta:adquirida
a que der? o maior
LUCRO
Petrleo
1

21

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

FRs: quanto ao rendimento de cada


produto
Gasolina:
0,80x1 + 0,44x2 = x3
Querosene:
0,05x1 + 0,10x2 = x4
leo combustvel: 0,10x1 + 0,36x2 = x5
Resduo:
0,05x1 + 0,10x2 = x6.
22

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

FRs: quanto natureza das variveis


xi > 0

, i = 1, 2, ..., 6

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


submetido a:xi > 0

, i = 1, 2
0,80x1 + 0,44x2 < 24 (A)

23

Mapeamento de uma funo objetivo


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

Item

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


VD1(FR
=X 2)VD2=X

0,10.X
2 1 + 0,36.X2 <
(FR3)

FO

1
2
3
4
5
6
7

5
10
15
25
30
35
40

1
3
5
7
9
11
13

FR1

FR2

FR3

24

Exemplo de otimizao:
Programao de produo de uma refinaria
Regio vivel:

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


s.a: xi > 0

, i = 1, 2
0,80x1 + 0,44x2 < 24

(A)
0,05x1 + 0,10x2 <
(B)
0,10x1 + 0,36x2 <
(C).

2
6

Vamos ao EXCELL
25

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

Anlise de sensibilidade aos PARMETROS


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

Ite
m

p1

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


(FR2)

p2

p3

FR1

8,0

10,8

0,36

24

8,1

10,8

0,44 e
0,36

24

8,2

10,8

0,44 e
0,36

24

8,1

10,7

0,44 e
0,36

24

8,1

10,9

0,44 e
0,36

24

8,0

10,7

0,44 e
0,36

24

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


(FR3)
0,44 e

FO

X1

X2

287

26

27

Anlise de sensibilidade s RESTRIES


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

Item

FR1

1
2
3
4
5
6
7

23
24
25
24
24
24
24

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


(FR2)

FR2

FR3

FO

FO

X1

X2

2
2
1
2
3
2

6
6
6
6
6
7

287

26

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


23)
6
(FR

28

Qual a relao custo/benefcio atual e


qual a esperada com a implantao
da otimizao? Onde otimizar?

Alto consumo de matria-prima


Alto consumo de energia
Produo elevada
Produtos de grande valor
econmico
Limites operacionais rgidos
Produo diversificada e flexvel
29

OTIMIZAO EM-LINHA em
3 camadas ou em 2 camadas

CONTROLADOR
APC - MPC

Variveis
Manipuladas

Variveis Manipuladas

Setpoints

OTIMIZADOR
APC - MPC
Variveis de Processo

Variveis de Processo

OTIMIZADOR
NO LINEAR

DCS SDCD - PLC

DCS SDCD - PLC

PROCESSO

PROCESSO
30

Estudos de otimizao

Cursos de Especializao (CEASI,


CECAPI, CEEGAN 1, CICOP 1, CICOP 2 e
CICOP 3), cursos e dissertaes de
mestrado com aplicaes em 23
processos reais
DUPONT (ex-GRIFFIN)
ELEKEIROZ (ex-CIQUINE)
MONSANTO
BRASKEM-UNIB
DOW
BRASKEM-PE1 (ex OPP)
31

Aplicao da metodologia em
OTIMIZAO BRASKEM-PE1
Operao do reator em baixa carga
Condio operacional atpica

Instrumentao - OK
Processo - CAUSA RAIZ
Estrutura de controle (PVs, MVs e PV-MV)
Algoritmo de controle
Sintonia

Resultados
Mudana na poltica operacional
Retorno econmico R$ 410.000/ano em etileno
Otimizao das condies operacionais
No necessita de investimento de capital
Ganho potencial R$ 1 750 000 por ano
33

Aplicao da metodologia em
OTIMIZAO - MONSANTO
Troca de matria prima da

MONSANTO

Duas matrias primas


Uma mais nobre e mais cara
Outra com mais contaminantes e mais barata
Limitao quanto ao contaminante

Resultados
Mudana na poltica de compra
De 20 % do mais barato
Para 30 % do mais barato
Retorno econmico

US$ 800.000/ano

34

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

Otimizao das condies operacionais


de um conversor de acetileno
Caso BRASKEM - UNIB
estimativa do tempo timo de campanha

Sim

trocar
o leito

No
clculo da condies operacionais timas
para os dias restantes da campanha
"Setpoint'
controlador preditivo multivarivel

36

Comparao entre campanhas com


tempo real e tima
Item

Real

tima

N campanhas

Durao (dias)

231

77

Lucro dirio
6.600,00
US$/dia
Lucro em 231
1,5
dias US$ milhes

10.500,00
2,5

Concluso: Sem investimento, reduzindo o


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

Otimizao das condies operacionais


de um conversor de acetileno
estimativa do tempo timo de campanha

Sim

trocar
o leito

No
clculo da condies operacionais timas
para os dias restantes da campanha
"Setpoint'
controlador preditivo multivarivel

38

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


max

t,ent
t f ,FCO
,FHt,ent ,T t,ent
2

tf

t 0

C L t f C perdas t f P F

max P F

max P F
tf

t,ent
FCO
, FHt,ent ,T t,ent

t to

t,ent
FCO
, FHt,ent , T t,ent
2

t
1

t,ent
FCO
,FHt,ent ,T t,ent

t,sai
C2H 4

t,sai
C2H 4

t,sai
C2 H 4

P F
t
2

t,sai
C2 H 6

t,ent
C2 H 6

P F

P F

t,ent
C2H 4

t, ent
C2H 4

t,ent
C2 H 4

t
2

t
2

t,sai
C2H6

t, ent
C2H6

t,sai
C2H6

t, ent
C2H6

para t t o , t o 1, , t

max P F
t
1

t
1

t
1

t,sai
C2H 4

t
t,sai
t,ent
t
t,ent
FCt,ent

P
F

P
F
2
C2H6
C2H6
3
CO
2H 4

para t t o , to 1, , t f
39

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


max

t,ent
t f ,FCO
,FHt,ent ,T t,ent
2

tf

t 0

tf

tto

max P F

t,ent
FCO
, FHt,ent ,T t,ent
2

C L t f C perdas t f P F

t
1

t,sai
C2H 4

t
1

t,sai
C2 H 4

t,ent
C2H 4

t,ent
C2 H 4

P F
t
2

P F

t,sai
C2H6

t
2

t,sai
C2 H 6

t, ent
C2H6

t,ent
C2 H 6

40

Variveis de deciso
C O (kg /h)

30
20
10
0

20

40

60

80

100

120

140

20

40

60

80

100

120

140

20

40

60
80
Dias em Operao

100

120

140

H 2 (kg /h)

200
100
0

T e ntra d a (C )

80
60
40

valores iniciais das variveis de deciso


variveis de deciso no ponto timo
restries operacionais
41

Restries Operacionais
H 2 s a d a (p p m m o l)

C 2 H 2 s a d a (% m o l)

1000

0.4

800

0.3

600

0.2

400

0.1
0

200

50

100

150

100

150

H 2 /C 2 H 2 e n tra d a

120

1.8

T s a d a (C )

110

1.6

100
90

1.4

80

1.2
1

50

70
50
100
Dias em Operao

150

50
100
Dias em Operao

150

valores iniciais das restries


variveis das restries no ponto timo
restries operacionais
42

Funo objetivo econmica na campanha


F u n o O b je tivo (1 e 3 U S $ /d ia )

0
20

40

60
80
Dias em Operao

100

120

140

funo objetivo no ponto timo


(total = US$ 379 mil)
funo objetivo no incio da otimizao
(total = US$ 178 mil)
Diferena anual = US$ 520 mil.
43

OTIMIZAO EM LINHA DE
CONVERSOR DE ACETILENO
Caso BRASKEM-UNIB

Otimizando o tempo de campanha


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

Otimizao de plantas existentes


com investimento necessrio apenas emm hh
Receita annual
US$ milhes

Empresa

Tema

BRASKEMPE 1

Otimizao do
reator de
polietileno

BRASKEMUNIB

Otimizao do
conversor de
acetileno

ELEKEIROZ
(ex
CIQUINE)

Otimizao de 3
colunas de
destilao
(purificao de
butanos)

US$

600 mil / ano

MONSANT
O

Troca de matria
prima

US$

800 mil / ano

produo de PCl3

US$

330 mil / ano

MONSANT

US$

700 mil / ano

I = 2 eng x 7.680 h =
15.360 hh
US$ 1.900 mil / ano

45

Softwares para
otimizao de processos:
ITENS

BD
term
o.

Mt.
num. e
flexib.

IH
M

Ass.
tc.
local

Recon.
dados

$$$

Som
a

ASPEN/
HYSYS

20

UNISIM

22

GPROM
S

20

EES

3
1
1
1
3

3
5
3
3
5

3
3
3
3
3

5
3
3
5
5

1
5
3
3
5

3
3
3
1
5

18
20
16
16
2646

GAMS
LINGO
MATLAB
EMSO

Idiossincrasias
dos softwares

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


Restries de igualdade = 0
Restries de desigualdade < 0
Mensagens incompletas ou
incompreensveis
Manuais mal escritos
Exemplos inapropriados
...
47

Referncias Bibliogrficas Principais

Bazaraa, Mokhtar S. Nonlinear Programming: Theory and


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

49

OTIMIZAO DE
PROCESSOS INDUSTRIAIS

muitas perguntas ...


uma soluo:
ABORDAGEM
SISTMICA &
SISTEMTICA.

50

OTIMIZAO DE
PROCESSOS e Sistemas
Ricardo Kalid
kalid@ufba.br - (71) 3283.9811 ou
9188.3316
Prof. PEI-EP-UFBA

51

Mudam-se os tempos,
mudam-se as vontades,
Muda-se o ser,
muda-se a confiana;
Todo o mundo
composto de mudana,
Tomando sempre
novas qualidades.
As tormentas
Lus Vaz de Cames
52

Por que Otimizar?

Promover ganhos econmicos


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

Por que Otimizar?


(cont.)

Aumentar vantagens tcnicas e


operacionais
- maximizar a produo
- minimizar a produo insumos
indesejveis
- minimizar consumo matriaprima/energia
- minimizar o tempo de batelada
- minimizar a diferena entre o SP e a PV
Promover, simultaneamente, ganhos

54

Exemplos de Aplicao

Melhor localizao de uma planta


Escalonamento do parque de tancagem
Dimensionamento e layout de pipelines
Projeto de plantas e/ou de
equipamentos
Escalonamento de reposio e
manuteno de equipamentos
Planejamento e escalonamento da
construo de plantas;
55

Exemplos de Aplicao
(cont.)

Ajuste de modelos matemticos


Minimizao de inventrio
Alocao de recursos ou servios
entre diferentes processos
Operao de equipamentos e/ou
plantas.

56

Definio de um
problema de otimizao:
Busca da melhor
soluo,
entre as possveis
solues,
que atenda a um
critrio estabelecido

57

Partes de um problema de otimizao:

Partes de um problema de otimizao:


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

58

A Funo Objetivo (FO)

Estabelece o alvo a ser alcanado


Funo matemtica a ser
maxi/minimizada
Definida a partir de:
- critrios estritamente econmicos
- critrios apenas tcnicos/operacionais
- critrios tcnico-econmicos
Para sua formulao necessrio
conhecer profundamente o processo
a ser otimizado.

59

Variveis de Deciso
(VD)

No var. de deciso = No graus de liberdade


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

60

As Restries

Capacidade mxima de processamento


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

61

A Regio Vivel

Regio ou espao de busca ou de


pesquisa
Cuidado com a escolha da regio
FO com restrio
vivel
Exemplomax y1
-200

FO:

y1 a. x 2 b. x c

-400
-600
-800

-1000

sujeita a:

10 < x < 20.-1200


-1400
-1600

10

12

14

16

18

20

62

Obstculos Otimizao

No disponibilidade de dados ou de um
modelo matemtico confivel do
sistema
Descontinuidades da FO ou da FR
No-lineraridade da FO ou da FR
Interao entre as variveis de deciso
FO "achatada" ou exponencial
a FO multimodal perto do ponto timo
IGNORNCIA dos benefcios
IGNORNCIA das dificuldades.
63

Otimizao de Processos
Qumicos:
Captulo 2
Conceitos Matemticos
Ricardo de Araujo Kalid
Programa em Engenharia
Industrial - Escola Politcnica da
UFBA.
65

Conceitos Matemticos

Compreenso intuitiva dos


conceitos
Para implementar algoritmos temos
que conhecer profundamente:
- lgebra linear
- clculo diferencial
- estatstica (reconciliao e estimativa
de parmetros de modelos)
- clculo numrico.

66

Classificaes para a FO:

Quanto a continuidade
contnua
discreta

Quanto a convexidade
cncava (tm um nico mximo)
convexa (tm um nico mnimo);

67

x 10

10000

0.8

9000

0.6

8000

0.4

7000

0.2

6000

5000

-0.2

4000

-0.4

3000

-0.6

2000

-0.8

1000

-1
0

Funo com derivada descontnua

Funo descontnua

10

15

20

25

30

35

0
0

30
5

10

15

20

25

melhor que x* esteja afastado da


descontinuidade
Exemplo: projeto de tubulaes
- realizar otimizao discreta (+ complexa)
- realizar otimizao contnua e aproximar (subtimo).
68

Funes Cncavas e
Convexas
Funo cncava

500

2500

-500

2000

-1000

1500

-1500

1000

-2000

-2500

Funo convexa

3000

500

-40

-20

20

40

60

0
-40

-20

20

40

Funes convexas e cncavas so unimodais

Funo cncava:

Estritamente cncava:.

60

f x a 1 x b f x a 1 f x b

f f x a 1 f x b
69

0.5

x 10

Quanto ao nmero de pontos


crticos.
Funo Unimodal
Funo Multimodal
x 10

0.5

-0.5

-0.5
-1

-1

-1.5

-1.5

-2

-2

-2.5

-2.5

-3

-3

-3.5

-3.5

-4

-4

-4.5
-100

-4.5

-50

50

100

-100

-50

50

100

70

Funes Unimodais e
Multinodais

Funes com + de 1 pto. de mximo ou


de mnimo

Todo extremo global tambm local

Apenas um dos extremos locais global

Mtodos numricos detectam apenas


extremos locais, a menos que o
problema seja convexo.

71

Definies

Matriz:

a11
a
21

a12

an1

an 2

anm

A n xm

Matriz Identidade:
I

n xn

Vetor:
.

x 1 xn x1
T

a1m

a2 m

a22

1 0
0 1

0
0
0 0

1
0

0 0 0 1
0
0

x2 xn
72

Operaes bsicas com


matrizes e vetores

Igualdade: A = B aij = bij

Adio: A + B = C cij = aij + bij


m

Multiplicao: Anxm x Bmxr = Cnxrcij

k 1

Multiplicao de matriz por


sA B s. a b
escalar:
ij

aik bkj

ij

T
Transposta de
um
de
T produto
T
AB B A

matrizes:

73

Produto interno entre dois vetores:


n

x y x , y xi yi
T

i 1

xT y 0

Se
ortogonais

x x x i2
T

i 1

os vetores so
1

A A AA
Inversa de uma matriz:

z Ax A z x
por exemplo

Determinante de uma matriz:


|A2x2| = a11.a22 - a12.a21 .

74

Gradiente - derivada de uma funo


escalar de um campo vetorial:


x
1

f x

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


xn

f x

x1
f x

f x x2
M

f x

xn
75

matriz hessiana H(x):

H x

2 f x
x


f x

x
x


x
1


f x
H x x2
x1
M

xn

f x
L
x2

f x

x
1

f x

f x

x2

x
x
M

f x

x
n

2 f x

x
1

2 f x

f x
x2 x1
xn

2 f x

xn x1


x
1

x2
M


xn

2 f x
x1 x2
2 f x
x22
M
2 f x
xn x2

f x

x1
f x

x2
M

f x

xn
2 f x
L

x1 xn
2 f x

L
x2 xn

O
M
2 f x

L
2
xn
T

76

Dicas:

b x
b
x
T

x Ax
T

x Az

x b
b
x
T

Ax A

Ax
2

Az

A A
T

e se A for simtrica

x Ax
T

2 Ax

Ax

x2

2 A.
77

Independncia linear,
matriz singular e rank

M singular det(M) = 0
M singular quando todos os elementos
de uma ou mais linhas (ou colunas) so
nulos
M singular quando uma ou mais
linhas (colunas) da matriz tem
dependncia linear com outra(s) linha(s)
(colunas)
Para matrizes quadradas linhas
dependentes implicam em colunas
78

Operadores linha ou
coluna

aumente a matriz A com a matriz


identidade: A A
aug

pr-multiplique a matriz aumentada


por A-1
1
1

A A

79

Soluo de sist. eq. lin.


a1 x1 a2 x2 an xn b

Para b 0 e se a matriz |A| 0

a11
a
21

an 1

a12 a1n
a22 a2 n



an 2 ann

Ax b

x1

x2

b1
b
2

xn



bn

Ax b

x A b
80

Ax b

x A b

Para b 0

- Se posto de A = n existe uma


soluo
- Se posto de A < n existem infinitas
solues ou a soluo no existe

Se b = 0

- a soluo trivial se x = 0
- a soluo no-trivial se x 0 e
det[A] = 0
Ento o sistema indeterminado.
81

Graus de liberdade

Um sistema com n incgnitas e r


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

linear tem apenas uma soluo


sistema no-linear pode ter + de uma
soluo

n < r gl < 0
Se

o sistema linear ento o mesmo

82

Autovalores e autovetores

Uma matriz Anxn tem n autovalores/vetoresAv v


Por definio

soluo trivial: v = 0

det A I 0

soluo no-trivial: v 0 =>

A I v 0

Se todos os autovalores de A so > 0


existe a sua inversa.
83

Estudo de funo

Condio necessria (funo de 1


varivel):
f(x*) = 0 x* ponto estacionrio
x* ponto crtico
Funo
monovarivel
mximo, mnimo ou ponto
de
inflexo.
2500

2000

1500

1000

500

100

200

300

400

500

84

Condio suficiente (funo univarivel):


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

Condio necessria (funo


0

f x
x

multivarivel):
f(x*) = 0

x* pto. crtico

Condio suficiente (funo multivarivel):


f(x*) = 0 e H(x*) > 0 x* pto. de mnimo
f(x*) = 0 e H(x*) < 0 x* pto. de mximo.

85

A hessiana determina a concavidade:


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

Continuidade de funes

f(x) continua em xo se e somente se:


(a) f(xo) existe
(b) lim f(xo) existe
(c) lim f(xo) = f(xo)
f(x,y) continua em (xo,yo) se e somente
se:
(a) f(xo,yo) existe
(b) lim f(xo,yo) existe
(c) lim f(xo,yo) = f(xo,yo)
87

Regio Convexa

Regio de busca na qual todas as retas entre


dois pontos interiores esto contidas na regio
Regies convexas

Regies no convexas

Se uma regio definida por gi(x) > 0 todas


cncavas regio convexa fechada

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


convexas regio convexa fechada.
88

(a) Ponto de mximo


fora da regio vivel

(b) Ponto de
mximo dentro
da regio vivel

(c) Regio no-convexa

Se na figura (c), a procura


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

Sendo a regio convexa ento:


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

Se a FO convexa e a regio vivel convexa


ponto de mnimo local = mnimo global

um

FO lineares so convexas e cncavas tem


apenas um mximo e um mnimo local (global).
90

2.14. Interpretao da Funo


Objetivo em Termos de uma
Aproximao Quadrtica

FO = funo quadrtica:

x b0 b1 x1 b2
x2

b11 x12

2
b22 x2
b12
x1 x2

Os autovalores de H(x) no ponto x*


identificam a natureza deste ponto.

93

ou

ou

95

ou

96

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

Modelo de otimizao estabelecer:


a)
b)
c)

4.
5.
6.
7.
8.
9.
10.

Funo Objetivo
Variveis de deciso
Restries

Simplificao do problema
Mapeamento da funo objetivo
Aplicao dos algoritmos de otimizao
Anlise de sensibilidade e validao
Implantao da soluo obtida
Avaliao tcnica e econmica
Auditoria continuada manuteno
continuada.

98

Problema de otimizao

Expresso matemtica:
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

A Funo Objetivo (FO)

Traduzir para linguagem matemtica


- maximizao (minimizao) de
algo

No empregar expresses do tipo


- construir um mundo melhor
- desenvolver uma sociedade mais
justa

Objetivos econmicos ou
operacionais.

102

Objetivos Econmicos

Maximizar o lucro:
fluxo de caixa
depreciao
valor presente e valor futuro
inflao
vida econmica
taxa de retorno de investimento
tempo de retorno
custos de capital e operacional.
103

FO: Max lucros operacionais

Reator a batelada com regenerao:


x1 nmero de dias de operao
x2 nmero de dias de regenerao
Hipteses ou premissas:
H1.
H2.
H3.
H4.
H5.
H6.
H7.
H8.

Partida da planta nas manhs: x1 + x2 inteiro


Inventrio da carga constante (q) [=] kg/dia
Custo constante da matria-prima (C1) [=] $/kg
Valor constante do produto (C2) [=] $/kg
Custo constante da regenerao (C3) [=] $/kg
Atividade cataltica: A = 1 - K.x1
Custo de separao desprezvel
Custo de recirculao negligencivel.
104

Reator batch c/ regenerao

Qual a varivel de projeto/deciso (VP)?


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

105

Reator batch c/ regenerao


no total de dias = (x1 + x2)
L = f(q,x1,x2,C1,C2,C3,A) = R - C
R = C2.PD = C2.PT / (x1 + x2) = C2.q.Amed.x1 / (x1
+ x2)
x
Adx 1 Kx dx x K 2
x
x1

x1

Amed

0
x1

dx

x1

x1

1 K

C = CMP + CR
CMP = C1.CD = C1.CT / (x1 + x2) = C1.q.x1 / (x1 +
x2)
106

Reator batch c/ regenerao

FO: max f(q,x1,x2,C1,C2,C3,A)

C2 qAmed x1 C1qx1 C3
f q , x1 , x2 , C1 , C2 , C3 , A
x1 x2

Derivando f(q,x1,x2,C1,C2,C3,A) em
relao a x1 e igualando a zero:
opt
1

C1 x 2
C3
2
x x x2

x2
K
C2
qC2

2
2

P/ x2 = 2 , K = 0,02 , q = 1000 , C1
= 0,4
C2 = 1 , C3 = 1000
=>
x1* =

107

FO: Min custos de capital

Projeto de um vaso cilndrico de


presso:

V - volume do vaso (fixo)


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

108

Projeto de vaso de
presso

Qual a varivel de projeto/deciso


(VP)?
L e
D
FO: minimizar o custo de fabricao
- custo
min f 1 (C) = custo por peso (S) x peso
(P).S , , t , D, L
D 2

onde f 1 S , , t , D, L S 2
DL t

109

Projeto de vaso de presso

Como S, t, e a massa esp. so ctes


=>min f
D,L

onde

D 2

f 3 D, L
DL
2

Mas V fixo =>

D2
4V
V
L L
4
D2

min f 4

Funo

D 2 4V .

onde f 4 D

objetivo:
D
2

110

Projeto de vaso de presso

Derivando f4 e igualando a zero:


1/ 3

4V


e, consequentemente
D opt

4V
Lopt

ou seja
L

D

1/ 3

opt

opt

Mas o critrio emprico: L/D = 3


1
Por que? Quem ou o que est

111

Projeto do vaso com


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

Novo projeto de vaso de presso


FO a ser expressa em $:

min

S , , t , D, L

onde

f5

f 5 S , , t , D, L S 15, 2,32 D 2 DL t

Substituindo t(D) em f5 e
lembrando que S e a massa esp.
Dctes.
D e que

so
V
L

min f 6
D

onde

V
f 6 D 0,0432V 0,5 0,3041D 2 0,0263D 3
D
113

Novo projeto de vaso de presso


Soluo para vrios nveis de presso e
Ponto timo: (L/D)
V:
opt

Presso de projeto (psi)

Capacidade
(gales)

100

250

400

2500

1,7

2,4

2,9

25000

2,2

2,9

4,3

Cuidado! no consideramos as perdas


de material durante a fabricao do
vaso.
114

FO: Max economia


anual

Projeto espessura de isolamento (VP)


Custo de capital x economia de
energia
AT
Q

H1. Q perda de calor por hora:

x 1

k hc

H2. Custo de instalao por unidade de


rea
CI = F0 + F1.x
H3. Tempo de vida do isolamento = 5
anos

115

FO: Max economia anual

Definies
r - frao do custo de instalao
Ht - custo de reposio do calor ($/106
Btu)
Y - nmero de horas de operao por
ano
FO: maximizar L
L=R-C
R = economia de energia por ano
C = custo do isolamento por ano
Economia de energia: Q(x = 0) - Q = Q0
-Q
Custo (pagamento) por ano: P = r.
(F0+F1.x).A

116

FO: Max economia anual

FO em $ por ano:

min f hc , A, T , k , F0 , F1 , r , x
x

onde

AT
Q x
x 1

k hc

f hc , A, T , k , F0 , F1 , r , x Q0 Q x .Y .H t F0 F1 x . A.r

Diferenciando em relao a x e
igualando a zero:
H .Y .T

1
t

x opt k
6
10 .k .F1.r hc
Se utilizar capital prprio temos que
definir uma taxa mnimo de retorno.
117

Objetivos Operacionais

No considerar explicitamente os $ $ $ $
$
Mnimo tempo de processamento
Maximizar a produo total
Maximizar a produo de um
componente
Minimizar o consumo de utilidades
Minimizar o consumo de matria-prima
Diferena entre os SPs e o valor das
PVs.
118

FO: Min erros nos


balanos

Reconciliao de dados de processos

A
Mc1 = 80,5 kg/h
Mc2 = 82,0 kg/h
Mc3 = 84,8 kg/h

Planta

MB1 = 92,4 kg/h


MB2 = 94,3 kg/h
MB3 = 93,8 kg/h

Mc1 = 11,1 kg/h


C Mc2 = 10,8 kg/h
Mc3 em
= 11,4 estado
kg/h
est

H1. O processo
estacionrio
H2. As medies MA , MB e MC tm
incertezas.
119

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

FO: Maximizar a produo

Reator batch
A
Esquema reacional:

k1
k2

k3

k4

D
Maximizar a concentrao do produto
B
max CB(k1, k2, k3, k4, CA, CB, CC, CD , t)
Hipteses simplificadoras:
H1. O reator fechado
H2. Operao isotrmica
H3. Equaes das taxas de 1a ordem
H4. Reao em fase lquida (volume
constante)

122

FO: Maximizar a produo


Modelo do processo: balano por
componente:

acmulo = formado - consumido

k1
k2

k3

k4

dC A
k 2 C B k 1C A
dt
dC B
k 1C A ( k 2 k 3 k 4 ) C B
dt

dCC
k 3CB
dt
dC D
k 4 CB
dt
123

Modelo do processo: balano global


massa inicial = massa final
no de moles inicial = no de moles final
conc. inicial = conc. final
CA0 + CB0 + CC0 + CD0 = CA + CB + CC + CD

Queremos maximizar CB , as
condies iniciais so dadas, portanto
s nos resta manipular o tempo de
campanha (VP)
Resolvendo as eq. diferenciais,
obtemos:
CB(t) = a1.exp(b1.t) + a2.exp(b2.t)
diferenciando e derivando em relao a t :
t* = 0,63 h => CB* = 23,04 g-mol/L 124

Ajuste de modelo
matemtico

Viscosidade de gases

Fonte: The Properties of Gases and Liquids, Fifth Edition.


Bruce E. Poling, John M. Prausnitz, John P. OConnell. McGraw-Hill

125

Viscosidade de gases

Fonte: The Properties of Gases and Liquids, Fifth Edition.


Bruce E. Poling, John M. Prausnitz, John P. OConnell. McGraw-Hill

126

FO: Minimizar os
desvios entre SPs e PVs

Controle timo

Controle Preditivo

Objetivo sistema de controle: Min |SP PV|

Manipulao difcil FO: Min (SP - PV)2


ou

FO: Min [E(t)]2 Min [E(t)TE(t)]

Variao suave nas MVs:

FO: Min { [E(t)T W1 E(t)] + [MV(t)T W2


MV(t)]}

127

Combinao de Objetivos
Operacionais com Objetivos
Econmicos

Minimizar os erros entre SPs e


PVs com um mnimo consumo de
utilidades
SP t PV t T W SP t PV t

MV t

min
MV t

MV

W2 MV t

T
R$

.MV t

min E t W1 E t MV t W2 MV t MV t
MV t

128

Funes de Restrio FR

Restries de natureza
- operacional, p.ex. MVs entre limites
- fsica, p.ex. mxima capacidade do equip.
- mercadolgica, p.ex. mx. capac. do mercado
P.ex. controle preditivo timo:

min

MV ( t )

E t W E t MV t W MV t W . MV t
T

sujeito a MV t min MV t MV t max

MV t min MV t MV t max

PV t min PV t PV t max
E t SP t PV t

PV f MV , DE

Modelo do processo
129

Exemplos de modelo de problemas de otimizao do livro:


Optimization of chemical processes do Edgar & Himmelblau

Recuperao de calor rejeitado


Projeto de trocadores de calor
Sntese de redes de trocadores de calor
Projeto de evaporadores
Sistema caldeira-turbina
Extrao lquido-lquido
Coluna de destilao
Ajuste de modelo ELV
Dimetro timo de tubulao
Mnimo trabalho de compresso
Operao econmica de um filtro
Projeto de uma rede de transmisso de gs
Tempo de residncia timo em reator a batelada
Otimizao de um reator de craqueamento cataltico
Maximizao do rendimento
Projeto timo de um reator de amnia.
130

O JULGAMENTO DO
ENGENHEIRO
ESSENCIAL
NA ACEITAO OU NO
DAS SOLUES
ENCONTRADAS.
131

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

Erro absoluto na FO:

f x

Erro relativo na FO:

f x

Erro absoluto no ponto timo:


k 1

f x
f x
k 1

ou

k 1
i

k
i

x
i 1

k 1
i

xik 3

xi

k 2
i

4.
134

Erro relativo no ponto timo:


xik 1 xik
5
k
xi

Erro absoluto na direo de busca:

f x

f x

x
i 1

xk

6.

135

Mtodos para OUSR

Motivao:
M1. Problemas unidimensionais sem restries
M2. Incorporao da(s) restries FO
M3. Tcnicas OMSR e OMCR se originam em
OUSR
M4. Auxilia em problemas onde desconhecemos
a
regio de busca

Classificao dos mtodos para OUSR:


MD - Mtodos Diretos (utilizam apenas as
funes)
MI - Mtodos Indiretos (utilizam as derivadas).

137

Mtodos Diretos (MD) p/ OUSR

No utilizam derivadas

G1. Mtodos por diminuio da regio de


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

138

Mtodos por Diminuio


da Regio de Busca

Algoritmo

P1. Escolha uma regio vivel (a,b) que


contenha uma funo unimodal
P2. Calcule f(x) em dois ou mais pontos.
P3. Compare os valores de f(x)
eliminando as
regies que tem maiores valores de
f(x) .

139

Trs intervalos iguais de busca

x1 - a = b - x2 = x2 - x1 neste caso o
intervalo reduzido de 1/3 a cada
iterao
L0 o intervalo de busca original (b - a)
k
e Lk o intervalo aps
k interaes,
2
k
0
ento
L L

A cada iterao necessrio avaliar


duas vezes a funo f(x) .
140

Mtodo da seo urea

O intervalo eliminado manter


sempre uma mesma proporo
com o intervalo original
a

x y 1
x y y

y
x

y
1 y

y x 1 y

y 0,618

L 0,618 L
k

141

Seo urea

142

Algoritmo Seo urea


P1. determine ak e bk , e a
tolerncia e
P2. Calcule Lk = bk - ak
x1k = ak + 0,382.Lk
x2k = bk - 0,618.Lk
P3. Calcule f(x1k) e f(x2k)
P4. Se f(x1k) > f(x2k) => ak+1 = x1k
bk+1 = bk
x1k+1 = x2k
Se f(x1k) < f(x2k) =>
bk+1 =
x2k
ak+1 = ak
x2k+1 = x1k

143

MD: Interpolao Quadrtica

f(x) aproximada por um polinmio


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

2
2

f x3 g x3 a b.x3 c.x .
2
3

144

Mnimo de uma funo quadrtica


b
g(x) :
*
xg x
2c

g( x)

Resolvendo g(x1) , g(x2) e g(x3)


que
formam
um
sistema de 3 eqs




e
3 incogs:

2
2
2
2
2
2
1 x 2 x 3 g x1 x 3 x1 g x 2 x1 x 2 g x 3

2 x 2 x 3 g x1 x 3 x 1 g x 2 x1 x 2 g x 3

ou1 x 22 x 32 f x1 x 32 x12 f x 2 x12 x 22 f x 3

x f ( x )

x 2 x 3 f x1 x 3 x1 f x 2 x1 x 2 f x 3

145

Escreva um algoritmo p/ I.Q.


P1.

146

MD: Interpolao Cbica

f(x) aproximada por um polinmio


cbico
f ( x ) g ( x ) a1 x 3 a 2 . x 2 a 3 . x a 4

Seja f(x) unimodal e um intervalo de


busca que contenha o extremo
Avalie f(x1) , f(x2) , f(x3) e f(x4)

Aproxime f(x) no ponto timo (x*) por


uma funo cbica g(x), ento
podemos escrever um sistema de 4
equaes lineares.
147

SEAL:

FXA

x13
3
x2
x33
3
x4

x1
x22
x32
x42

F f x1
T

A a1
T

A X

a2

x1 1

x2 1
x3 1

x4 1

f x2
a3

f x3

a4

f x4

F
logo
Derivando g(x) e igualando a zero:
f x
dx

3a 1 . x 2 2a 2 . x 1 a 3 0

x apr

2a 2 4a 22 12a 1 . a 3
6a 1

148

Escreva um algoritmo
p/ I.C.
P1.

149

Comparao MDs x MIs


Mtodos Diretos

Mtodos Indiretos

Utilizam apenas f(x)


+ lentos
Tratamento + fcil das
descontinuidades
Tratamento + fcil das
restries
Preferido

Utilizam f'(x) e f(x)


+ rpidos
Tratamento + difcil das
descontinuidades
Tratamento + difcil das
restries
Recaem em SENL

150

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

MI: Mtodo de Newton


Baseado no mtodo de Newton p/
SEANL
k
k+1
Expandindo

g
x
g(x
)=
0
em
torno
de
x
k 1
k
k 1
k
k
k 1
k
g x g x x x .g ' x 0 x x
k
k

g
'
x
:

gx
f' x
k 1
k
Como
f(x)=
x podemos
x
escrever
x x g(x)=
k
k
g
'
x
f
"
x
0
k 1

152

Vantagens do Mtodo de
Newton
V1. Convergncia quadrtica se f "(x*) 0
V2. Se FO quadrtica o mnimo obtido em
uma iterao, pois a expanso em srie
de
Taylor da funo f(x) exata
V3. Converge rapidamente p/ bom chute
inicial
Temos sempre que assegurar que a cada
iterao f(xk+1) < f(xk) para que o mnimo
seja alcanado [f(xk+1) > f(xk) para o
153

Desvantagens do
Mtodo de Newton
D1. S se aplica qdo existem f(x) e f(x)
D2. Calcular a cada iterao f(x) e f(x)
D3. Sensvel estimativa inicial
D4. Se f(x) tende a 0 a convergncia
lenta
D5. Se existe mais de um extremo o
mtodo
pode no convergir para o ponto
desejado
ou pode oscilar.
154

Mtodo de QuasiNewton

f(x) aproximada por diferenas


finitas
DF1. Diferena finita para trs:
f x f x x
f x
x
f x 2 f x x f x 2x
f x
x 2

155

DF2. Diferenas finitas para frente:


f x
f x

f x x f x

x
f x 2 x 2 f x x f x
x 2

DF3. Diferenas finitas central:


f x x f x x
f x
2x
f x x 2 f x f x x
f x
2
x
156

Portanto definindo h=x e


obtemos
f x

f x
k

k 1

x
k

xk

f x h f x h / 2h
f x h 2 f x f x h / h

Esse mtodo tem duas


desvantagens em relao ao
mtodo de Newton:
D1. Necessidade de definir o passo
h
D2. Avaliao de uma funo a mais
a cada iterao.

157

Mtodo da Secante

Expandindo f(x) = 0 em srie de


Taylor e truncando no terceiro termo:
f x f xk x xk

x x . f x
. f x
2!
k

k 2

Diferenciando em relao a x e
igualando
f x a 0:
x

f ' x f x k x x k f x k 0

158

Em lugar de utilizar a f"(xk) usamos

x x
q

f x f x / x

Ponto timo aproximado

f xq f x p

apr

fx

O x* encontrado aps algumas


iteraes
A derivada f'(x) pode ser obtida por
diferenas finitas.
159

Representao geomtrica
do mtodo da secante ou
regula falsi ou falsa posio
f(x)

f(x)
xp

Secante

~
x*
x*

xq

A sua ordem de convergncia de aproximadamente 1,6


Requer menos esforo computacional que o quasi-Newton,
pois precisa avaliar um nmero menor de funes
160

Algoritmo da Secante
a. Escolha dois pontos xp e xq com
derivadas de sinal contrrio
b. Calcule xapr*
c. Calcule f(xapr *)
d. Escolha o novo par de pontos que
mantm o sinal contrrio entre as
derivadas
e. Volte etapa b at que a tolerncia
admitida seja alcanada.
161

Avaliao dos Mtodos


Unidimensionais de Otimizao
Requisitos desejados:
R1. FO seja unimodal
R2. Conhecer a regio de busca que
contenha o extremo da FO
R3. Nos MIs dar boa estimativa inicial
R4. Nos MI's, existir f(x*) e/ou f(x*)
Conhecer as idiossincrasias dos
programas.

162

Problemas da otimizao

Mltiplos extremos
Erros de arredondamento
FO com gradiente grande
FO com gradiente prximo a zero
Descontinuidades da FO
Descontinuidades das FR
(para problemas com restries)
Interao entre as VDs
(para multivarivel).

163

Exerccio:
max L x
x

sujeito a :

L x R C x
R constante
2
3
4
C x 20 x 10 x x

164

Dica:
max L x max R C x max C x
x
x
x
max C x min C x min C x
x
x
x

min C x min 20 x 10 x x
x

1: use a instruo fplot ou plot do MATLAB


para mapear a funo objetivo
2: use a instruo fminbnd para encontrar o
ponto timo
Ou
1: faa o mapeamento da funo objetivo no
EXCEL
165

Otimizao de Processos
Qumicos:
Captulo 5:
Otimizao Multidimensional
Sem Restries (OMSR)
Ricardo de Araujo Kalid
Programa em Engenharia
Industrial - Escola Politcnica da
166

Mtodos para OMSR

Devem ser eficientes e robustos


Formulao geral de problemas de
OMSR:
encontrar x* = [x1 *,x2 *,...,xn *] que
minimiza f(x)
Algoritmo geral:

P1. Escolha ponto(s) de partida ou estimativa


inicial
P2. Calcule a direo de busca sk
P3. Obtenha a nova aproximao do ponto timo:
xk+1 = xk + xk , onde xk = k.sk
167
P4. Verifique se a tolerncia foi atingida,

Tolerncia ou
Critrio de Parada

f x
k 1

Erro absoluto na FO:

f x

Erro relativo na FO:

f x

Erro absoluto no ponto timo:


k 1

ou

f x
f x
k 1

xi

k 1
i

k
i

x
n

i 1

k 1
i

k 2
i

xik 3
4.
168

Erro relativo no ponto timo:


xik 1 xik
5
k
xi

Erro absoluto na direo de busca:

f x

f x

x
i 1

xk

6.

169

Mtodos Indiretos

Mtodos de 1a ordem:
gradiente
gradiente conjugado

Mtodos de 2a ordem:
Newton
Levenberg-Marquardt

Mtodos da secante ou quasiNewton:


Broyden
Davidson-Fletcher-Powell (DFP)
Broyden-Fletcher-Goldfarb-Shano

170

MI: Gradiente Descendente

Utiliza a derivada de 1a ordem


O gradiente aponta para a direo
de maior variao de f(x)
Na minimizao a direo de busca

k
k
s f x

O ponto timo atualizado por


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


171

k = cte
k = opt

opt s

k T

H x

f x

Caractersticas do gradiente
descendente:
C1. Eficiente nas iteraes iniciais
C2. Baixa taxa de convergncia qdo x
x*
C3. Bom qdo existe interao entre as
VDs
C4. Determina apenas pontos
estacionrios.

174

MI: Gradiente
Conjugado

Utiliza a derivada de 1a ordem


Combina o gradiente da iterao
anterior com o gradiente da iterao
atual
Desempenho superior ao gradiente
descendente
Tem taxa de convergncia quadrtica
175

Algoritmo do Grad. Conjugado


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

0
0
s f x f x f x



1

1
s f x

1
f x

176

para a k-sima iterao


s

k 1

f x

k 1

k
f x

f x

k 1
f x

k 1
f x

P5. Teste se a FO esta sendo minimizada,


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

MI: Mtodo de Newton


MI de 2a ordem
Aproximar f(x) por srie de Taylor
T
1
k
k
k
k T
k
k

f x f x f x
x x
H x
x

2
Derivando em relao a x e igualando a
zero:

Portanto

H x x

f x

Esta eq.
define
akdireo e kamplitude
do
1
k
k 1
k
x x x H x
f x
passo.

178

Podemos alterar o passo por:


k

x x

k 1

f x

Para avaliar o passo no necessrio


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

x H x

H x


f x

Mtodo rpido quando converge


Taxa de convergncia rpida perto do
ponto timo, exatamente o
comportamento contrrio do mtodo
gradiente.
179

Desvantagens do Newton
D1. Requer a inverso de uma matriz, ou
pelo
menos a soluo de um sistema
linear a
cada iterao
D2. Requer a avaliao analtica das
derivadas
de 1a e 2a ordem
D3. Pode convergir para um ponto de sela
se
H(x) no positiva definida
D4. Tem desempenho fraco ou no
converge

180

MI: LevenbergMarquardt

Combina o mtodo do gradiente


descendente com o de Newton
No incio se comporta como o MI
gradiente
No final como o MI de Newton
Matriz Hessiana modificada para sempre
ser positiva-definida e bem-condicionada
Acrescento a Hessiana uma matriz
positiva-definida;
181

~
A cada iterao fao:H x H x I

~
H x

H x

Ou:

Onde um valor positivo que torna H(x) > 0


e bem-condicionada
Se = 0 Mtodo de Newton
Se Mtodo Gradiente Descendente
> min(autovalor da Hessiana)
Marquardt aproveita as melhores
caractersticas do Gradiente Descendente e
do Newton.

182

Algoritmo de Marquardt
P1. Defina uma estimativa inicial xo e uma
tolerncia
P2. Para k = 0 faa 0 = 103 .
P3. Calcule f(xk).
P4. Verifique se a tolerncia
foi atingida, se no
1
k
k
k
k
continue s H I f x
P5. Calcule
P6. Compute xk+1 = xk + k .sk ; k vem da
Eq. 5-F
P7. Se f(xk+1) < f(xk) v ao p/ P8, se no v p/
P9
P8. k+1 = 0,25 k , e k = k+1 . Volte ao passo
P3

183

MI: Secante ou Quasi-Newton


Anlogo ao Mtodo da Secante para
OUSR
Algoritmo:
Passo 0 (zero):
P1. Defina uma estimativa inicial e uma
toler.
0
0 de busca
0
P2. Selecione
uma
direo

H H x
H
inicial.
0
Usualmente so = - f(x)

H I
P3. Calcule
. Se
no for
positiva definida faa

184

Passo k
P1. Calcule a amplitude do passo k
P2. Calcule xk+1 que minimiza f(x) por uma
busca unidimensional na direo sk
x

k 1

x H
k

P3. Calcule f(xk+1) e f(xk+1)


P4. Calcule xk = xk+1 - xk
e
g(xk) = f(xk+1) - f(xk)
P5. Calcule k 1
k
k

H H H

185

P6. Calcule a nova direo de busca


atravs de
k 1 1

ou de

k 1

f x

k 1 k 1
k 1

H s f x

k 1

Passo k+1
P1. Verifique se a tolerncia foi atingida
P2. Se o critrio de parada foi atingido,
pare.
Se no, volte ao passo k
Broyden, DFP, BFGS, etc.
186

Desvantagens Quasi-Newton

D1. H ou H
>0

D2.
ilimitada

k 1

pode deixar de ser

ou H

k 1

pode ser

187

Mtodos Diretos (MD) para OMSR


No utilizam as derivadas:
MD1. Busca randmica
MD2. Grade de busca
MD3. Busca unidirecional
MD4. Mtodo simplex ou do poliedro
flexvel
MIs tem taxa de convergncia maior.

189

Busca Randmica
Algoritmo
P1. Fazer k = 0
P2. Randomicamente escolher um vetor
xk
P3. Avaliar f(xk)
P4. Verificar se a tolerncia foi atingida,
se no retornar ao passo P2
Ponto de partida para outro algoritmo
Cheque do mnimo local.

190

Grade de busca

Mapeamento da FO segundo uma


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

191

MD: Busca Unidimensional

Estabelecida uma direo, fazer


uma OUSR nesta direo
Eficiente para FO quadrticas sem
interaes entre as VPs
Algoritmo:

P1. Definir um vetor de partida e


tolerncias
P2. Escolher um componente j do vetor
P3. Na direo de j fazer uma OUSR
P4. Voltar a P3 at percorrer todos os j
P5. Verificar se as tolerncias foram

192

MD: Simplex ou Poliedro Flexvel

Utiliza uma figura geomtrica regular


(simplex) para selecionar o ponto em
k+1
Em 2 dimenses o simplex um
tringulo
Em 3 dimenses o simplex um
tetraedro.

193

Comparao MDs x MIs

Os mtodos precisam:

Definio de uma regio de busca convexa


Na regio de busca a FO seja unimodal
Ponto(s) de partida

Mtodos Numricos para OMSR


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

Procedimento Geral para


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

Definio dos objetivos


Estudo Qualitativo
Desenvolvimento da FO e das FRs
Mapeamento da FO
Manipulao, normalizao e simplificao
da FO e da FO e das FRs
Aplicao do algoritmo de otimizao
Anlise de sensibilidade e
validao da soluo encontrada
Implementao da soluo
Manuteno preditiva e Auditoria
continuada.
196

Exerccio:
Qual o valor mximo de f(y, z) ?
Qual o valor da varivel de deciso no
ponto timo?
f y, z

seno 1.5242 1014 y 2 10 12 z 2


1.5242 10 y 10
14

12

Faa o mapeamento
Encontre o ponto timo utilizando uma
rotina de otimizao
197

Mapeamento no MATLAB
clear all
close all
clc
y = [ -10 : 0.5 : +10 ] ;
z=y;
[Y,Z] = meshgrid(y,z) ;
aux = sqrt(1.5242*1e14*Y.^2+1e-12*Z.^2) +
eps ;
f = sin(aux)./aux ;
surfc(Y,Z,f)
xlabel('y')
ylabel('z')

198

Algoritmo no MATLAB
% Programa principal: arquivo
Programa_principa;.m
X0 = [ -0.1 0.1 ] ; % Estimativa inicial
opcoes = optimset('TolFun',1e-8,'TolX',1e8,'Display','iter');
X=fminunc(@funcao_objetivo,X0,opcoes)
% Funo (subrotina): arquivo
funcao_objetivo.m
function [ f ] = funcao_objetivo(X)
Y = X(1) ;
Z = X(2) ;
% aux = sqrt(1.5242*1e14*Y.^2+1e-12*Z.^2)
+ eps ;
aux = sqrt(Y.^2+Z.^2) + eps ;

199

O JULGAMENTO DO
ENGENHEIRO
ESSENCIAL
NA ACEITAO OU NO
DAS SOLUES
ENCONTRADAS.
200

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

Abordagem por mtodos estatsticos


Tecnicamente mais correta
O ajuste do modelo uma das etapas

Abordagem por Mtodos de Otimizao:


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

Mais difcil de aplicar


Requer conhecimentos de estatstica
Define intervalo de abrangncia do parmetro
Define intervalo de abrangncia do modelo.
202

Partes de um parmetro

Valor mais provvel


Tcnicas de otimizao

Unidade
Converso das unidades para SI e
variveis absolutas

Incerteza
LPU: Lei da Propagao da Incerteza

GUM

LPP: Lei da Propagao de PDFs

Mtodo de Monte Carlo


GUM S1.

203

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

Ajust
e

P4: Normalizao parmetros do modelo e


ajuste dos parmetros dos mtodos
numricos
P5: Ajuste dos parmetros por regresso nolinear
Avaliao
P6: Anlise de sensibilidade do modelo
204
da

Partes do problema de
otimizao para ajuste de modelos

Funo objetivo
Maximizao da funo de
verossimilhana
Hiptese 1: Incerteza desprezvel nas
variveis independentes
Hiptese 2: Independncia entre os pontos
experimentais das variveis dependentes
Hiptese 3: Distribuio normal
Hiptese 4: Igualdade das incertezas das
variveis dependentes

Mnimos
quadrado
s
ponderad
os (WLS)
Mnimos
quadrado
s
ordinrio
s
(OLS)

Variveis de deciso
Parmetros do modelo
207

Diferentes funes
objetivos
Funes objetivos
quadrticas
Incerteza iguais nos
pontos
Independncia entre Yei

Distribuio
normal
NE NY
2
min YE YM

b0 , b1 , K , bNP

i 1 j 1

min YE YM
b

s.a : YM f X E , b

ij

ij

YE YM

Funes objetivos
absolutas
Incerteza iguais nos
pontos
Independncia entre YEi

Distribuio
NE NY
min
YE YM
exponencial

b0 , b1 , K , bNP

i 1 j 1

ij

ij

min soma soma abs YE YM


b

s.a : YM f X E , b

208

WLS
(Weighted Least
Funes objetivos
quadrticas
Square)
OLS (Ordinary Least Square)
Quadrados Mnimos NoPonderados

Incerteza desprezvel
nas variveis
independentes
Todas as incertezas
so iguais

NE NY

min

b0 , b1 , K , bNP

i 1 j 1

min YE YM
b

YEij YMij
T

s.a : YM f X E , b

YE YM

Quadrados Mnimos
Ponderados

Incerteza desprezvel
nas variveis
independentes
As incertezas so
diferentes

NE NY

min

b0 , b1 , K , bNP

E ij

YMij
u

i 1 j 1

2
Yij

min YE YM VY1 YE YM
T

s.a : X M f XE , b

209

Ajuste e Reconciliao

RWLS (Reconciliation and Weighted Least


Square)
Quadrados mnimos ponderados com
reconciliao de dados

Incerteza nas variveis dependentes


Incerteza nas variveis independentes

NE NY

min

b0 , b1 , K , bNP

E ij

YMij
u

i 1 j 1

2
Yij

2
NE NX


i 1 k 1

Eik

xMik
u

2
Xik

min YE YM VY-1 YE YM X E X M VX-1 X E X M


T

s.a : YM f XM , b
g XM 0

210

OLS:
Quadrados mnimos ordinrios
min YE YM
b

YE YM

s.a : YM X E b

b1
b
2

M

bNP

X E1

X E21

X E2

X E22

M M
1 X
E NE

X E2NE

1
XE
NP1

X ENP
1

NP 1
X E2

M
X ENPNE1

NE NP

1
YMi b1 b2 X Ei b3 X E2i L bNP X ENP
i

i 1, 2,K , NE

211

OLS

min YE X E b YE X E b
0
b
b
YET YE YET X E b b T XTE YE b T X TE X E b
T

YET YE YET X E b b T X TE YE b T X TE X E b

0 YET X E
b

X YE b X X E
T
E

T
E

XTE X E b 0

T
T
T

T
T
T
T
T
T
X E YE X E YE X E X E b XTE VY1X E b 0
b

2XTE YE 2XTE X E b 0 XTE X E b XTE YE


b

b X XE
T
E

XTE YE
212

WLS:
Quadrados mnimos ponderados para modelo polinomial

min YE YM VY1 YE YM
T

s.a : YM X E b

b1
b
2

M

bNP

XE
NP1

X E1
X E2

M M
1 X
E NE

2
E1

2
E2

X E2NE

NP 1
E1

NP 1
E2

X ENPNE1

NE NP

1
YMi b1 b2 X Ei b3 X E2i L bNP X ENP
i

i 1, 2,K , NE
213

Soluo WLS

min YE X E b VY1 YE X E b
T

YET b T XTE VY1 YE X E b

YET VY1 YE YET VY1 X E b b T X TE VY1YE b T X TE VY1 X E b

YET VY1 YE YET VY1 X E b b T XTE VY1YE b T X TE VY1 X E b

0 YET VY1 X E
b

XTE VY1
b

Y
T

T
E

1
Y

1
Y

X V YE b X V X E
T
E

T
E

1
Y

1
Y

T
E

1
Y

X V YE X V
V

T
E

T
Y

-1

X TE VY1 X E b 0

X b
T

T
E

XTE VY1 X E b 0

VY1

2XTE VY1YE 2XTE VY1 X E b 0 XTE VY1 X E b XTE VY1 YE


b

1
Y

b X V XE
T
E

XTE VY1 YE

214

Avaliao da incerteza
dos parmetros

A matriz de varincia-covarincia
indica a variabilidade do

parmetro Se f x uma PDF f x dx 1

Relembrado:
Mdia ou esperana de uma varivel aleatria X :

X E X @ f X X dX

Varincia de uma varivel aleatria X :

VX Var X X2 @ f X X X dX

215

Para amostras:
N

Mdia ou esperana de uma varivel aleatria X :

X
i 1

Varincia de uma varivel aleatria X :


N

VX Var X S X2 S XX

Xi x
i 1

N 1

Co-varincia entre duas variveis aleatrias X 1 e X 2 :


N

Cov X 1 X 2 S X1 X 2

X
i 1

1i

x1 X 2i x2

N 1
Para um vetor X a matriz de varincia-covarincia : VX E X X T
216

Varincia dos parmetros:


Vb E b b T

b b1 b 2 XTE VY1X E

XTE VY1 YE1 X TE VY1X E X TE V Y1 YE2

1
YE YE1 YE 2 b XTE VY1X E X TE VY1 YE

T
1
1

T 1
T 1
T 1
T 1

Vb E X E VY X E X E VY YE X E VY X E X E VY YE

Vb E

Vb E

X V

1
Y

T
E

1
Y

Vb X V X E
T
E

XE

T
X V YE YE XTE VY1

1
Y

T
E

T
E

1
Y

T
E

1
Y

1
Y

1
Y

T
E

X V V X V
1

T
E

1
Y

XE

1
Y

T
E

X V XE

1 T
Y

X V E Y Y X V
T
E

1
Y

T
E

X TE VY1VY VY1X E XTE VY1X E


T
E

X V Y Y X V X V
1

T
E


V X V
1

Vb X V X E
Vb XTE VY1X E

XT V 1X
E Y
E

1 T
Y

1
Y

X V

1
Y

XE

1 T
Y

T
E

X V
T
E

X TE VY1X E

b XTE VY1X E

T
E

XE

1 T

T 1

XE

XTE VY1X E

XTE VY1YE Vb XTE VY1YE

XTE VY1X E

217

Metodologia para
estimativa de parmetros
1.

Objetivo: desenvolver um modelo


para
Psat = f(T)

2.

Estudo qualitativo:

Presso proporcional a temperatura


Utilizar unidades absolutas
Utilizar SI: Psat /Pa e T/K
Modelo emprico: polinomial
Modelo fenomenolgico: equao de
Antoine

218

Exemplo

Estimativa de parmetros de um modelo


que relaciona presso de saturao do
tolueno com a temperatura.
Tabela 4.1: Dados experimentais
Temperatura T x Psat Presso saturao
Estimativa Incerteza
padro

Estimativa

Incerteza
padro

n
1

T/oC uT/oC p/bar up/bar


106,9
2,6
0,8837
0,0042
2 112,0
2,0
1,0217
0,0033
3 117,1
2,3
1,1751
0,0029
4 122,0
2,2
1,3531

219

2 Eliminao de outliers
Dados experimentais

2.2
2

Presso (bar)

1.8

1.6
1.4
1.2
1
0.8
105

110

115

120
125
Temperatura (oC)

130

135

140

220

2 Equao de Antoine

B
Modelo matemtico no linear:
P d exp A
T

Modelo matemtico linearizado:


P
B
B

P
exp A ln A
d
T
T

d
1
P
Y ln e X
T
d
b1
A
b Y b1 b2 X
B
b2

Incerteza dos parmetros: consultar livro de JCP


PINTO, Jos Carlos Pinto. Anlise de dados

221

2 Equao emprica

YM i b1 b2 X Ei b3 X E2i

Modelo
polinomial:

i 1, 2,L , NE
b1

b b2
b3

YM X E b
1

X E1

X E21

1 X E2
XE
M M
1 X
E NE

2
E2

M
X E2NE
222

2 Varincia dos parmetros


para modelo polinomial

YE X E b
Valor ajustado:min
b
YM i b1 b2 X Ei b3 X

Matriz de varincia dos


V b1 , b1
parmetros:
1
Vb X V X E
T
E

2
Ei

1
Y

Se Vb for
preponderadame
nte diagonal:

V b2 , b1
V b3 , b1

1
Y

YE X E b

1
Y

b X V XE
T
E

0
b
1

XTE VY1YE

V b1 , b2 V b1 , b3

V b2 , b2 V b2 , b3
V b3 , b2 V b3 , b3

ub1 V b1 , b1

ub2 V b2 , b2
ub3 V b3 , b3

223

2 Estudo qualitativo

Funo

1
min

X
b
V
objetivo: WLS E E Y YE X E b
T

As variveis so normais
As variveis independentes tem
incerteza desprezveis
As medidas das variveis
dependentes so independentes

Variveis de deciso: bT = [ b1 b2
b3 ]
2
Restries:

YM i b1 b2 X Ei b3 X Ei
Psati b1 b2TEi b3TE2i

224

3 Estudo quantitativo:
mapeamento

Modelo linear nos parmetros:


O modelo polinomial com WLS tem
soluo analtica
No h necessidade de estimativa
inicial
Essa etapa pode ser desprezada

Modelo no-linear nos parmetros:


Linearizar obter estimativa inicial do
modelo linear
Solucionar sistema de equaes nolinear

225

Ajuste de modelos lineares


com uma varivel independente

Modelo linear nos parmetros e na VI:

Y t b0 b1 . x t

Modelo linear apenas nos parmetros:

Y t b0 b1 . x t

Modelo no-linear nos parmetros e na


VI:.

Y t exp b0 . b1 . x t b0

226

Escolha da forma
linear equivalente para o modelo
Equao na Forma
No-Linear

1
b0 b1 . x
y
y b0 b1 .

1
x

Coordenadas na Forma Linear


Eixo X

y#

x
x#

1
x

x
b0 b1 . x
y

y b0 . x b1 b2

x # log x

Eixo Y

1
y

Linear
y # b0 b1 . x
y b0 b1 . x #

y#

Equao na Forma

x
y

y # log y b2

y # b0 b1 . x
y # log b0 b1 . x #

Quando possvel indicado 1 ajustar o modelo


linear
Se no for possvel, escolho n pontos e resolvo um

227

Obs. sobre a linearizao

A linearizao afeta, de maneira


complexa, a distribuio de
freqncia dos erros
Dado o modelo:

Y y b0 . x
b1

Linearizando no obteremos:

log Y log b0 b1. log x *


228

Obs. sobre a linearizao

prefervel utilizar o seguinte modelo:

y b b . x x
*
0

*
1

Esta forma torna os parmetros


no-correlacionados.

229

Ajuste modelo linear nos


parmetros

Ajuste: encontrar um conjunto de


parmetros que minimize um critrio de
desempenho
POMSR:

f min
n

onde

yi i . pi
i 1

i b0 b1. xi x
Mtodo dos Quadrados Mnimos

230

Derivando a FO em relao a b0 e
b1 , igualando a zero e resolvendo
n
o SEAL:.
yi . pi

b0 i 1n
y
pi
i 1

b1

y . x x . p
i 1
n

x x
i 1

. pi

231

Ajuste modelo
multidimensional

Neste caso temos apenas uma varivel


dependente e vrias independentes:
f

min
b0,b1,bq
n

onde:.

yi i . pi ei . pi
i 1

i 1

i b0 b1 . xi ,1 x 1 b2 . xi ,2 x 2 bq . xi ,q x q
232

Modelo de otimizao

min yi i . pi

b0 , b1 , K , bq
i 1

Funo objetivo:

i b0 b1 . xi ,1 x 1 b2 . xi ,2 x 2 bq . xi ,q x q

Definindo as matrizes:

y1
y
2

,b

yn

n1

p2

x11 x1 x12 x2
x21 x1 x22 x2

xn1 x1 xn 2 x2

bq

1
1

,X

p1
0

b0
b
1
q 1 1

0
0

y1
y
2

,e

pn

n n

1
1

yn

x
x

1q

2q

xq
xq

x
x x x x x
x x x x x

11

12

21

22

xn1 x1 xn 2 x2

nq

n q 1

xq

x
2q
q



xnq xq
1q

b0
b1

bq

233

Derivando a FO em relao aos


parmetros, igualando a zero e
resolvendo o SEAL:
T

b X . p. X

b c.G ,

c X . p. X

X
1

. p. y

G X . p. y

A matriz p pode ser interpretada como a


ponderao do inverso das varincias
das medies. 1

2
1

2
2

n2

234

4 Simplificao do modelo:
normalizao dos parmetros

Explicitar o valor do parmetros


Os novos parmetros ficam com valores
em torno de 1 (um)

Transformao de variveis
Exemplo 5.12, pgs. 366 a 370 do livro do
JCP

Redefinir as variveis dependentes e


independentes na forma de desvio
em relao a mdia
Parmetros menos correlacionados
235

5 Aplicao do algoritmo

O problema tem soluo analtica


Estudo de funo (derivar = 0)
Mtodo de Lagrange

O problema no tem soluo analtica


Estimativa inicial
do modelo linearizado
da soluo de um SEANL
da literatura

Mtodo numrico:

SLP, SQP, GRG, FP, AG, etc..


236

5 Aplicao do algoritmo

O problema tem soluo analtica:

1
Y

b X V XE
T
E

T
E

1
Y

X V YE

Vb XTE VY1X E

b Vb XTE VY1YE

1
Y

S X V XE
T
b

T
E

b S YE
T
b

X E1

X E21

1 X E2
XE
M M
1 X
E NE

2
E2

1
Y

T
E

YM X E b
1

S Vb X V
T
b

T
E

1
Y

X V

b1

b M

b3

M
X E2NE
237

Ajuste de modelo nolinear

min yi i . pi

b0 , b1 , K , bNP
i 1
s.a : i f XE , b

A soluo do modelo linearizado


fornece a estimativa inicial para o
problema no-linear
necessrio utilizar um mtodo
para otimizao no-linear.
238

Observaes

Ajuste de parmetros um POM


Problemas semelhantes na
formulao
estimativa de estado (controle de
processos);
estimativa simultnea de estado e
parmetros;
reconciliao de dados;
simultnea reconc. e estim. de
parmetros (mtodo dos erros nas
variveis).
239

6 Anlise de sensibilidade

Variar os parmetros, incertezas e


dados experimentais e avaliar:
O valor da funo objetivo
Os novos valores dos parmetros.

241

7 Validao do modelo

Testar com conjunto de dados que


no foram utilizados no ajuste
Avaliao da matriz de varinciacovarincia.
Avaliao da matriz dos coeficientes
de correlao
Avaliao dos resduos
Proximidade do zero
Aleatoridade
Homocedasticidade.
242

8 Determinao da
regio de abrangncia

Teste F (para PDFs gaussianas)


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

Metodologia geral p/ ajuste


P1: Eliminao de dados esprios (outliers)
P2: Proposio do(s) modelo(s) a ser ajustado
P3: Mapeamento
a) Escolha da forma do modelo linear
e ajuste os parmetros por regresso linear
ou
b) Resolvo um SEANL para obter a estimativa inicial
P4: Fazer tratamento estatsticos e metrolgico dos
dados
P5: Normalizao parmetros do modelo
P6: Ajuste dos parmetros dos mtodos numricos
P7: Ajuste dos parmetros por regresso no-linear
P8: Anlise de sensibilidade do modelo ajustado
P9: Validao cruzada
P10: Estabelecimento do intervalo de confiana e
regio conjunta de confiana

244

O JULGAMENTO DO
ENGENHEIRO
ESSENCIAL NA
ACEITAO OU NO
DAS SOLUES
ENCONTRADAS.
245

Exerccios.
Captulo 5
E5.3, pg 106
E5.4, pg 106
246

Exemplo

Estime os parmetros de um modelo que


relaciona presso de saturao do
tolueno com a temperatura.
Tabela 4.1: Dados experimentais
Temperatura T x Psat Presso saturao
Estimativa Incerteza
padro

Estimativa

Incerteza
padro

n
1

T/oC uT/oC p/bar up/bar


106,9
2,6
0,8837
0,0042
2 112,0
2,0
1,0217
0,0033
3 117,1
2,3
1,1751
0,0029
4 122,0
2,2
1,3531

247

Matrizes para estimativa da


incerteza dos parmetros

Na estimativa de
parmetros as expresses
abaixo so muito utilizadas.
ne

OLS yei ymi y e y m y e y m


2

i 1

ne

WLS

ei

ymi

ye ym V

y e y m

Para as funes objetivos


apresentadas, deduza as
matrizes correspondentes.

r
uuu

p
ye

Gx

r
uuu
p

xe

y y
ei
mi

Jp


f p; y e , x e

onde

ye

ne

OLA yei ymi


i 1
ne

WLA
onde

Vye
i

y m f p; y e , x e

o sistema de equaes algbricas no-lineares


que representa os modelos a ser ajustados
aos dados experimentais.

p; y e , V y , x e , V x
e

2 p
2 p
p

2
p p
p p
p

2 p
p

ye p
y e p

2 p
p

xe p
xe p

r
uuu
Hp

p
p
Gy

Vi

i 1

i 1

uuu
r
p
p
p

a funo objetivo do problema

de estimao de parmetros
uuu
r
p o gradiente da funo objetivo

Hp

a matriz hessiana da funo objetivo

Jp

matriz jacobiana do modelo em relao aos


parmetros aplicada nos pontos experimentais

248

Otimizao de Processos
Qumicos:
Captulo 7
Programao Linear (LP)
Ricardo de Araujo Kalid
Programa em Engenharia
Industrial - Escola Politcnica da
UFBA.
249

LP

FO e FRs lineares nos parmetros e


VDs:.
min x, c
x

x, c ci xi
i 1

sujeito a xi 0 , i 1,2, ,q

a x b
q

i 1

ji i

a x b

, j 1,2, ,m

, j m 1,2, , p

i 1

ji i

250

LP

Em notao matricial.

min x , c
x

x , c c x
T

sujeito a xi 0
e
A1 x b 1
e

i 1, 2, , q

A2 x b 2
251

Exemplo exerccio E3.3:


Programao de produo de uma refinaria
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

FRs: quanto ao rendimento de cada produto


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

FRs: quanto capacidade total de produo


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

FRs: quanto natureza das variveis


xi > 0

, i = 1, 2, ..., 6

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

0,80x1 + 0,44x2 < 24.000 (A)


0,05x1 + 0,10x2 < 2.000 (B)
0,10x1 + 0,36x2 < 6.000 (C).

253

Regio vivel:

O extremo de um PPL est num dos vrtices


da regio vivel.
254

Vamos ao MATLAB:
clear all
clc
f = [ 8.1 ; 10.8 ]
A = [ 0.8 0.44 ; 0.05 0.1 ; 0.1 0.36]
b = [ 24000 ; 2000 ; 6000 ]
Aeq = [ ]
beq = [ ]
LB = [ 0 ; 0 ]
UB = [ +inf ; +inf ]
[ X , FVAL , EXITFLAG , OUTPUT , LAMBDA ] = ...
linprog( -f , A , b , Aeq , beq , LB , UB )
255

Exemplo
FO: maximizar o lucro
lucro = faturamento - custo matria-prima - custo processo
faturamento
= 36x3 + 24x4 + 21x5 + 10x6
custo matria-prima = 24x1 + 15x2
custo processamento = 0,5x1 + 1,0x2

FRs: quanto ao rendimento de cada produto


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

FRs: quanto capacidade total de produo


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

FRs: quanto natureza das variveis


xi > 0

, 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

Um PPL uma funo cncavaconvexa, limitada por funes


convexas a regio convexa

Principal algoritmo o SIMPLEX

No confundir o SIMPLEX para LP


com o SIMPLEX ou poliedro flexvel

No toolbox de otimizao do
MATLAB o comando linprog.
258

Forma Padro do PPL


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

259

Dualidade em LP

Todo PPL tem uma forma primal e uma


min x, c
dual
x
Forma primal: x, c c x c x
T
1

T
2

sujeito a A11.x1 A12 .x 2 b1 (q )


A21.x1 A22 .x 2 b 2 (m)
x1 0

(r1 )

x 2 irrestrito (r2 )

min y, b
y

y, b b1T y1 bT2 y 2

Forma dual:.

sujeito a A11 . y1 A12 . y 2 c1 (r1 )


A21. y1 A22 . y 2 c 2 (r2 )
y1 0

(q )

y 2 irrestrito (m)

260

Exerccio:
Resolva o exerccio E3.3.

261

Programao Linear Sucessiva


(SLP)

PO no-linear podemos linearizar e


aplicar sucessivamente a LP.

x
s.a.h x h x x x h x 0
g x g x x x g x 0
min x x x x
#

# T

# T

# T

262

Algoritmo SLP
P1: Defina os limites superior e inferior de
validade
da linearizao
P2: Escolha uma estimativa inicial
P3: Linearize a FO e as FRs em torno da
estimativa
inicial. Encontre a nova soluo do
problema LP
P4: Verifique se a nova soluo vivel, se
sim
assuma esta como ponto; se no estreite
os
limites de validade da linearizao
263

SLP

Vantagens do SLP:
fceis de implementar
podem manipular grande no de variveis
se temos uma boa estimativa inicial
convergem rapidamente
aplicveis a problemas com moderadas nolinearidades

Desvantagens da SLP:
convergem lentamente se o ponto timo est
no interior da regio vivel
converge lentamente se grande o no de
variveis no-lineares
se a no-linearidade elevada o passo das

iteraes deve ser pequeno.

264

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

Converte um POCR em um POSR


utilizando os multiplicadores de
Lagrange
Mtodo importante do ponto de vista
terico, porm pouco aplicvel na
prtica.

266

Funo Lagrangeana
Seja o PO: min x1 , x 2 , , x n
s.a. h1 x1 , x 2 , , x n 0
Funo Lagrangeana:

L x , w x w1 . h1 x

No ponto crtico:.

h1 x 0 x L x , w x w1.h1 x

267

Mtodo dos
multiplicadores de Lagrange
Encontrar w1 que satisfaa do seguinte
minPOSR:
L x , x , , x , w

onde L x1 , x 2 , , x n , w1 x1 , x 2 , , x n w1 . h1 x1 , x 2 , , x n

Derivando em relao s
variveis de deciso e aos
multiplicadores de Lagrange e
igualando a zero.
SEANL a ser resolvido, com
n+1 equaes e incgnitas.

L
x 0
1

L
x 0
2

0
xn

0
w1

268

ML e FRs de Inequaes
min x

Para

s.a. h j x 0

j 1, , m

g j x 0
j m 1, , p
definimos variveis de folga (slack
variable):
min x
s.a. h j x 0

j 1, , m

g j x 2j 0

Lagrangeana:.
m

j m 1, , p

L x , w x w j . h j x
j 1

j m 1

w j . g j x 2j

272

Anlise de
Sensibilidade

Alterao do ponto timo e/ou do


valor da FO quando modificamos os
coeficientes da FO e/ou das FRs
Identificar a influncia das
incertezas
Estudo de casos para diferentes
valores de variveis controlveis
Certificar da validade da soluo
encontrada.
275

Anlise de Sensibilidade
min x

Seja

s.a. h x e
ou seja
s.a. h x h x e 0

logo

L x,w x w.h x

x w h x e w
e
e e
no ponto timo : x * L x *

L x * L x * x *

w ou w.e
e
e
e
276

Vantagens e Desvantagens dos ML

Vantagens:
Fcil anlise de sensibilidade da FO s FRs
Base terica para outros mtodos
Estabelece condies necessrias e
suficientes
Desvantagens:
Nem sempre consigo obter os ML pelo
mtodo de L
O clculo dos ML pode ser complicado
O mtodo dos ML recai num SEANL com
aumento do no de variveis.
278

Otimizao de Processos
Qumicos:
Captulo 9
Funo Penalidade
Ricardo de Araujo Kalid
Programa em Engenharia
Industrial - Escola Politcnica da
UFBA.
280

Funo Penalidade

Mtodo foi muito empregado


Converte um POCR em um POSR utilizando
uma funo penalidade
Partindo de um POSR, com uma funo que
penaliza muito pouco as violaes das
restries, paulatinamente nos
aproximamos da soluo aumentando a
penalizao
No ponto timo a influncia da funo
penalidade sobre a FO nula (anlogo aos
multiplicadores de Lagrange).
281

Seja

min x

s.a. h j x 0
g j x 0

j 1, , m
j m 1, , p

penalizando as violaes das restries


min P x , R

P x , R x R, h x , g x
R, h x , g x

a influncia da funo
pequena no incio (problema irrestrito) e
gradualmente vai aumentado, ao mesmo
tempo em que a soluo se aproxima,
atendendo as restries, do ponto timo.
282

Algoritmo da PF
P1: Definir a forma da PF
P2: Definir a razo (RR) de atualizao da
PF
P3: Estabelecer o critrio de parada em
relao
ao valor de R, a sucessivos valores da
FO,
das FRs ou das variveis de deciso
P4: Resolver o PO na iterao k, diminuir o
valor de R at que o critrio de parada
seja
atendido.

283

Exemplo aplicao PF

Seja

min x1 , x2

2
2

x1 , x2 x1 4 x2 4
s.a. h x1 , x2 x1 x2 5 0

definindo uma FP quadrtica:

R, h x , g x

1
x 1 x 2 5
R

obtemos

1
2
P x1 , x2 , R x1 4 x2 4 x1 x2 5 .
R
2

284

Seqncia de convergncia do mtodo


PF.

285

Tipos de PFs
Tipo de
Restrio
Igualdade

Funo Penalidade
Denominao

Expresso
R , h x

Penalidade Parablica

1
R

j 1

Equao -A
h x
Inequaes

10 20 . g
j J

Equao -B

Barreira Infinita

onde
J
identifica
o
conjunto
de
restries violadas, isto , neste caso
g

Inequaes

x 0

g x R.

Penalidade Logartmica

j J

ln g x
p

j m 1

Equao -C
R , g x
Inequaes

1
R

g x
p

Penalidade Inversa

j m 1

Equao -D

Inequaes

Equaes e
Inequaes

R , g x

onde

Operador Parnteses

R , g x

1
R

h x
m

j 1

1
R

j m 1

g j x se
se
0
Equao -E

g j x 0
g j x 0

1
R

g x
p

j m 1

Equao -F
Equaes e
Inequaes

R , g x

1
R

h
j

j 1

ln

j m 1

Equao -G

286

287

Exerccios.
Monte o exemplo anterior no
Excel
Monte o exemplo anterior no
Matlab
288

Otimizao de Processos
Qumicos:
Captulo 10
Programao Quadrtica
Ricardo de Araujo Kalid
Programa em Engenharia
Industrial - Escola Politcnica da
UFBA.
289

Programao Quadrtica (QP)

FO quadrtica e FRs lineares

min x f
x

1 T
x x
H x
2

s.a. A x b
x0
290

w*, u* so multiplicadores de
Lagrange
x*, y*, w*, u* a soluo do PPNL,
QPP
x
entomin
o

equivalente
ao
LPP:
x

1 T
x c x b T y
2
T
s.a. c Q. x A w u 0
A. x b y 0
wT y 0
x0

uT x 0

y0

w0

u0

No toolbox de otimizao do MATLAB:


qp ou quadprog.

292

Exerccio 1:
Resolva utilizando o MATLAB:
Funo quadprog

min x1 , x2

x1 , x2 x1 4 x2 4
s.a. h x1 , x2 x1 x2 5 0
2

293

Soluo

min x1 , x2

x1 , x2 x1 4 x2 4
s.a. h x1 , x2 x1 x2 5 0
2

8
f

2 0
H

0 2
A []

Aeq 1 1

b []

b eq 5

x quadprog H , f , A, b, Aeq , b eq

294

Programao Quadrtica
Sucessiva (SQP)

Analogamente ao LPS,
aproximamos o NLP por sucessivas
min x
QPP.
j 1, 2,K , J
Seja o NLP s.a. h j x 0
gk x 0
k 1, 2,K , K

Aprox..

x

s.a.h x h x x x 0 j 1,2, , J
g x g x x x 0 k 1,2, , K
min x

i T

i 1

i T

i 1

i T

1 i 1 i T 2 i i 1 i
x x x x x x
2
i

i 1

295

Programao Quadrtica
Sucessiva (SQP)

Definindo a direo de busca: d = (xi+1 x i)


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

2

s.a.h x h x d 0 j 1,2, , J
g x g x d 0 k 1,2, , K
i

Resolvendo esse sistema obtemos um


nova estimativa do ponto timo
Essa aproximao pode ser melhorada
atravs do uso do Lagrangeano.
296

Programao Quadrtica
Sucessiva (SQP)

Forma mais robusta do SQP

min L x

1 T 2
i
d d L x d
2

d 0
g x g x d 0
i

s.a. h j x h j x
k

j 1,2, , J

k 1,2, , K

onde.

x L x , w, u x x w x h x u x g x
T

L x , w, u x w h x u g x
2
x

2
x

2
x

2
x

297

w x h x 0 e u x g x 0
Mas no pto. timo
T

min q d , x , w , u

ento q d , x , w , u x
i

d 0
g~ d , x g x g x d 0

~
s.a. h j d , x i h j x i h j x i
i

1 T 2
i
i
i
d d x L x , w , u d
2
T

j 1,2, , J
k 1,2, , K

Estimativa inicial para x , w e u


Convergncia melhorada
substituindo a Hessiana por um
BFGS ou Broyden.
298

Exerccio 2:
Reconciliao de dados

Trocador de calor c/ bypass, todas as vazes so


medidas, foi desconsiderado troca energtica e
possui erros aleatrios nas medidas.

FI1

SPL

HX

MIX

FI2

FI4

FI3

VAL

FI6

FI5
299

Exemplo 2:
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

Vamos a uma prtica de reconciliao utilizando


o EXCEL ou o MATLAB e a funo quadprog 300

Formulao do Problema
de Reconciliao de Dados

Em geral a RD formula o problema como


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

min

Ri , i 1, 2 ,..., 6


i 1

i2

R1 R2 R3
R R
2
4

s.a. :

R3 R5
R4 R5 R6

Mi = varivel medida;
Ri = estimativa reconciliada p/ a varivel i;
i = pesos (que dependem das incertezas das medidas.
301

Exemplo
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

Qual o conjunto mais fidedigno a realidade?


O original ou o reconciliado? E qual o mais confiavel? 302

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

Qual o conjunto mais fidedigno?


O original ou o reconciliado?

303

Soluo no MATLAB

clear all ; close all ; format short ; clc


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

304

APLICAES DA
RECONCILIAO DE
DADOS

Fechamento de balanos de massa


Fechamento de balanos de
energia
Estimativa (cooptao) de
variveis no medidas
Estimativa mais confivel de
parmetros do modelo
Obteno de base de dados
confivel
305

RECONCILIAO DE DADOS e
CONTROLE DE PROCESSOS e
OTIMIZAO EM LINHA
OTIMIZADOR EM LINHA
BASE DE DADOS
RECONCILIADA
SISTEMA
DE CONTROLE

SISTEMA DE
AQUISIO
DE DADOS

PROCESSO

306

Formulao do Problema de
Reconciliao de Dados
sem Redundncia de Medio
Metodologia TECLIM para reconciliao de dados

Min J (M-R) (M-R)


R
sujeito a f(R,d) 0
T

g(R,d) 0
Onde: f Vetor de restries de igualdade.
g Vetor de restries de desigualdade.
- Matriz da qualidade da informao (1/incerteza)
d Vetor de variveis no reconciliadas.
M Vetor de variveis mapeadas.
307
R Vetor de variveis reconciliados.

RECONCIALIAO DE
DADOS DE PROCESSOS

Mtodo tradicional

A medio a nica fonte


de informao
Variveis medidas

REDUNDANTES podem
ser RECONCILIADAS
NO-REDUDANTES
precisa de medio
adicional

No medidas

OBSERVVEIS
podem ser COOPTADAS
NO-OBSERVVEIS
precisa de medio
adicional

Mtodo TECLIM
A medio UMA das fontes
de informao
Variveis mapeadas

Todas as variveis so
REDUNDANTES

TODAS podem ser


RECONCILIADAS

Todas as variveis so
mapeadas a partir de, p. ex.
Medio
Simulao
Projeto
Medida pontual
Estimativa grosseira
Qualidade da Informacao
308
(QI).

Deteco de erros
grosseiros
Mtodo usual
1.
2.
3.
4.

Resolver o problema de
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.

Todas as vazes, composies, presses, nveis,


temperaturas ou etc. so conhecidas,
mas com diferentes incertezas
Todas as variveis so conhecidas cada uma com
uma certa Qualidade de Informao (QI)
As variveis so mapeadas por vrios mtodos:

4.
5.

Medio em linha
Medies pontuais
Dados de projeto
Estimativa qualitativa
Mdia entre o valor mnimo e mximo, etc.

Estabeleo QI inicial e executo a reconciliao


Se o resultado est inadequado (indigesto),
modifico QIs, at que o resultado da reconciliao
seja aceitvel.

310

RECONCILIAO DE DADOS
DE PROCESSOS INDUSTRIAIS

Bibliografia bsica:

Romagnoli, Jos A.; Snchez, Maria Cristina. DATA


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

Quem considera que


conhecimento custo,
desconhece o
preo da ignorncia
Abraham Lincoln
313

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)

Foi um mtodo poderoso e muito


utilizado
Linearizao das FRs, resoluo do
SEAL e substituio desse resultado na
FO
Converte um POMCR em um POMSR
Para um problema de NLP com n
variveis de deciso e m restries, o
GRG resolver um POMSR de (n-m)
variveis
Aps utilizar as FRs utiliza o algoritmo

315

Seja

min x1 , x2

s.a. h x1 , x2 0

Diferencial total d x x dx x dx
1
2
x1
x2
h x
h x
dh x
dx1
dx2 0
x1
x2
h x

x2

ento.
dx1

h x
dx2

h x
x1
x1

h x

dx2
x2

316

Substituindo dx1 no diferencial da FO:


x h x
d x

x1 x1

h x x
dx2


x2
x2

dx2
essa expresso o GRG: d
x2

k
k 1
No mtodo gradiente: x2 x2
x2

Ou seja, atualizamos o valor de x2 por

x x
k
2

k 1
2

k 1
k 1
k 1
k 1

x2 xD x2 xB
x2
317

GRG

h x

x2

Substituindo
dx2 em dx1 :

dx1

k 1
1

x x

h x h x
dx2
dx2

h x
x1 x2
x1
1

Atualizamos o valor de x1 por


k
1

k 1
1

dx

Entenda o diferencial como a direo de


busca
Soluo das restries com x1 e x2 .
318

GRG

Direo de busca para x2 (dx2), anloga ao mtodo do


gradiente para POMSR
T

dx2k 1 kI1 g Rk 1 kI

g g
g g
k 1
R

k T
R

k 1
R
k
R

Conhecido dx2 calculamos dx1 e x1


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

Relao entre GRG e os ML


T
Seja a LagrangeanaL x , w x w h x
L x , w x h x

w
x
x
x
T

logo.
L x I , w
xI

n m

L x D , w
xD

x1

mx1

x I

xI

x D

xD

h x I

x
I
n m x 1

h x D

x
D

mx1

w mx1
n m

xm

w mx1 0
mxm

320

Portanto:
h x
w

x
D

h x
x

x
D
D

L x , w x h x
gR

xI
xI

x
I

h x

x
D

x
D

x
D

O GRG a derivada parcial do


Lagrangeano em relao s
variveis no-bsicas.
321

Algoritmo GRG
E1: Escrever o problema na forma padro
E2: Escolher as variveis bsicas e nobsicas,
critrio de parada, tolerncias, fator de
amortecimento e estimativa inicial
E3: Clculo do gradiente reduzido gRk
E4: Clculo da direo das variveis nobsicas
E5: Clculo da direo das variveis bsicas
E6: Clculo das variveis no-bsicas e
bsicas
E7: Determinao da regio vivel pelo E6
(resolvo um SEANL), o qual d a estimativa
322
inicial de x

Programa
GRAD_RED.M
Programa
grad_red.m
grad_r_f.m
grad_r_h.m
grad_r_d.m

Funo
programa principal
clculo da funo objetivo
clculo das funes de restrio
clculo do gradiente reduzido

323

Exerccios.

324

Algoritmos heursticos

Problema das formigas


Tratamento trmico
Algoritmo gentico
...

325

Algoritmo gentico

No MATLAB:

x = ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,nonlcon,options)
ou
[X,FVAL,EXITFLAG,OUTPUT,POPULATION,SCORES] =
ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,nonlcon,options)

clear all; clc


A_ineq = [ ] ; b_ineq = [ ] ;
Aeq = [ 1 1 ] ; b_eq = 5 ;
LB = [ 0 0 ] ; UB = [ +inf +inf] ;
x = ga(@(x) (x(1)-4)^2+(x(2)4)^2,2,A_ineq,b_ineq,Aeq,b_eq )
[X,FVAL,EXITFLAG,OUTPUT,POPULATION,SCORES] = ...
ga(@(x) (x(1)-4)^2+(x(2)326

Otimizao de Processos
Qumicos
Captulo 12
Programao Inteira e Mista
Ricardo de Araujo Kalid
Programa em Engenharia
Industrial - Escola Politcnica da
UFBA.
327

Programao Inteira (IP)

Problemas de otimizao que envolvem


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

328

Branch and Bound Technique


Apropriado para IP e para MIP
Algoritmo:
P1: Obtenha uma soluo contnua - C
P2: Se C inteira fim da procura; se no
P3
P3: Escolha uma das variveis (a) no
inteiras e
faa duas ramificaes inteira (branch)
em
torno com as seguintes restries
(bound):

(1) subproblema C1: menor inteiro maior que a

329

Algoritmo Branch and Bound


P4: A partir de C1 encontre a soluo do NLP
e
ramifique conforme P3
P5: A partir de C1 encontre a soluo do NLP
e
ramifique conforme P3
P6: Repira P3, P4 e P5 para cada nova
ramificao,
sempre calculando o valor da FO, at
que:
(1) encontrada uma soluo inteira, ou
(2) o valor da FO superior mas satisfaz as
restries

330

Exemplo aplicao
Branch and Bound.

max 86x1 4 x2 40x3


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

max 86x1 4 x2 40x3


s.a. 774 x1 76x2 42 x3 875
67 x1 27 x2 53x3 875
x1 , x2 , x3 0 ou 1

332

max 86x1 4 x2 40x3


s.a. 774 x1 76x2 42 x3 875
67 x1 27 x2 53x3 875
x1 , x2 , x3 0 ou 1

PL contnuo s.a.
Soluo:
Valor da FO:

0 < x1 < 1
0 < x2 < 1
0 < x3 < 1
= (1; 0,776; 1)
= 129,10
x2 = 0

x2 = 1
PL contnuo s.a.
Soluo:
Valor da FO:

x*

0 < x1 < 1
x2 = 1
0 < x3 < 1
= (0,978; 1; 1)
= 128,11

x1 = 1

x1 = 0

PL contnuo s.a.
Soluo:
Valor da FO:

x1 = 1
x2 = 1
0 < x3 < 1
= (1; 1; 0,595)
= 113,81

PL contnuo s.a.
Soluo:
Valor da FO:

x1 = 0
x2 = 1
0 < x3 < 1
= (1; 0; 1)
= 44,00

x3 = 0
PL contnuo s.a.
Soluo:
Valor da FO:

x*

x1 = 1
x2 = 1
x3 = 0
= (1; 1; 0)
= 90,0

333

max 86x1 4 x2 40x3


s.a. 774 x1 76x2 42 x3 875
67 x1 27 x2 53x3 875
x1 , x2 , x3 0 ou 1

PL contnuo s.a.

Soluo:
Valor da FO:

x*

0 < x1 < 1
0 < x2 < 1
0 < x3 < 1
= (1; 0,776; 1)
= 129,10
x2 = 0

x2 = 1
PL contnuo s.a.
Soluo:
Valor da FO:

x*

0 < x1 < 1
x2 = 1
0 < x3 < 1
= (0,978; 1; 1)
= 128,11

x1 = 1

x1 = 0

PL contnuo s.a.
Soluo:
Valor da FO:

x*

x1 = 1
x2 = 1
0 < x3 < 1
= (1; 1; 0,595)
= 113,81

x3 = 0
PL contnuo s.a.
Soluo:
Valor da FO:

x*

x1 = 1
x2 = 1
x3 = 0
= (1; 1; 0)
= 90,0

334

max 86x1 4 x2 40x3


s.a. 774 x1 76x2 42 x3 875
67 x1 27 x2 53x3 875
x1 , x2 , x3 0 ou 1
PL contnuo s.a.
Soluo:
Valor da FO:

0 < x1 < 1
0 < x2 < 1
0 < x3 < 1
x* = (1; 0,776; 1)
= 129,10
x2 = 0

x2 = 1
PL contnuo s.a.
Soluo:
Valor da FO:

0 < x1 < 1
x2 = 1
0 < x3 < 1
x* = (0,978; 1; 1)
= 128,11

x1 = 1

x1 = 0

PL contnuo s.a.
Soluo:
Valor da FO:

x1 = 1
x2 = 1
0 < x3 < 1
x* = (1; 1; 0,595)
= 113,81

x3 = 0
PL contnuo s.a.

X3=0

Soluo:
Valor da FO:

x1 = 1
x2 = 1
x3 = 0
x* = (1; 1; 0)
= 90,0

X3=1

No vivel
335

PL contnuo s.a.

max 86x1 4 x2 40x3


s.a. 774 x1 76x2 42 x3 875
67 x1 27 x2 53x3 875
x1 , x2 , x3 0 ou 1

Soluo:
Valor da FO:

0 < x1 < 1
0 < x2 < 1
0 < x3 < 1
*
x = (1; 0,776; 1)
= 129,10
x2 = 0

x2 = 1
PL contnuo s.a.

PL contnuo s.a.

Soluo:
Valor da FO:

Soluo:
Valor da FO:

0 < x1 < 1
x2 = 1
0 < x3 < 1
*
x = (0,978; 1; 1)
= 128,11

x1 = 1

0 < x1 < 1
x2 = 0
0 < x3 < 1
*
x = (1; 0; 1)
= 126,00

x1 = 0

PL contnuo s.a.

x1 = 1
x2 = 1
0 < x3 < 1
*
x = (1; 1; 0,595)
= 113,81

PL contnuo s.a.

Soluo:
Valor da FO:

Soluo:
Valor da FO:

X3=0

x1 = 0
x2 = 1
0 < x3 < 1
*
x = (1; 0; 1)
= 44,00

X3=1

PL contnuo s.a.
Soluo:
Valor da FO:

x1 = 1
x2 = 1
x3 = 0
*
x = (1; 1; 0)
= 90,0

No vivel
336

max 86x1 4 x2 40x3


s.a. 774 x1 76x2 42 x3 875
67 x1 27 x2 53x3 875
x1 , x2 , x3 0 ou 1

X3=0

X3=1

No vivel
337

IP No-Binria

Tratar como PIB usando a seguinte


transformao:
n

xi k j . yij
j 1

yij 0 ou 1

y 1
n

j 1

ij

onde kj so os valores que xi pode


assumir.

338

Exerccio: utilizando a
funo

bintprog do MATLAB
resolva:

max 86x1 4 x2 40x3


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

max 86x1 4 x2 40x3


s.a. 774 x1 76x2 42 x3 875
67 x1 27 x2 53x3 875
x1 , x2 , x3 0 ou 1

Soluo:

>> f = [ 86 4 40 ] ;

>> b = [ 875 875 ] ;


>> A = [ 774 76 42 ; 67 27 53 ] ;
>> opcoes =
optimset('display','iter') ;
>> [X,FVAL,EXITFLAG,OUTPUT] = ...
bintprog(-f,A,b,[ ],[ ],[ ],opcoes)
>> FO = -FVAL
340

Otimizao de Processos
Qumicos:
Captulo 13
Controle timo
Ricardo de Arajo Kalid
Programa em Engenharia
Industrial - Escola Politcnica da
UFBA.
341

Controle timo (OC)

Classe de problemas comuns em


Eng. Qu..
min x t , u t , t
u t

tf

F x t , u t , t dt

x t , u t , t G x t f

t0

dx
s.a.
H x t , u t , t
dt
h x t , u t 0
g x t , u t 0

342

Forma discreta do OCP


min x t , u t , t
u t

K 1

x t , u t , t G x K F x k , u k , k
k 0

s.a. x k 1 H x k , u k , k
h x k , u k 0

g x k , u k 0

G penalidade associado ao estado


final
F custo devido aos esforo de
controle.
343

Tipos de OCP

Problema de tempo mnimo: G = 0 e F


=1

Problema de erro final mnimo:


G = [x(tf ) - xd )]TA[x(tf ) - xd )] e F = 0

Problema mnimo esforo de controle:


G = 0 e F = uTCu

Problema de rastreamento:.
G = 0 e F = [x(t) - xd(t))] TB[x(t) - xd(t))]
ou
F = [x(t) - xd(t))] TB[x(t) - xd(t))] + uTCu
344

Abordagem
Discretizao da FO

Mtodos
para
OCP
Caractersticas
Vantagens

Desvantagens
Utilizar os mtodos de
Estamos mais
Geralmente leva a
PNL j estudados.
acostumados com PPNL. problemas com nmero
Requer a parametrizao s vezes temos uma boa elevado de variveis de
por polinmios ou
estimativa(s) do
deciso.
discretizao das FR's
polinmio(s)
A discretizao conduz
por diferenas finitas.
aproximador(es),
SEANL.
Programao Dinmica Utiliza o princpio de
Pode ser aplicado a
Exige grande esforo
otimalidade de Bellman. sistemas lineares, nocomputacional para um
lineares, contnuos,
nmero elevado de
discretos, variantes no
variveis de deciso
tempo, MIMO,
determinsticos, de
parmetros concentrados
ou distribudos.
Princpio mnimo de
Define-se o funcional
Pode ser aplicado a
Requer conhecimento de
Pontryagin
Hamiltoniano, anlogo sistemas lineares, nofuncionais e de clculo
funo Lagrangeana
lineares, contnuos,
variacional para o
Define-se um vetor de
discretos, variantes no
entendimento e
co-estado, anlogo aos
tempo, MIMO,
aplicao da teoria.
multiplicadores de
determinsticos, de
Lagrange
parmetros
Define as condies
concentrados.
necessrias para um
Conduz a sistemas de
ponto timo
equaes elegantes e
gerais.
345

o BOM inimigo
do TIMO ,
ento devemos
perseguir o ...

346

Otimizao?
muitas perguntas ...
uma soluo:
ABORDAGEM
SISTMICA & SISTEMTICA
347

Seis Sigma X Otimizao

Parte de
experincias
anteriores

Encontra
solues
interpoladas

Deteco do
ponto timo j
ocorrido

Parte de
experincias
anteriores e de
modelos
fenomenolgicos

Encontra solues
interpoladas e/ou
extrapoladas

Deteco do ponto
timo j ocorrido
ou

348

Otimizao casos industriais em parceria com o LACOI


Empresa
BRASKEM-UNIB
ELEKEIROZ

Tema

Investimento apenas em HH e Receita


US$ mil

Minimizao do uso de energia


para produo de vapor

US$

Otimizao de trem de destilao


de octanol

US$

11 mihes / ano
174 mil / ano

BRASKEM-UNIB

Otimizao de fornos de pirlise

4 a 12 % de aumento da margem a
depender do cenrio

CARABA METAIS

Reconciliao de dados balano


hdrico

Dados confiveis para tomada de decises

DETEN

Reconciliao de dados balano


hdrico

Dados confiveis para tomada de decises

MONSANTO

Reconciliao de dados balano


hdrico

Dados confiveis para tomada de decises

BRASKEM-UNIB

Reconciliao de dados balano


hdrico

Dados confiveis para tomada de decises

BRASKEM-OPP

Otimizao do reator de
polietileno para baixa carga

US$

BRASKEM-UNIB

Otimizao do conversor de
acetileno

I = 2 eng x 7.680 h = 15.360 hh


US$ 1.900 mil / ano

ELEKEIROZ

Otimizao de 3 colunas de
destilao (purificao de
butanos)

US$

600 mil / ano

MONSANTO

Troca de matria prima

US$

800 mil / ano

MONSANTO

produo de PCl3

US$

330 mil / ano

MONSANTO

produo de PIA

US$

400 mil / ano

200 mil / ano

350

PARCEIROS DO LACOI

TECLIM

351

Integrao dos "Vcios"


AMBIENTE
INDUSTRIAL

AMBIENTE
ACADMICO

PENSAMENTO
SINTTICO

PENSAMENTO
ANALTICO

INTUIO

TEORIA

EXPERINCIA

MATEMTICA

SOLUO
352

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

353