Professional Documents
Culture Documents
Trabalho 2
Introdução
Segundo Perlingeiro, o termo otimização se refere ao campo da matemática
dedicado ao desenvolvimento de métodos eficientes de determinação de extremos de
funções de uma ou mais variáveis. Então, de forma mais abrangente, otimização é a
busca da solução ótima de um problema. Esse conceito pode ser aplicado a indústria,
uma vez que se deseja sempre maximizar o lucro através de uma melhor eficiência do
processo e um menor custo de produção.
A engenharia de processos, trata do projeto de processos integrados. Ela é,
para muitos, a área mais externa da engenhara química uma vez que são necessários
todos os conceitos fundamentais de química, termodinâmica, modelagem de
processos e conhecimentos relacionados aos equipamentos individualmente para
conseguirmos resolver problemas relacionados a engenharia de processos.
Então, para alcançar o objetivo da engenharia de processos que é
projetar/melhorar sistemas de equipamentos integrados , associando maior eficiência,
maior lucro , maior durabilidade dos equipamentos, dentre outros fatores, são
necessárias a utilização de algoritmos de otimização. Esse algoritmos geralmente
utilizam um chute inicial e por diferentes meios matemáticos chegam a solução ótima
daquele problema. O tipo de algoritmo utilizado pode mudar muito a sua resposta final,
já que cada um tem suas características próprias. Alguns tem mais robustez mas são
mais lentos, outros dependem muito do chute inicial. Em suma, é preciso conhecer
bem seu processo para escolher qual o melhor método de otimização.
Descrição do Problema
Nesse trabalho usaremos três diferentes métodos de otimização para identificar a
melhor configuração de reatores para um determinado problema.
O problema consiste em avalizar a inclusão de um sistema de reatores em uma planta
já em operação. A reação , cuja cinética é de segunda ordem , irreversível e com
constante cinética k= 5mol/Lh, que ocorre nessa planta é:
A+B -> C
A e B vem de etapas anteriores do processo , com os dados:
qA = 120 L/h qB = 240 L/h
CA0 = 2 mol/L ; CB0 = 1 mol/L
Para calcular a lucratividade do empreendimento, usa-se os dados:
L = R – Cmp – Ccap ($/a) L: Lucro ($/a)
R: Receita ($/a) = Fop .pC .fCn Fop = 8.500
h/a
fCn: vazão de saída do produto C do último reator da configuração (mol/h)
Cmp: Custo da Matéria prima ($/a) = Fop (pAfA + pBfB)
pA = 0,01 $/mol pB = 0,015 $/mol pC = 0,05 $/mol
fB: vazão de alimentação de A e B no primeiro reator da configuração
Ccap: Custo de Capital ($/a) Ccap = 0,1 ISBL
Reatores de Mistura: ISBL = 1.000 Σ (Vi / 568) 0,69
2. Método de Newton
O método de Newton pode ser dividido em dois subtipos: unidimensional e
multidimensional. O unidimensional é baseado numa aproximação pela série
de Taylor. O elemento posterior a cada iteração é calculado da seguinte forma:
𝑓(𝑥)′
𝑥𝑖+1 = 𝑥𝑖 −
𝑓(𝑥)′′
Na situação em que se deseja obter o máximo lucro da função denominada
‘problema’, deve-se calcular numericamente as derivadas primeira e segunda.
Em caso de funções multidimensionais, calcula-se o próximo passo da seguinte
forma:
(𝑥𝑖+1 , 𝑦𝑗+1 , 𝑧𝑘+1 ) = (𝑥𝑖 , 𝑦𝑖 , 𝑧𝑖 ) − 𝐻 −1 ∇𝐹(𝑥𝑖 , 𝑦𝑖 , 𝑧𝑖 )
2. Método de Newton:
2.1 CSTR Único: (Número de iterações : 1)
Discussões Propostas
Para o método de Monte Carlo não há a necessidade de chutar um valor inicial,
pois a busca é feita de forma randômica. Dessa forma, a maior dificuldade durante a
implementação desse método foi encontrar um espaço amostral de tamanho suficiente
para retornar valores mais precisos usando menos esforço computacional (reduzindo a
quantidade de pontos procurados). O método se mostrou bastante robusto e de fácil
implementação. Foram necessários um número maior de pontos aleatórios quanto
maior o número de parâmetros utilizados.
O método de Newton, por sua vez, foi de difícil implementação no que tange a
criação do algoritmo porque é um método com muitas operações, dentre elas,
determinação de derivadas de primeira e segunda ordem com intuito de gerar a matriz
Hessiana, onde o inverso da mesma sobre o gradiente, possibilita a geração do ponto
ótimo, dependendo do chute inicial que se faça. Como o chute inicial escolhido para a
conversão neste problema foi bem próximo do valor da conversão ótima, o método
convergiu mais rápido que o Monte Carlo e Hooke Jeeves quando comparando todas
as configurações. Apesar do método de Newton ser o mais preciso, os erros
associados aos cálculos da derivada por método numérico (diferenças finitas centrais)
podem reduzir sua precisão. Além disso, em pontos de mudança de concavidade ou
inflexão, a derivada segunda se aproxima de zero, gerando valores absurdos de
conversão.
Já no caso do Hooke e Jeeves vimos que o método sofre menos influência do
chute inicial do que o método de Newton. Nesse caso, um chute inicial muito distante
influencia na velocidade de convergência, tornando o método bem mais lento mas ,
sendo o passo um valor aceitável, ainda assim levará o método a convergir. Além
disso, o método pressupõe unimodalidade da função, de forma que o método pode
não atingir o máximo global, caso esse pressuposto não seja contemplado pela função
objetivo.
Comparando os três métodos vemos que o método de Newton é mais preciso,
porém, requer um chute inicial próximo ao do ótimo, levando a resultados errôneos. O
método de monte Carlo não é tão preciso já que utiliza valores iniciais randômicos,
podendo gerar valores um pouco diferentes a cada execução. Essa característica
diminui a confiabilidade desse método frente aos outros. No caso do Hooke e Jeeves
há a necessidade de determinar um chute inicial, ainda que menos preciso que o de
Newton. De modo a gerar um programa comercial, pode-se utilizar o método de Monte
Carlo com poucos pontos como gerador de um chute inicial e aproveitar os resultados,
aplicando ao método de Newton, de modo a gerar um resultado preciso e com menor
esforço computacional
Analisando os valores médios dos lucros gerados pelas conversões em cada
configuração, a configuração de três CSTR em série com alimentação de B no
primeiro se mostra com maior retorno de lucro.
Conclusão: