CAPÍTULO 5 OTIMIZAÇÃO PARAMÉTRICA 03 DE SETEMBRO DE 2008 REVISÃO DE CAPÍTULOS ANTERIORES ENGENHARIA DE PROCESSOS Área da Engenharia Química dedicada ao Projeto de Processos Químicos 1.1 PROJETO DE PROCESSOS QUÍMICOS O conjunto de ações desenvolvidas Desde A decisão de se produzir um determinado produto químico Até Um plano bem definido para a construção e a operação da instalação industrial. É um conjunto numeroso e diversificado de ações !!! Investigar mercado para o produto Investigar reagentes plausíveis Calcular o consumo de utilidades Estabelecer o número e o tipo dos reatores Calcular a vazão das correntes Definir o número e o intermediárias tipo dos separadores Calcular as dimensões Definir o número e o dos equipamentos tipo de trocadores de Investigar calor Calcular o consumo disponibilidade dos insumos das matérias primas Estabelecer malhas Calcular o consumo de controle de matéria prima Definir as condições das reações e identificar Definir o fluxograma os sub-produtos gerados Avaliar a lucratividade do processo do processo SELEÇÃO DE SÍNTESE ANÁLISE ROTAS QUÍMICAS 1.3 SISTEMAS 1.3.3 Projeto Denominação genérica atribuída ao conjunto numeroso e diversificado de atividades associadas à criação de um sistema. Esse conjunto compreende dois sub-conjuntos que interagem: SÍNTESE (a) escolha de um elemento para cada tarefa. (b) definição da estrutura do sistema. ANÁLISE (a) previsão do desempenho do sistema. (b) avaliação do desempenho do sistema. PROJETO = SÍNTESE ANÁLISE MULTIPLICIDADE NA SÍNTESE Equipamentos disponíveis para a geração do fluxograma do Processo Ilustrativo RM Reator de mistura RT Reator tubular DS DE A R Aquecedor Resfriador Coluna de destilação Coluna de destilação extrativa simples T Trocador de Integração A Síntese consiste em combinar esses equipamentos formando todos os fluxogramas plausíveis em busca do melhor. Um problema com multiplicidade de soluções! A,B A,B A A (12) A A A (7) (9) RT A,P T DS A,B RM RM A P,A P,A R P R DE DS T DS P P A P RM A,B A,B A A RT (8) R A,P DS (11) P,A P A,B T (14) DE P A,B A RT RM (10) P ,A A A R A,P DE RT T A,P DE (13) P P EXPLOSÃO COMBINATÓRIA !!! MULTIPLICIDADE NA ANÁLISE 20 18 16 14 12 10 8 6 4 2 0 0,020 0,018 0,016 0,005 0,014 0,010 0,012 0,015 0,010 0,020 1 x x 0,008 0,025 2 Lucro Cada par (x1,x2) é uma solução viável 0,006 0,004 0,030 0,035 0,002 Problema: determinar o melhor par de valores Dificuldade: infinidade de soluções viáveis! 1.3 SISTEMAS 1.3.6 Otimização A multiplicidade de soluções, tanto na Síntese como na Análise, conduz ao conceito de Otimização. através da Exige a busca da Multiplicidade de Soluções Solução Ótima Otimização O Projeto de Processos é um problema complexo de otimização. Nível Tecnológico: determinar a melhor rota química. Nível Estrutural (Síntese): determinar a estrutura ótima. Nível Paramétrico (Análise): determinar as dimensões ótimas de equipamentos e correntes. Decomposição, Representação e Resolução do Problema de Projeto por Busca Orientada por Árvore de Estados Raiz ? P ?? A,B A+B P,C P+C Rota Química ? Fluxograma ? Dimensões ? D,E D+E 1 P C x T ?? 2 A B D T ? x P C 6 x D E D M E Nível Estrutural Síntese de um Fluxograma Dimensões ? Lucro? Nível Paramétrico L 10 x x P F ? L x* x o = 4 4 P F ? 8 x 3 M A L x* x o = 3 D E ? L Seleção de uma Rota Fluxograma ? Dimensões ? P+F ?? A B Nível Tecnológico P,F 7 x* x o = 6 x x* x o = 5 x Análise do Fluxograma Dimensionamento dos Equipamentos e das Correntes. Lucro. Solução Ótima: Reagentes = D,E; Fluxograma = 3; x = 4 Solução do Problema de Projeto por Busca Orientada Raiz ? Rota Química ? Fluxograma ? Dimensões ? P ?? Vantagem D,E D+E Varre todas as soluções sem repetições sem omitir a ótima D E 3 x P F ? Desvantagem Explosão Combinatória (outros métodos) P+F ?? P,F Nível Tecnológico Seleção de uma Rota Fluxograma ? Dimensões ? Nível Estrutural Síntese de um Fluxograma Dimensões ? Lucro? Nível Paramétrico L 10 4 x Análise do Fluxograma Dimensionamento dos Equipamentos e das Correntes. Lucro. Solução Ótima: Reagentes = D,E; Fluxograma = 3; x = 4 demais dimensões. INÍCIO DO CAPÍTULO 5 ORGANIZAÇÃO DA DISCIPLINA 1 INTRODUÇÃO GERAL ANÁLISE SÍNTESE 2 6 INTRODUÇÃO À INTRODUÇÃO À ANÁLISE DE PROCESSOS 3 ESTRATÉGIAS DE CÁLCULO 4 AVALIAÇÃO ECONÔMICA PRELIMINAR SÍNTESE DE PROCESSOS 5 OTIMIZAÇÃO PARAMÉTRICA 7 SÍNTESE DE SISTEMAS DE SEPARAÇÃO 8 SÍNTESE DE SISTEMAS DE INTEGRAÇÃO ENERGÉTICA FINALIDADE DO CAPÍTULO Apresentar alguns conceitos básicos de Otimização, o método analítico e métodos numéricos simples com aplicações em processos químicos. Relembrando o Processo Ilustrativo MISTURADOR 14 RESFRIADOR W14 T*14 W12 T*12 12 9 13 Benzeno W13 T13 W15 T15 CONDENSADOR 10 W10 T10 Ar W11 11 T*11 Água 15 BOMBA 1 Vd Alimentação W 8 8 Ac T*8 Água Benzeno W5 T*5 W3 x1,3 EXTRATOR W*1 x*1,1 T*1 f1,1 f3,1 W9 T*9 * W2 x12 r* 5 T3 f1,3 f2,3 3 Ae EVAPORADOR Extrato 7 2 T*2 f12 f32 Rafinado W7 T7 Condensado 6 4 W4 x*1,4 T4 Produto f1,4 f2,4 W6 T*6 Vapor Dimensionamento com G = 0 (solução única) W1 x1,1,x1,4 T1,T2,T5,T6,T8,T9,T11,T12,T14, r, VARIÁVEIS ESPECIFICADAS MODELO PARÂMETROS MATEMÁTICO W4,W6,W8,W11,W14 Vd,Ae,Ac,Ar AVALIAÇÃO INCÓGNITAS ECONÔMICA L Dimensionamento com G > 0 (otimização) W1 x11,x14 T1,T2,T5,T6,T8,T11,T14, VARIÁVEIS ESPECIFICADAS MODELO MATEMÁTICO Ausência de r, T9 e T12 na lista de Metas de Projeto W4,W6,W8,W11,W14 Vd,Ae,Ac,Ar AVALIAÇÃO INCÓGNITAS ECONÔMICA r,T9,T12 L OTIMIZAÇÃO VARIÁVEIS DE PROJETO O módulo de Otimização arbitra sucessivos valores das variáveis de projeto até encontrar o valor máximo do Lucro. Resumo da Análise de Processos Correspondência dos Capítulos com os Módulos Computacionais 2 INTRODUÇÃO À ANÁLISE DE PROCESSOS 3 ESTRATÉGIAS DE CÁLCULO 4 AVALIAÇÃO ECONÔMICA Variáveis Especificadas Parâmetros Físicos 5 OTIMIZAÇÃO Parâmetros Econômicos MODELO Dimensões Calculadas MODELO MATEMÁTICO ECONÔMICO Variáveis de Projeto Lucro OTIMIZAÇÃO Simular Extrator Dimensionar Extrator Simular Evaporador Dimensionar Evaporador Dimensionar Condensador Simular Condensador Resolver Problema Dimensionar Resfriador Dimensionar Misturador Dimensionar Processo Calcular Lucro Simular Resfriador Simular Misturador Simular Processo Otimizar Processo OTIMIZAÇÃO Palavra com dois significados: Ação de buscar a solução ótima de um problema Campo da Matemática dedicado ao desenvolvimento de métodos de busca da solução ótima de um problema Comentário Todo problema de Otimização encerra um conflito A solução ótima é o ponto de equilíbrio entre os fatores conflitantes. W kg B/h ? Exemplo B: benzeno (solvente) Q = 10.000 kgA/h A : água x kgB/kgA EXTRATOR xo= 0,02 kg AB/kg A AB: ácido benzóico (soluto) rafinado No extrator, a vazão de solvente afeta o Lucro de forma conflitante. y kg AB/kg B (extrato) Com o aumento da vazão: 60 - aumenta a recuperação de soluto. Logo, aumenta a Receita. 50 R 40 - aumenta o consumo de solvente. Logo, aumenta o Custo operacional. C L,R,C30 $/a 20 L=R-C Vazão ótima Lucro máximo Lo=15,6 10 0 0 1000 2000 3000 Wo = 1.973,6 4000 5000 6000 W kg/h Até à vazão ótima, a Receita cresce mais rapidamente e o Lucro aumenta. Após a vazão ótima, o Custo cresce mais rapidamente e o Lucro diminui. A vazão ótima é o ponto de equilíbrio entre os fatores conflitantes 5. OTIMIZAÇÃO PARAMÉTRICA 5.1 Conceito de Otimização 5.2 Elementos Comuns em Problemas de Otimização 5.2.1 Variáveis de Decisão (Manipuladas) 5.2.2 Critério 5.2.3 Função Objetivo 5.2.4 Restrições 5.2.5 Região Viável 5.3 Localização da Solução Ótima 5.4 Problemas e Métodos de Otimização 5.5 Método Analítico: problemas univariáveis e multivariáveis. 5.6 Métodos Numéricos: problemas univariáveis e multivariáveis. 5.1 CONCEITO DE OTIMIZAÇÃO Do Capítulo 2: na resolução de qualquer problema: Graus de Liberdade G = V - N - E V : número de variáveis N : número de equações E: número de variáveis especificadas (E = C + M) C = condições conhecidas M = metas de projeto Em problemas de dimensionamento, ocorre uma das três situações: - metas estritamente suficientes G = 0 solução única - metas inconsistentes ou em excesso G 0 solução impossível y y y paralelas x - metas insuficientes G > 0 infinidade de soluções viáveis coincidentes x x Exemplo simples: dimensionamento de um extrator (a) Dimensionamento com x = 0,01 kgAB/kgA como meta W kg B/h ? B: benzeno (solvente) Modelo Matemático: 1. Q (xo - x) - W y = 0 2. y - k x = 0 Q = 10.000 kgA/h A : água EXTRATOR x = 0,01 kgAB/kgA Balanço de Informação: rafinado xo= 0,02 kg AB/kg A AB: ácido benzóico (soluto) y kg AB/kg B extrato V = 5, N = 2, C = 2, M = 1 G=0 (solução única) y = 0,04; W = 2.500 kg/h (b) Dimensionamento com x = 0,01 kgAB/kgA e y = 0,03 kgAB/kgB como metas. W kg B/h ? B: benzeno (solvente) Q = 10.000 kgA/h A : água EXTRATOR x = 0,01 kgAB/kgA Modelo Matemático: 1. Q (xo - x) - W y = 0 2. y - k x = 0 Identidade! rafinado xo= 0,02 kg AB/kg A AB: ácido benzóico (soluto) y = 0,03 kg AB/kg B extrato Balanço de Informação: V = 5, N = 2, C = 2, M = 2 G = - 1 (metas em excesso) Metas incompatíveis na (Eq.2): o valor de y compatível com x = 0,01 é 0,04. solução impossível! (c) Dimensionamento sem especificação de metas W kg B/h ? B: benzeno (solvente) Q = 10.000 kgA/h A : água EXTRATOR x kgB/kgA rafinado xo= 0,02 kg AB/kg A AB: ácido benzóico (soluto) Modelo Matemático: 1. Q (xo - x) - W y = 0 2. y - k x = 0 y kg AB/kg B extrato Balanço de Informação: V = 5, N = 2, C = 2, M = 0 G = 1 (infinidade de soluções) Neste caso (G > 0) é imperioso buscar a melhor de todas as soluções: Otimização Solução Ótima Insuficiência de metas gera graus de liberdade 5. OTIMIZAÇÃO PARAMÉTRICA 5.1 Conceito de Otimização 5.2 Elementos Comuns em Problemas de Otimização 5.2.1 Variáveis de Decisão (Manipuladas) 5.2.2 Critério 5.2.3 Função Objetivo 5.2.4 Restrições 5.2.5 Região Viável 5.3 Localização da Solução Ótima 5.4 Problemas e Métodos de Otimização 5.5 Método Analítico: problemas univariáveis e multivariáveis. 5.6 Métodos Numéricos: problemas univariáveis e multivariáveis. 5.2 ELEMENTOS COMUNS EM PROBLEMAS DE OTIMIZAÇÃO Todo problema de otimização exibe os seguintes elementos, qualquer que seja a sua área de aplicação. 5.2.1 Variáveis de Decisão (Manipuladas) 5.2.2 Critério 5.2.3 Função Objetivo 5.2.4 Restrições 5.2.5 Região Viável 5.2.1 Variáveis de Decisão (Manipuladas) São as variáveis manipuladas pelo método de otimização durante a busca da solução ótima. Na Engenharia de Processos são chamadas de Variáveis de Projeto. W1 x11,x14 T1,T2,T5,T6,T8,T11,T14, VARIÁVEIS ESPECIFICADAS MODELO MATEMÁTICO W4,W6,W8,W11,W14 Vd,Ae,Ac,Ar INCÓGNITAS AVALIAÇÃO ECONÔMICA L r,T9,T12 OTIMIZAÇÃO VARIÁVEIS DE PROJETO Resultam da liberdade conferida ao projetista pela insuficiência de metas de projeto O módulo de Otimização arbitra sucessivos valores das variáveis de projeto até o Lucro alcançar o seu valor máximo. Exemplo x4c C=2 x5c E=3 M=1 x6 m x1 1 2 3 V=7 y x2 x3 N=3 coincidentes x7 G=V–E–N=7-3-3=1 Metas insuficientes, incógnitas em excesso Sistema consistente indeterminado (infinidade de soluções) x G=V–E–N=7-3-3=1 x4c x1 1 x5c x6 m 2 x3 3 x7 x4c x5 c x2 x1 1 Para se obter uma das soluções, é preciso especificar uma das 4 incógnitas. Não havendo imposições, o projetista tem a liberdade de escolher essa incógnita. Por exemplo: x7. A variável escolhida é denominada variável de projeto. x2 x6m 2 x7p 3 x3 O critério de escolha se baseia na minimização do esforço computacional, abordado no Capítulo 3 (Algoritmo de Ordenação de Equações). Sem imposições, o projetista também tem a liberdade de escolher o valor da variável de projeto. A cada valor corresponde uma solução viável e um valor para o Lucro. x4 c x5 c x1 Se a variável for contínua, haverá uma infinidade de soluções viáveis (indeterminado) x2 Ele deve escolher o valor que corresponde ao Lucro Máximo (solução ótima). 1 x6m 2 x7p 3 500 x3 400 L Qualquer outro valor atribuído como meta produziria uma solução pior do que a ótima. 300 200 100 0 0,0 0,2 xm 7 0,4 xp 7 0,6 0,8 1,0 As variáveis de projeto são escolhidas dentre as nãoespecificadas. Exemplo: otimização do extrator W kg B/h Q = 10.000 kgA/h x kgB/kgA rafinado xo= 0,02 kg AB/kg A y kg AB/kg B extrato Modelo Matemático Balanço de Informação 1. Q (xo - x) - W y = 0 V = 5, N = 2, C = 2, G = 1 2. y - k x = 0 (candidatas: x, y, W) Qualquer escolha resulta na solução ótima Variável de Projeto: W 1. Q (xo - x) - W y = 0 2. y * - k x = 0 Variável de Projeto: x 1. Q (xo - x) - W y = 0 xo* 2. y - k x = 0 xo y W 1 2 Wo = 1.972,3 xo = 0,01118 yo = 0,04472 Lo = 15,6 $/h 60 xo = 0,01118 yo = 0,04472 Wo = 1.972,3 Lo = 15,6 $/h x 2 x 50 60 R 40 50 R C L,R,C30 $/a 20 Lo L=R-C C L,R,C 30 $/a 40 0 0 1 Q* Q* 20 Lo=15,6 10 y W = 15,6 10 L xo = 0, 01118 0 0,006 0,008 0,010 0,012 0,014 0,016 0,018 0,020 0,022 x kgAB/kg A 1000 2000 3000 4000 5000 6000 Wo = 1.973,6 W kg/h Qualquer escolha resulta na solução ótima Mas a escolha afeta o esforço computacional envolvido na otimização Variável de Projeto: W 1. Q (xo - x) - W y = 0 2. y - k x = 0 Variável de Projeto: x 1. Q (xo - x) - W y = 0 2. y - k x = 0 xo* xo* y y W W 1 2 1 2 x Q* Escolha infeliz ! Sequência de cálculo cíclica Otimização com cálculo iterativo Q* x Escolha feliz ! Ciclo aberto por x (o mesmo p/ y) Sequência de cálculo acíclica: 2. y = k x 1. W = Q (xo - x)/y O Algoritmo de Ordenação de Equações conduz à escolha acertada 5.2 ELEMENTOS COMUNS EM PROBLEMAS DE OTIMIZAÇÃO São os elementos presentes em qualquer problema de otimização, independentemente da área de aplicação. 5.2.1 Variáveis de Decisão (Manipuladas) 5.2.2 Critério 5.2.2 Função Objetivo 5.2.3 Restrições 5.2.4 Região Viável Devem ser identificados e analisados antes de se iniciar a resolução do problema 5.2.2 Critério A busca da solução ótima tem que ser norteada por um critério. O critério mais comum é econômico: 500 500 R 400 L 400 300 L 300 200 200 100 100 0 0,0 0,2 0,4 x7o 0,6 0,8 Maximização do Lucro 1,0 C 0 L 0,0 0,2 0,4 x7o 0,6 0,8 1,0 Minimização do Custo (produção fixa Receita constante) 5.2.2 Critério 500 400 L 300 200 100 0 0,0 0,2 xm 7 0,4 xp 7 0,6 0,8 1,0 Outros critérios adotados: segurança e controlabilidade. A solução ótima segundo um critério pode não ser a ótima segundo um outro critério. Por exemplo: a solução mais econômica pode não ser a mais segura. E vice-versa. Dois ou mais critérios podem ser utilizados simultaneamente com pesos diferentes (otimização com objetivos múltiplos) 5.2 ELEMENTOS COMUNS EM PROBLEMAS DE OTIMIZAÇÃO São os elementos presentes em qualquer problema de otimização, independentemente da área de aplicação. 5.2.1 Variáveis de Decisão (Manipuladas) 5.2.2 Critério 5.2.3 Função Objetivo 5.2.5 Restrições 5.2.5 Região Viável 5.2.3 Função Objetivo É a expressão matemática do critério de otimização descrita em termos das variáveis físicas do problema. Pode assumir formas das mais simples às mais complexas. A sua caracterização é fundamental para a resolução do problema de otimização. Pode ser classificada quanto à: (a) Continuidade: contínua, contínua com descontinuidade na derivada, descontínua ou discreta. (b) Modalidade: unimodal, multimodal. (c ) Convexidade: côncava ou convexa. 5.2.3 Função Objetivo (a) Continuidade 0,6 0,5 0,5 0,4 0,4 0,3 y 0,3 y 0,2 0,2 0,1 0,0 0,0 0,1 0,2 0,4 x 0,6 0,8 0,0 0,0 1,0 Função Contínua 1,0 10 0,8 8 0,6 6 0,2 0,4 x 0,6 0,8 1,0 Função Contínua com descontinuidade na derivada y y 0,4 4 0,2 2 0,0 0,0 0,2 0,4 x 0,6 0,8 1,0 Função Descontínua 0 0 2 4 6 x 8 Função Discreta 10 5.2.3 Função Objetivo (b) Modalidade 2,0 1,8 1,6 1,4 0,5 1,2 1,0 0,8 0,4 0,6 f 0,3 y 0,2 0,1 0,0 0,0 0,2 0,4 x 0,6 0,8 1,0 Função Unimodal em 1 Dimensão 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 X1 1,0 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 X2 -0,8 -1,0 Função Unimodal em 2 Dimensões 5.2.3 Função Objetivo (b) Modalidade 220 A 215 4 E 3 C C y 210 f D B 205 A B 2 1 1 0 -1 2 3,0 2,5 3 2,0 x 2 1,5 4 1,0 0,5 F 200 0 0,0 5 -0,5 x 1 1 2 3 x 4 5 6 Função Bimodal em 1 Dimensão -1,0 6 -1,5 -2,0 Função Bimodal em 2 Dimensões 5.2.3 Função Objetivo (c ) Convexidade (funções univariáveis) y y[(1-a) x1 + a x2]0,5 0,4 (1-a) y(x1) + a y(x2) 0,3 0,2 0,1 0a1 0,0 0,0 0,2 x1 0,4 0,6 (1-a)x1+ ax2x2 0,8 1,0 x Função côncava: o valor dado pela função é superior ao dado pela reta. y[(1-a) x1 + a x2] > (1-a) y(x1) + a y(x2) 5.2.3 Função Objetivo (c ) Convexidade (funções univariáveis) y 0,5 0,4 0,3 (1-a) y(x1) + a y(x2) 0,2 0,1 y[(1-a) x1 + a x2] 0a1 0,0 0,0 0,2 x1 0,4 (1-a)x1+ ax2 0,6 x2 0,8 x 1,0 Função convexa: o valor dado pela função é inferior ao dado pela reta. y[(1-a) x1 + a x2] < (1-a) y(x1) + a y(x2) Concavidade (negativa) e Convexidade (positiva) de funções univariáveis podem ser determinadas pela segunda derivada da função no ponto extremo. 5.2.3 Função Objetivo (c ) Convexidade (funções multivariáveis) Para funções multivariáveis, a convexidade encontra-se relacionada aos seus Valores Característicos, que são as raízes da sua Equação Característica. Exemplo: para uma função qualquer de duas variáveis, existem: f 11 f 12 H(x) = Matriz Hessiana: f 21 f 22 2f fij xix j Equação Característica: f 11 - f det f 21 f 2 – (f11 + f22) + (f11f22 – f12f22) = 0 12 22 - =0 Os Valores Característicos são as raízes desta equação. 5.2.3 Função Objetivo (c ) Convexidade (funções multivariáveis) Ilustração: Funções Quadráticas f(x) = bo + b1 x1 + b2 x2 + b11 x12 + b22 x22 + b12 x1 x2 convexa positiva semi-definida estritamente côncava negativa definida côncava negativa semi-definida ponto de sela indefinida 2,0 1,8 1,6 1,4 1,2 2,0 1,0 1,8 0,8 0,6 1,6 f 1,4 1,2 1,0 f 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 0,8 0,6 0,4 0,2 0,0 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 -1,0 0 1,0 0,8 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 X1 1,0 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 X2 -0,8 -1,0 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,0 X1 1,0 -1,1 -0,80 -1,4 0,8 -0,50 1,0 1,0 0,6 -0,20 0,40 0,4 0,8 0,8 0,70 0,2 0,6 0,6 x2 estritamente convexa f f 0,4 0,10 0,0 0,10 -0,4 0,2 0,2 0,0 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 X1 0,2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 0,4 0,6 0,8 1,0 0,0 -1,0 -0,8 0,70 -0,2 0,4 -0,6 -0,4 -0,2 0,0 X1 0,2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 X2 f ( x) positiva definida X2 H ( x) X2 , 1 2 >0, >0 1 2 >0, =0 1 2 < 0, < 0 1 2 < 0, = 0 1 2 >0, <0 1 2 0,4 0,6 0,8 1,0 0,40 -0,20 -0,6 -0,8 -1,0 -1,0 -0,50 -0,80 -1,1 -1,4 -0,8 -0,6 -1,7 -0,4 -0,2 0,0 X1 0,2 0,4 0,6 0,8 1,0 3.7 Dimensionamento Desprezada a solubilidade do benzeno em água. Sistema isotérmico (To = Ts = T = 25 oC; k = 4). W2 kg B/h ? W1 kg B/h ? Q* = 10.000 kgA/h xo*= 0,02 kg AB/kg A alimentaçã o Q = 10.000 kgA/h x1 * = 0,015 kgAB/kgA 1 rafinado W1 kg B/h y1 kg AB/kg B ? extrato Modelo Físico 1. Q* (xo* - x1 *) - W1 y1 = 0 2. y1 - k x1 * = 0 3. Q * (x1 * - x2 *) - W2 y2 = 0 4. y2 - k x2 * = 0 Q = 10.000 kgA/h x2 * = 0,008 kgAB/kg A 2 rafinado W2 kg B/h y2 kg AB/kg B ? extrato Balanço de Informação V = 8, N = 4, C = 2, M = 2 G = 0 (solução única) 5.6 Dimensionamento/Otimização Desprezada a solubilidade do benzeno em água. Sistema isotérmico (To = Ts = T = 25 oC; k = 4). Q* = 10.000 kgA/h xo*= 0,02 kg AB/kg A alimentaç ão W1 kg B/h ? Q = 10.000 kgA/h x1 kgAB/kg A ? W2 kg B/h ? Q = 10.000 kgA/h x2 kgAB/kgA ? 2 1 rafinado W1 kg B/h ? y1 kg AB/kg B ? extrato Modelo Físico: 1. Q* (xo* - x1) - W1 y1 = 0 2. y1 - k x1 = 0 3. Q* (x1 - x2) - W2 y2 = 0 4. y2 - k x2 = 0 rafinado W2 kg B/h ? y2 kg AB/kg B ? extrato Balanço de Informação: V = 8, N = 4, C = 2, M = 0 G = 2 (otimização) Exemplo de Função Não-Quadrática (Lucro de 2 extratores em série) L = a- x b - cx 2 - d 1 x1 x2 0,020 20 0,018 18 0,016 0 4,0 2,0 6,0 8,0 16 10 0,014 14 16 L 14 0,012 12 X2 10 18 0,010 8 0,008 6 4 0,006 2 0 0,005 0,010 0,015 0,020 x1 0,025 0,030 0,035 0,020 0,018 0,016 0,014 0,012 0,010 0,008 0,006 0,004 X2 0,002 12 0,004 0,002 0,005 0,010 0,015 Aplica-se a mesma classificação 0,020 X1 0,025 0,030 0,035 5.2 ELEMENTOS COMUNS EM PROBLEMAS DE OTIMIZAÇÃO São os elementos presentes em qualquer problema de otimização, independentemente da área de aplicação. 5.2.1 Variáveis de Decisão 5.2.2 Critério 5.2.3 Função Objetivo 5.2.4 Restrições 5.2.5 Região Viável 5.2.3 Restrições São os limites impostos pelas leis naturais ou estabelecidos às variáveis do processo. Há dois tipos de restrições: (a) restrições de igualdade : h(x) = 0 São as equações do próprio modelo matemático. (b) restrições de desigualdade: g (x) 0 São os limites impostos às Variáveis de Projeto Enunciado Formal de um Problema de Otimização Min f(x) x Função Objetivo Variável de Projeto s.a.: g(x) 0 Restrições de desigualdade h(x) = 0 Restrições de Igualdade W kg B/h Exemplo: otimização do extrator Max L(x) = R – C {x} s.a.: g(x) = x - xo 0 h1 (x) = Q (xo - x) - W y = 0 h2 (x) = y - k x = 0 Q = 10.000 kgA/h x kgB/kgA rafinado xo= 0,02 kg AB/kg A y kg AB/kg B extrato A presença de restrições pode alterar a solução de um problema 5.2.3 Restrições (a) Restrições de Igualdade (solução sobre a curva) 2,0 0,4 0,6 1,5 0,8 1.0 A x 1,0 2 0,5 B 0,0 0,0 h(x) = 0 0,5 1,0 x 1,5 2,0 1 f ( x ) 1 ( x 1 1) 2 ( x 1 1)( x 2 1) ( x 2 1) 2 h ( x ) x 12 x 22 0 , 25 0 g2(x) = x1 0 g3(x) = x2 0 Solução Irrestrita: A Solução Restrita : B 2,0 0,4 h(x) = 0 0,6 0,8 1,5 x 2 0,5 0,0 0,0 C A 1,0 1,0 B 0,5 1,0 x1 1,5 2,0 f ( x ) 1 ( x 1 1) 2 ( x 1 1)( x 2 1) ( x 2 1) 2 h ( x ) x 2 2 , 1( x1 1) 2 0 , 1 0 g2(x) = x1 0 g3(x) = x2 0 Solução Irrestrita: A Solução Restrita : B Máximo Local: C 2,0 0,4 0,6 1,5 0,8 1.0 A x 1,0 2 h2(x) = 0 0,5 0,0 0,0 B h1(x)=0 0,5 1,0 x 1,5 2,0 1 f ( x ) 1 ( x 1 1) 2 ( x 1 1)( x 2 1) ( x 2 1) 2 h 1 ( x ) x 12 x 22 0 , 25 0 h 2 ( x ) x 12 x 22 0 , 25 0 g2(x) = x1 0 g3(x) = x2 0 Solução Irrestrita: A Solução Restrita : B (restrições compatíveis) 2,0 0,4 0,6 1,5 0,8 1.0 A x2 1,0 0,5 0,0 0,0 B h1(x)=0 0,5 h2(x) = 0 1,0 x 1 1,5 2,0 f ( x ) 1 ( x 1 1) 2 ( x 1 1)( x 2 1) ( x 2 1) 2 h 1 ( x ) x 12 x 22 0 , 25 0 h 2 ( x ) x1 x 2 1 0 g2(x) = x1 0 g3(x) = x2 0 Solução irrestrita: A Solução restrita: impossível ( restrições incompatíveis) 5.2.3 Restrições (b) Restrições de Desigualdade (fronteira e interior de regiões) 2,0 0,4 0,6 1,5 0,8 1.0 A x2 1,0 0,5 B 0,0 0,0 0,5 1,0 1,5 2,0 x1 f ( x ) 1 ( x1 1) 2 ( x1 1)( x 2 1) ( x 2 1) 2 g ( x ) = x 2 + x 2 - 0 , 25 0 1 1 2 g2(x) = x1 0 g3(x) = x2 0 Solução irrestrita: A Solução restrita : B 2,0 0,4 0,6 1,5 0,8 1.0 A x2 1,0 0,5 0,0 0,0 B 0,5 1,0 x1 1,5 2,0 f ( x ) 1 ( x1 1) 2 ( x1 1)( x 2 1) ( x 2 1) 2 g ( x ) = x 2 + x 2 - 0 , 25 0 1 1 2 g2(x) = x1 0 g3(x) = x2 0 Solução irrestrita: A Solução restrita : A 2,0 0,4 0,6 B 1,5 0,8 A 1,0 x2 1,0 g2(x) 0,5 g1(x) 0,0 0,0 0,5 1,0 x1 1,5 2,0 f ( x ) 1 ( x1 1) 2 ( x1 1)( x 2 1) ( x 2 1) 2 g1 ( x) x12 x 22 1 0 g 2 ( x ) x12 x 22 4 0 g3(x) = x1 0 g4(x) = x2 0 Solução irrestrita: A Solução restrita : B 2,0 0,4 0,6 1,5 0,8 A 1,0 x2 1,0 g2(x) C 0,5 g1(x) 0,0 0,0 0,5 1,0 x1 1,5 2,0 f ( x ) 1 ( x1 1) 2 ( x1 1)( x 2 1) ( x 2 1) 2 g 1 ( x ) x 12 x 22 1 0 g 2 ( x ) x12 x 22 4 0 g3(x) = x1 0 g4(x) = x2 0 Solução irrestrita: A Solução restrita : C 2,0 0,4 0,6 1,5 0,8 A 1,0 x2 1,0 g2(x) 0,5 g1(x) 0,0 0,0 0,5 1,0 x1 1,5 2,0 f ( x ) 1 ( x1 1) 2 ( x1 1)( x 2 1) ( x 2 1) 2 g1 ( x) x12 x 22 1 0 g 2 ( x ) x12 x 22 4 0 g3(x) = x1 0 g4(x) = x2 0 Solução irrestrita: A Solução restrita : A 2,0 0,4 0,6 1,5 0,8 A 1,0 x2 1,0 g2(x) 0,5 g1(x) 0,0 0,0 0,5 1,0 x1 1,5 2,0 f ( x ) 1 ( x1 1) 2 ( x1 1)( x 2 1) ( x 2 1) 2 g 1 ( x ) x 12 x 22 1 0 g 2 ( x ) x12 x 22 4 0 g3(x) = x1 0 g4(x) = x2 0 Solução impossível Restrições incompatíveis 5.2 ELEMENTOS COMUNS EM PROBLEMAS DE OTIMIZAÇÃO São os elementos presentes em qualquer problema de otimização, independentemente da área de aplicação. 5.2.1 Variáveis de Decisão (Manipuladas) 5.2.2 Critério 5.2.3 Função Objetivo 5.2.4 Restrições 5.2.5 Região Viável 5.2.4 Região Viável Região do espaço delimitada pelas restrições de igualdade e de desigualdade à qual se restringe a busca da solução ótima. x3 Max f(x) {x} h(x) = 0 g(x) 0 s.a.: h(x) = 0 g(x) 0 x1 x2 Busca restrita ao interior da elipse (restrição de desigualdade g(x) 0) que se encontra sobre o plano (restrição de igualdade h(x) = 0) 5.2.4 Região Viável Convexidade 2,0 g1 ( x) ( x12 2) 2 ( x2 2) 2 4 0 1,5 g2 ( x) x12 x22 4 0 g 3 (x) (x1 2) 2 x 2 4 0 g (x) 3 g (x) 2 x 1,0 2 A 0,5 B g (x) 1 0,0 0,0 0,5 1,0 x 1 1,5 2,0 Região Convexa Qualquer par de pontos pode ser unido por uma reta totalmente contida na região. A convexidade garante a convergência dos métodos de otimização 5.2.4 Região Viável Convexidade g1 (x) x12 x22 4 0 2,0 g (x) = x 2 + (x - 2) 2 - 4 0 2 1 2 g 3 ( x) x12 ( x 2 1) 2 1 0 g (x) A 1 1,5 x 1,0 2 g (x) 3 0,5 Região Não - Convexa A reta que une A e B não permanece contida na região g (x) 2 B 0,0 0,0 0,5 1,0 x 1 1,5 2,0 20 18 16 14 12 10 8 6 4 2 0 0,020 0,018 0,016 0,005 0,014 0,010 0,012 0,015 0,010 0,020 1 0,025 0,006 0,004 0,030 0,035 0,002 2 x 0,008 x L Restrições podem ser lineares: x1 – 0,02 0 x2 – x1 0 5. OTIMIZAÇÃO PARAMÉTRICA 5.1 Conceito de Otimização 5.2 Elementos Comuns em Problemas de Otimização 5.2.1 Variáveis de Decisão (Manipuladas) 5.2.2 Critério 5.2.3 Função Objetivo 5.2.4 Restrições 5.2.5 Região Viável 5.3 Localização da Solução Ótima 5.4 Problemas e Métodos de Otimização 5.5 Método Analítico: problemas univariáveis e multivariáveis. 5.6 Métodos Numéricos: problemas univariáveis e multivariáveis. 5.3 Localização da Solução Ótima Localização de valores extremos na faixa x1 x x2 M 5 M 4 f(x) 3 M 2 1 0 m m x1 5 10 x 15 x20 2 Pontos estacionários, descontinuidades das derivadas e fronteiras do intervalo. Máximos (M) e Mínimos (m) locais e globais 5.3 Localização da Solução Ótima Condição para a otimalidade SEM restrição: • Condição necessária de primeira ordem: Para que x* seja um mínimo (ou máximo) local da função f(x), diferenciável em x*, é necessário que: f(x*) = 0 • Condição necessária de segunda ordem: Para que x* seja um mínimo local da função f(x), duas vezes diferenciável em x*, é necessário que a condição de primeira ordem seja satisfeita e que a matriz Hessiana H(x*) = 2f(x*) seja positiva semi-definida (ou negativa semi-definida para máximo). Condição para a otimalidade SEM restrição: • Condição suficiente de segunda ordem: Seja f(x) duas vezes diferenciável em x* tal que: f(x*) = 0 e H(x*) seja positiva definida então x* é um mínimo local estrito de f (ou máximo se negativa definida). Condição para a otimalidade COM restrição: • Condição necessária de primeira ordem de Karush-KuhnTucker (KKT): Para que x* seja um ótimo local do problema com restrições, com f(x), g(x), e h(x) diferenciáveis em x*, é necessário que: os gradientes das restrições de desigualdade ativas, g(x*), e das restrições de igualdade, h(x*), sejam linearmente independentes, e que as seguintes condições sejam satisfeitas: xL(x*, λ*, μ*) = S(x*) + (λ*)T h(x*) + (μ*)T g(x*) = 0 h(x*) = 0 g(x*) ≤ 0 μj* gj(x*) = 0 , j = 1, 2, ..., p (condições de complementaridade) μ* ≥ 0 Condição para a otimalidade COM restrição: • Condição necessária de segunda ordem de KKT: Para que x* seja um mínimo local do problema com restrições, com f(x), g(x), e h(x) duas vezes diferenciáveis em x*, é necessário que a condição de primeira ordem de KKT seja satisfeita e, que a matriz Hessiana da função de Lagrange, x2L(x*, λ*, μ*), seja positiva semidefinida para todo vetor não nulo d tal que: dT hi(x*) = 0 , i = 1, 2, ..., m dT gj(x*) = 0 para as gj(x*) ativas isto é, dT x2L(x*, λ*, μ*) d ≥ 0. 5. OTIMIZAÇÃO PARAMÉTRICA 5.1 Conceito de Otimização 5.2 Elementos Comuns em Problemas de Otimização 5.2.1 Variáveis de Decisão (Manipuladas) 5.2.2 Critério 5.2.3 Função Objetivo 5.2.4 Restrições 5.2.5 Região Viável 5.3 Localização da Solução Ótima 5.4 Problemas e Métodos de Otimização 5.5 Método Analítico: problemas univariáveis e multivariáveis. 5.6 Métodos Numéricos: problemas univariáveis e multivariáveis. 5.4 PROBLEMAS E MÉTODOS DE OTIMIZAÇÃO À luz dos conceitos apresentados os problemas de otimização podem ser classificados: (a) Quanto ao número de variáveis: - Univariáveis ou Multivariáveis (b) Quanto à presença de restrições: - Irrestritos ou Restritos Os métodos de resolução podem ser classificados: (a) Quanto à natureza: - Analítico: localiza os pontos estacionários pelo cálculo das derivadas da função objetivo. - Numéricos: buscam os pontos estacionários por tentativas. (b) Quanto ao tipo de informação utilizada: - Diretos: utilizam apenas o valor da função objetivo. - Indiretos: utilizam, também, os valores das suas derivadas. 5.4 PROBLEMAS E MÉTODOS DE OTIMIZAÇÃO Problemas: (a) Quanto ao número de variáveis: univariáveis ou multivariáveis (b) Quanto à presença de restrições: restritos ou irrestritos. Métodos: (a) Quanto à natureza: analíticos ou numéricos (b) Quanto ao tipo de informação utilizada: diretos ou indiretos. Com base nessa informação, pode-se formular diversos planos para um estudo sistemático de Otimização. 5. OTIMIZAÇÃO PARAMÉTRICA 5.1 Conceito de Otimização 5.2 Elementos Comuns em Problemas de Otimização 5.2.1 Variáveis de Decisão (Manipuladas) 5.2.2 Critério 5.2.3 Função Objetivo 5.2.4 Restrições 5.2.5 Região Viável 5.3 Localização da Solução Ótima 5.4 Problemas e Métodos de Otimização 5.5 Método Analítico: problemas univariáveis e multivariáveis 5.6 Métodos Numéricos: problemas univariáveis e multivariáveis 5.5 MÉTODO ANALÍTICO 5.5.1 Problemas univariáveis Exemplo: dimensionamento do extrator W kg B/h Q = 10.000 kgA/h x kgB/kgA rafinado xo= 0,02 kg AB/kg A y kg AB/kg B extrato Modelo Matemático: Balanço de Informação: 1. Q (xo - x) - W y = 0 V = 5, N = 2, C = 2, M = 0 2. y - k x = 0 (k = 4) G = 1 (otimização) Avaliação Econômica: L=R-C R = pAB W y C = pB W pAB = 0,4 $/kgAB : pB = 0,01 $/kgB Seqüência de Cálculo x y W 1 * * * 2 * * x y W 1 x x o 2 x o 2. y = k x 1. W = Q (xo - x)/y Restrições de Igualdade !!! Função Objetivo: L = R - C = pAB W y - pB W Incorporando a L às Restrições de Igualdade ordenadas : 2. y = k x 1. W = Q (xo - x)/y L = a - b x - c/x a = Q ( p AB x o + pB k ) = 105 b = p AB Q = 4000 c = p B Qx o = 0 ,5 k L = a - b x - c/x 60 Busca do ponto estacionário: dL 50 = - b+ dx R 40 c b Solução completa do problema: o d2L dx 2 L = 15,6 L 10 = 0 , 01118 yo = 0,04472 kg AB/kg B; Wo = 1.972,3 kgB/h; Ro = 35,3 $/h; Co = 19,7 $/h; Lo = 15,6 $/h C L,R,C 30 $/a 20 c = 0 || x o = x2 = -2 xo c <0 o 3 (x ) Máximo! o x =0, 01118 0 0,006 0,008 0,010 0,012 0,014 0,016 x kgAB/kg A 0,018 0,020 0,022 5.5 MÉTODO ANALÍTICO 5.5.2 Problemas multivariáveis Exemplo: dimensionamento de 2 extratores em série W kgB/h 1 Q = 10.000 kgA/h xo = 0,02 kgAB/kgA x kgAB/kgA 1 1 x kgAB/kgA 2 2 y Modelo Matemático 1. Q(xo - x1) - W1 y1 = 0 2. y1 - k x1 = 0 3. Q(x1 -x2) - W2 y2 = 0 4. y2 - k x2 = 0 W kgB/h 2 1 kgAB/kgB y 2 kgAB/kgB Avaliação Econômica L=R-C R = pAB (W1 y1 + W2 y2 ) C = pB (W1 + W2) pAB = 0,4 $/kgAB : pB = 0,01 $/kgB Balanço de Informação: V = 8; N = 4; C = 2; G = 2 (otimização) 5.5 MÉTODO ANALÍTICO 5.5.2 Problemas multivariáveis Modelo Matemático 1. Q (xo - x1) - W1 y1 = 0 2. y1 - k x1 = 0 3. Q(x1 -x2) - W2 y2 = 0 4. y2 - k x2 = 0 Modelo Matemático 2. y1 = k x1 4. y2 = k x2 3. W2 = Q (x1 – x2)/ y2 1. W1 = Q (xo - x1)/ y1 1 2 3 4 W1 x1 y1 W2 x2 y2 * * * * * * * * * * * 1 2 3 4 W1 x1 y1 W2 x2 y2 o x x x o x o x x x o Incorporando as Restrições de Igualdade à Função Objetivo L L=R–C R = pAB (W1 y1 + W2 y2 ) C = pB (W1 + W2) 2. y1 = k x1 4. y2 = k x2 3. W2 = Q (x1 – x2)/ y2 1. W1 = Q (xo - x1)/ y1 L = a – b/x1– cx2 – d x1/x2 a = pAB Q xo + 2 pB Q / k = 130; b = pB Q xo/ k = 0,5; c = pAB Q = 4000; d = pB Q / k = 25 Buscando o ponto estacionário: L/x1 = b/x12 – d/x2 = 0 x1o = (b2/cd)1/3 = 0,01357 L/x2 = - c + dx1/x22 = 0 x2o = (d/b) x12 = 0,00921 Solução completa: y1o = 0,05428 kgAB/kgB; W1o = 1.184 kgB/h y2o = 0,03684 kgAB/kgB; W2o = 1.184 kgB/h Co = 23,68 $/h; Ro = 43,15 $/h; Lo = 19,47 $/h Analisando o ponto estacionário: L/x1 = b/x12 – d/x2 = 0 x1o = (b2/cd)1/3 = 0,01357 L/x2 = - c + dx1/x22 = 0 x2o = (d/b) x12 = 0,00921 2L 2 x 1 H(x1o ,x o2 ) 2 L x1x 2 det(H - I) = 0 b 2L 2 (x o )3 x 2x1 1 = d 2L o 2 2 x 2 xo (x 2 ) d (xo2 )2 4 105 o d x1 2,95 105 2 o 3 (x 2 ) 1 = -0,258106 Máximo! e 2,95 105 8,69 105 2 = -1,011106 0,020 0,018 0,016 0,005 0,014 0,010 0,012 0,015 0,010 0,020 1 0,025 0,006 0,004 0,030 0,035 0,002 2 x 0,008 x L 20 18 16 14 12 10 8 6 4 2 0 0,020 0,018 0,016 0,005 0,014 0,010 0,012 0,015 0,010 0,020 1 0,025 0,006 0,004 0,030 0,035 0,002 2 x 0,008 x L 20 18 16 14 12 10 8 6 4 2 0 W1 = 1.184 kgB/h x1 = 0,01357 kgAB/kgA Q = 10.000 kgA/h xo = 0,02 kgAB/kgA W2 = 1.184 kgB/h 1 2 y1 = 0,05428 kgAB/kgA Estágio Soluto Recup. kg/h Solv. Consum. kg/h Lucro $/a x2 = 0,00921 kgAB/kgA y2 = 0,03824 kgAB/kgA 1 2 64,28 1.184 13,87 43,62 1.184 5,61 Total 107,90 2.368 19,48 0,020 0,018 8,0 0,016 10 0,014 16 0,012 X2 0,010 0 4,0 2,0 6,0 19,5 0,00921 14 18 0,008 0,006 12 0,004 0,01357 0,002 0,005 0,010 0,015 0,020 X1 0,025 0,030 0,035 3.7 Dimensionamento Desprezada a solubilidade do benzeno em água. Sistema isotérmico (To = Ts = T = 25 oC; k = 4). W2 kg B/h ? W1 kg B/h ? Q* = 10.000 kgA/h xo*= 0,02 kg AB/kg A alimentação Q = 10.000 kgA/h x1 * = 0,015 kgAB/kgA 1 rafinado W1 kg B/h y1 kg AB/kg B ? extrato Modelo Físico 1. Q* (xo* - x1 *) - W1 y1 = 0 2. y1 - k x1 * = 0 3. Q * (x1 * - x2 *) - W2 y2 = 0 4. y2 - k x2 * = 0 Q = 10.000 kgA/h x2 * = 0,008 kgAB/kg A 2 rafinado W2 kg B/h y2 kg AB/kg B ? extrato Balanço de Informação V = 8, N = 4, C = 2, M = 2 G = 0 (solução única) Dimensionamento: x1* = 0,015 e x2* = 0,008 0,020 0,018 8,0 0,016 0 4,0 2,0 6,0 10 0,014 16 0,012 X2 0,010 19,5 14 18 17,8 0,008 0,006 12 0,004 0,002 0,005 0,010 0,015 0,020 X1 0,025 0,030 0,035 OTIMIZAÇÃO SIMULTÂNEA x SEQUENCIAL O Método Analítico foi aplicado às duas variáveis de projeto simultaneamente, surgindo um sistema de duas equações que foi resolvido. Alternativamente, poder-se-ia pensar em decompor o problema em dois sub-problemas univariáveis: otimizar o primeiro estágio e utilizar o valor ótimo x1o na alimentação e otimização do segundo. Neste caso, a solução obtida não é a solução ótima do problema! W W 2 1 * Q * x o * Q 1 x 1 W1 y 1 ( ) L1 pabQ* x*o x1 2 * x 1 ( ) pbQ* x*o x1 kx1 x 2 W 2 y 2 ( L2 pabQ* x1* x2 ) ( pbQ* x1* x2 kx2 c L1 a1 b1x1 1 x1 c L2 a2 b2x2 2 x2 p a1 Q*(pabx*o b ) 105 k b1 pabQ* 4..000 p a2 Q*(pabx1* b ) 6972 , k b2 pabQ* 4000 . pbQ*x*o 05 c1 , k c x1o 1 00111803 , b1 pbQ*x1* 02795 c2 , k c xo2 2 0008359 , b2 Lo1 1556 , $/ a Lo2 284 , $/ a ) W1 = 1.972 kgB/h x1 = 0,01118 kgAB/kgA Q = 10.000 kgA/h xo = 0,02 kgAB/kgA W2 = 843 kgB/h 1 x2 = 0,008359 kgAB/kgA 2 y1 = 0,04472 kgAB/kgA Estágio Soluto Recup. kg/h Solv. Consum. kg/h Lucro $/a y2 = 0,03344 kgAB/kgA 1 2 64,28 1.972 15,56 28,21 843 2,84 Total 116,41 2.815 18,40 Solução Simultânea Estágio Soluto Rec. kg/h Solv. Cons. kg/h Lucro $/a 1 2 64,28 1.184 13,87 43,62 1.184 5,61 Total 107,90 2.368 19,48 Solução Seqüencial Estágio Soluto Rec. kg/h Solv. Cons. kg/h Lucro $/a 1 2 88,20 1.972 15,56 28,21 843 2,84 Total 116,41 2.815 18,40 Na solução seqüencial, o primeiro estágio ignora o segundo: solução irrestrita. O segundo estágio é otimizado sob a restrição imposta pelo primeiro: solução restrita. A solução ótima é aquela obtida pela otimização simultânea Restrição de Igualdade: x1 – 0,01118 = 0 0,020 0,018 8,0 0,016 10 0,014 16 14 0,012 X2 0 4,0 2,0 6,0 18 0,010 0,008 0,006 12 0,004 0,002 0,005 0,010 0,015 0,020 X1 0,025 0,030 0,035 Problemas Restritos [hi(x) , gi(x)] Método dos Multiplicadores de Lagrange 1. Formar o Lagrangeano do problema: L(x, , , ) = f(x) + i hi (x) + j [gj(x) + j2] i , j : multiplicadores de Lagrange (ou de Kuhn-Tucker) i : variável de folga (distância de um ponto interior à fronteira da restrição; transforma desigualdade em igualdade) 2. Localizar os pontos estacionários do Lagrangeano. 3. Analisar as soluções obtidas à luz das restrições. Exemplo: Min f(x) = (x1 – 1)2 + (x2 – 1)2 s.a.: g1 (x) = x12 + x22 – 0,25 0 g2 (x) = x1 0 g3 (x) = x2 0 x2 curvas de nível da função objetivo 1 0,5 0,5 x1 1 restrição Exemplo: Min f (x) = (x1 – 1)2 + (x2 – 1)2 s.a.: g1 (x) = x12 + x22 – 0,25 0 g2 (x) = x1 0 g3 (x) = x2 0 Formar o Lagrangeano: Considerar apenas g1(x) e depois eliminar valores negativos de x1 e x2 L (x, , ) = f(x) + i hi (x) + j [gj(x) + j2] L (x, , ) = (x1 – 1)2 + (x2 – 1)2 + [x12 + x22 – 0,25 + 2] L (x, , ) = (x1 – 1)2 + (x2 – 1)2 + [x12 + x22 – 0,25 + 2] L / x1 = 2 x1 – 2 + 2 x1 = 0 x1 = 1/(1 + ) L / x2 = 2 x2 – 2 + 2 x2 = 0 x2 = 1/(1 + ) L / = x12 + x22 – 0,25 + 2 = 0 L / = 2 = 0 (1) (2) (3) (4) A Eq. (4) é satisfeita para: = 0 (solução irrestrita): (1) x1 = 1 ; (2) x2 = 1 (viola a restrição!) = 0 (folga zero, fronteira da região): (1) e (2) em (3) x1 = x2 = 0,35 x2 curvas de nível da função objetivo 1 0,5 0,5 x1 1 restrição = 0,74 Exercício: Min f (x) = x1 x2 s.a.: g1 (x) = x12 + x22 – 25 0 Encontrar os pontos estacionários deste problema, pelo método da relaxação Lagrangeana, e analisálos segundo os critérios de KKT 5. OTIMIZAÇÃO PARAMÉTRICA 5.1 Conceito de Otimização 5.2 Elementos Comuns em Problemas de Otimização 5.2.1 Variáveis de Decisão (Manipuladas) 5.2.2 Critério 5.2.3 Função Objetivo 5.2.4 Restrições 5.2.5 Região Viável 5.3 Localização da Solução Ótima 5.4 Problemas e Métodos de Otimização 5.5 Método Analítico: problemas univariáveis e multivariáveis. 5.6 Métodos Numéricos: problemas univariáveis e multivariáveis 5.6. MÉTODOS NUMÉRICOS São métodos de busca por tentativas. Os métodos podem ser: - Diretos: utilizam apenas o valor da Função Objetivo. - Indiretos: utilizam também o valor da(s) derivada(s) da Função Objetivo (menor números de tentativas mas o esforço computacional é maior). Os pesquisadores buscam desenvolver métodos que atendam às seguintes propriedades: - Eficiência: resolver o mesmo problema com menor esforço. - Robustez: resolver uma variedade maior de problemas. 5.6. MÉTODOS NUMÉRICOS 5.6.1 Problemas Univariáveis Exemplo: Dimensionamento de um trocador de calor FLUXOGRAMA T4 oF W T 1 1 = 1.000 lb/h A? = 200 oF T = 100 oF 2 W3 lb/h ? T3 = 60 oF Modelo Matemático 1. Q W1Cp1 (T1 T2 ) 0 2. Q W3 Cp 3 (T4 T3 ) 0 3. Q UA 0 (T1 T4 ) (T2 T3 ) 4. 0 T T4 ln 1 T2 T3 Balanço de Informação: V = 9; N = 4; C = 3; M = 1; G = 1 (otimização) Avaliação Econômica C T 0,50 C 0,10 I C p A W3 0,02 I A I I b Ab m Ordenando as equações resulta T4 como Variável de Projeto. Incorporando as Restrições de Igualdade à Função Objetivo CT e definindo x = T4 - T3: 140 x ln a 40 CT b x 100 x 0 , 48 Tentando o Método Analítico: (T * T * x ) x 2 ln 1 * * * * x ( T T ) T T3 dC T a 1 3 2 mb 2 * * dx x T1 T 2 x * T1 * T3 Impossível explicitar x Método Numérico de Otimização !!! m 1 Métodos de Estreitamento do Intervalo Viável Suposição básica: unimodalidade da Função Objetivo (a) a Função Objetivo é calculada em determinados pontos do intervalo viável. (b) a partir dos valores calculados e da suposição de unimodalidade, elimina-se a parte do intervalo em que o ponto extremo não pode estar (reduzido o intervalo viável, de incerteza). (c) o intervalo viável vai sendo estreitado sucessivamente a cada iteração até se tornar menor do que uma tolerância pré-estabelecida Os métodos diferem quanto ao número e ao critério de colocação dos pontos. Exemplos para Problemas de Máximo o o o 0 1/3 o 2/3 1 0 1/3 2/3 1 Dois experimentos por ciclo o o o o o o o 0 1/4 2/4 3/4 o 1 0 1/4 2/4 3/4 o 1 Três experimentos por ciclo 0 1/4 2/4 3/4 1 o o o o o o o o o o o o 0 1/4 2/4 3/4 1 o o o 0 1/4 2/4 3/4 1 0 1/4 2/4 3/4 1 Eliminação de 50% do intervalo o o o o o o o o o o o 0 1/4 2/4 3/4 1 o o 0 1/4 2/4 3/4 1 o o 0 1/4 2/4 3/4 1 Eliminação de 75% do intervalo Método da Seção Áurea Utiliza dois pontos posicionados de forma a manter: (a) simetria em relação aos limites do intervalo (b) fração eliminada constante Método da Seção Áurea Base: Retângulo Áureo (esteticamente perfeito, segundo os gregos) e 1 Método da Seção Áurea Base: Retângulo Áureo (esteticamente perfeito, segundo os gregos) Propriedade: removendo um quadrado de lado igual ao lado menor, 1- e e 1 resulta um outro retângulo com as mesmas proporções do retângulo original Razão Áurea 1 e e 2 e 1 0 e 0,618 e 1 e Algoritmo da Seção Áurea ÁUREA Iniciar Repetir Eliminar Região Atualizar Delta Se Convergiu Então Finalizar Colocar Novo Ponto Convergiu Delta Tolerância Iniciar Repetir Eliminar Região Atualizar Delta Se Convergiu Então Finalizar Colocar Novo Ponto Eliminação de Região Problema de Mínimo Fs Eliminação de Região Problema de Máximo Fi Li xs xi Li Ls xs Fs Atualiza Tolerância ? Novo Ponto xi Atualiza Tolerância ? Novo Ponto Fi Fi Fi Li Fs Li xs 0,618 xs xi Ls Fs Inicialização xi Ls = L - L s i xi = Li + 0,618 xs = Ls - 0,618 Li xs xi 0,618 Ls Ls FLUXOGRAMA T4 oF W T 1 1 = 1.000 lb/h A? = 200 oF T = 100 oF 2 W3 lb/h ? T3 = 60 oF 140 x ln a 40 b CT x 100 x x = T4 - 60 0 , 48 Minimização do Custo do Trocador de Calor Tolerância: 1,4 oF (1% do intervalo inicial) N 2 3 4 5 6 7 8 9 10 11 Li 0 0 33,05 33,05 45,67 53,48 53,48 53,48 55,32 55,32 56,02 xs 53,48 33,05 53,48 45,67 53,48 58,29 56,46 55,32 56,46 56,02 56,46 Fs 247,5467 260,7956 247,5476 249,6361 247,5476 247,4314 247,3838 247,4099 247,3638 247,3836 247,3638 xi 86,52 53,48 66,09 53,48 58,29 61,27 58,29 56,46 57,16 56,46 Fi 259,8506 247,5467 248,7572 247,5476 247,4314 247,7315 247,4314 247,3838 247,3892 247,3638 Ls 140 86,52 86,52 66,09 66,09 66,09 61,27 58,29 58,29 57,16 57,16 xo = 56,46 T4o = 116,46 Ao = 17 ft2 W3o = 1.770 lb/h D 140 86,52 53,47 33,04 20,42 12,61 7,79 4,81 2,97 1,84 1,14 xo = 56,46 T4o = 116,46 Ao = 17 ft2 W3o = 1.770 lb/h. FLUXOGRAMA T4 = 116,5 oF W T 1 1 = 1.000 lb/h A = 17 ft2 = 200 oF T = 100 oF 2 W3 = 1.770 lb/h T3 = 60 oF 5.6. MÉTODOS NUMÉRICOS 5.6.2 Problemas Multivariáveis Alguns métodos diretos: - Busca Aleatória - Busca por Malhas - Busca Secionada - Simplex (Poliedros Flexíveis) - Hooke & Jeeves Procedimento Geral: (a) seleção de um ponto inicial (base). (b) exploração da vizinhança da base para inferir uma direção de busca. (c) progressão na direção de busca até decisão em contrário. (d) finalização Os métodos diferem quanto à forma de executar a exploração e a progressão. Método de Hooke & Jeeves ALGORITMO Estabelecer um incremento e uma tolerância para cada variável Escolher uma Base Repetir Explorar a vizinhança da Base (em busca da direção provável do ótimo) Se houve Sucesso em alguma direção Então: Progredir (na direção provável) até haver um Insucesso Senão (proximidade do ótimo): Se Chegou ao Ótimo Então: Finalizar Senão: reduzir os incrementos Exploração Testar a Função Objetivo em cada sentido (incrementos + i e - i) de cada direção (xi) ao redor da Base. Do resultado, depreender a direção provável do ? ótimo + 2 ? - 1 Base + 1 ? - 2 ? A Exploração não pode ser interrompida sem que todas as direções tenham sido testadas. Exploração Funções unimodais: o sucesso num sentido dispensa o teste no outro. S: Sucesso I: Insucesso S + 2 0,5 0,4 Sucesso S 0,3 y Base desnecessário 0,2 - 2 buscando máximo 0,1 0,0 0,0 - 1 0,2 0,4 x 0,6 0,8 1,0 I Exploração O Sucesso numa tentativa justifica a mudança da Base para a nova posição. A Exploração continua a partir desta melhor posição. S + 2 S - 2 I - 1 Base Seguem-se todos os resultados possíveis da Exploração em 2 dimensões x2 Direção x1 Unimodalidade: dispensa + 1 Direção x2 Unimodalidade: dispensa + 2 Sucesso: deslocar a Base - 1 15 10 Base - 2 18 Sucesso: deslocar a Base Direção provável do ótimo x1 x2 Direção provável do ótimo Direção x1 Unimodalidade: dispensa + 1 18 Sucesso: deslocar a Base Direção x2 + 2 Sucesso: deslocar a Base - 1 15 10 Base - 2 12 Insucesso: permanece na Base x1 x2 Direção x1 Unimodalidade: dispensa + 1 Direção x2 13 Insucesso: permanecer na Base Direção + 2 provável Sucesso: deslocar a Base do ótimo - 1 15 10 Base - 2 12 Insucesso: permanecer na Base x1 x2 Direção x1 Direção x2 Unimodalidade: dispensa + 2 Sucesso: deslocar a Base 7 - 1 Insucesso: permanecer na Base 10 Base +1 15 - 2 18 Sucesso: deslocar a Base Direção provável do ótimo x1 Direção provável do ótimo x2 Direção x1 18 Direção x2 Sucesso: deslocar a Base + 2 7 - 1 Insucesso: permanecer na Base 10 Base +1 15 Sucesso: deslocar a Base - 2 12 Insucesso: permanecer na Base x1 x2 Direção x1 Insucesso: 11 permanecer na Base Direção x2 + 2 7 - 1 Insucesso: permanecer na Base 10 Base +1 - 2 Sucesso: deslocar a Base 15 Direção provável do ótimo Insucesso: 12 permanecer na Base x1 x2 Direção x1 Direção x2 Unimodalidade: dispensa + 2 7 - 1 Base 10 Insucesso: permanecer na Base - +1 8 Insucesso: permanecer na Base 2 15 Direção provável do ótimo Sucesso: deslocar a Base x1 x2 Direção provável do ótimo Direção x1 15 Direção x2 Sucesso: deslocar a Base + 2 - 1 Insucesso: 7 permanecer na Base 10 +1 Base 8 Insucesso: permanecer na Base - 2 9 Insucesso: permanecer na Base x1 x2 Direção x1 5 Direção x2 Insucesso: permanecer na Base + 2 - 1 Insucesso: 7 permanecer na Base 10 +1 Base 8 Insucesso: permanecer na Base - 2 9 Insucesso: permanecer na Base A Base deve estar próxima do ótimo ! x1 Método de Hooke & Jeeves : Fase de Progressão 22 Progredir com duplo incremento até ocorrer um Insucesso x2 Insucesso! Permanecer na Base (25) + 2 2 Sucesso! Mover a Base. Continuar a Progressão 25 + 2 1 + 2 2 Exploração a partir da Base (25) com 1 e 2 . 18 + 2 1 + 2 +1 10 Base 15 Resultado da Exploração x1 Se Chegou ao Ótimo Então: Finalizar Senão: reduzir os incrementos A Base estará suficientemente próxima para ser declarada como o ótimo? Se todos os incrementos estiverem menores do que as tolerâncias, SIM!: Finalizar Se algum deles estiver maior, então este deve ser reduzido à metade. Inicia-se uma nova Exploração à volta da Base com os novos incrementos x2 Se Chegou ao Ótimo Então: Finalizar Senão: reduzir os incrementos 5 - e1 + e1 + 2 + e2 - 1 +1 7 - e2 10 8 Base - 2 9 1 > e1 e 2 > e2 : ainda não chegou ao ótimo : 1 = 1 /2 , 2 = 2 /2 x1 x2 - e2 Se Chegou ao Ótimo Então: Finalizar + e1 5 + e2 + 2 7 - 1 10 +1 8 Base - e2 - 2 9 1 < e1 e 2 < e2 : a Base pode ser considerada o Ponto Ótimo x1 Método de Hooke & Jeeves ALGORITMO Estabelecer um incremento e uma tolerância para cada variável Escolher uma Base Repetir Explorar a vizinhança da Base (em busca da direção provável do ótimo) Se houve Sucesso em alguma direção Então: Progredir (na direção provável) até haver um Insucesso Senão: (proximidade do ótimo) Se Chegou ao Ótimo Então: Finalizar Senão: reduzir os incrementos Funções Unimodais O método converge sempre para o único extremo independentemente da base inicial. Os incrementos iniciais afetam apenas o número de tentativas. Funções Multimodais O método pode convergir para extremos locais diferentes dependendo da base inicial e dos incrementos iniciais selecionados. (a) partindo de bases iniciais diferentes pode-se alcançar extremos locais diferentes com os mesmos incrementos iniciais. (b) partindo de uma mesma base inicial pode-se alcançar extremos locais diferentes com incrementos iniciais diferentes f (x) = (x12 + x2 – 11)2 + (x22 + x1 – 7)2 Método dos poliedros flexíveis É um método de busca multivariável (J.A. Nelder e R. Mead, 1964, também chamado de Simplex), onde o pior vértice de um poliedro com n + 1 vértices é substituído por um novo vértice colinear com o vértice antigo e o centróide. X2 10 9 7 8 5 12 11 13 6 1 3 4 2 X1 Centróide: x 0, j 1 n 1 xi , j x h , j n i 1 j 1,2, n onde xh,j é o pior vértice. Método dos poliedros flexíveis O algoritmo envolve quatro operações de busca, que para o caso da minimização da função objetivo têm as seguintes formas: Expansão Reflexão k k k k xR x0 ( x0 xh ) , 0 k k k onde f ( x ) max f ( x ), , f ( x h 1 n 1 ) Se f ( xRk ) f ( x k ) min f ( x1k ), , f ( xnk1 ) , então xEk x0k ( xRk x0k ) , 1 Se f ( xEk ) f ( xRk ), então xhk 1 xEk k 1 k sen ão x x h R k k 1 (ir para 1) onde Contração Se f ( xRk ) f ( xik ) i h, então xCk x0k ( xhk x0k ) xhk 1 xCk , 0 1 k k 1 (ir para 1) x k é o melhor vértice. Redução 1 k k k k 1 k Se f ( x ) f ( x ), então x x ( xi x k ) R h i 2 i 1, 2, , n 1 k k 1 (ir para 1) Método dos poliedros flexíveis O critério usado por Nelder e Mead para terminar a busca é o seguinte: 1 2 2 1 k k f ( xi ) f ( x0 ) e n 1 i 1 n 1 DIMENSIONAMENTO POR SIMULAÇÕES SUCESSIVAS EMPREGADO POR “SOFTWARES” COMERCIAIS Empregam, para dimensionamento, os módulos ordenados para simulação. Mas exige um procedimento de otimização: - função objetivo (a ser minimizada): diferença, em valor absoluto, entre os valores obtidos para as variáveis de saída e os valores estipulados como metas - variáveis de projeto: as dimensões dos equipamentos Exemplo: Extrator W = 3.750 kgB/h Normal Q* = 10.000 kgA/h o xo*= 0,02 kg AB/kg A Ts C Q* = 10.000 kgA/h solvente x* = 0,008 kgAB/kg A To oC T oC o T C rafinado alimentação extrato T oC W = 3.750 kgB/h y = 0,032kg AB/kg B r = 0,60 Simulações Sucessivas W = ??? kgB/h Q* = 10.000 kgA/h oC T s xo*= 0,02 kg AB/kg A Q* = 10.000 kgA/h solvente x = ??? kgAB/kg A To oC T oC o T C rafinado alimentação extrato T oC W = kgB/h y = kg AB/kg B FO = |x – 0,008| Exemplo: Extrator Simulações Sucessivas W = ??? kgB/h Q* = 10.000 kgA/h oC T s xo*= 0,02 kg AB/kg A Q* = 10.000 kgA/h solvente x = ??? kgAB/kg A To oC T oC o T C rafinado alimentação extrato T oC W = kgB/h FO = |x – 0,008| y = kg AB/kg B 1. Q(xo – x) – W y = 0 2. y – k x = 0 x = Q xo / (Q + k W ) Por Seção Áurea, 0 < W < 1.000 W = 3.750 Exemplo: Trocador de Calor Normal T4* = 30 oC A = 265,6 T m2 2 * 1. Q W1Cp1 (T1 T2 ) 0 = 25 oC W1* = 30.000 kg/h T1* = 80 oC W3 = 44.000 kg/h 2. Q W3 Cp 3 (T4 T3 ) 0 3. Q UA 0 (T T4 ) (T2 T3 ) 4. 1 0 T T4 ln 1 T2 T3 T3* = 15 oC Simulações Sucessivas T4* = ??? A T 2* ??? W1* = 30.000 kg/h T1* = 80 oC T2 = T1 – Q/W1Cp1 T4 = T3 + Q/W3Cp3 Por Hooke&Jeeves W3 * T3 = 15 oC 0 < A < 1.000 0 < W3 < 100.000 MATERIAL COMPLEMENTAR Subsídio para o Problema 5.10: divisão de correntes Q T1* = 180 oC WCpQ = 10 kW/oC x? 1-x F2 WCpF2 = 7 kW/oC 2 T8* = 170 oC T7* = 100oC F1 WCpF1 = 5 kW/oC 1 T5* = 60oC T6* = 117,2 oC T2 ? T3 ? T4* = 102,4 oC Modelo Matemático Q WCpQ = 10 kW/oC x? T1* = 180 oC Q1 = WF1 (T6 - T5) Q1 = WQ x (T1 – T2) 1 - x Q2 = WF2 (T8 - T7) F2 WCpF2 = 7 kW/oC 2 T8* = 170 oC T7* = 100oC F1 WCpF1 = 5 kW/oC T5* = 60oC Q2 = WQ (1 – x) (T1 – T3) Balanço de Informação G=1 1 T6* = 117,2 oC Variável de Projeto: x T2 ? T3 ? T4* = 102,4 oC Função Objetivo Max LE = aR – b(Cmp + Cutil) – c ISBL Modelo Matemático Q WCpQ = 10 kW/oC x? T1* = 180 oC Q1 = WF1 (T6 - T5) Q1 = WQ x (T1 – T2) 1 - x Q2 = WF2 (T8 - T7) F2 WCpF2 = 7 kW/oC Q2 = WQ (1 – x) (T1 – T3) 2 T8* = 170 oC T7* = 100oC F1 WCpF1 = 5 kW/oC * T5 = 60oC Balanço de Informação G=1 1 T6* = 117,2 oC T2 ? Variável de Projeto: x T3 ? T4* = 102,4 oC Função Objetivo Max LE = aR – b(Cmp + Cutil) – c ISBL Min C = A10,65 + A20,65 Modelo Matemático Q WCpQ = 10 kW/oC x? T1* = 180 oC Q1 = WF1 (T6 - T5) Q1 = WQ x (T1 – T2) 1 - x Q2 = WF2 (T8 - T7) F2 WCpF2 = 7 kW/oC Q2 = WQ (1 – x) (T1 – T3) 2 T8* = 170 oC T7* = 100oC F1 WCpF1 = 5 kW/oC * T5 = 60oC Função Objetivo Min C = A10,65 + A20,65 1 T6* = 117,2 oC Resolução: Seção Áurea T2 ? T3 ? * T4 = 102,4 oC Limites de x T2 = T1 - Q1 / x WQ > T5 xi = Q1 / WQ (T1 - T5) T3 = T1 - Q2 / WQ (1 - x) > T7 xs = 1 - Q2 / WQ (T1 - T7) Q WCpQ = 10 kW/oC T1* = 180 oC x = 0,74 F2 WCpF2 = 7 kW/oC 2 T8* = 170 oC T7* = 100oC F1 WCpF1 = 5 kW/oC * T5 = Solução 1 60oC T6* = 117,2 oC T2 = 70oC T3 = 113,8 oC Limites de x * T4 = 102,4 oC T2 = T1 - Q1 / x WQ > T5 xi = Q1 / WQ (T1 - T5) T3 = T1 - Q2 / WQ (1 - x) > T7 xs = 1 - Q2 / WQ (T1 - T7) Problema 5.12 Resfriar uma corrente com 3 fluidos refrigerantes que vaporizam a T constante. Vazão de cada fluido refrigerante? W1 lb/h ? W2 lb/h ? W3 lb/h ? Wo* = 10.000 lb/h T1* = 0 oF to*= 50 oF t1 = 15 oF t3 = - 70 oF t2 = - 22 oF T2* = - 40 oF T3* = - 80 oF Modelo Matemático para cada Trocador i Qi WoC p ( t i 1 t i ) 0 Qi UA i i 0 Qi Wi 0 i W1 lb/h ? t i 1 t i 0 t T ln i 1 i t i Ti W2 lb/h ? W3 lb/h ? Wo* = 10.000 lb/h T1* = 0 oF t1 = 15 oF t3 = - 70 oF t2 = - 22 oF T2* = - 40 oF T3* = - 80 oF to*= 50 oF O custo de cada trocador é dado por Ci a i Ai biWi ($/h)