Dyego dos Santos Silva (EQ/UFRJ) Orientadores: Prof. Evaristo C. Biscaia Jr. - PEQ/COPPE/UFRJ Prof. Argimiro R. Secchi - PEQ/COPPE/UFRJ Eng. Lizandro de Sousa Santos - PEQ/COPPE/UFRJ O que é Otimização Dinâmica A otimização dinâmica (também conhecido como problema de controle ótimo), segundo FEEHERY (1998), requer a determinação do perfil temporal de um conjunto de variáveis de controle de um sistema dinâmico e que maximize (ou minimize) uma dada medida de performance (função objetivo): Exemplo Ilustrativo: Controle Ótimo Singular -Chachuat, B., Optimal Control, Class Notes, 2006. tf 1 J (u ) : 2 x1 t dt 2 Função Objetivo t0 x1 x2 u (t ) x2 u (t ) x1 (t f ) x2 (t f ) 0 10 u (t ) 10 Modelo Restrições Variável de Controle Métodos de Resolução Métodos Indiretos: baseados no Princípio de Máximo de PONTRYAGIN (PMP), 1963. Programação dinâmica Iterativa Otimização Dinâmica Métodos Diretos Princípio numérico de resolução Sequencial Simultâneo (SHLEGEL, 2004, SOUZA, 2007) Abordagem Direta Sequencial SOUZA (2007): Apenas a variável de controle é discretizada (Reduzida necessidade de manipulação no sistema de equações), Abordagem Direta Sequencial Exemplos de parametrização: Abordagem Direta Sequencial Características: Reduzida necessidade de manipulação do sistema de equações; Parâmetros da expressão funcional estimados a cada iteração. Estudos Relevantes: POLLARD e SARGENT (1970), HICKS e RAN (1971): Influência da parametrização da variável de controle; BINDER e SHLEGEL (2004): Utilização de malhas adaptativas para parametrização da variável de controle. Proposta de Estudo I) Aplicação de wavelets utilizando a abordagem direta sequencial de resolução; II) Comparação entre as técnicas utilizadas com a abordagem sequencial com discretização uniforme da malha. Estudo de Caso: Reator Isotérmico Operando (Sirinavasan et al., 2003). em Batelada Alimentada Wavelets Ferramenta matemática para decompor funções hierarquicamente (MALLAT, 1986). A análise wavelet permite transformar a informação de um sinal em coeficientes que podem ser manipulados ou usados para reconstruir o sinal. Características: Ortogonalidade; As wavelets têm suporte compacto, ou seja, são localizadas espacialmente, tendo valores diferentes de zero em um intervalo finito. BINDER et al., (2000) foram os primeiros a utilizarem wavelets para avaliação dos pontos em potencial da malha. SHLEGEL (2004) tese de doutorado centrada no uso de wavelets. Wavelets Etapas da adaptação da malha: 1) Obtenção do sinal de dados: u0 t0 u1 t1 un u2 t2 tN 2) Decomposição da malha pela transformada wavelets: d J ,K f t J , K dt J , K 2 j /2 0,0 2 j t k Wavelets Etapas da adaptação da malha: 3) Filtragem de dados (Threshold): Limiarização Universal (Donoho e Johnstone,1994): yi f ti i , Wy i Wf ti W i , d i i wi w 2 ln(n) Variante Heurística i 1,2,, T i 1,2,, T i 1,2,, T Wavelets Etapas da adaptação da malha: 4) Reconstrução do sinal u(t ) f t J ,K J ,K t J K Wavelets Etapas da adaptação da malha: u0 t0 u1 t1 un u2 t2 tN Descarta pontos que não contribuem para a solução Inclui pontos prospectivos Estudo de Caso: Reator Isotérmico Operando em Batelada Alimentada (Sirinavasan et al. , 2003) A B C 2B D dca F k1ca cb ca dt V dcb F 2 k1ca cb 2k2cb cb,in cb dt V F Cb,in dV F dt V0 cc ca ,0 ca V 1 ca cb,in cb V ca,0 cb,in cb,0 V0 cd 2V Ca Cb Cc Cd Objetivo: maximizar a função: t f cc t f V t f Manipulando F (t ) Número de mols do produto C no tempo final (variável de controle: u(t)), max t f F (t ) tal que Fmin F t Fmax cb t f cbf ,max cd t f cdf ,max DU – Discretização Uniforme WAV – Wavelets (Variante Heurística) Ω Número de estágios ns Tempo de cálculo (s) DU DU WAV Parcial Função Objetivo WAV Total Parcial DU WAV 0,4302418 0,4311922 Total 1 8 8 20,070 88,769 2 16 12 37,774 57,844 182,737 271,506 0,4305041 0,4316734 3 32 14 159,014 216,858 213,333 484,839 0,4312256 0,4317125 4 64 18 566,139 782,997 526,978 1011,817 0,4310295 0,4317169 5 128 22 1831,340 2614,337 626,362 1638,179 0,4315476 0,4317133 6 256 26 10531,05 13145,39 988,297 2626,476 0,4316136 0,4317156 7 30 1409,109 4035,585 0,4317201 8 34 1611,750 5647,335 0,4317187 X WAVELET (Variante Heurística) -3 1 ns=256 x 10 -3 1 0.9 ns=34 x 10 0.9 0.8 0.8 0.7 0.7 0.6 0.6 0.5 u(t) u(t) Discretização Uniforme 0.5 0.4 0.4 0.3 0.3 0.2 0.2 0.1 0.1 0 0 50 100 150 t 200 250 0 0 50 100 150 t 200 250 300 DU – Discretização Uniforme WAV – Wavelets (Limiarização Universal) Ω Número de estágios ns Tempo de cálculo (s) DU DU WAV Parcial Função Objetivo WAV Total Parcial DU WAV Total 1 8 8 20,070 91,202 0,4302418 0,4311922 2 16 12 37,774 57,844 187,810 279,012 0,4305041 0,4316734 3 32 14 159,014 216,858 263,668 542,680 0,4312256 0,4317125 4 64 18 566,139 782,997 516,595 1059,275 0,4310295 0,4317169 5 128 20 1831,340 2614,337 529,493 1588,768 0,4315476 0,4317131 6 256 22 10531,05 13145,39 581,867 2170,635 0,4316136 0,4317132 7 26 1303,350 3473,985 0,4317167 8 30 1506,022 4980,007 0,4317207 X Discretização Uniforme WAVELET (Limiarização Universal) -3 1 0.9 0.9 0.8 0.8 0.7 0.7 0.6 0.6 u(t) u(t) 1 -3 ns=256 x 10 0.5 0.5 0.4 0.4 0.3 0.3 0.2 0.2 0.1 0.1 0 0 0 50 100 150 t 200 250 ns=30 x 10 0 50 150 100 t 200 250 VH – Wavelets (Variante Heurística) LU – Wavelets (Limiarização Universal) Ω Número de estágios ns Tempo de cálculo (s) VH VH LU Parcial Função Objetivo LU Total Parcial VH LU Total 1 8 8 88,769 91,202 0,4311922 0,4311922 2 12 12 182,737 271,506 187,810 279,012 0,4316734 0,4316734 3 14 14 213,333 484,839 263,668 542,680 0,4317125 0,4317125 4 18 18 526,978 1011,817 516,595 1059,275 0,4317169 0,4317169 5 22 20 626,362 1638,179 529,493 1588,768 0,4317133 0,4317131 6 26 22 988,297 2626,476 581,867 2170,635 0,4317156 0,4317132 7 30 26 1409,109 4035,585 1303,350 3473,985 0,4317201 0,4317167 8 34 30 1611,750 5647,335 1506,022 4980,007 0,4317187 0,4317207 A estratégia Wavelets para ambas as políticas de threshold apresentou melhores resultados do que a estratégia de discretização uniforme A política de limiarização universal apresentou resultados mais eficientes que a variante heurística.