Sie sind auf Seite 1von 150

INTELIGNCIA COMPUTACIONAL APLICADA ENGENHARIA DE

ESTRUTURAS
LI CHONG LEE BACELAR DE CASTRO
TESE DE DOUTORADO EM ESTRUTURAS E CONSTRUO CIVIL
DEPARTAMENTO DE ENGENHARIA CIVIL

FACULDADE DE TECNOLOGIA

UNIVERSIDADE DE BRASLIA

UNIVERSIDADE DE BRASLIA
FACULDADE DE TECNOLOGIA
DEPARTAMENTO DE ENGENHARIA CIVIL E AMBIENTAL

INTELIGNCIA COMPUTACIONAL APLICADA


ENGENHARIA DE ESTRUTURAS

LI CHONG LEE BACELAR DE CASTRO

ORIENTADOR: PAUL WILLIAM PARTRIDGE


TESE DE DOUTORADO EM ESTRUTURAS E CONSTRUO CIVIL

PUBLICAO: E.TD - 02/09


BRASLIA/DF: MARO 2009

UNIVERSIDADE DE BRASLIA
FACULDADE DE TECNOLOGIA
DEPARTAMENTO DE ENGENHARIA CIVIL
INTELIGNCIA COMPUTACIONAL APLICADA ENGENHARIA DE
ESTRUTURAS.
LI CHONG LEE BACELAR DE CASTRO
TESE SUBMETIDA AO DEPARTAMENTO DE ENGENHARIA CIVIL E
AMBIENTAL DA FACULDADE DE TECNOLOGIA DA UNIVERSIDADE DE
BRASLIA COMO PARTE DOS REQUISTOS NECESSRIOS PARA A
OBTENO DO GRAU DE DOUTOR EM ESTRUTURAS E CONSTRUO
CIVIL.

APROVADA POR:
_________________________________________________
Prof. Paul William Partridge, PhD. (UnB)
(Orientador)
_________________________________________________
Prof. Luciano Mendes Bezerra, PhD. (UnB)
(Examinador Interno)
_________________________________________________
Prof. William Taylor Matias Silva, Dr. Ing. (UnB)
(Examinador Interno)
_________________________________________________
Prof. Nelson Francisco Favilla Ebecken, DSc. (UFRJ)
(Examinador Externo)
_________________________________________________
Prof. Carlos Cristiano Hasenclever Borges, DSc. (UFJF)
(Examinador Externo)
BRASLIA/DF, 30 DE MARO DE 2009
ii

FICHA CATALOGRFICA
CASTRO, LI CHONG LEE BACELAR DE
Inteligncia Computacional Aplicada Engenharia de Estruturas [Distrito Federal] 2009.
xviii, 130p., 297 mm (ENC/FT/UnB, Doutor, Estruturas e Construo Civil, 2009). Tese
de Doutorado Universidade de Braslia. Faculdade de Tecnologia.
Departamento de Engenharia Civil e Ambiental.
1.Engenharia de Estruturas
2.Algoritmo Gentico
3.Redes Neurais Artificiais
4.Mtodo das Solues Fundamentais
I. ENC/FT/UnB
II. Ttulo (srie)

REFERNCIA BIBLIOGRFICA
CASTRO, L. L. B. (2009). Inteligncia Computacional Aplicada Engenharia de
Estruturas, Publicao E.TD-02/09, Departamento de Engenharia Civil e Ambiental,
Universidade de Braslia, Braslia, DF, 130p.

CESSO DE DIREITOS
AUTOR: Li Chong Lee Bacelar de Castro.
TTULO: Inteligncia Computacional Aplicada Engenharia de Estruturas.

GRAU: Doutor

ANO: 2009

concedida Universidade de Braslia permisso para reproduzir cpias desta tese de


doutorado e para emprestar ou vender tais cpias somente para propsitos acadmicos e
cientficos. O autor reserva outros direitos de publicao e nenhuma parte dessa tese de
doutorado pode ser reproduzida sem autorizao por escrito do autor.

____________________________
Li Chong Lee Bacelar de Castro
QRSW 5 A4 ap. 306, Sudoeste.
70.675-504 Braslia DF Brasil.

iii

AGRADECIMENTOS
Ao Professor Paul pela orientao, dedicao, pacincia, incentivo e, principalmente, pelas
valiosas sugestes e ensinamentos transmitidos.

A minha famlia, que no vejo h alguns anos: Ailton, Sued, Lilian, Guliver, Joseph e
Anthony. Saudades!

A famlia da minha esposa, que sempre estiveram dispostos em me ajudar.

A minha esposa, pela pacincia, carinho e apoio: Patrcia, eu te amo.

Aos professores e funcionrios do Programa de Ps-Graduao em Estruturas e Construo


Civil da UnB, em especial aos Professores Guilherme, Luciano e William pelas sugestes e
incentivos que foram e so valiosas na minha formao acadmica.

Aos antigos companheiros da sala 14: Arlindo, Cludio e Svio. Arlindo, sinto falta da
disciplina, incentivo e principalmente da sua amizade. Aos novos: Aaro, Fabrcio e
Fernanda.

Aos meus amigos nordestinos itinerantes do La Torre e do Doutorado: Alexandre Gil,


Paulo, Otvio. Alexandre, obrigado pela amizade e pacincia.

A todos os que no foram citados, mas contriburam de alguma forma neste trabalho.

iv

Dedicado

aos

que

no

ofuscaram seus objetivos e os


alcanaram com muito custo. A
minha me, Stela Cristina (In
Memorian).

RESUMO
INTELIGNCIA COMPUTACIONAL APLIACADA ENGENHARIA DE
ESTRUTURAS
Autor: Li Chong Lee Bacelar de Castro
Orientador: Paul William Partridge
Programa de Ps-graduao em Estruturas e Construo Civil
Braslia, maro de 2009
A inteligncia computacional vem mudando a forma com que alguns problemas so tratados e
solucionados, pois fornece um manancial poderoso de solues para pesquisadores de todas as
reas, inclusive em aplicaes difceis, extremamente restritivas, ou mesmo consideradas
impossveis. Neste trabalho, os Algoritmos Genticos (AGs) e as Redes Neurais Artificiais
(RNAs) so utilizados para a otimizao de estruturas reticuladas e estruturas contnuas em 2D
e 3D. A utilizao dos AGs visam obter uma soluo para um problema especfico usando
uma estrutura de dados baseado em um cromossomo, uma das possveis solues do problema.
A utilizao das RNAs por sua vez visam generalizar o processo de otimizao em substituio
aos mtodos clssicos de anlise estrutural. Os cromossomos so estruturados em uma cadeia
binria e operadores genticos so aplicados para gerarem novos pontos amostrais em um
espao de busca que recombinam estas estruturas preservando e aprimorando informaes
crticas. O Mtodo dos Elementos Finitos (MEF) combinado com o AG com o intuito de
avaliar cada soluo possvel produzida no caso da otimizao de peso e o Mtodo dos
Elementos de Contorno (MEC) para as a otimizao de forma. Para os outros casos o Mtodo
das Solues Fundamentais (MSF) utilizado. O MSF uma tcnica de contorno indireta que
evita singularidades por definir uma superfcie fictcia que envolve todo o domnio do
problema,

no requer malha, nem integrao e permite obter resultados

em pontos do

contorno e do interior sem a necessidade de aplicao de tcnicas especiais. Para modelar


termos no homogneos, o MSF combinado com o Mtodo de Reciprocidade Dual (DRM),
empregando a funo de aproximao Polyharmonic Splines. A otimizao das estruturas so
obtidas por meio da minimizao da funo objetivo. A funo objetivo responsvel por
classificar os indivduos de acordo com o grau de adaptao. O MEC, MEF e o MSF permitem
avaliar das estruturas. As reas, que so as variveis de projeto, ou o raio da superfcie fictcia,
devem estar dentro de determinados limites, para obter solues factveis. O controle dessa
regio atravs de restries proporcionado pela considerao de penalizaes na funo
objetivo. Restries so aplicadas s tenses e aos deslocamentos nodais. So utilizados nas
anlises estruturas clssicas de otimizao e da resistncia dos materiais para comparao,
objetivando demonstrar a robustez e sua eficincia frente a outros mtodos.

vi

ABSTRACT
COMPUTATIONAL
STRUCTURES

INTELLIGENCE

APPLIED

TO

ENGENEERING

OF

Author: Li Chong Lee Bacelar de Castro


Supervisor: Paul William Partridge
Programa de Ps-graduao em Estruturas e Construo Civil
Braslia, March of 2009
Computational Intelligence is changing the way that some problems are treated and solved,
because it provides powerful source of solutions for researchers of all areas including
difficult applications, extremely restrictive cases or even problems considered to be
impossible. Here the Genetic Algorithms (GA) and the Artificial Neural Networks (ANN)
are used to optimize frame type structures and continuous structures in 2D and 3D. The use
of GA aims at obtaining a solution for a specific problem using a data structure based on
the chromosome, one of the possible solutions to the problem. The use of ANN on the
other hand, aims al generalizing the process of optimization, substituting the classical
methods of structural analysis. The chromosomes are structured in binary strings and
genetic operators are applied to generate new sampling points in the search space which
recombines these structures preserving and improving critical information. The Finite
Element Method (FEM) is combined with the GA in order to evaluate each possible
solution produced in the case of minimum weight and the Boundary Element Method
(BEM) for shape optimization. For other cases the Method of Fundamental Solutions
(MSF) is used. The MSF is an indirect boundary technique which avoids singularities by
defining a fictitious surface which involves all of the problem domain. It does not require
neither elements nor integration and allows results to be obtained at both boundary and
internal points without the need to apply special techniques. To model non homogenous
terms, the MSF is combined with the Dual Reciprocity Method (DRM) employing
Polyharmonic Spline approximation function. The optimization of structures is obtained by
the minimization of the objective functions for the examples considered. The objective
function is responsible for classifying the individuals according to degree adaptation.
BEM, FEM and MFS allow the structures to be evaluated. The cross sectional areas, which
are the project variables, or the radius of the fictitious surface should be within given limits
in order to obtain feasible solutions. The control of this region, through the use of
constraints, is done by considering penalty functions with the objective function.
Constraints are applied to the stress and strength of materials for comparison, with the
objective of showing the robustness and efficiency in relation to other methods.

vii

NDICE

1 INTRODUO ............................................................................................................. 1
1.1 CONSIDERAES INICIAIS ................................................................................. 1
1.2 MOTIVAO ............................................................................................................ 1
1.3 OBJETIVOS ............................................................................................................... 2
1.4 ESTRUTURA DA TESE ........................................................................................... 3
2 INTELIGNCIA COMPUTACIONAL...................................................................... 4
2.1 INTRODUO ...................................................................................................... 4
2.2 ALGUNS PROJETOS E PESQUISAS SOBRE INTELIGNCIA
COMPUTACIONAL PARA ENGENHARIA NO BRASIL ........................................... 5
2.3 COMPUTAO NATURAL ............................................................................... 7
2.3.1 Lgica Nebulosa ............................................................................................ 8
2.3.2 Redes Neurais Artificiais ............................................................................... 9
2.3.2.1 Aprendizado Supervisionado ...................................................................... 9
2.3.2.2 Aprendizado No-supervisionado ............................................................ 10
2.3.2.3 Aprendizado por Reforo ......................................................................... 10
2.3.3 Computao Evolucionria .............................................................................. 11
2.3.3.1 Algoritmos Genticos ............................................................................... 11
2.3.3.2 Programao Evolucionria ...................................................................... 11
2.3.3.3 Estratgias Evolucionrias ........................................................................ 12
2.3.3.4 Programao Gentica .............................................................................. 12
2.3.3.5 Estratgia de Colnia ................................................................................ 12
3 COMPUTAO NATURAL ..................................................................................... 13
3.1 ALGORITMOS GENTICOS ........................................................................... 13
3.1.1 Introduo .................................................................................................. 13
3.1.2 Teoria do Processo Evolutivo ................................................................... 18
3.1.2.1 Hipteses dos Blocos de Construo ........................................................ 18
3.1.2.2 Teorema Fundamental dos Algoritmos Genticos ................................... 22
3.1.2.3 Paralelismo Implcito ................................................................................ 24
3.1.3 Algoritmo Gentico Geracional ................................................................ 24
3.1.4 Algoritmo Gentico No Geracional ........................................................ 24
3.1.5 Estrutura de funcionamento ..................................................................... 25

viii

3.1.5.1 A representao ........................................................................................ 25


3.1.5.2 Dimensionamento das variveis ............................................................... 26
3.1.5.3 Mapeamento das variveis ........................................................................ 26
3.1.5.4 A configurao .......................................................................................... 27
3.1.5.5 Tamanho da populao ............................................................................. 28
3.1.5.6 Taxa ou probabilidade de cruzamento ...................................................... 28
3.1.5.7 Taxa ou probabilidade de mutao ........................................................... 29
3.1.5.8 A inicializao .......................................................................................... 29
3.1.5.9 Classificao dos cromossomos ............................................................... 29
3.1.5.10 Avaliao dos cromossomos................................................................... 30
3.1.5.11 Operadores de cruzamento...................................................................... 32
3.1.5.12 Operador de mutao .............................................................................. 33
3.1.5.13 Atualizao e critrios de parada ............................................................ 34
3.2 REDES NEURAIS ARTIFICIAIS .......................................................................... 35
3.2.1 O Neurnio Biolgico e Booleano ............................................................. 35
3.2.2 Perceptrons ................................................................................................. 37
3.2.3 ADALINE ................................................................................................... 42
3.2.4 A Regra Delta ............................................................................................. 44
3.2.4.1 Retropopagao ........................................................................................ 45
3.2.4.2 Interpretao da Retropopagao ............................................................. 48
3.2.4.3 Algoritmo da Retropopagao .................................................................. 49
3.2.5 Tipos de Redes............................................................................................ 49
3.2.6 Abordagem adotada .................................................................................. 50
3.2.7 A Ferramenta JOONE (Java Oriented Object Neural Engine) ......... 52
4 OTIMIZAO ............................................................................................................ 54
4.1 INTRODUO .................................................................................................... 54
4.2 A FORMULAO DE UM PROBLEMA DE OTIMIZAO ..................... 54
4.2.1 A formulao de um problema de otimizao com restries ............... 55
4.2.2 Funes de penalizao ............................................................................. 56
4.2.1.1 Penalidades Estticas ................................................................................ 58
4.2.1.2 Penalidades Dinmicas ............................................................................. 58
4.2.1.3 Penalidades Adaptativas ........................................................................... 59
4.3 ELASTICIDADE LINEAR ................................................................................ 59
4.4 MTODOS NUMRICOS ................................................................................. 62
ix

4.3.1 Mtodo dos Elementos Finitos .................................................................. 64


4.3.1.1 Elemento finito unidimensional reto para trelia...................................... 64
4.3.1.2 Elemento finito unidimensional reto para viga ......................................... 66
4.3.1.3 Elemento finito unidimensional reto para prtico .................................... 67
4.3.2 Mtodo dos Elementos de Contorno ........................................................ 69
4.3.2.1

Formulao para Elasticidade Linear 2D ............................................ 69

4.3.3 Mtodo das Solues Fundamentais ........................................................ 74


4.3.4 Mtodo da Reciprocidade Dual ................................................................ 76
4.3.3.1 Funes de aproximao........................................................................... 77
4.3.3.2 Funes acrescidas.................................................................................... 78
4.3.4.1 Elasticidade Linear 2D ............................................................................. 78
4.3.4.2 Combinando o Mtodo da Reciprocidade Dual com Mtodo das Solues
Fundamentais ........................................................................................................... 81
5 RESULTADOS OBTIDOS ......................................................................................... 88
5.1 MNIMO PESO ................................................................................................... 88
5.1.1 Algoritmos Genticos................................................................................. 88
5.1.1.1 Trelia de 10 Barras .................................................................................. 89
5.1.1.2 Edifcio Industrial de 33 Barras ................................................................ 91
5.1.1.3 Concluses ................................................................................................ 94
5.1.2 Redes Neurais ............................................................................................. 95
5.1.2.1 Treinamento .............................................................................................. 95
5.1.2.2 Concluses ................................................................................................ 99
5.2 ELEMENTOS DE CONTORNO ..................................................................... 100
5.3 SOLUES FUNDAMENTAIS ...................................................................... 103
5.3.1 Elasticidade Linear 2D ............................................................................ 104
5.3.1.1 Viga em Balano..................................................................................... 104
5.3.1.2 Cilindro ................................................................................................... 107
5.3.1.3 Concluses .............................................................................................. 110
5.3.2 Elasticidade Linear 2D/3D com foras de corpo ................................... 110
5.3.2.1 Problemas com Carga Gravitacional ...................................................... 110
5.3.2.2 Problemas com Carga Centrfuga ........................................................... 113
5.3.2.3 Problemas com Carga Trmica ............................................................... 115
5.3.2.4 Concluses .............................................................................................. 118
6 CONCLUSES.......................................................................................................... 119
x

6.1 INTRODUO .................................................................................................. 119


6.2 CONCLUSES .................................................................................................. 120
6.3 SUGESTES...................................................................................................... 120
REFERNCIAS BIBLIOGRFICAS .......................................................................... 122

xi

LISTA DE FIGURAS

Figura 2.1 Subreas da Computao Natural (modificado - Castro, 2001). ....................... 8


Figura 2.2 Subreas das Redes Neurais Artificiais. ........................................................... 9
Figura 2.3 Subreas da Computao Evolucionria (modificado - Castro, 2001). .......... 11
Figura 3.1 Trajeto retilneo (Dorigo e Sttzle, 2004). ...................................................... 13
Figura 3.2 Introduo de um obstculo (Dorigo e Sttzle, 2004). ................................... 13
Figura 3.3 Diviso das formigas no percurso (Dorigo e Sttzle, 2004). .......................... 14
Figura 3.4 Percurso timo com o passar do tempo (Dorigo e Sttzle, 2004)................... 14
Figura 3.5 Estrutura de funcionamento de um Algoritmo Gentico Padro. ................... 16
Figura 3.6 Viso geomtrica dos hiperplanos em 3D (Soares, 1997). ............................. 24
Figura 3.7 Cadeia com codificao binria. ..................................................................... 26
Figura 3.8 Presso de Seleo (modificado Lacerda e Carvalho, 1999). ...................... 31
Figura 3.9 Amostragem estocstica universal. ................................................................. 32
Figura 3.10 Mtodo da roleta com elitismo (modificado Sampaio, 2004). ................... 33
Figura 3.11 Cruzamento de um ponto (Sampaio, 2004)................................................... 34
Figura 3.12 Cruzamento de 2 pontos. ............................................................................... 34
Figura 3.13 Operador de mutao (Sampaio, 2004). ........................................................ 35
Figura 3.14 Neurnio Biolgico ....................................................................................... 36
Figura 3.15 Neurnio Booleano. ...................................................................................... 37
Figura 3.16 Representao grfica do perceptron. ........................................................... 38
Figura 3.17 Funcionamento do Perceptron de uma camada............................................. 40
Figura 3.18 Classificao do Perceptron j treinado. ....................................................... 42
Figura 3.19 Funes de ativao hiperblica e logstica respectivamente. ...................... 46
Figura 3.20 Tela inicial..................................................................................................... 52
Figura 3.21 Exemplo de RNA com treinamento para uma estrutura reticulada............... 53
Figura 4.1 Pulso de seno (modificado - Lacerda e Carvalho, 1999). ............................... 55
Figura 4.2 Trelia com duas barras (modificado - Fox, 1973). ........................................ 56
Figura 4.3 Representao grfica do espao de busca (modificado - Fox, 1973). ........... 57
Figura 4.4 Elemento de trelia plana. ............................................................................... 65
Figura 4.5 Elemento de viga plana. .................................................................................. 66
Figura 4.6 Elemento de prtico plano. ............................................................................. 68

xii

Figura 4.7 Contorno discretizado em elementos lineares (Partridge, Brebbia e Wrobel,


1992). ................................................................................................................................... 71
Figura 4.8 Definio de elemento linear com suas coordenadas, (Brebbia e Domingues,
1989). ................................................................................................................................... 72
Figura 4.9 Superfcie Fictcia (Partridge e Sansale, 2000) ............................................... 79
Figura 4.10 Esfera de pontos fictcios (Partridge e Sansale, 2000). ................................. 85
Figura 5.1 Trelia de 10 barras. ........................................................................................ 89
Figura 5.2 Pesos obtidos utilizando diferentes funes de penalizao. .......................... 91
Figura 5.3 Edifcio Industrial. .......................................................................................... 92
Figura 5.4 Pesos obtidos utilizando diferentes funes de penalizao. .......................... 95
Figura 5.5 Topologia da RNA adotada. ............................................................................ 95
Figura 5.6 Treinamento com validao para a trelia de 10 Barras. ................................ 97
Figura 5.7 Treinamento com validao para o Edifcio Industrial de 33 Barras. ............. 97
Figura 5.8 Utilizao da RNA com a rotina em Fortran. ................................................. 98
Figura 5.9 Pesos obtidos utilizando diferentes funes de penalizao. .......................... 99
Figura 5.10 Pesos obtidos utilizando diferentes funes de penalizao. ........................ 99
Figura 5.11 Viga em balano submetida a um carregamento uniformemente distribudo.
........................................................................................................................................... 100
Figura 5.12 Gerao 1, com doze pontos de controle, penalizao esttica................... 102
Figura 5.13 Gerao 55 com doze pontos de controle, penalizao esttica.................. 103
Figura 5.14 Gerao 100, com doze pontos de controle, penalizao esttica............... 103
Figura 5.15 Gerao 100, com 35, 51, 69, 81 e 117 pontos de controle. ....................... 103
Figura 5.16 Viga em Balano ......................................................................................... 105
Figura 5.17 Cilindro sob presso interna (esquerda) e Sub-regies empregadas (direita).
........................................................................................................................................... 107
Figura 5.18 Geometria para problema com Carga Gravitacional - 2D e 3D. ................. 111
Figura 5.19 Geometria para problema com carga trmica 2D e 3D. ........................... 115

xiii

LISTA DE TABELAS
Tabela 5.1 Parmetros da Trelia. .................................................................................... 89
Tabela 5.2 Sees comerciais do AISC. ........................................................................... 89
Tabela 5.3 Parmetros do AG........................................................................................... 90
Tabela 5.4 Comparao dos resultados da literatura e o presente trabalho (Peso, Tenso e
deslocamento). ..................................................................................................................... 90
Tabela 5.5 Comparao dos resultados da literatura e o presente trabalho (Peso e reas
das sees transversais). ...................................................................................................... 90
Tabela 5.6 Grupos e tipos de sees comerciais (Prtico de 33 barras) ........................... 90
Tabela 5.7 Conjunto de sees transversais disponveis do AISC ................................... 92
Tabela 5.8 Propriedades do material e restries (Prtico de 33 barras) ......................... 93
Tabela 5.9 Parmetros para o prtico de 33 barras (AG) ................................................. 93
Tabela 5.10 Comparao dos resultados da literatura e o presente trabalho (Peso e reas
das sees transversais). ...................................................................................................... 94
Tabela 5.11 Comparao dos resultados AG+MEF e AG+RNA (Geraes). ................. 98
Tabela 5.12 Parmetros para a viga. ............................................................................... 101
Tabela 5.13 Soluo para diferentes pontos de controle (Penalizao Esttica). ........... 101
Tabela 5.14 Soluo para diferentes pontos de controle (Penalizao dinmica). ......... 102
Tabela 5.15 Soluo para diferentes pontos de controle (Penalizao adaptativa). ....... 102
Tabela 5.16 Soluo para diferentes valores do raio (SVD), Medeiros (2005).............. 105
Tabela 5.17 Parmetros para a viga. ............................................................................... 106
Tabela 5.18 Soluo para diferentes valores do raio (AG)............................................. 107
Tabela 5.19 Parmetros para o cilindro. ......................................................................... 108
Tabela 5.20 Resultados para o cilindro (SVD), Medeiros (2005). ................................. 109
Tabela 5.21 Soluo para diferentes valores do raio (AG)............................................. 110
Tabela 5.22 Resultados para o cilindro (AG) ................................................................. 110
Tabela 5.23 Convergncia para alguns valores do raio fictcio em funo da preciso . 112
Tabela 5.24 Tenses ao longo da linha OP para o problema gravitacional.................... 112
Tabela 5.25 Deslocamentos no ponto P para o problema gravitacional ......................... 112
Tabela 5.26 Resultados para problema com carga centrfuga Caso 2D ...................... 114
Tabela 5.27 Convergncia para o raio fictcio em funo da preciso ........................... 114
Tabela 5.28 Convergncia para diferentes valores do raio fictcio em funo da preciso
........................................................................................................................................... 115

xiv

Tabela 5.29 Resultados para problema com carga centrfuga Caso 3D ...................... 115
Tabela 5.30 Valores de xx em x = 0 para problema com cargas trmicas Caso 2D .. 117
Tabela 5.31 Convergncia para o raio fictcio em funo da preciso ........................... 117
Tabela 5.32 Convergncia para o raio fictcio em funo da preciso. .......................... 117
Tabela 5.33 Valores de xx em x = 0 para problema com cargas trmicas Caso 3D .. 118

xv

LISTA DE SMBOLOS, NOMENCLATURA E ABREVIAES


1 Smbolos
(mn)

minimizao

(mx)

maximizao

x, xi

varivel

F ( x ), f ( x ) funo objetivo

penal (x)

funo de penalizao

coringa, pode ser tanto o 0 quanto o 1

H, H1, H2

esquemas

m( H , t )

m representantes de um esquema H, numa gerao t

f i , f med

desempenho e desempenho mdio respectivamente

m( H , t + 1) m representantes de um esquema H, numa gerao t + 1

2 - Matrizes e vetores
K

matriz de rigidez

matriz de massa

matriz de rotao

vetor das foras nodais

Ni

vetor das funes de forma

U, u

vetor dos deslocamentos nodais globais

uL

vetor dos deslocamentos nodais locais

vetor de variveis, domnio da varivel xi

3 - Escalares
xiL, xiU limites inferior e superior das variveis respectivamente

comprimento de uma cadeia de caracteres

o(H )

ordem de um esquema

(H )

comprimento de definio de um esquema

f (H )

desempenho de um esquema

P, Pi

probabilidade de seleo

n pop

nmero de indivduos, tamanho da populao

Pd, PD

probabilidades de destruio e de destruio real respectivamente

xvi

p c , p m probabilidades de cruzamento e mutao respectivamente


PS, PS2 probabilidade de sobrevivncia
K, C

constante

nmero de alelos diferentes de um cromossomo

nv

nmero de variveis discretas

preciso decimal, deformao

ID

valor decodificado de um nmero binrio em inteiro

densidade de massa

Li

comprimento de uma barra

Ai

rea da seo transversal

peso de uma estrutura

Ei

nmero inteiro esperado de cpias de um indivduo

Ri

resduo, parte fracionria do nmero de cpias esperadas de um indivduo

dH

distncia Hamming

ui

componente de deslocamento na direo x

vi

componente de deslocamento na direo y

componente de deslocamento na direo z

tenso normal

mdulo de elasticidade

freqncia natural

4 - ndices
( )T

denota transposta de uma matriz ou vetor

( )

indica que uma operao feita no contorno do elemento em estudo

( )

indica que uma operao feita no domnio do elemento em estudo

5 - Abreviaturas
AG

Algoritmo Gentico

AGs

Algoritmos Genticos

AISC

American Institute of Steel Contruction

ASCII American Standard Code for Information Interchange


AFi

Funo de aptido ou desempenho

xvii

FO

Funo Objetivo

MRD

Mtodo da Reciprocidade Dual

MDF

Mtodo das Diferenas Finitas

MSF

Mtodo das Solues Fundamentais

MEC

Mtodo dos Elementos de Contorno

MEF

Mtodo dos Elementos Finitos

PO

Problema de Otimizao

RNA

Rede Neural Artificial

RNAs

Redes Neurais Artiticiais

xviii

1 INTRODUO
1.1 CONSIDERAES INICIAIS
A concepo de um problema de otimizao concentra-se na determinao de uma
variedade de tipos de objetivos ou um nico, feitas por meio de vrias anlises visando a
determinao da soluo de melhor desempenho global. Sendo a otimizao uma fuso de
reas da engenharia e da matemtica, capaz de adicionar dados relevantes a pesquisa, alm
da experincia do pesquisador.
A inteligncia computacional vem mudando a forma com que alguns problemas so
tratados e solucionados, pois fornece um manancial poderoso de solues para
pesquisadores de todas as reas, inclusive em aplicaes difceis, extremamente restritivas,
ou mesmo consideradas impossveis. Os processos de tomada de deciso utilizam como
base o conhecimento que os pesquisadores tm sobre a realidade de suas reas. Muito
desse conhecimento pode ser retirado de dados resultantes da atividade cotidiana da
pesquisa, continuamente acumulados; o que os sistemas inteligentes fazem uma
transformao eficiente desses dados em conhecimento til, que pode resultar num melhor
desempenho das pesquisas.
Este ambiente propicia a busca de tcnicas que minimizem as necessidades de pacotes
comerciais e que requeiram uma anlise mais simplificada, porm robusta, e que diminuam
as incertezas para as tomadas de deciso.
1.2 MOTIVAO
A motivao em desenvolver pesquisa em inteligncia computacional aplicada
engenharia de estruturas se d pelos seguintes aspectos (Lemonge, 1999):

Domnio de aplicao amplo;

Fcil implementao na anlise com variveis contnuas e discretas - problemas


tpicos de engenharia;

As variveis discretas tm caractersticas mensurveis que podem assumir apenas um


nmero finito ou infinito contvel de valores. Por exemplo, no caso da otimizao de

sees de estruturas reticuladas, o espao de busca a quantidade de sees comerciais


usualmente encontradas.
Variveis contnuas, por sua vez, tm caractersticas mensurveis que assumem valores em
uma escala contnua, para as quais os valores fracionrios fazem sentido. Por exemplo, no
caso da localizao da posio dos pontos de uma forma qualquer, o espao de busca
encontra-se em um intervalo em que a quantidade de casas decimais influencia no
problema.
1.3 OBJETIVOS
Este trabalho tem como objetivo principal desenvolver e implementar algoritmos
inteligentes como ferramentas integradas a alguns mtodos numricos clssicos de anlise
estrutural: o Mtodo dos Elementos Finitos (MEF), o Mtodo dos Elementos de Contorno
(MEC), o Mtodo da Reciprocidade Dual (MRD) e o Mtodo das Solues Fundamentais
(MSF).
Desta forma nos objetivos especficos espera-se obter para as aplicaes em engenharia
adotadas, aqui: o mnimo peso e solues fundamentais, a definio de parmetros para a
utilizao eficiente e competitiva da inteligncia computacional.
Neste trabalho os aspectos da otimizao que so analisados incluem:
a) Considerao de anlises bi e tridimensionais, tais como:

Elasticidade Linear 2D;

Elasticidade Linear 3D;

Estruturas reticuladas em ao;

b) Critrios diferentes de otimizao da estrutura, tais como:

Deslocamentos;

Temperatura;

Tenses;

c) Forma e topologia sendo parmetros da otimizao no mesmo problema, tais


como:

Estruturas reticuladas com elementos de vigas e de trelias;


2

Estruturas contnuas bi e tridimensionais;

1.4 ESTRUTURA DA TESE


O trabalho est subdividido em seis captulos incluindo a Introduo e a Concluso.
O primeiro Captulo esta introduo. O Captulo dois apresenta a inteligncia
computacional como uma ferramenta para a engenharia.
No Captulo trs encontram-se os fundamentos tericos sobre os Algoritmos Genticos
(AG) e Redes Neurais Artificiais (RNA).
No Captulo quatro encontram-se os fundamentos tericos sobre otimizao e as
formulaes a serem utilizadas com o MEF, o MEC, o MRD e o MSF.
O Captulo cinco trata de exemplos de aplicaes em diferentes reas da engenharia com a
incluso de variveis contnuas e discretas. So utilizados na anlise do mnimo peso
estruturas reticuladas e topologia estruturas contnuas; para o mtodo das solues
fundamentais problemas clssicos da resistncia dos materiais. Todos os resultados so
comparados aos da literatura. Ainda neste captulo mostrado os acoplamentos entre o
AG, a RNA, o MEC, o MEF, o MRD e o MSF.
Finalmente, no Captulo seis, apresentam-se as concluses deste trabalho, as dificuldades
encontradas, as sugestes e as propostas para possveis desenvolvimentos futuros em
otimizao estrutural por meio da Inteligncia Computacional, em particular no uso dos
AGs e RNAs.

2 INTELIGNCIA COMPUTACIONAL
2.1 INTRODUO
Muitos debatem hoje em dia a diferena entre inteligncia artificial e a inteligncia
computacional. Vrios livros no distinguem entre os termos, enquanto outros dizem que a
inteligncia artificial a cincia que tenta compreender e emular a inteligncia humana
como um todo (tanto no comportamento quanto no processo cognitivo), enquanto que a
inteligncia computacional procura desenvolver sistemas que tenham comportamento
similares a certos aspectos do comportamento inteligente (Linden, 2006).
As correntes de pensamento que se cristalizaram em torno da IA j estavam em gestao
desde os anos 30 (Barr e Feigenbaum, 1981). No entanto, oficialmente, a IA nasceu em
1956 com uma conferncia de vero em Dartmouth College, NH, USA. Na proposta dessa
conferncia, escrita por John McCarthy (Dartmouth), Marvin Minsky (Hardward),
Nathaniel Rochester (IBM) e Claude Shannon (Bell Laboratories) e submetida fundao
Rockfeller, consta a inteno dos autores de realizar um estudo durante dois meses, por
dez homens, sobre o tpico inteligncia artificial. Ao que tudo indica, esta parece ser a
primeira meno oficial expresso Inteligncia Artificial (MacCorduck, 1979). Desde
seus primrdios, a IA gerou polmica, a comear pelo seu prprio nome, considerado
presunoso por alguns, at a definio de seus objetivos e metodologias.
A verdade que atualmente no existe ainda uma definio consensual do que
inteligncia e os cientistas ainda no tm certeza de como a adquirimos ou como a
aperfeioamos (Silveira e Barone, 2001). Definir o que inteligncia , ento, uma tarefa
complexa, podendo esta ser uma capacidade de pensar em termos abstratos, de resolver
problemas importantes em determinado ambiente ou ento simplesmente de entender
conceitos que so considerados difceis por um observador que queira determinar nossa
inteligncia (Minsky, 1961).
A inteligncia computacional quando utilizado no apoio tomada de decises e ao
gerenciamento das organizaes, constitui ferramenta de sucesso para a previso de
cenrios de mercado, definio de opes de investimentos, anlises de risco, inferncias,
modelagens, planejamentos e, at mesmo, para a deteco de fraudes.

2.2 ALGUNS

PROJETOS

PESQUISAS

SOBRE

INTELIGNCIA

COMPUTACIONAL PARA ENGENHARIA NO BRASIL


A inteligncia computacional vem mudando a forma com que alguns problemas so
tratados e solucionados. A difuso dos Algoritmos Genticos (AGs) e Redes Neurais
Artificiais (RNAs) como ferramentas de otimizao despertou o interesse em
pesquisadores da rea de engenharia e cincias afins. Freqentemente aplicados em
problemas de otimizao, os AGs foram utilizados em pesquisas desde anlises de projetos
de turbinas de aeronaves at recentemente a anlises de estruturas de protenas. Pode-se
encontrar em Goldberg et al. (1997) um resumo de aplicaes, incluindo aproximadamente
4300 referencias sobre a evoluo e aplicao dos AGs. No entanto as Redes Neurais
artificial so freqentemente aplicados a problemas de classificao e generalizao de
funes, substituindo ou acrescentando informaes crticas aos mtodos convencionais
e/ou aos inteligentes.
Atualmente no Brasil, encontram-se vrias pesquisas em andamento, destacando os
projetos de pesquisa realizados pela Coordenao dos Programas de Ps-Graduao de
Engenharia (COPPE) e pelo Laboratrio Nacional de Computao Cientfica (LNCC).
O Laboratrio de Mtodos Computacionais em Engenharia (LAMCE/COPPE) realizam
pesquisas em sistemas inteligentes para engenharia com o objetivo de formular leis que
governam os fenmenos envolvidos em forma matemtica e precisa. Essas descries
perfeitas nem sempre so possveis e o conhecimento incompleto e impreciso das
observaes que so geralmente feitas em natureza qualitativa e a grande heterogeneidade
dos agentes que interagem causam incertezas na modelagem. Com a evoluo da teoria
probabilstica e da estatstica clssica se fornecem meios tericos para a descrio dessas
incertezas. A modelagem atravs de dados observados exige um processo de extrao de
conhecimento existente em um banco de dados (data mining) e esse processo se vale de
diversas tcnicas, entre elas os algoritmos genticos.
O Laboratrio de Bioinformtica (LNCC/MCT) tem como objetivo principal o
desenvolvimento de softwares para anlise de seqncias de nucleotdeos e de protenas
em bancos de dados genticos.
Alm destes centros, na ltima dcada vrios trabalhos tm sido publicados com relao
aplicao dos algoritmos genticos em engenharia por pesquisadores em outras
5

universidades, por exemplo, UFJF, UFPE, UFMG, PUC/RJ, USP e outros, dos quais
alguns exemplos so considerados em seguida.
Soares (1997) em sua dissertao de mestrado analisou o desempenho dos AGs
numericamente e prope novas tcnicas de como proceder a codificao e parametrizao
em cdigo binrio.
Lemonge (1999) apresentou em sua tese de doutorado a aplicao dos AGs em otimizao
estrutural de estruturas reticuladas planas e espaciais, analisando problemas de
minimizao de peso, minimizao de trabalho de deformao, reao mxima de apoio e
otimizao de parmetros e topologia.
Borges (1999) desenvolveu em sua tese de doutorado, modelos de AGs paralelos e uma
formulao para problemas de identificao de danos estruturais, baseada em informaes
a respeito do comportamento dinmico da estrutura danificada.
Barcellos (2000) apresenta uma outra classe de AG, o MetaAG, verificando que o mesmo
mais estvel em relao aos seus parmetros de controle.
Silva (2000) aplicou os AGs para otimizar estruturas de concreto armado, analisou um
trecho de pilar submetido flexo composta oblqua e um prtico plano de cinco
pavimentos.
Castro (2001) em sua tese de doutorado desenvolveu um AG para otimizao de problemas
estruturais com multi-objetivos, cuja finalidade era evoluir um conjunto uniformemente
distribudo de solues para determinar o conjunto timo de solues do problema tratado,
alm disso prope novas caractersticas para o AG, como combinao de outros operadores
genticos.
Mendona (2004) prope em sua tese de doutorado uma estratgia hbrida paralela
utilizando redes neurais treinadas com indivduos retirados das populaes do AG para
aproximar funes no-lineares na otimizao do casco de uma plataforma semisubmersvel, com o objetivo de minimizar movimentos.
Na UnB as pesquisas com inteligncia artificial foram iniciadas em 2003 e so voltadas
para engenharia civil e bioengenharia. Desde ento foram desenvolvidas trs dissertaes e
uma tese de doutorado conforme se descreve a seguir, alm deste trabalho.
6

O trabalho de Torres (2003) em Determinao de uma Rede de Transporte tima


Utilizando Algoritmo Gentico, desenvolveu um AG baseado no Algoritmo de Dijkstra
para aplicaes em redes de transportes urbano.
Castro (2005) em Algoritmo Gentico para Otimizao de Estruturas Reticuladas,
analisou o desempenho dos AGs numericamente e prope novas tcnicas de como
proceder a codificao e parametrizao em cdigo binrio para anlise estrutural.
Bueno (2008) em Anlise Inversa com Uso de Algoritmos Genticos para Localizao de
Tumores de Pele Discretizados em Elementos de Contorno com Reciprocidade Dual.
Soares (2005) em Avaliao Estrutural: influncia do rudo nos mtodos de deteco de
danos baseados na anlise das propriedades dinmicas desenvolveu uma formulao para
problemas de identificao de danos estruturais com o uso de RNAs, levando em
considerao a influncia dos rudos nos mtodos utilizados.

2.3 COMPUTAO NATURAL


Durante muitos anos cresceu o interesse em se resolver problemas, das naturezas mais
diversas, atravs de procedimentos que utilizam algoritmos que consideram caractersticas
de hereditariedade entre as solues factveis.
Do ponto de vista filosfico, o mtodo de otimizao utilizado pela natureza, que tida
por muitos como o sistema mais perfeito. E do ponto de vista prtico, resolve problemas
matematicamente complexos de modo simples, alm de ser fcil acoplar outras tcnicas
(hibridao) e/ou aplicaes.
A Computao Natural surgiu como uma nova cincia computacional inspirada na
natureza e podem-se formar novas subreas como vistas na Figura 2.1.
A Inteligncia Computacional busca criar sistemas inteligentes reproduzindo os aspectos
do comportamento animal e/ou vegetal, tais como: adaptao, percepo, raciocnio e
aprendizado.

Figura 2.1 Subreas da Computao Natural (modificado - Castro, 2001).


O Recozimento Simulado (Simulated Annealing) um intermedirio na inteligncia
computacional. O princpio do mtodo est na analogia com a termodinmica,
precisamente no modo de como os lquidos se esfriam e se cristalizam ou no processo de
recozimento de metais.
A geometria fractal descreve bem as irregularidades e os processos turbulentos da
natureza, sendo amplamente utilizada na meteorologia, biologia, hidrografia, medicina,
geografia, dentre outros.
2.3.1 Lgica Nebulosa
A lgica Nebulosa ou Difusa (Fuzzy Logic) surgiu da necessidade de tratar problemas onde
existe uma regio cujas classificaes tornam-se imprecisas (Tran e Zomorodi, 1994).
As variveis de projeto no so tratadas como tendo apenas um estado, mas muitos; Cada
um com certo grau de associao, por exemplo, uma barra de ao no grande e sim 0,8
grande, 0,2 mdia e 0,0 pequena; Gerando assim, a criao de conjuntos para os quais os
dados so inseridos.

Isto permite um melhor tratamento de problemas onde existam

fronteiras imprecisas ou no bem definidas.

2.3.2 Redes Neurais Artificiais


Inspiradas na estrutura do crebro humano, as Redes Neurais (RNA), apresentam
caractersticas similares a ele: associao, abstrao, generalizao e aprendizado.
Os processadores (neurnios artificiais) so interconectados e cada um efetua um nmero
pequeno de operaes simples. Os seus resultados so transmitidos aos processadores
vizinhos para a gerao do resultado final (Hajela e Berke, 1990). So efetivas no
aprendizado de padres (por exemplo: imagem, texto e voz) a partir de dados no-lineares,
incompletos, com rudos e at compostos de exemplos contraditrios.
De acordo com a linha de aplicao e alguns detalhes das redes neurais artificiais podem-se
formar novas subreas como vistas na Figura 2.2.

Figura 2.2 Subreas das Redes Neurais Artificiais.


2.3.2.1 Aprendizado Supervisionado
Este mtodo de aprendizado o mais comum no treinamento das RNA, tanto de neurnios
com pesos como de neurnios sem peso. chamado de aprendizado supervisionado
porque a entrada e sada desejadas para a rede so fornecidas por um supervisor (professor)
externo. O objetivo ajustar os parmetros da rede, de forma a encontrar uma ligao entre
os pares de entrada e sada fornecidos.
A desvantagem do aprendizado supervisionado que, na ausncia do professor a rede no
conseguir aprender novas estratgias para situaes no cobertas pelos exemplos de
treinamento da rede. Os exemplos mais conhecidos de algoritmos para aprendizado
supervisionado utilizam a regra de delta (Widrow e Hoff, 1960) e a sua generalizao para
redes de mltiplas camadas, o algoritmo de retro propagao (Rumelhart et al, 1986).

2.3.2.2 Aprendizado No-supervisionado


No aprendizado no-supervisionado como o prprio nome sugere, no h um supervisor
para acompanhar o processo de aprendizado. Apesar da semelhana entre o aprendizado
supervisionado dos seres humanos, muitos dos sistemas biolgicos ocorrem por meio de
aprendizado no-supervisionado, como por exemplo os estgios iniciais dos sistemas de
viso e audio. Para estes algoritmos, somente os padres de entrada esto disponveis
para a rede, ao contrrio do aprendizado supervisionado, cujo conjunto de treinamento
possui pares de entrada e sada. A partir do momento em que a rede estabelece uma
harmonia com as regularidades estatsticas da entrada de dados, desenvolve-se nela uma
habilidade de formar representaes internas para codificar caractersticas de entrada e
criar novas classes de grupos automaticamente. Este tipo de aprendizado s se torna
possvel quando existe redundncia nos dados de entrada, pois seria impossvel encontrar
quaisquer padres ou caractersticas.
2.3.2.3 Aprendizado por Reforo
O aprendizado por reforo pode ser visto como um caso particular de aprendizado
supervisionado. A principal diferena entre o aprendizado supervisionado clssico e o por
reforo a medida de desempenho usada em cada um dos sistemas. No aprendizado
supervisionado, a medida de desempenho baseada no conjunto de respostas desejadas
usando um critrio de erro conhecido, enquanto que o por reforo baseado em qualquer
medida que possa ser fornecida ao sistema. No aprendizado por reforo, a nica
informao de realimentao fornecida rede se uma determinada sada est correta ou
no, isto , no fornecida rede a resposta correta para o padro de entrada.
O termo aprendizagem por reforo foi utilizado por Minsky (1961) em seu estudos inciais
de IA. A idia bsica do termo reforo tem sua origem em estudos experimentais sobre
aprendizado dos animais, que diz que quanto maior a satisfao obtida com uma certa
experincia em um animal, maiores a chances de ele aprender (Hampson, 1990).
Sutton et al. (1991), reformulando a definio de aprendizado por reforo conclui que se
uma ao tomada pelo sistema de aprendizagem seguida de estados satisfatrios, ento a
tendncia do sistema de produzir esta ao particular reforada. Se no for de estados
satisfatrios, a tendncia do sistema de produzir esta ao enfraquecida.

10

2.3.3 Computao Evolucionria


A computao Evolucionria ou Algoritmos Evolucionrios so tcnicas estocsticas de
busca e otimizao inspiradas nos mecanismos da evoluo e da gentica (Goldberg, 1989;
Maysa, 1996). O princpio de funcionamento a evoluo de uma populao de estruturas
computacionais, de tal modo que melhore a adequao mdia dos indivduos que formam
esta populao em relao ao ambiente a que ela est submetida.
De acordo com a linha de aplicao e alguns detalhes da Computao Evolucionria
podem-se formar novas subreas como vistas na Figura 2.3.

Figura 2.3 Subreas da Computao Evolucionria (modificado - Castro, 2001).


2.3.3.1 Algoritmos Genticos
Os Algoritmos Genticos so inspirados nos mecanismos naturais da gentica. Operam
com populaes de indivduos representados por cromossomos, os quais durante o
processo de evoluo so submetidos ao procedimento de seleo e reproduo, onde so
aplicados os operadores de recombinao e mutao (Goldberg, 1989).
2.3.3.2 Programao Evolucionria
A Programao Evolucionria ou Evolutiva tambm opera com populaes, porm alguns
tipos de mutaes so efetuados sobre os pais na criao de novas solues.

11

Concebida por Lawrence J. Fogel na dcada de sessenta, este tipo de programao no


necessita de populaes constantes, como tambm no precisa ser fixado um nmero de
filhos por pai. No efetuam recombinao, por isso tm a sua representao mais flexvel.
2.3.3.3 Estratgias Evolucionrias
Quase que exclusivamente empregadas na engenharia civil como alternativa aos mtodos
convencionais, operam com cromossomos na forma de vetores de nmeros reais e
originalmente na proporo (1+1), ou seja, cada pai gera um filho por gerao. Caso este
descendente seja melhor que seu progenitor ele toma o seu lugar (Maysa, 1996).
Atualmente estas estratgias foram extendidas para outras propores, alm de usar
estratgias de recombinaes introduzidas em seu processo evolutivo.
2.3.3.4 Programao Gentica
Geralmente utilizados na linguagem Lisp, a Programao Gentica, opera sobre
representaes de trechos de programas na forma de rvores, de modo que possam ser
combinados para gerarem novos trechos de programas mais complexos (Lemonge, 1999;
Castro, 2001).
Normalmente apenas o operador de recombinao utilizado, atravs de uma seleo
aleatria de sub-rvores e troca nos indivduos, para seleo conforme a aptido de cada
indivduo.
2.3.3.5 Estratgia de Colnia
Opera com a idia da comunicao indireta explorada pelas sociedades de insetos que
formam algoritmos distribudos de multi-agentes. A Estratgia de Colnia (Swarm)
inspirada no comportamento coletivo de colnias de insetos, como por exemplo, colnia de
formigas, ou em sociedades de outros animais (Dorigo et al, 1991).
Atualmente est sendo aplicada a vrios problemas de otimizao de cadeias de
telecomunicaes e otimizao multi-objetivos.

12

3 COMPUTAO NATURAL
3.1 ALGORITMOS GENTICOS
3.1.1 Introduo
H muito tempo, o homem tem se servido das caractersticas e princpios existentes na
natureza para a criao de mquinas, mtodos e tcnicas que melhorem sua qualidade de
vida no planeta. Alguns exemplos tpicos so os submarinos com sistemas de imerso
semelhantes aos peixes, sonares baseados nos morcegos, entre outros (Silva, 2000).
Dorigo e Sttzle (2004) descrevem outro fato interessante ao estudarem o comportamento
de ninhos de formigas, pois, mesmo elas sendo to simples e irracionais possuem
mecanismos naturais de otimizao. So capazes de encontrar um caminho mais curto
entre o ninho e uma fonte de comida sem usar sugestes visuais, mesmo que ocorram
mudanas no ambiente original, como a introduo de um obstculo, que pode ser
observado nas Figuras 3.1 a 3.4 a seguir.

Figura 3.1 Trajeto retilneo (Dorigo e Sttzle, 2004).

Figura 3.2 Introduo de um obstculo (Dorigo e Sttzle, 2004).

13

Figura 3.3 Diviso das formigas no percurso (Dorigo e Sttzle, 2004).

Figura 3.4 Percurso timo com o passar do tempo (Dorigo e Sttzle, 2004).
A explicao para a descoberta do caminho timo a ser percorrido pelas formigas, que
elas depositam durante a caminhada certa quantidade de feromnio, com uma taxa fixa
atravs da urina e seguem a trajetria probabilisticamente mais rica em tal sinalizador
qumico. O caminho original ao ser interrompido pela introduo de um obstculo, leva as
formigas a se dividirem pelas alternativas possveis e com o decorrer do tempo tero
passado pelo menor caminho, ficando o caminho com uma maior concentrao do
feromnio, por isso este novo trajeto ser adotado.
Outro exemplo, observado por Darwin, que numa determinada populao, quando h
escassez de recursos, sejam eles: comida, espao ou outro recurso essencial. Os indivduos
mais preparados para a competio dominam os mais fracos e sobrevivem, acontece
porque, dentre todas as caractersticas imprescindveis competio, esses serem possuem
algumas mais acentuadamente presente que os outros. Pela hereditariedade, essas
caractersticas passaro para seus descendentes, e assim, tero grande chance de serem
tambm vencedores. Porm, indivduos fortes podem surgir da explorao de outra
caracterstica ainda no desenvolvida na populao. Se a natureza tentasse descobrir essas
14

novas caractersticas atravs da seleo dos mais aptos e do cruzamento dentro de um


mesmo grupo, certamente no teria sucesso, pois, ao longo das geraes, todos os
indivduos compartilhariam praticamente do mesmo cdigo gentico. Contornando esse
problema inserindo material gentico diferente atravs do processo conhecido por
mutao, a natureza, capacita o individuo a sobreviver, caso ele seja to apto quanto aos
demais, no futuro processo de seleo. (Darwin, 1902)
Como mencionado anteriormente, Holland (1975) procurou implementar algo semelhante
para sistemas artificiais. Nessa comparao, descreve-se o problema (ambiente de
sobrevivncia) sob a forma de uma funo objetivo, em que as estruturas (indivduos) mais
aptas obtero valores mais altos dessa funo, assim, cada indivduo corresponde a uma
possvel soluo. Ento trabalhando com um grupo de indivduos simultaneamente,
verifica-se a potencialidade de cada um em relao aos demais, tentando selecionar os mais
aptos para o cruzamento. Aps o cruzamento, cada gene de cada indivduo estar sujeito
ao da mutao. Nos algoritmos genticos esses processos so conhecidos como
operadores genticos.
A idia de otimizao em conjunto com a seleo natural dos mais aptos no processo de
evoluo torna-se um campo convidativo e interessante pelos inmeros resultados de
sucesso nas mais diferentes reas de aplicao. Alm de ser uma alternativa de grande
fora por sua caracterstica: robustez, flexibilidade, eficincia e principalmente,
simplicidade.
Os Algoritmos Genticos so muito utilizados em problemas onde, dado um conjunto de
elementos ou indivduos, deseja-se encontrar aquele ou aqueles que melhor atendam a
certas condies previamente especificadas.
Existem inmeras verses dos algoritmos genticos em relao aos procedimentos
empregados (por exemplo, nos operadores).
No entanto, so duas as formas mais freqentemente observadas quanto sua estrutura de
funcionamento, e portanto, sendo estes os algoritmos genticos padres dos quais os outros
AGs existentes so fundamentados. Sendo estes dois explicados nas subsees seguintes.

15

Figura 3.5 Estrutura de funcionamento de um Algoritmo Gentico Padro.


Para manter a analogia, so usados nos sistemas artificiais, os termos usuais gentica
natural nos sistemas artificiais. Lacerda e Carvalho (1999) dispem a terminologia bsica
da seguinte maneira:

Cromossomo e Genoma: na biologia, genoma o conjunto completo de genes de


um organismo. Um genoma pode ter vrios cromossomos. Nos AGs, os dois
representam a estrutura de dados que codifica uma soluo para um problema, ou
seja, um cromossomo, ou genoma representa um simples ponto no espao de
busca;

Gene: na biologia, a unidade de hereditariedade que transmitida pelo


cromossomo e que controla as caractersticas do organismo. Nos AGs, um
parmetro codificado no cromossomo, ou seja, um elemento do vetor que
representa o cromossomo;

Indivduo: um simples membro da populao. Nos AGs, um indivduo formado


pelo cromossomo e sua aptido;

Gentipo: na biologia, representa a composio gentica contida no genoma. Nos


AGs representa a informao contida no cromossomo ou genoma;

Fentipo: nos AGs, representa o objeto, estrutura ou organismo construdo a partir


das informaes do gentipo.

o cromossomo decodificado.
16

Por exemplo,

considere que o cromossomo codifica parmetros como as dimenses das vigas em


um projeto de construo de um edifcio. O fentipo seria o edifcio construdo;

Alelo: na biologia, representa uma das formas alternativas de um gene. Nos AGs,
representa os valores que o gene pode assumir.

Por exemplo, um gene que

representa o parmetro de forma geomtrica da seo transversal de uma barra,


poderia ter os alelos de parmetros circulares, retangulares, circulares vazado, etc;

Locus: nos AGs, representa uma posio no cromossomo;

Epistasia: interao entre genes do cromossomo, isto , quando um valor de um


gene influencia no valor de outro gene. Problemas com alta epistasia so de difcil
soluo por AGs;

Populao: conjunto de cromossomos ou solues;

Operaes Genticas: so operaes que o AG realiza sobre cada um dos


cromossomos.

Gerao: o nmero total de ciclos de evoluo de um AG.

A idia de otimizao em conjunto com a seleo natural dos mais aptos no processo de
evoluo torna-se um campo convidativo e interessante pelos inmeros resultados de
sucesso nas mais diferentes reas de aplicao. Alm de ser uma alternativa de grande
fora por sua caracterstica: robustez, flexibilidade, eficincia e principalmente,
simplicidade.

3.1.2 Teoria do Processo Evolutivo


Os Algoritmos Genticos caminham na direo do ponto timo atravs da procura por
semelhanas na codificao dos indivduos de bom desempenho. Goldberg (1989) e
Holland (1975) analisaram o indivduo de um ponto de vista mais amplo. No caso de uma
codificao binria, um esquema uma cadeia formada com o alfabeto A = {0, 1, *}. O
caractere * um coringa, ou seja, pode ser tanto 0 ou 1.
Um esquema (H) descreve um conjunto de cadeias de caracteres que possuem semelhanas
em certas posies. Ento, por exemplo, suponha que uma cadeia de caracteres tenha
comprimento l = 4. Dessa forma, um esquema H1 poderia ser **10 e esse esquema
representaria as cadeias de caracteres 0010, 0110, 1010 e 1110. Cada cadeia de caracteres
possvel significa uma instncia do esquema.
17

Algumas caractersticas relativas s posies fixas so muito importantes na anlise de


performance desses esquemas. Chama-se ordem (o(H)) de um esquema, o nmero de
smbolos que no sejam o * (asterisco) e portanto o esquema H1 anteriormente citado
tem o(H) = 2. Chama-se tambm, comprimento de definio ((H)) do esquema a distncia
entre o primeiro e o ltimo smbolo no asteriscos do esquema. Sendo assim, o esquema
H1 tem o (H) = 1 (o 1 est na terceira e na quarta posio, ento 4 3 = 1).
Um outro fator importante ao esquema o seu desempenho ( f (H ) ), que medido pela
mdia aritmtica da aptido entre todas as suas instncias, para uma dada populao e
gerao.
Portanto, duas consideraes tericas so de grande importncia para a anlise do
mecanismo de pesquisa dos AGs: A Hiptese dos Blocos de Construo e o Teorema
Fundamental dos Algoritmos Genticos.
3.1.2.1 Hipteses dos Blocos de Construo
Quando a anlise da populao feita pela perspectiva de esquemas, a descrio sobre a
performance dos AGs fica mais clara. Esquemas de pequeno comprimento de definio, de
baixa ordem e com alto desempenho so amostrados e recombinados, formando cadeias de
mais alto valor de aptido e neste sentido, reduzindo a complexidade do problema. A
inteno construir indivduos fortes a partir dos melhores existentes, ao invs de se tentar
combinar quaisquer cadeias de caracteres. Para isso os esquemas curtos, de baixa ordem e
desempenho acima da mdia se juntam, como blocos de construo, gerando uma estrutura
maior.
Os blocos de construo (building blocks) so muito importantes na fase inicial dos AGs,
onde o objetivo encontrar a regio onde se encontra a soluo global. J na outra fase, a
de convergncia final, as cadeias de caracteres compartilham praticamente o mesmo
cdigo gentico e conseqentemente, os mesmos esquemas de alto desempenho, tornando
ento bem menos significativa a contribuio dos esquemas nos blocos de construo.
3.1.2.2 Teorema Fundamental dos Algoritmos Genticos
O Teorema fundamental dos algoritmos genticos, desenvolvido por Goldberg (1989),
utilizou os trs operadores genticos bsicos de um AG: seleo, cruzamento e mutao.
18

Inicialmente suponha que numa gerao t, um esquema particular H possua m


representantes, essa situao ser denotada por m( H , t ) . E durante a reproduo uma
cadeia de caracteres copiada de acordo com a probabilidade de seleo ( P )
proporcionada pelo seu desempenho f i , perante todos os desempenhos encontrados na
populao

f , ou seja:
P=

fi

(3.1)

Analogamente, para esquemas em que f (H ) o desempenho mdio das instncias do


esquema:

f (H )
f

P=

(3.2)

Como na gerao t + 1, npop indivduos so selecionados, espera-se ter:

m( H , t + 1) = m( H , t ).n pop .

f (H )
f

(3.3)

representantes de H. A mdia de desempenhos da populao f med definida como:

f med =

(3.4)

n pop

Portanto a Equao 3.3 pode ser reescrita como:

m( H , t + 1) = m( H , t )

f (H )
f med

(3.5)

Da Equao 3.5 nota-se que o nmero de esquemas aumentar dependendo da razo entre
os desempenhos mdios de suas instncias e da populao. Esta etapa considerou apenas o
efeito da seleo (selection).
Considere agora o cromossomo C abaixo, de comprimento 7 e dois esquemas por ele
representado:

19

Tabela 3.1 Cromossomo, Esquemas, Comprimento de definio e Ordem.

1010101

(H )

o(H )

H1

****1*1

H2

1*0***1

Em qualquer um dos 6 pontos possveis em que possa haver cruzamento (crossover) o


esquema H2 ser partido (probabilidade 1). J no esquema H1 uma quebra na segunda
posio (bit), o manteria inalterado.
Isto ocorre por causa do comprimento de definio ( (H ) ). Em H1 a probabilidade de
haver quebra, isto , de o ponto de escolha para o cruzamento ser escolhido de modo a
romper a estrutura de 2/6 (as nicas posies em que ocorrem quebras so: aps o
primeiro 1, antes do asterisco e logo antes do segundo 1, aps o asterisco). No esquema H2
a probabilidade de quebra 6/6 = 1 (qualquer local entre os dois uns ir romper o
esquema). O lugar em que o cromossomo se parte selecionado aleatoriamente com
probabilidade uniforme em todas as posies, ou seja, uma escolha entre 1 e l - 1.
Portanto a probabilidade de um esquema H ser quebrado (destrudo) pelo cruzamento ser:

Pd =

(H )
(l 1)

(3.6)

Considerando agora a probabilidade p c de haver um cruzamento, a probabilidade real de


romper o esquema PD ser p c .Pd , j que p c e Pd so eventos independentes, portanto:

PD = p c .

(H )
(l 1)

(3.7)

O cruzamento pode ser realizado entre representantes de mesmo esquema, e assim esse
esquema jamais ser destrudo, ento:

PD p c .

(H )
(l 1)

(3.8)

interessante trabalhar com a probabilidade de sobrevivncia PS ao invs de PD , assim:


PS = 1 PD
20

(3.9)

PS 1 p c .

(H )
(l 1)

(3.10)

A ao conjunta dos processos de reproduo e de cruzamento so eventos independentes,


e simplesmente multiplicando-se estes dois eventos a Equao 3.5 fica:

m( H , t + 1) = m( H , t )

f (H )
(H )
1 pc

f med
(l 1)

(3.11)

Esta Equao mostra que se um esquema tem desempenho acima do desempenho mdio da
populao e pequeno comprimento de definio, provavelmente ele proliferar. Nesta
etapa considerou agora o efeito da seleo (selection) e do cruzamento (crossover).
O ltimo operador a ser considerado a mutao (mutation). Cada alelo simples tem
probabilidade PS 2 = 1 Pm , e como cada mutao estatisticamente independente, a
probabilidade de sobrevivncia PS 2 para um esquema particular ser o produto das
probabilidades para cada posio fixa, ou seja a probabilidade de sobrevivncia de um
esquema com ordem o(H) :
PS 2 = (1 p m ) o ( H )

(3.12)

Neste ponto, fazemos uma simplificao na Equao 3.12, pois geralmente p m << 1
(grandes probabilidades de mutao transformam o problema em um processo aleatrio,
pois perde-se o material gentico que foi aprimorado pelo cruzamento) e portanto
(Goldberg, 1989):
PS 2 = 1 p m o( H )

(3.13)

O efeito combinando dos trs operadores levam a Equao 3.5 para a seguinte forma:

m( H , t + 1) = m( H , t )

f (H )
(H )
1 pc
[1 p m o( H )]

f med
(l 1)

(3.14)

Reorganizando e ignorando os termos cruzados do tipo p m . p c , pois estamos analisando


apenas os efeitos sem a suas interdependncias, teremos:

21

m( H , t + 1) = m( H , t )

f (H )
(H )
1 pc
p m o( H )

f med
(l 1)

(3.15)

Que finalmente a formulao matemtica dos efeitos dos operadores genticos sobre o
nmero de esquemas esperados para a prxima gerao e tambm conhecido como
Teorema Fundamental dos Algoritmos Genticos.

Convergncia dos Algoritmos Genticos


Analisando a Equao 3.15 observa-se que a parcela formada pelos efeitos do cruzamento
e mutao uma constante (representada entre os colchetes) e que se a relao do
desempenho mdio das instncias do esquema H com a mdia de desempenhos da
populao permanecer constante, teremos:
m( H , t + 1) = m( H , t ).K

(3.16)

Comeando com t = 0, Barcellos (2000) observou que na gerao t a ao dos operadores


genticos sobres os esquemas tem forma exponencial, ou seja, para m( H , t ) tem-se:
m( H , t ) = m( H ,0).K t

(3.17)

Mostrando que esquemas que tem valores de K superiores a 1 (condies do teorema do


esquema) produzem cromossomos representantes a uma taxa exponencial com o tempo e
valores de K inferior a 1 tem um decaimento exponencial com o tempo e tendem a
desaparecer. Sendo ento o AG um mtodo de otimizao de convergncia exponencial.
3.1.2.3 Paralelismo Implcito
O AG, a cada gerao, processa npop indivduos, mas o que faz dele um poderoso mtodo
de procura que, na anlise dos npop indivduos, ele verifica paralelamente npop3 esquemas.
Esse resultado recebeu o nome de paralelismo implcito. A estimativa npop3 esquemas por
npop indivduos foi desenvolvida por Goldberg (1989).
A estimativa do nmero de esquemas processados em paralelo inicia-se conhecendo a
capacidade de formao dos indivduos e esquemas de qualquer cdigo. Para qualquer tipo
decodificao, seja k o nmero de alelos diferentes e l o comprimento da cadeia de
caracteres, existem ento k l possibilidades de formao de cadeias de caracteres e (k + 1) l
22

de esquemas. Cada cadeia de caracteres especfica representante de k l esquemas


diferentes. Por exemplo, seja uma populao composta por 4 cromossomos com 3 genes:

011
010
111
100

Os seguintes esquemas incluem o primeiro indivduo:

011
01*
0*1
*11
0**
*1*
**1
***

Neste caso, temos no mximo 32 (= 4 x 23) e no mnimo 8 (= 23) esquemas presentes na


l

populao. Porm Goldberg (1989) estimou que o limite de esquemas seria de 3 ,


portanto, 33 = 27 e no 32 como encontrado anteriormente.
Ainda assim, no fcil enxergar o paralelismo implcito com os quais os AGs trabalham.
Uma outra forma de verificao deste paralelismo a viso geomtrica de esquemas num
espao de busca. Consideremos ento esquemas de comprimento l = 3, como no exemplo
anterior, e um espao de busca tridimensional. Esquemas com ordem 3 definem pontos
especficos no espao, esquemas com ordem 2 definem linhas de possveis solues. Os
planos no espao so esquemas de ordem 1, enquanto que todo espao coberto por
esquema de ordem 0, ou seja ***, que pode ser visto na Figura 3.6. Para espaos superiores
a trs dimenses (3D), o raciocnio anlogo, porm para estas dimenses, a viso
geomtrica complexa.

23

Figura 3.6 Viso geomtrica dos hiperplanos em 3D (Soares, 1997).

3.1.3 Algoritmo Gentico Geracional


No Algoritmo Gentico Geracional toda a populao substituda por novos indivduos
gerados pelo processo de seleo e aplicao dos operadores genticos. Toda a gerao
(Pais) integralmente substituda pela mais nova (Filhos), no existindo a convivncia,
havendo a perda de bons indivduos no processo. Por essa razo, nos problemas de
otimizao, um procedimento freqentemente empregado o elitismo, isto , um ou dois
dos melhores indivduos de uma gerao so preservados, passando diretamente para a
gerao seguinte.

3.1.4 Algoritmo Gentico No Geracional


Neste tipo de algoritmo, tambm conhecido por AG Steady State, apenas um indivduo
criado de cada vez e depois da sua avaliao, o mesmo inserido na populao em
substituio a outro, por exemplo, pelo pior de todos. Porm caso ele seja pior que todos os
j existentes, ento nada alterado e procede-se uma nova criao de indivduo.
Uma maneira de facilitar a comparao do indivduo gerado com os j existentes na
populao utilizar um ordenamento ou escalonamento, desta forma, o indivduo
comparado apenas com o ltimo indivduo, caso seja superior a ele, assumir a posio

24

correspondente no ordenamento ou escalonamento, sendo portanto, o ltimo eliminado


pela seleo natural (Silva, 2000).

3.1.5 Estrutura de funcionamento


O princpio bsico de funcionamento do AG que um critrio de seleo vai fazer com
que, depois de um determinado nmero de geraes, um conjunto inicial de indivduos
gere indivduos mais aptos.
Inicialmente, gerada uma populao formada por um conjunto aleatrio de indivduos
que podem ser vistos como possveis solues do problema. Durante o processo evolutivo,
esta populao avaliada: para cada indivduo atribudo uma nota, ou ndice, refletindo
sua habilidade de adaptao a determinado ambiente.
Uma porcentagem dos mais aptos mantida, enquanto os outros so descartados
(Darwinismo). Os indivduos da populao mantidos pela seleo podem sofrer
modificaes em suas caractersticas fundamentais atravs dos operadores genticos de
mutao (mutation) e cruzamento (crossover) gerando descendentes para a prxima
gerao.

Esse processo, chamado de reproduo, repetido at que uma soluo

satisfatria seja encontrada.


3.1.5.1 A representao
Uma das principais preocupaes a ser avaliada quando se utiliza o AG como ferramenta
de otimizao de um determinado problema a codificao a ser utilizada para representar
as possveis solues. Existem vrios tipos de codificao utilizados nesse procedimento,
destacando-se entre eles a codificao binria e a codificao real. comum a utilizao
de codificaes binrias para problemas com variveis discretas e de codificaes reais
para problemas com variveis contnuas.
Pacheco (1999), Ochi e Rocha (2000) afirmam que o importante nesse caso, independente
da representao escolhida, que esta deve ser capaz de representar todo espao de busca
que se deseja investigar, ou seja, toda soluo deve estar associada a um cromossomo e,
reciprocamente, todo cromossomo gerado pelo AG deve estar associado a uma soluo
vlida do problema analisado.

25

3.1.5.2 Dimensionamento das variveis


A escolha do nmero de bits para cada varivel, o tamanho do cromossomo e sua
decodificao dependem de cada problema (Goldberg, 1989).

Para um espao de busca com variveis discretas, tem-se:

(3.18)

2 l = nv

Onde l o comprimento da cadeia, ou o nmero de bits. E nv o nmero de possveis


valores assumidos.

Para um espao de busca com variveis reais (contnuas), tem-se:

l log 2

xU x L

(3.19)

l bits possibilitam a representao de 2 l valores discretos que so distribudos


uniformemente no intervalo [xL, xU], que possibilitem uma preciso de:

xU x L
2l 1

(3.20)

Por exemplo, se = 0,01 e, xU = 50,0 e xL = 20,0 teremos ento l 12.


3.1.5.3 Mapeamento das variveis
Neste trabalho optou-se por utilizar a representao (codificao) binria. Essa
representao a mais empregada por ser mais simples, fcil de manipular atravs dos
operadores genticos e de ser transformada em uma representao inteira ou real. obtida
pela concatenao de cada elemento do espao de busca.

Concatenao

Figura 3.7 Cadeia com codificao binria.


26

Para recuperar os valores originais (fsicos) das variveis, necessrio um procedimento


de decodificao. Nessa decodificao, os valores so inteiros e compreendidos na faixa
[0, 2 l -1].
Para as variveis discretas a decodificao fornece um nmero inteiro que representa o
ndice da varivel em uma lista que o espao de busca correspondente a essa varivel
(isto , um conjunto de nmeros no contnuos). Por exemplo, seja a varivel x1 = 10 da
Figura 3.7, sua decodificao indicar o ndice ID = 1 x 21 + 0 x 20 = 2, que apontar para
a segunda varivel do espao de busca dessa varivel.
J para as variveis contnuas tem-se a decodificao na seguinte forma:

xi = x L + ID.

xU x L
2l 1

(3.21)

Ento imaginemos que temos uma preciso = 0,01; limites xU = 50,0 e xL = 20,0; e
tamanho l = 12. Se x1 = 101000100001 ento seu ID :
ID = 1 x 211 + 0 x 210 + 1 x 29 + 0 x 28 + 0 x 27 + 0 x 26 + 1 x 25 + 0 x 24 + 0 x 23 + 0 x 22 +
+ 0 x 21 + 1 x 20 = 2593
E sua varivel no intervalo [20, 50] (utilizando a Equao 3.21):

x1 = 20,0 + 2593.

50,0 20,0
= 38,99
212 1

3.1.5.4 A configurao
A configurao correta dos parmetros que influenciam os algoritmos genticos um dos
aspectos mais relevantes dentro da estratgia de configurao. A literatura sobre este tema
no direcionada, uma vez que tais configuraes iro depender entre outras coisas da
aplicao a ser resolvida, entretanto, intuitivo perceber que este passo de grande
importncia no desempenho do mecanismo de busca. A eficincia e funcionamento de um
AG so altamente dependentes dos seus parmetros de controle, cujos tipos bsicos so
descritos nas subsees seguintes.

27

3.1.5.5 Tamanho da populao


O tamanho da populao (npop) indica o nmero de cromossomos que h em cada
populao. Com uma populao pequena, o desempenho do AG pode cair, pois a mesma
representaria uma pequena parte do espao de busca do problema. J com grandes
populaes, apresentar uma maior diversidade de solues, contudo, ser dispendioso
computacionalmente efetuar muitas avaliaes da funo de aptido. Portanto, as
principais influncias deste parmetro esto relacionadas com o desempenho global e com
a eficincia.
Uma observao prtica de vrios pesquisadores (Castro, 2005), mostra que para a grande
maioria dos problemas, a populao deve estar entre l e 2.l , ou seja:
l n pop 2.l

(3.22)

Sendo assim, aplicando-se a Equao 3.22 tem-se, por exemplo, para l = 10, 20, 30 e 40
temos 10, 20, 30 e 40 n pop 20, 40, 60 e 80 respectivamente.
No existem critrios para definio do tamanho da populao ainda bem definidos,
portanto a escolha vai depender de cada problema e da experincia adquirida ao longo do
processo (Lemonge, 1999).
3.1.5.6 Taxa ou probabilidade de cruzamento
Este parmetro indica a probabilidade de um indivduo ser recombinado com outro.
Quanto maior for esta taxa ( p c ), mais rapidamente novos indivduos sero introduzidos na
populao, em contrapartida, se for muito alta, indivduos com boas aptides podero ser
retirados mais rapidamente da populao, ocorrendo perda de indivduos de alta aptido.
Valores baixos podem tornar lenta a convergncia do algoritmo.
Usualmente, a taxa de cruzamento varia entre 0,50 e 0,95. Estes nmeros indicam apenas
uma ordem de grandeza, j que existem vrios tipos possveis de cruzamentos, limitados
apenas pela capacidade criativa do pesquisador.

28

3.1.5.7 Taxa ou probabilidade de mutao


A taxa de mutao indica a probabilidade de que o contedo de uma determinada posio
do cromossomo seja alterado. A mutao empregada para fornecer novas informaes
dentro das populaes, prevenindo que as mesmas tornem-se saturadas com cromossomos
similares na medida em que aumenta a diversidade da populacional, possibilitando ainda
uma maior varredura do espao de busca. Taxas muito altas podem tornar a busca
essencialmente aleatria. Por isso alguns pesquisadores recomendam a escolha da taxa de
mutao com base no tamanho dos cromossomos e das populaes.
Hesser e Manner (2000) sugerem que uma taxa tima de mutao pode ser achada pela
expresso:

pm =

1
n pop l

(3.23)

Porm, assim como os demais parmetros, a taxa de mutao ideal depender da aplicao
a ser resolvida. Todavia, a maioria das taxas utilizadas varia entre 0,001 e 0,1.
3.1.5.8 A inicializao
O processo se inicia com a codificao do campo de trabalho, ou seja, a escolha do tipo de
representao a ser utilizada para o universo das solues. Uma vez definida a codificao
e o estabelecimento de uma populao inicial, que a representao de possveis solues
do problema a ser avaliado, deflagrar-se o processo de atuao do algoritmo. Os indivduos
que constituem a populao inicial so escolhidos, geralmente, de forma aleatria
utilizando-se funes randmicas, e assumindo tipicamente formas de cadeias binrias.
3.1.5.9 Classificao dos cromossomos
A avaliao a fase mais importante onde se encontra a ligao entre o algoritmo e o
problema. Avaliar um cromossomo em um AG significa determinar o seu nvel de aptido
de sobrevivncia em relao aos demais indivduos da populao (Ochi e Rocha, 2000).
Nessa etapa realizado o primeiro passo da seleo, onde cada indivduo associado a um
valor numrico, que representa seu grau de adaptao, obtido atravs de sua avaliao pela
funo de desempenho (aptido). Para tanto, existe a funo aptido que responsvel por
29

classificar os indivduos de acordo com o grau de adaptao e especfica para cada tipo
de problema. Essa classificao pode ser feita atravs da ordenao das solues em ordem
crescente ou decrescente de suas aptides, se o problema de minimizao ou
maximizao, respectivamente.
Genericamente, a funo aptido para um problema de otimizao pode ser definida como
na Equao mostrada abaixo:
F ( x ) = f ( x ) + penal ( x)

(3.24)

Se o problema no apresenta restries em sua formulao, a funo de penalizao no


considerada e a funo aptido a prpria funo objetivo (FO). A penalizao est
diretamente associada s restries e somente ser ativada quando alguma delas for
violada.
No presente trabalho utilizar para as estruturas reticuladas (Gere e Weaver, 1981) a FO
apresentada abaixo:
n

f ( x ) = f ( Ai ) = W = Ai Li

(3.25)

i =1

A parcela penal (x), que a funo de penalizao, ser definida no captulo cinco para cada
tipo de problema.
No entanto, o valor da funo objetivo nem sempre adequado para ser utilizado como
parmetro para a aptido. Se a funo objetivo assumir valores negativos alguns mtodos
de seleo podem no funcionar, valores muito prximos tornam a seleo aleatria e
ainda, valores muito elevados em relao ao resto da populao causam a convergncia
prematura.

Para isso ordena-se ou escalona-se a FO para o valor da aptido, sendo

necessrio controlar a presso de seleo.


A presso de seleo a relao entre a maior aptido e a aptido mdia na populao. Se
para alguns indivduos a FO tiver valores muito elevados em relao ao restante da
populao a presso de seleo ser grande e pode causar a convergncia prematura e no
caso de valores muito prximos da FO a presso de seleo ser muito baixa tornando a
busca quase aleatria e, portanto sem controle, como na FO sem ordenao ou
escalonamento.
30

Ordenamento linear o mtodo de ordenamento mais comum encontrado na literatura dos


AG (Baker, 1987). A funo aptido ou de desempenho dada por:

AFi = min + (max min)

N i
N 1

(3.26)

O valor de i o ndice do cromossomo na populao em ordem decrescente de valor da


funo objetivo e N o nmero de indivduos da populao. utilizado 1 max 2 e
min + max = 2 ou min + max = 3.
A alta presso de seleo favorece os melhores cromossomos, direcionando a busca
busc s
melhores solues encontradas at ento, isto , aperfeioando certa regio do espao de
busca, definido como explotao. J a baixa presso de seleo favorece os piores
cromossomos, direcionando a busca para regies desconhecidas no espao de busca, neste
caso, explorao (Goldberg, 1989).

Figura 3.8 Presso de Seleo (modificado Lacerda e Carvalho, 1999).


No mtodo de ordenamento exponencial, a aptido dada por (Michalewicz, 1996):

AFi = q(1 q )

i 1

(3.27)

Em que q [0,1] e i o ndice do cromossomo na populao em ordem decrescente do


valor da funo objetivo. Caso seja necessrio, a aptido pode ser normalizada dividindo a
Equao 3.27 pelo fator 1-(1
(1-q)N.
Este tipo de ordenamento permite a maior presso de seleo do que o ordenamento linear.

31

3.1.5.10 Avaliao dos cromossomos


Nesta fase os indivduos mais aptos da gerao atual so selecionados. Esses indivduos
so utilizados para gerar uma nova populao por cruzamento e cada indivduo tem uma
probabilidade de ser selecionado proporcional sua aptido, como pode ser exemplificado
a seguir.
Para visualizar o mtodo da roleta, considere um crculo dividido em n regies (tamanho
da populao), onde a rea de cada regio proporcional aptido do indivduo como na
Figura 3.9. Coloca-se sobre este crculo uma roleta com n cursores, igualmente espaada.
Aps um giro da roleta a posio dos cursores indica os indivduos selecionados. Este
mtodo denominado amostragem universal estocstica. Evidentemente, os indivduos
cujas regies possuem maior rea tero maior probabilidade de serem selecionadas vrias
vezes. Como conseqncia, a seleo de indivduos pode conter vrias cpias de um
mesmo indivduo enquanto outros podem desaparecer.

Figura 3.9 Amostragem estocstica universal.


Como exposto, nesse mtodo, cada indivduo representado na roleta proporcionalmente
ao seu ndice de aptido, privilegiando, logicamente, os indivduos com alta aptido, que
tero uma poro relativamente alta em relao aos indivduos de aptido baixa.
Dada uma populao com M indivduos, a probabilidade de seleo Pi (Equao 3.28), de
cada cromossomo i, com aptido fi, dada por (Lacerda e Carvalho, 1999):

pi =

fi
M

i=1

32

fi

(3.28)

A cada giro na roleta ser sorteada uma cpia exata do candidato a compor a populao
intermediria que ir passar pelos demais operadores de cruzamento e mutao
(Torres, 2003).
possvel que no processo de evoluo um indivduo com alta aptido seja eliminado,
devido ao corte do cruzamento ou ocorrncia de mutao. importante garantir que o
melhor indivduo passe de uma gerao a outra sem alteraes. Para tanto se utiliza o
recurso do operador elitismo. A Figura 3.10 representa este procedimento, que pode ser
aplicado a qualquer mtodo de seleo.

Mtodo da

Populao Intermediria

roleta

(m)

Populao

Elitismo
Transformao

Substituio

Descendncia

Figura 3.10 Mtodo da roleta com elitismo (modificado Sampaio, 2004).


O mtodo da seleo por torneio, retorna o melhor indivduo entre dois obtidos no mtodo
da roleta. Este mtodo tenta dificultar, mas no elimina as possibilidades de um indivduo
com baixo desempenho ser escolhido.
3.1.5.11 Operadores de cruzamento
Os operadores genticos de cruzamento e mutao representam a essncia de um AG e tm
como objetivo bsico produzir novos cromossomos que possuam propriedades genticas
superiores s encontradas nos pais, garantindo que a nova gerao seja totalmente nova,
apesar de possuir, de alguma forma, caractersticas de seus pais, mas mantm
caractersticas de adaptao adquiridas pelas geraes anteriores.
Aps a seleo, pares de indivduos so escolhidos aleatoriamente ( p c ) para se cruzarem.
Nessa operao, dois novos indivduos so gerados, os quais possuem caractersticas
genticas de seus pais (Lucas, 2000).

33

O cruzamento um importante mecanismo de recombinao de solues, uma vez que


permite a troca de material gentico entre os indivduos participantes, originando dois
novos pontos no espao de otimizao. Para tanto, divide um par de indivduos em locais
pr-definidos e recombina seus materiais genticos formando novos indivduos, que
novamente so avaliados e recebem um novo valor de aptido individual. As Figuras 3.13
e 3.14 apresentam os esquemas de cruzamentos clssicos, o cruzamento de um ponto e de
dois pontos. Os demais so a generalizao do cruzamento de um ponto.
Pai 1

Pai 2

Filho 1

Filho 2

Figura 3.11 Cruzamento de um ponto (Sampaio, 2004).

Figura 3.12 Cruzamento de 2 pontos.


3.1.5.12 Operador de mutao
A mutao realizada em seguida operando sobre os indivduos resultantes do processo de
cruzamento e, com uma probabilidade pr-determinada ( p m ), efetua um tipo de alterao

34

em sua estrutura, a qual consiste na alterao randmica no valor do bit do cromossomo. A


Figura 3.13 ilustra os procedimentos bsicos adotados pelos operadores de mutao.
Filho 1

Filho 2

Figura 3.13 Operador de mutao (Sampaio, 2004).


3.1.5.13 Atualizao e critrios de parada
Nesse ponto, os indivduos resultantes do processo de cruzamento e mutao so inseridos
na populao segundo a poltica adotada pelo AG. A populao mantm um tamanho fixo
e os indivduos so criados em mesmo nmero que seus antecessores e os substituem por
completo (Lucas, 2000).
A finalizao feita por um teste que d fim ao processo de evoluo caso o AG tenha
chegado a algum ponto de parada preestabelecida. Deve-se salientar que no existe um
critrio exato para terminar a execuo do AG.

3.2 REDES NEURAIS ARTIFICIAIS


Inspiradas na estrutura do crebro humano, as Redes Neurais Artificiais (RNA),
apresentam caractersticas similares a ele: associao, abstrao, generalizao e
aprendizado.

3.2.1 O Neurnio Biolgico e Booleano


O neurnio biolgico uma clula que constitui as bases do sistema nervoso. O neurnio,
como toda a clula, possui um ncleo geralmente denominado de soma onde os impulsos
nervosos so processados. Esses impulsos chegam clula atravs de extenses
filamentares denominados dendritos. Os impulsos processados pela soma so transmitidos
a outras clulas por meio de uma extenso filamentar diferenciada dos dendritos chamada
de axnio, sendo esta nica e de maior comprimento. A Figura 3.13 representa um
neurnio biolgico.

35

Figura 3.14 Neurnio Biolgico


A transmisso de impulsos nervosos executada por meio de processos qumicos devido a
diferenas de potenciais entre a camada interna e externa do neurnio. Essas manifestaes
fsico-qumicas permitem gerar energia e transmitir os estmulos em milsimos de
segundo. Entretanto, importante mencionar que no inteiramente conhecido o
funcionamento dos neurnios biolgicos e, principalmente, do sistema nervoso, sendo este
objeto de estudo nas diversas reas do conhecimento por bilogos, mdicos, veterinrios,
etc.
McCulloch e Pitts (1943) apresentaram pela primeira vez o neurnio artificial, que
constitui a base do funcionamento das redes neurais artificiais. A clula nervosa artificial,
o neurnio booleano, apresenta possveis sadas y = 1 (pulso) ou y = 0 (no pulso). As
entradas x1 e x2 tm ganhos arbitrrios w1 e w2, ganhos estes que conferem um poder de
excitao ou inibio de entradas. O neurnio booleano encontra-se representado na
Figura 3.14.
A soma de todas as entradas multiplicadas pelos seus respectivos ganhos fornece um valor
que, se ultrapassa certo limiar, gera o pulso, caso contrrio, o no pulso, imitando o limiar
de disparo do neurnio biolgico. Os ganhos ou pesos podem ser positivos ou negativos,
dependendo das entradas serem excitatrias ou inibitrias. Embora simples esses neurnios
artificiais podem atuar como discriminadores lineares para entradas binrias.
36

Figura 3.15 Neurnio Booleano.


Como todo trabalho pioneiro, esse neurnio artificial impulsionou outros trabalhos que
vieram a suprir essas e outras deficincias do neurnio booleano. A obteno dos pesos w
faz com que seja possvel a implementao do neurnio a casos prticos. Existem
algoritmos para a obteno desses pesos (Soares, 2005), sendo que tais algoritmos no
sero apresentados aqui.

3.2.2 Perceptrons
Aps o trabalho de McCulloch e Pitts (1943), Rosenblatt (1958) teve a idia de colocar os
neurnios artificiais em camadas e assim formar uma rede neural artificial. As sadas de
cada neurnio de uma camada representam as entradas para outros neurnios de uma
camada posterior.
As camadas onde so colocados os neurnios do tipo discriminadores lineares possuem
nomes diferentes de acordo com as suas posies. Assim, a primeira camada, ou camada
de entrada aquela que recebe as entradas ou informaes a serem processadas. A ltima
camada ou camada de sada aquela que devolve as informaes j processadas pela rede.
As camadas intermedirias so denominadas de camadas ocultas, pois estas no so
perceptveis ao operador na aplicao final da rede.

37

O nmero de neurnios na camada de entrada e na camada de sada depende das variveis


envolvidas e do nmero de sadas desejadas. J o nmero de neurnios das camadas
ocultas determinado de acordo com a experincia e sensibilidade do operador. A
Figura 3.15 representa a rede neural criada por Rosenblatt (1958) que recebeu o nome de
perceptron.

Figura 3.16 Representao grfica do perceptron.


As camadas de neurnios passam informao para as camadas posteriores e assim
sucessivamente (Hajela e Berke, 1990). Para representar matematicamente este
comportamento, denomina-se de ui,j s sadas de cada j-simo neurnio na i-sima camada.
Nota-se, na Figura 4.4, quando i = 0, o vetor u0,j = xj representa a entrada para o perceptron
e, quando i = 3 o vetor u3,j = yj representa a sada ou resposta, supondo claro, que o
perceptron possui somente trs camadas.

Os pesos atribudos s entradas/sadas (entradas para uns, e sada para outros) so


representados por wi,j,k onde j representa o neurnio, i representa a camada e o novo ndice
k representa o nmero de variveis de entrada no neurnio obtidas da sada na camada

anterior.
As dimenses dos vetores dependem dos dados, estrutura e forma do perceptron.
Considera-se como na Figura 4.5 que a rede possui trs camadas (0 i 3) e que, para
facilitar a notao, trata-se de uma rede com o mesmo nmero N de neurnios em todas as
camadas (0 k N).
38

Como exemplo ilustrativo, considere-se o quarto neurnio da segunda camada. A Equao


que rege seu comportamento pode ser descrita como:
N

v 2, 4 = w2, 4 ,k x1,k 4

(3.29)

k =1

(3.30)

u = h (v 2 , 4 )

O objetivo principal ensinar rede perceptron ajustando seus pesos (w e ) para que
estes forneam os resultados esperados (u3,j). O aprendizado na verdade um processo
iterativo cujo objetivo determinar os pesos de maneira que a rede cometa erros tolerveis
na sua utilizao. A regra que rege o treinamento de um neurnio na sua forma mais geral
:
w1novo = w1velho + w1

w1 = yld yl xid,l

(3.31)
(3.32)

Sendo yld o resultado desejado e yl o resultado obtido com a entrada xdi,l. O representa
uma taxa de aprendizado, que pode ou no ser uma constante. Quando no constante, a
taxa de aprendizado uma funo dependente de w1.
A Equao 3.32 mostra que a correo (wi) a ser feita pesos iniciais (wivelho) para obter os
novos pesos corrigidos, winovo, proporcional diferena entre o resultado estimado e o
desejado, ou seja, ao erro cometido pelo neurnio. O processo iterativo termina quando o
erro corrigido nulo ou muito pequeno para uma preciso pr-estabelecida.
O algoritmo de aprendizagem do perceptron utiliza o algoritmo de correo de erros como
base. Pode-se ilustrar o funcionamento e o mtodo de aprendizagem do perceptron de uma
camada atravs da formulao exemplo. Posteriormente este exemplo generalizado e
aplicado conforme se segue no captulo 5.

Dada uma rede do tipo perceptron formada por 3 terminais de entrada utilizando pesos
iniciais de w0 = 0.4, w1 = -0.5, w2 = 0.6; valor threshold = 0.5 e a taxa de
aprendizado = 0.4 (Figura 3.17).

Ensinar a rede gerar a sada 1 para o padro 001 sada de 1 para o padro 110.

39

Aps a rede treinada, determinar a que classe pertence os padres 111, 000, 100,
011.

Utilize como funo de ativao a funo step

+ 1
y=
1

se

x>0

se

x0

Soluo:
-1

x1

= 0.5

0
w0 = 0.4

x2

w1 = -0.5

wixi

w2 = 0.6

x3

-1 1 d

Figura 3.17 Funcionamento do Perceptron de uma camada


xi = padres de entrada.
d = valor desejada para sada aps processamento da rede.

Processamento para o padro 001:


y = (-1 . 0,5) + (0 . 0,4) + (0 . 0,5) + (1 . 0,6)
y = 0,1

[aplicar funo de ativao]

y = 1, onde y representa a sada do padro processado

De acordo com o processamento da rede, percebe-se que a sada est incorreta em relao a
sada desejada, deve-se ento aplicar o algoritmo de treinamento do perceptron:

wi = wi + e xi | e = (d y)
w3 = 0,5 + 0,4 . (-1 -1) . -1
w3 = 1.3 | w3 =
w0 = 0,4 + 0,4 . (-1 -1) . 0
w0 = 0,4

40

w1 = -0,5 + 0,4 . (-1 -1) . 0


w1 = -0.5
w2 = 0,6 + 0,4 . (-1 -1) . 1
w2 = -0.2

Com os pesos atualizados de acordo com o algoritmo de aprendizagem, deve-se processar


o padro de entrada novamente.
Processamento para o padro 001:
y = (-1 . 1,3) + (0 . 0,4) + (0 . -0.5) + (1 . -0,2)
y = -1,5

[aplicar a funo de ativao]

y = -1

Neste momento, verifica-se que a sada desejada igual a sada obtida pela rede, com isso
no necessrio a atualizao dos pesos, pois a rede emitiu uma sada correta.
Processamento para o padro 110:
y = (-1 . 1,3) + (1 . 0,4) + (1 . -0.5) + (0 . -0,2)
y = -1.4

y = -1

[aplicar a funo de ativao]

Novamente, percebe-se que a sada emitido pela rede est incorreta em relao a sada
desejada, deve-se ento aplicar o algoritmo de treinamento do perceptron:

wi = wi + e xi | e = (d y)
w3 = 1.3 + 0,4 . (1 - (-1) ) . -1
w3 = 0,5
w0 = 0,4 + 0,4 . (1 - (-1) ) . 1
w0 = 1,2
w1 = -0,5 + 0,4 . (1 - (-1) ) . 1
w1 = 0.3

41

w2 = -0,2 + 0,4 . (-1 - (-1) ). 0


w2 = -0.2
Com os pesos atualizados de acordo com o algoritmo de aprendizagem, deve-se processar
o padro de entrada novamente.
Processamento para o padro 110:
y = (-1 . 0,5) + (1 . 1,2) + (1 . 0,3) + (0 . -0,2)
y=1

[aplicar a funo de ativao]

y=1

Neste momento, verifica-se que a sada desejada igual a sada obtida pela rede, com isso
no necessrio a atualizao dos pesos, pois a rede emitiu uma sada correta.
Com o treinamento realizado, pode-se ento classificar os padres 111, 000, 100, 011 e
obter as sadas 1, -1, 1, -1 respectivamente. A Figura 3.18 ilustra tal classificao:

Figura 3.18 Classificao do Perceptron j treinado.

3.2.3 ADALINE
Quase na mesma poca que Rosenblatt (1958), mas de forma independente, Widrow e
Hoff (1960) apresentaram o ADALINE (ADAptative LINear Element) e posteriormente o
MADALINE (Mltipla ADALINE).

42

ADALINE um modelo neural linear cuja sada simplesmente a combinao de duas


entradas, ou seja:

 = ,  =   . 

(3.33)

sem a funo de excitao.


Se for possvel determinar L observaes de determinada funo y = f(x1, x2, ..., xn ) podemos
escolher um conjunto de treinamento para o Adaine do tipo:


=   ,    

(3.34)

onde o superndice d na Equao acima representa os valores desejveis de serem obtidos


pela rede, uma vez que eles so provenientes de qualquer l-obsevao do sistema em
estudo.
O objetivo minimizar um funcional de erro quadrtico E(w) onde w so os pesos que
definem a funo:

 =  ,      

(3.35)

Para minimizar a Eq. (3.35) necessrio que a derivada do funcional E(w) seja igual zero
no ponto de mnimo. Desta forma possvel escrever:


 ,       = 0
 


2     ,       = 0
      

  =       

(3.36)
(3.37)
(3.38)

Esta ltima Equao revela um sistema onde as nicas incgnitas so os pesos w. O


sistema s ter soluo quando a matriz


 =        
Possuir inversa, ou seja, as linhas da matriz Q sejam linearmente independentes.

43

(3.39)

Isto leva a determinao dos pesos w pela Equao:

 =         

(3.40)

Obtidos os pesos w, fcil aplicar rede, basta utilizar a Equao (3.33). A rede
MADALINE idntica Adaline, diferenciando-se somente no fato de possuir mais de
uma sada do neurnio. O aprendizado basicamente o mesmo, salvo as alteraes
provocadas pela direfena entre os modelos.

3.2.4 A Regra Delta


A regra de Widrow e Hoff (1960), tambm conhecida como Mtodo do Gradiente, procura
o mnimo da funo E(w), determinada pelo erro quadrtico entre a resposta obtida e a
desejada, caminhando pela superfcie desta em sentido contrrio ao gradiente. Isto feito
com o intuito de chegar ao mnimo da funo em passos sucessivos.
Uma analogia poderia ser estabelecida com a queda de uma bola em uma superfcie no
plana. A bola encontrar seu ponto de mnimo local e/ou global onde possui menor energia
potencial. Esse caminhar iterativo pode ser expresso numericamente como:


 + 1 =   #   

(3.41)

onde a taxa de aprendizado n determina o passo dado na referida direo.


Para o caso especfico do ADALINE, o erro quadrtico pode ser representado tambm
como:


 =  %
$ $ $,  

(3.42)

e seu gradiente como:







 = 2    $ $,
   = 2       

(3.43)

Utilizando a Equao (3.41) com o resultado da Equao (3.43) pode-se obter diretamente:


 + 1 =   + 2#    &   
sendo & =   
44

(3.44)

Observando a Equao (3.44) possvel verificar que a correo dos pesos depende
somente do erro cometido (& ) na iterao entre os valores estimados '( pela rede e os
desejados de ')( , assim como do valor atribudo taxa de aprendizado #.

A Equao (3.44) supe a correo dos pesos somente depois da apresentao completa do
conjunto de treinamento, porm possvel corrigir os pesos para cada par de dados
separadamente aps a apresentao. Ambos caminhos possuem as suas vantagens e
desvantagens, dependendo do tipo de problema.
Antes de encerrar este item, importante tambm comentar a respeito do critrio de
parada, uma vez que se trata de um problema iterativo. Basicamente, dois critrios de
parada devem ser aplicados. Deve-se interromper o interromper o treinamento quando o
erro quadrtico cometido ou a distncia entre os vetores de duas iteraes subseqentes
forem suficientemente pequenos. Tambm necessrio limitar o nmero de iteraes
mximas permitidas ao computador, evitando que o mesmo treinamento continue
indefinidamente no caso de um problema sem convergncia.
Para finalizar, deve-se lembrar que quanto maior for o nmero de dados obtidos, melhores
resultados so esperados, embora deva-se cuidar que os dados sejam linearmente
independentes. bom lembrar que, quanto maior for o nmero de dados, maior ser a
composio e complexidade do problema numrico.
3.2.4.1 Retropopagao
O algoritmo de retropropagao ou backpropagation foi introduzido por Rumelhart et al.
(1986). Basicamente trata-se da regra delta aplicada a redes neurais multicamadas, como a
apresentada na Figura 3.16, que permitiu um avano significativo no estudo das redes
neurais artificiais.
No item anterior, verificou-se que a rede ADALINE no utiliza a funo da ativao h(v),
limitando-se sua aplicao a problemas lineares. O percentron multicamadas pode utilizar
um grande nmero de funes de ativao. Entretanto, s algumas poucas so utilizadas na
prtica em funo dos seus comportamentos na rede.

45

A funo de ativao h(v) pode eventualmente ser a funo degrau unitrio ou sinal, mas
usualmente esta funo toma a forma de uma funo logstica dada pela Equao:

+ =

(3.45)

,- .

ou uma tangente hiperblica dada pela Equao:

+ = tanh +

- .
,- .

(3.46)

Ambas funes de ativao esto representadas na Figura 3.19 e claramente representam


um comportamento mais adequado para uma clula do que as funes de degrau unitrio
ou funo sinal. Utilizando as funes de ativao logstica ou a hiperblica representadas
na Figura 3.19, a rede pode ser utilizada em problemas no lineares.

Figura 3.19 Funes de ativao hiperblica e logstica respectivamente.


Assim, o comportamento de um neurnio definido pela funo escolhida, mas de forma
geral, pose-se escrever a resposta de um neurnio como dada por:

 = + = %,
$ $ $ 

(3.47)

O treinamento do neurnio artificial feito pela regra delta. Reescrevendo a Equao


(3.44) para o caso de uma funo de ativao qualquer h(v) obtm-se:
46

 + 1 =   + #
onde & = '( ')( 



  &   

(3.48)

)34
)4

A Equao (3.48) denominada de regra delta generalizada e funciona para qualquer


funo de ativao h(v), motivo pelo qual recebe o sobrenome de generalizada.
Neste trabalho foi utilizada a funo de ativao tipo logstica. Esta funo amplamente
aplicada pelo seu comportamento perante diversos problemas e os pacotes de
implementao de redes perceptrons multicamadas possuem, em geral, essa funo como
padro. A derivada da funo logstica utilizada resulta da aplicao da regra do quociente,
o que leva a:

5
5 1 78
=
6
9
5+
5+ 1 + 7 8
=

01 + 7 8  17 8 
1 + 7 8 

1
7 8
1 + 7 8  1 + 7 8 

= + 6

1 + 7 8 1
9
1 + 7 8 


= + 1 ,- :.


;

= +1 +

(3.49)

& =    1  

(3.50)

 + 1 =   + #     1    

(3.51)

8

sendo que toma a forma de:

tornando a Equao (3.48):

Novamente as correes a fazer em w(k) para obter w(k+1) s dependem dos valores
desejados   , das entradas   e sadas  do neurnio, o que facilita o treinamento.
47

A utilizao de funes de ativao do tipo logstica fornece aos neurnios artificiais uma
maior flexibilidade no tratamento de sinais contnuos, e a correspondente sada no se d
mais somente em pulso e no pulso. A sada de uma funo logstica tambm contnua,
embora observa-se na Figura 3.19 um saturamento da clula nos valores de 1 e -1.
Deste modo, necessrio normalizar o problema a ser tratado pela rede de forma a
trabalhar com valores prximos da unidade e assim aproveitar melhor a resposta da funo
de ativao h(v). Para tal, basta colocar um fator de escala antes e depois da rede de forma
a localizar o problema tratado na faixa de melhor funcionamento da rede. O exemplo
numrico do prximo captulo mostra como isto pode ser realizado.
3.2.4.2 Interpretao da Retropopagao
O algoritmo de retropropagao (backpropagation) utiliza o resultado da regra delta
generalizada para cada neurnio nas suas respectivas camadas. Basicamente o algoritmo de
treinamento consiste em propagar o erro de trs para frente, ou seja, os primeiros neurnios
a terem seus pesos corrigidos so os ltimos da rede. Os prximos so os anteriores a estes
e finalmente os ltimos a terem seus pesos corrigidos so os primeiros da rede. Isto mostra
o porque do nome de algoritmo de retropropagao.
De acordo com o exposto, parece que inicialmente bastarias somente uma iterao para
resolver o problema, mas na verdade deve-se realizar esse procedimento at que para o
dado conjunto de treinamento esteja-se dentro dos parmetros previamente estabelecidos
como aceitveis, ou seja, o erro cometido seja o menor possvel para o nvel de preciso
estabelecido previamente.
Essa transmisso do erro dos neurnios posteriores para os anteriores deu o nome de
retropropagao do erro ao algoritmo em questo. Esse algoritmo apresentado de forma
simplificada, lembrando que j existem no mercado vrios pacotes computacionais com
estas rotinas implementadas (JOONE, 2007). Basta escolher a topologia e o nmero de
neurnios nas camadas, funes de ativao, etc, que os programas se encarregam de
treinar a rede neural escolhida.
O algoritmo de retropropagao permite treinar as redes neurais multicamadas e com isso
vencer obstculos, como a impossibilidade de resolver alguns problemas no lineares sem
soluo fechada ou com modelos matemticos desconhecidos. Na verdade isso representou
48

um avano brilhante no treinamento das redes neurais e possibilitou a aplicao destas em


diversas reas do conhecimento.
3.2.4.3 Algoritmo da Retropropagao
Dado um conjunto de treinamento de L observaes do tipo:


=   ,    
e uma rede de n entradas, m sadas e j camadas, possvel escrever o algoritmo de
retropropagao como:
1. Inicializa-se a rede com pesos iniciais w aleatrios de nmeros pequenos.
2. Aplica-se o vetor de entradas   rede e determina-se a sada obtida  para todo
l = 1,...,L.
3. Determina-se o erro final cometido E(w) e adiciona-se ao contador C uma unidade
(k = k+1)
4. Interrompe-se o treinamento no caso de : k = Nmero de iteraes mximas ou
E(w) < Erro mximo admissvel.
5. Determinam-se 0s erros da camada de sada &< e das camadas subseqentes
&  , , &> .
6. Com erros calculados acima atualizam-se os pesos de cada neurnio w(k+1) e
realiza-se outra iterao retornando ao passo 2.

3.2.5 Tipos de Redes


As conexes da rede apresentada foi considerada completa, ou seja, todos os neurnios de
uma camada so interligados com todos os neurnios da prxima camada. A denominao
de rede totalmente conectada aplicvel nesse tipo de situao.
No entanto, quando a rede est treinada, pode-se perceber que alguns pesos, dependendo
do problema, possuem pouca influncia no geral. Quando esses pesos de valores reduzidos
so retirados como se alguns neurnios no estivessem conectados aos outros da camada
seguinte. Neste caso, denomina-se a rede de parcialmente conectada.

49

Na verdade, as redes centrais biolgicas no esto totalmente interligadas entre si e, no


entanto, conseguem desempenhar as funes atribudas a elas corretamente. Alm do mais,
quando existe perda de neurnios por algum motivo, os pesos sinpticos se reestruturam
para suprir parcialmente a falta desses neurnios e assim desempenhar as suas funes e
dos neurnios lesados. Fazendo uma analogia, as redes neurais artificiais podem, em
alguns casos, perder algumas clulas quando as suas entradas xk so nulas e mesmo assim
atingir seu objetivo. Isto pode ocorrer quando se trabalha com dados incompletos.

3.2.6 Abordagem adotada


Uma rede neural artificial pode ser entendida como um aproximador universal de funes.
Imagine-se um problema em que se desconhece a funo que rege o problema e somente
so conhecidas s entradas e sadas do sistema mediante observao. O problema em
questo no raro, mas sim bastante usual na prtica. Por meio de simplificaes,
possvel escolher as variveis de interesse do problema a ser tratado e ainda ter uma noo
dos limites extremos dessas variveis (superior e inferior).
Quando no se conhece o comportamento de um dado sistema, resta fazer experincias
alterando as variveis ajustveis de entrada de maneira a colher as respostas ou sadas do
sistema. possvel colocar estas entradas e sadas em uma rede neural artificial e trein-la
de maneira a obter as sadas desejadas em funo das entradas. Uma vez treinada, a rede
assemelha-se ao sistema original, pois ela responde de forma similar ao sistema real, de
acordo com as variveis escolhidas. Decorrente disso, muitas vezes a rede perceptron
multicamadas chamada de aproximador universal de funes.
possvel tambm, fazer estimativas com entradas na rede cujas sadas no foram medidas
ou seriam impossveis de medir. A rede neural estaria atuando como um modelo numrico
do problema e realizando uma extrapolao ou estimativa, dependendo de se estar ou no
ultrapassando os valores a ela apresentados inicialmente no treinamento.
Outra interpretao da rede perceptron multicamadas est associada ao reconhecimento de
padres. De fato, se as entradas do sistema podem ser consideradas como padres que por
sua vez esto associados a padres de resposta do sistema, a rede que ajusta tais padres
pode ser interpretada como uma ferramenta no reconhecimento de padres. Por exemplo,
em sua Tese Soares (2005) mostra que o dano em um local determinado de uma estrutura
produz padres de alteraes nas caractersticas dinmicas, o que depois do tratamento
50

pode auxiliar na deteco de danos mediante a utilizao de redes perceptrons


muilticamadas.
Mendona (2004) prope em sua tese de doutorado uma estratgia hbrida paralela
utilizando redes neurais treinadas com indivduos retirados das populaes do AG para
aproximar funes no-lineares na otimizao do casco de uma plataforma semisubmersvel, com o objetivo de minimizar movimentos.
Para a Aplicao de AGs com RNA, os seguintes aspectos devem ser levados em
considerao (Ludermir et al., 2005):

Representao: Deve ser fornecida uma representao genotpica em solues


fenotpicas, como a arquitetura de redes;

Desempenho: Deve ser fornecida uma funo que associe uma nota de aptido a
cada soluo. Esse valor deve refletir o desempenho dessas redes na soluo do
problema considerado;

Reproduo: Devem ser especificados os operadores genticos que permitiro a


criao de novas redes. Em alguns casos pode ser necessria a satisfao de
restries que assegurem a validade das redes geradas.

Nesta aplicao, cada indivduo pode ser visto como um ponto no espao de estados de
possveis redes. Iniciando o processo com uma populao de redes vlidas, na maioria das
vezes geradas aleatoriamente, um gerador reconstri estas redes (fentipos) a partir de sua
representao (gentipos) de acordo com a funo de transformao utilizada. Em seguida,
um simulador treina todas as redes com um mesmo conjunto de dados de treinamento e
seus desempenhos so avaliados.
Os desempenhos obtidos permitem a avaliao da populao, com a atribuio de uma nota
de aptido para cada rede, de acordo com o seu desempenho em relao s outras redes.
Por meio do mtodo da roleta, por exemplo. Nessa fase, os operadores genticos so
aplicados aos indivduos selecionados para produzir uma nova gerao de redes.
Esse ciclo repetido e, a cada nova gerao, a populao idealmente evolui rumo a
gentipos que correspondam a fentipos com melhores desempenhos.

51

3.2.7 A Ferramenta JOONE (Java Oriented Object Neural Engine)


O Joone um Java Framework que constri e executa aplicaes de Inteligncia Artificial
baseadas em Redes Neurais Artificiais.
Constitudo de uma arquitetura modular, a interao dos componentes originais e
modificados pelo usurio podem construir novos algoritmos e novas RNAs. As
modificaes podem ser feitas nas linguagens JAVA, JSP e C++.
Uma das grandes vantagens a possibilidade da colaborao entre programas comerciais.
A grande maioria dos componentes especficos para sada de dados so facilmente
exportados para os formatos tradicionais de texto e planilha eletrnica, permitindo uma
anlise ps-processamento mais diversificada.
Sua interface, como mostrado na Figura 3.20 amistosa e permite, por meio de botes,
criar as RNAs com todos os algoritmos tradicionais, alm de modificaes disponveis
para download.
Maiores informaes podem ser obtidas em JOONE (2007).

Figura 3.20 Tela inicial.


No Captulo 5 ser mostrado a interao do JOONE com as rotinas elaboradas em
FORTRAN , alm da sua utilizao como genaralizador de mtodos de anlise estrutural.

52

Figura 3.21 Exemplo de RNA com treinamento para uma estrutura reticulada.

53

4 OTIMIZAO
4.1 INTRODUO
Apesar de existirem muitos mtodos de otimizao, eles no so aplicados apenas na
engenharia, mas em outras reas como na economia, medicina e cincias aplicadas. A
otimizao estrutural tenta encontrar a melhor disposio das variveis de projeto, com ou
sem restries, dispostas no comportamento estrutural, geometria e outros fatores.
O objetivo da otimizao est definido pela funo objetivo (FO), que define alguma
grandeza significativa (custo, peso, dimenses, carregamento, etc.).
4.2 A FORMULAO DE UM PROBLEMA DE OTIMIZAO
Um problema de otimizao (PO) est sempre associado a um problema de minimizao
ou maximizao de uma ou mais funes. No caso de minimizao o PO pode ser colocado
na seguinte forma (Lemonge, 1999):
minimize

W = f (x1, x2, x3, ..., xn)

(4.1)

onde a minimizao da funo f(x), x Rn, equivalente maximizao da funo g(x),


sendo que:
g(x) = - f(x)

(4.2)

assim, tem-se:
(mn) f(x) = (mx) g(x) = (mx) {- f(x)}

(4.3)

As funes f(x) e g(x) so conhecidas como funes objetivo. Podem ser de uma ou mais
variveis, sendo estas duas opes classificadas como otimizao unidimensional e
multidimensional respectivamente. So estas funes que desejamos minimizar ou
maximizar, ou seja, encontrar o seu ponto extremo em um intervalo de busca (Santos
Jnior, 2002).
Em geral, difcil afirmar que tal valor extremo ou global devido possibilidade de
existncia de vrios extremos locais e, assim, somente um deles ser global, como visto na
Figura 4.1. O que se pode afirmar que o valor encontrado mnimo em uma vizinhana
do espao de busca (Valente et al., 2002; Sampaio, 2004).
54

As variveis ou comumente variveis de projeto so aquelas que se alteram durante o


processo de otimizao. Elas podem ser contnuas (reais), discretas ou inteiras (valores
compreendidos dentro de certo conjunto fixo).

Mnimo global

Mnimos locais

Figura 4.1 Pulso de seno


s
(modificado - Lacerda e Carvalho, 1999).
1999)
Segundo Castro (2001), de um ponto de vista fsico, as variveis de projeto podem
representar as seguintes informaes sobre uma estrutura:

Propriedades mecnicas ou fsicas do material;

A topologia da estrutura, ou seja, padro de conexo dos elementos ou o nmero de


elementos em uma estrutura;

A forma geomtrica ou a configurao da estrutura;

Dimenses das sees transversais ou comprimento dos elementos.

4.2.1 A formulao de um problema de otimizao com restries


Um PO com restries pode ser formulado matematicamente da seguinte forma (Haftka e
Grdal, 1992):
minimize W = f (x1, x2, x3, ..., xn)
submetido a gi (x) 0 para i = 1, ..., m
hi (x) = 0 para i = 1, ..., k
x X Rn e X = {x Rn: xiL xi xiU , i = 1, 2, ..., n}
55

O vetor X designado como o vetor de incgnitas ou vetor de variveis de projeto, f(x) a


FO, como visto anteriormente,
anteriorment gi(x) e hi(x) so as restries de desigualdade e igualdade,
respectivamente, e estas podem ser funes lineares e/ou no lineares do vetor de variveis
de projeto.
O conjunto X o domnio da varivel de projeto x,, que pode ser qualquer valor deste
domnio.. O produto cartesiano dos domnios das variveis de projeto define o domnio da
FO, este domnio por sua vez pode ser dividido em dois subconjuntos: a regio vivel ou
factvel (feasible region)) onde todas as restries so satisfeitas e a regio invivel
(unfeasible region)) onde alguma restrio no observada. Sempre que existir alguma
regio vivel, o problema tem soluo (Mendona. 2004).
A otimizao com restries mais complexa e pode requerer estratgias especficas na
formulao doo problema para que estas sejam satisfeitas.
4.2.2 Funes de penalizao
Como j visto, a principal dificuldade que aparece em um problema de minimizar com
restries que o ponto de mnimo global da FO pode estar fora da regio factvel.
A Figura 4.2 mostra uma estrutura hipottica a ser otimizada em relao ao seu peso
global, tendo como variveis de projeto o dimetro das sees transversais (d) e a sua
altura em relao aos apoios (h). E a Figura 4.3 a representao grfica da otimizao
deste problema.

Figura 4.2 Trelia com duas barras (modificado - Fox, 1973).


1973)

56

Figura 4.3 Representao grfica do espao de busca (modificado - Fox, 1973).


A estrutura da figura anterior est sujeita a seis restries (h1 a h6), podendo ser restries
geomtricas, que se todas satisfeitas formam uma regio factvel - hachurada - que
representa todas as possveis configuraes que podem representar o peso global desta
estrutura e o que est fora a regio no factvel.
Um problema com restries pode ser transformado em um problema sem restries pela
associao de uma funo de penalizao. A sua utilizao gera uma forma eficaz de se
tratar as restries (Fox, 1973; Haftka e Grdal, 1992; Shoenauer e Xanthakis, 1993).
A FO modificada pode ser colocada da seguinte forma (Lemonge, 1999):
F ( x ) = f ( x) + penal ( x )

(4.4)

De acordo com o mtodo e a maneira em que aplicada s solues no factveis, a parcela


penal (x), que a funo de penalizao, pode diferir.
Todos os casos considerados aqui empregam funes de penalizao.
Barbosa e Lemonge (2003) classificam as tcnicas clssicas para lidar com restries como
diretas (interior) apenas solues factveis so consideradas - e indiretas (exterior), onde
solues factveis e no factveis so usadas durante o processo de otimizao.

57

A partir da dcada de noventa encontra-se outra classificao destas tcnicas, que


comumente utilizada nos problemas de otimizao com restries na atualidade
(Michalewicz, 1995; Lagaros et al, 2002; Barbosa e Lemonge, 2003).
Frente aos mais variados tipos de funes de penalizao, so exemplificados nas
subsees seguintes, alguns encontrados na literatura.
4.2.1.1 Penalidades Estticas
Os parmetros da funo de penalizao so determinados pelo projetista e pode demandar
tempo em funo da complexidade do problema a ser analisado.
Homaifar et al. (1994) sugerem a determinao de intervalos com distintos valores dos
parmetros de penalizao associados a cada restrio Si, definindo vrios nveis de
violao ( l ) por Zij, com i = 1, 2,... , l e j = 1, 2, ... m, onde m o nmero de violaes. A
criao dos coeficientes para cada nvel de violao e restrio na penalizao pode ser
colocada na forma:
l

F ( x) = f ( x ) +
1=1

ij

. f j ( x)

(4.5)

j =1

Lemonge (1999) sugere multiplicar um valor constante qualquer C, escolhido pelo


projetista, pelos resduos de cada restrio violada Si, com i = 1, 2,..., n. A funo
modificada dada por:
n

F ( x ) = f ( x ) + C. S i

(4.6)

i =1

4.2.1.2 Penalidades Dinmicas


Neste tipo de penalidade, os parmetros de penalizao dependem de que interao (t) o
processo de otimizao est.
Joines e Houck (1994) colocam a FO da seguinte maneira:
m

F ( x) = f ( x) + (C.t ) . S j ( x)

j =1

58

(4.7)

C, e , so constantes e tm valores sugeridos de 0,5 , 2 e 2 respectivamente. Nota-se


que a parcela (C .t ) atinge seu valor mximo na ltima iterao.

4.2.1.3 Penalidades Adaptativas


De acordo com as informaes obtidas durante as iteraes, os parmetros de penalizao
podem ser definidos (adaptados).
Bezerra (1993) props uma penalidade com um comportamento logartmico, pois o mesmo
gradualmente, a cada iterao, penaliza a FO nas proximidades da regio no factvel. A
funo colocada da seguinte forma:
L

F ( x) = f ( x ) + Ri
j =1 i =1

1
S j ( xi )

(4.8)

f ( x )


Ri 10Ei, sendo esta ltima definida como Ei Int log10 L P i
1

j =1i =1 S j ( xi )
Quando Sj 1 a FO penalizada e quando Sj 1 a funo se mantm. L o nmero de
restries e P o nmero de variveis de projeto.
Coit et al. (1996) propuseram a FO da seguinte forma:

f j ( x)

F ( x) = f ( x) + (F feas (t ) Fall (t ) )

j =1 q j (t )
m

(4.9)

onde Fall a melhor soluo na iterao anterior, sem considerar a penalizao; Ffeas a
melhor soluo factvel e K uma constante.

4.3 ELASTICIDADE LINEAR


O equilbrio esttico, de foras e momentos, em um corpo requer a satisfao da equao
de equilbrio:

ij , j + bi = 0

59

(4.10)

No caso em que no existam momentos aplicados ao corpo, o tensor de tenses


simtrico, ou seja, ij = ji .
A relao entre o tensor de tenso e as foras de superfcies dada por:

(4.11)

p i = ij n j

Aps a ao das foras, o corpo se deforma, deixando sua configurao original. Se os


deslocamentos u i so pequenos, as deformaes podem ser representadas pelo tensor de
deformaes de Cauchy, por

ij =

1
(ui , j + u j ,i )
2

(4.12)

Para um material linear elstico isotrpico, a Lei de Hooke que relaciona tenses e
deformaes pode ser escrita da forma

(4.13)

ij = 2 ij + kk ij

onde e so as conhecidas constantes de Lam, relacionadas com os componentes


volumtricos e transversal, respectivamente, e ij o delta de Kroneker, definido por:

1, para i = j
.
0, para i j

ij =

As constantes de Lam podem ser expressas em funo de termos mais familiares, como
mdulo de elasticidade transversal (G), mdulo de elasticidade longitudinal (E) e
coeficiente de Poisson (), atravs das relaes:

(1 + )(1 2 )

=G=

E
2(1 + )

(4.14)

Assim, a relao tenso-deformao pode ser escrita em funo destes parmetros mais
usuais, atravs da equao

ij = 2G ij +

2G
kk ij
1 2

(4.15)

Uma expresso que descreve as deformaes em funo das tenses, pode ser obtida
tomando-se o inverso da Equao (4.15).

60

ij =

kk ij
ij
2G
1 +

(4.16)

Substituindo a Equao (4.12) na Equao (4.15), obtm-se uma expresso que descreve as
tenses em funo do gradiente de deslocamentos. E, substituindo esta expresso na
Equao (4.10), obtm-se uma expresso muito conhecida na elasticidade que a equao
de Navier, descrita por

Gu j ,kk +

G
u k ,kj + b j = 0
(1 2 )

(4.17)

Se utilizarmos as Equaes (4.12) e (4.15) como antes, e substituir este resultado na


Equao (4.11), obtemos uma expresso que descreve as foras de superfcies em funo
dos deslocamentos, dadas por:

pi =

2G
u k ,k ni + G (u i , j + u j ,i )n j
(1 2 )

(4.18)

Em certos problemas, diferentes efeitos como temperatura podem ser includos sobre a
formulao como tenso ou deformao inicial (Brebbia et al, 1984). Se o efeito trmico
considerado, a tenso inicial tem a forma

ij = 2G ij +

2G
kk ij ijT = ije ijT
1 2

(4.19)

onde a tenso ij agora igual a diferena entre a tenso elstica ije e as componentes
trmicas ijT .
Para um material termicamente isotrpico as componentes ijT so dadas por

1 +
1 2

ijT = 2G

T
ij

(4.20)

onde as deformaes ijT so descritas por

ijT = ij
onde o coeficiente linear de expanso trmica e a diferena de temperatura.

61

(4.21)

4.4 MTODOS NUMRICOS


Nas ltimas dcadas, pesquisas sobre mtodos numricos tm chamado a ateno de
fsicos e engenheiros. Estes, tm se tornado uma poderosa ferramenta na resoluo de
problemas governados, em geral, por equaes diferenciais. Os mtodos numricos
permitem resolver equaes diferenciais atravs de solues aproximadas, com um alto
grau de preciso, o que se torna muito importante, uma vez que poucos problemas da
engenharia possuem solues analticas conhecidas. Assim, o avano verificado nos
computadores digitais e o uso de mtodos numricos eficientes, tm permitido aos
engenheiros resolver uma grande variedade de problemas complexos. Muitos destes
mtodos so baseados no princpio de se obter equaes que descrevam o comportamento
de uma parte infinitesimal de um corpo e, com isso, descrever o comportamento do corpo
como um todo. Em geral, quanto menor for o tamanho destas partes, mais preciso sero os
resultados, em compensao, maior ser o custo computacional.
Nos captulos seguintes alguns dos mtodos numricos expostos sero acoplados tanto com
Algoritmos genticos quanto com Redes Neurais Artificiais.
Na literatura, os mtodos numricos mais conhecidos so:

Mtodo das Diferenas Finitas (MDF);

Mtodo dos Elementos Finitos (MEF);

Mtodo dos Elementos de Contorno (MEC).

O Mtodo das Diferenas Finitas (MDF) foi o primeiro mtodo numrico amplamente
conhecido e bastante utilizado pelos pesquisadores. No utiliza integrao numrica,
trabalha com matrizes esparsas, sendo baseado em uma formulao matemtica simples.
No MDF, um conjunto de pontos alocado no interior do domnio, que so agrupados em
molculas que descrevem o comportamento local de uma equao. Isto resulta num
sistema de equaes lineares que d origem a uma nica soluo desde que as condies de
contorno do problema tenham sido satisfeitas. Apesar da fcil implementao e de produzir
solues estveis, o MDF apresenta dificuldades em se modificar o tamanho da diferena
entre os pontos em algumas regies, no sendo, portanto, adequado para modelos de
domnios irregulares (Jichun et al, 2002).

62

No Mtodo dos Elementos Finitos (MEF), a equao diferencial que governa o problema
transformada em um sistema de equaes integrais equivalentes que contm as incgnitas a
serem determinadas. Estas equaes integrais so aproximadas atravs da discretizao de
todo o domnio em elementos, onde as incgnitas so interpoladas usando funes simples,
substituindo as funes desconhecidas por seus valores nodais. Na engenharia, o MEF j
consagrado, sendo aplicado a muitos problemas prticos, inclusive de geometria
complexas. Uma de suas grandes desvantagens que para se obter resultados precisos h a
necessidade de refinamento da malha, o que implica em um nmero maior de elementos e,
conseqentemente, de incgnitas, gerando grandes sistemas matriciais. Alm disso, a
utilizao do MEF necessita o uso de tabelas de conectividade, cujo procedimento difcil
de automatizar.
O Mtodo dos Elementos de Contorno (MEC) tem sido apresentado como um mtodo
numrico eficiente para a soluo de problemas de engenharia e como uma boa alternativa
para fugir das desvantagens apresentadas pelo MDF e MEF (Brebbia et al, 1984; Brebbia e
Domingues, 1989). Na formulao clssica, o MEC baseia-se em uma equao integral que
envolve incgnitas apenas do contorno. Uma das grandes vantagens do MEC sobre o MDF
e o MEF que apenas o contorno discretizado. A discretizao processada s no
contorno gera sistemas de equaes com um menor nmero de graus de liberdade e,
portanto, requer um menor tempo computacional, dando maior estabilidade numrica s
solues. Todavia, se a equao a ser resolvida no homognea, o MEC torna-se menos
atrativo, devido formulao integral que envolve uma integral de domnio, que requer
tcnicas especiais para ser transformada em integrais de contorno.Alm disso, problemas
de conectividade, para a aplicao do MEC em duas dimenses, so facilmente resolvidos,
no entanto, em trs dimenses, utiliza-se elementos de superfcie e a questo da
conectividade deve ser considerada.
Contudo, de grande interesse desenvolver mtodos numricos que no requeiram
discretizao do domnio nem do contorno e, portanto, que evitem a conectividade. Neste
contexto, alguns mtodos sem malha relacionados aos principais mtodos numricos tm
aparecido, chamando bastante a ateno dos pesquisadores. Como por exemplo, tem-se em
o Mtodo das Diferenas Finitas Generalizadas, derivado do MDF, Sanchz (2004); o
Galerkin sem malha, derivado do MEF e, o Mtodo das Solues Fundamentais (MSF) que
tem sido uma alternativa altamente eficiente para o tradicional MEC, o qual abordado
com detalhes na prxima seo (Partridge e Sensale, 2000).
63

4.3.1 Mtodo dos Elementos Finitos


O Mtodo dos Elementos Finitos (MEF) foi originalmente desenvolvido para analisar
configuraes estruturais bem definidas. Sua popularidade cresceu de uma forma
fenomenal devido versatilidade e praticidade do mtodo, resolvendo vrios tipos de
problemas.
O MEF pode ser interpretado do ponto de vista fsico e matemtico. O conceito bsico do
mtodo na parte fsica consiste em dividir a estrutura em vrios elementos, denominados
de elementos finitos. A resposta de cada elemento determinada em termos de um nmero
finito de graus de liberdade caracterizados como um valor de uma funo, em um conjunto
de pontos. A resposta do modelo matemtico obtida reunindo todos os elementos
(Felippa, 2000).
Alguns dos princpios que foram utilizados para a anlise esttica neste trabalho so
mostrados nas subsees seguintes e seguiram os programas implementados de Brebbia e
Ferrante (1986).
4.3.1.1 Elemento finito unidimensional reto para trelia
A trelia plana foi modelada atravs do Mtodo dos Elementos Finitos, utilizando as
funes de forma apropriadas (Zienkiewicz, 1977; Desai, 1979; Brebbia e Ferrante, 1986).
Conhecendo-se a matriz de rigidez da estrutura e suas condies de contorno, podem-se
obter os deslocamentos genricos atravs do sistema:
KU = P

(4.22)

No sistema local o elemento tem deslocamentos apenas axiais (uL1 e uL2). J no sistema
global tem dois graus de liberdade por n, sendo duas translaes (u1 e v1 ou u2 e v2) de tal
forma que o vetor de deslocamentos :

u
u L = L1
u L 2

(4.23)

u1
v
u = 1
u 2

v2

(4.24)

64

Na Figura 4.4 representam-se os deslocamentos de um elemento de trelia plana


considerando coordenadas locais e globais, cuja origem no n 1 na extremidade
esquerda.

Figura 4.4 Elemento de trelia plana.


Para o sistema local e global, tem-se respectivamente.
A equao geral dos trabalhos virtuais para o MEF na forma fraca para problemas estticos
(elasticidade 2D) dada por (Segerlind, 1976):

xx

xx + xy xy + yy yy )d = P x u + P y v d + ((bx u + b y u )d

(4.25)

Tm-se apenas efeitos axiais de tal forma que xx 0 e as foras de corpo como nulas
temos:

xx

xx )d = Pu

(4.26)

A aproximao de elementos finitos uma equao do tipo:


U = N i ui

(4.27)

onde U uma funo desconhecida, necessria para calcular os termos da equao 4.25, Ni
so funes conhecidas, chamadas de funes de forma, e uin so valores nodais das
incgnitas.
Para o elemento de trelia plana as funes de forma para a equao 4.27 so:

65

N1 = 1

N2 =

x
L

x
L

(4.28)
(4.29)

De tal forma que:

U = N1u L1 + N 2 u L 2

(4.30)

Podem-se estabelecer os coeficientes de rigidez para elementos reticulados usando o lado


esquerdo da equao 4.25, devendo-se substituir a aproximao de elementos finitos e
integrar termo a termo.
A matriz de rigidez do elemento trelia plana considerando o sistema local, denominada
KLET.

KL

ET

EA
EA

L
= L
EA EA

L
L

(4.31)

4.3.1.2 Elemento finito unidimensional reto para viga


Na Figura 4.5 representam-se os deslocamentos de um elemento de viga plana
considerando coordenadas locais e globais, cuja origem no n 1 na extremidade
esquerda.

Figura 4.5 Elemento de viga plana.


Os deslocamentos locais para este elemento so:

66

v L1

uL = 1
v L 2

2

(4.32)

As funes de forma para a equao 4.27 so:

2 x 3 3x 2

N 1 = 3 2 + 1
L
L

(4.33)

x 3 2x 2

N 2 = 2
+ x
L
L

(4.34)

3x 2 2 x 3
N 3 = 2 3
L
L

(4.35)

x3 x2
N 4 = 2
L
L

(4.36)

De tal forma que:


U = N 1v L1 + + N 21 + N 3 v L 2 + N 4 2

(4.37)

A matriz de rigidez do elemento trelia plana considerando o sistema local, denominada


KLEV e obtida de maneira anloga subseo anterior.

KL

EV

12 EI
L3
6 EI

2
= L
12 EI
L3
6 EI

L2

6 EI
L2
4 EI
L
6 EI
2
L
2 EI
L

12 EI
L3
6 EI
2
L
12 EI
L3
6 EI
2
L

6 EI
L2
2 EI

L
6 EI
2
L
4 EI

(4.38)

4.3.1.3 Elemento finito unidimensional reto para prtico


Na Figura 4.6 representam-se os deslocamentos de um elemento de prtico plano em
coordenadas locais cuja origem no n 1 na extremidade esquerda.

67

Figura 4.6 Elemento de prtico plano.


O elemento tem trs graus de liberdade por n, sendo duas translaes e uma rotao. O
vetor deslocamento do elemento correspondente :

u L1
v
L1

uL = 1
u L 2
v L2

2

(4.39)

A matriz de rigidez do elemento de prtico plano em coordenadas locais, denominada


KLEP, obtida somando em nvel de coordenadas locais, a matriz de rigidez de um
elemento de trelia (equao 4.31) com a matriz de rigidez de um elemento de viga
(equao 4.38), tambm em coordenadas locais.

KL

EP

EA
L

=
EA

L
0

12 EI
L3
6 EI
L2

6 EI
L2
4 EI
L

12 EI
L3
6 EI
L2

0
6 EI
L2
2 EI
L

EA
L
0
0

EA
L
0
0

0
12 EI
L3
6 EI
2
L

0
12 EI
L3
6 EI
2
L

6 EI

L2
2 EI
L

6 EI
2
L
4 EI

L
0

(4.40)

Aps gerar a matriz de rigidez do elemento finito (trelia, viga ou prtico) em relao ao
seu sistema de coordenadas (locais) necessrio referi-la a um sistema global de
68

coordenadas e para isso usa-se a matriz de rotao ( R ). Para o elemento prtico plano, por
exemplo, tem-se:

KG
cos
sen

0
R=
0
0

EP

EP

(4.41)

= RT K L R

sen

cos

cos

sen

0 sen

cos
0

0
0
0

0
0

(4.42)

Onde a inclinao do elemento em relao ao eixo x mostradas na Figura 4.6. Maiores


informaes sobre rotao do sistema de coordenadas pode ser obtidas em Zienkiewicz
(1977) e Brebbia e Ferrante (1986).

4.3.2 Mtodo dos Elementos de Contorno


O MEC um mtodo numrico, cuja principal caracterstica a reduo na dimenso do
problema (Brebbia e Domingues 1989, Brebbia et al, 1984 e Wrobel e Aliabadi, 2002).
H muitos problemas na Engenharia que podem ser caracterizados matematicamente por
equaes diferenciais com as devidas condies de contorno, por exemplo, o problema da
mecnica dos slidos considerado neste trabalho.
A maior dificuldade com estas equaes diferenciais que a maioria delas no pode ser
resolvida analiticamente. Para a obteno da soluo destes problemas faz-se necessrio o
uso de algum mtodo numrico.
O MEC pode ser facilmente ajustado a contornos geometricamente complexos, alm disso,
uma vez que todas as aproximaes esto restritas ao contorno pode-se modelar regies
com gradientes elevados com melhor exatido que o Mtodo dos Elementos Finitos
(Bacarji, 2001).
4.3.2.1 Formulao para Elasticidade Linear 2D
Considere a equao da elasticidade linear:

, + = 0 em
Com as condies de contorno bsicas (Figura 4.7):
69

(4.43)

Condio do tipo u i = u i no contorno 1 ;

Condio do tipo pi = ij n j = p i no contorno 2 .

O tratamento para as condies de deslocamento e as traes de superfcie so


consideradas por exemplo no trabalho de Brebbia e Domingues (1989).
Onde u e p assumiro valores aproximados e sero ponderados. A partir de ento, sero
representados pela funo u * e p * . A equao de resduos ponderados fica definida ento
como:

(4.44)

( ij , j + b j )u j * d =0

Calculando duas integraes por partes a partir da equao integral (4.44), obtm-se:

( ij , j + b j )u * d = ( p j p j )u * d + (u j u j ) p * d
2

(4.45)

Esta equao o ponto de partida da aplicao do mtodo dos elementos de contorno. Para
transformar a equao (4.45) em uma integral de contorno necessrio calcular a soluo
fundamental para u * .

Soluo fundamental
A soluo fundamental u * representa o valor gerado por uma fonte unitria concentrada
agindo num ponto i . O efeito dessa fonte propagado de i para infinito sem qualquer
considerao de condies de contorno. Por causa disto, u * satisfaz a equao de Poisson
seguinte:

(4.46)

ij , j * + ei = 0

Onde ei representa a funo delta de Dirac que tende ao infinito no ponto x = xi e


igual a zero em todos os outros pontos. A integral do ei sobre o domnio igual a um.
Assim a integral da funo delta de Dirac multiplicada por qualquer outra funo igual ao
valor da funo no ponto e i (Brebbia e Domingues, 1989). Ento:

ij , j

*)u j d = (ei )u i d = u i ei

(4.47)

Usando as propriedades da soluo fundamental, (4.46) pode ser escrita como,


u i + p j * u ij d + p j * u ij d = u ij * p j d + u ij * p j * d + b j u ij * d
1

70

(4.48)

Segundo Brebbia e Domingues (1989), sabe-se


sabe se ento que a soluo fundamental da
equao (4.48) para o estado plano de deformao em 2D:
u ij* =

pij* =

1
{(3 4 ) ln(r ) ij r , i r , j }
8 (1 )G

r
1

(1 2 ) (r , i n, j r , j n, i )
(1 2 ) ij + 2 r , i r , j
n
4 (1 )r

(4.49)

(4.50)

Mtodo dos elementos de contorno para a Elasticidade


E
Linear sem foras de corpo
A equao de contorno (4.4
4.45) pode ser generalizada,

ci u i + p * ud = pu * d

(4.51)

Onde 1 / 2 est representado pelo coeficiente ci . O valor de ci = 1 / 2 aplicado para ns


localizados em um contorno suave.
suav O valor de ci para qualquer tipo de contorno pode ser
representado por (Brebbia e Domingues, 1989):
ci =

(4.52)

Onde o ngulo interno no ponto i em radianos.


O contorno de uma superfcie bidimensional qualquer pode ser discretizado em vrios
elementos a fim de simplificar a representao de qualquer contorno, onde as variveis so
somente os pontos iniciais e finais, definidos aqui como ns.

Figura 4.7 Contorno discretizado em elementos lineares (Partridge,


Partridge, Brebbia e Wrobel,
1992).

71

O contorno passa a ser ento representado pelo somatrio desses elementos. Assim a
equao (4.51) fica representada em somatrio da forma:
N

ci u i + p * d u = u * d p

j 1 j
j 1 j

(4.53)

Considerando sua interpolao do campo tambm linear, os valores de u e p variam


dentro de cada elemento j (Figura 4.7) e estes ento so interpolados pelas funes 1 e

2 , definidas em termos da coordenada homognea , como visto tambm na Figura 4.8,


por exemplo:

u
u ( ) = 1u1 + 2u2 = [1 2 ] 1
u2
p
p( ) = 1 p1 + 2 p 2 = [1 2 ] 1
p2

Figura 4.8 Definio de elemento linear com suas coordenadas, (Brebbia e Domingues,
1989).
Em duas dimenses a coordenada varia de -1 at +1 e as duas funes de interpolao
so (Brebbia e Domingues, 1989):

1 =

1
(1 )
2

2 =

1
(1 + )
2

(4.54)

Aplicando (4.54) na integral (4.53) tem-se para cada elemento j a seguinte equao:

u
pu * d = [1 2 ] p * d 1 = hij1
j
u 2

72

u
hij2 1
u 2

(4.55)

Onde para cada elemento tm-se dois termos assim definidos:

hij1 = 1 p * d

(4.56)

hij2 = 2 p * d

(4.57)

Similarmente para a outra integral:

p
pu * d = [1 2 ]u * d 1 = g ij1
j
p2

p
g ij2 1
p2

(4.58)

ento:

g ij1 = 1u * d

(4.59)

g ij2 = 2u * d

(4.60)

Substituindo a equao (4.55) e (4.58) na equao (4.53) a seguinte equao para o n i


obtida:

ci u i + H i1

H i 2 K H iN

u1
p1
u
p
2 = [Gi1 Gi 2 K GiN ] 2
M
M


u N
pN

(4.61)

onde H i1 igual a hij1 adicionado hi2, j 1 , termos dos elementos j e j 1 respectivamente.


Ento a frmula (4.61) pode ser representada para cada n i ,
N

2N

j 1

j 1

ci u i + H ij u j = Gij p j

(4.62)

Fazendo a simplificao,
H ij = H ij + ci ij

(4.63)

Onde o delta de Kronecker. Dessa forma ci acrescentado ao H quando i = j , ento


a equao (4.62) pode ser escrita como,
73

2N

j 1

j 1

H ij u j = Gij p j

(4.64)

Assumindo agora que a posio do n i tambm varia de 1 a N e a soluo fundamental


aplicada para cada n sucessivamente, um sistema de equaes obtido da aplicao da
equao (4.64) para cada ponto do contorno discretizado.
Essa equao pode ser expressa em forma matricial,
Hu = Gp

(4.65)

Onde H uma matriz N N e G uma matriz retangular N 2 N . Assim u e p so


vetores de comprimento N e 2 N respectivamente.
Note que N1 valores de u e N 2 valores de p so conhecidos em 1 e 2 respectivamente

(N

+ N 2 = N ). Assim somente

valores so desconhecidos no sistema de

equaes (4.65). Introduzindo as condies de contorno, movimentando as respectivas


colunas entre H e G e efetuando as operaes com os valores constantes, o sistema de
equaes anterior pode ser escrito como:
Ax = y

(4.66)

Sendo x o vetor de incgnitas no contorno, que pode ter valores de u ou p . E y o vetor


resultado da multiplicao das colunas das matrizes H

e G com os valores

correspondentes de u e p conhecidos.

4.3.3 Mtodo das Solues Fundamentais


O Mtodo das Solues Fundamentais (MSF), proposto pela primeira vez na dcada de
sessenta, por Kupradze e Alekside (1964), tem, recentemente, reaparecido na literatura.
Trata-se de uma tcnica de contorno indireta, que no requer elementos nem integrao, e
permite obter resultados para pontos internos sem a aplicao de tcnicas especiais,
apresentando, portanto, grandes vantagens de implementao sobre o Mtodo dos
Elementos de Contorno (MEC).
O MSF conhecido na literatura por diferentes nomes, como por exemplo: Mtodo de
Simulao de Potencial Charge Simulation Method (Amano, 1994; Raamachandran e
Rajamohan, 1996) e o Mtodo de Colocao no Contorno, Boundary Colocation Method

74

(Levin e Tal, 1986) e Mtodo da Superposio Superposition Method (Koopman et al,


1988; Burgess e Mahajerin, 1984).
A principal caracterstica do MSF utilizar uma superfcie de pontos fictcios envolvendo
toda a geometria do problema, evitando, dessa forma, as singularidades. A localizao dos
pontos fictcios tem sido tratada de duas maneiras: (i) fixando os pontos em posies prestabelecidas, (ii) determinando a posio de cada ponto utilizando otimizao. No
primeiro caso, vrios trabalhos foram publicados, por exemplo (Patterson e Sheikh, 1983;
Redekop e Thompson, 1983), considerando que a superfcie fictcia fosse da mesma
geometria do problema a ser resolvido, porm maior, envolvendo todo o domnio.
Entretanto, foi sugerido por Bogomolny (1984), que a superfcie tima um crculo para
problemas em 2D e uma esfera para problemas em 3D, obtendo-se melhores resultados, em
ambos os casos, para raios crescentes.
Em vrias publicaes recentes (Chen, 1995; Golberg, 1995; Golberg et al, 1996; Partridge
e Sensale, 2000; Medeiros et al, 2000; Medeiros e Partridge, 2001), o mtodo tem sido
usado com xito, para problemas de potencial, empregando-se esta definio da superfcie
fictcia.
O caso (ii), referente aplicao de otimizao para determinar a posio dos pontos
fictcios, foi introduzido por Mathon e Johnston (1977), e bastante aplicada por alguns
pesquisadores, tais como: Karageorghis e Fairweather (1987), Karageorghis e Fairweather
(1989), Karageorghis (1992), Fairweather e Karageorghis (1998), Berger e Karageorghis
(1999), Karageorghis e Fairweather (1999a), Karageorghis e Fairweather (1999b). Embora
este segundo enfoque tambm produza resultados de boa preciso, o custo computacional
muito elevado, (Fairweather e Karageorghis, 1998; Berger e Karageorghis, 1999), uma vez
que so necessrias numerosas avaliaes da funo.
Na sua forma original, o MSF, semelhante ao MEC, aplicvel a problemas descritos por
equaes homogneas, para os quais uma soluo fundamental completa seja disponvel,
tendo sido utilizado com xito para resolver equaes elpticas homogneas, (Kupradze e
Alekside, 1964; Mathon e Johnston, 1977; Bogomolny, 1984; Karageorghis e Fairweather,
1987). Devido simplicidade de implementao e rapidez de convergncia de grande
interesse estender esta tcnica para resolver problemas descritos por equaes diferenciais
no homogneas.
75

Recentemente, o MSF tem sido aplicado a problemas de potencial mais gerais, como casos
no lineares e problemas dependentes do tempo, utilizando solues particulares para
modelar termos no homogneos, (Golberg, 1995). No caso em que o termo no
homogneo uma funo conhecida, uma soluo particular exata pode ser obtida de
forma direta, caso contrrio, uma soluo particular aproximada pode ser calculada usando
o Mtodo de Reciprocidade Dual (DRM).
A seguir vamos considerar o mtodo aplicado a alguns problemas de elasticidade linear 2D
e 2D/3D com foras de corpo devido a cargas gravitacionais, centrfugas e trmicas.

4.3.4 Mtodo da Reciprocidade Dual


Este mtodo foi originalmente utilizado para levar integrais de domnio ao contorno no
MEC. Nas primeiras aplicaes do MEC sempre havia o requisito de ter em mos a
soluo fundamental para a resoluo de um problema. Esta soluo fundamental tem que
se levar em conta todos os termos da equao governante para evitar integrais de domnio
na formulao da equao integral de contorno. Caso contrrio, clulas internas devem ser
definidas, Brebbia (1978).
Com o desenvolvimento do mtodo, foram encontradas solues fundamentais para
diferentes equaes (Brebbia, Telles e Wrobel, 1984). Entretanto, isto no garante que se
tenha uma soluo fundamental para qualquer caso. Em alguns exemplos, inconveniente
alterar o programa para incorporar uma nova soluo fundamental simplesmente porque o
usurio deseja estudar uma equao diferencial um pouco diferente. O uso de clulas para
a avaliao de integrais de domnio implica em uma discretizao interna o que aumenta
consideravelmente a quantidade de dados necessria para executar o programa e por isso o
mtodo perde algumas de suas atraes em relao ao Mtodo dos Elementos Finitos
(MEF) ou outras tcnicas de domnio (Barbirato e Venturini, 2005).
O Mtodo da Reciprocidade Dual (DRM) foi primeiramente proposto por Nardini e
Brebbia (1982). O DRM foi estendido a problemas transientes por Wrobel et al. (1986) e a
problemas no-lineares po Partridge e Wrobel (1990). Uma descrio do mtodo como se
encontrava na poca pode ser encontrado em Partridge, Brebbia e Wrobel (1992). A idia
bsica do DRM consiste em aproximar os termos no-homogneos por uma srie de
funes conhecidas e coeficientes desconhecidos, assim obtendo uma soluo particular
aproximada para cada termo no domnio. Desta maneira e utilizando os princpios da
76

reciprocidade possvel transformar integrais de domnio em integrais de contorno


equivalentes. O mtodo pode ser usado com MSF de uma maneira similar.
4.3.3.1 Funes de aproximao
Nardini e Brebbia (1982) quando introduziram o DRM, consideraram as funes de
aproximao descritas pelos elementos do tringulo de Pascal, por sries trigonomtricas e
por funes de r, que representa a distncia usada na definio da soluo fundamental. A
funo r foi a primeira a ser adotada, por viabilizar o uso do mtodo, apresentando
vantagem de simplicidade de implementao. Esta funo tem mostrado boa preciso para
algumas aplicaes.
Desde ento o nmero de pesquisadores interessados em desenvolver funes de
aproximao a serem utilizadas com o DRM, cresceu consideravelmente. Na maioria dos
trabalhos iniciais, emprega-se a funo de aproximao r, conhecida como RBF linear. Em
seguida, sugeriu-se que a funo r (RBF Cbica) seria melhor (Yamada et al., 1994).
Outra RBF a Thin Plate Splines (TPS) que consiste na funo = log(), tendo sido
empregadas, por exemplo, Golberg e Chen (1994a); Karur e Ramachandran (1994), Chen
(1995), Goldberg (1995), para modelar foras de corpo descritas por termos de alta ordem.
Posteriormente, os matemticos Golberg e Chen (1994b) apresentaram a RBF denominada
por Augmented Thin Plate Spline (ATPS), que refere-se a funo = log( )acrescida
dos termos lineares do Tringulo de Pascal (1 , x e y). Neste caso, a funo ATPS combina
funes locais e globais (Yamada et al., 1994).
Golberg define esta funo como sendo tima para o DRM, tendo sido usada com xito na
resoluo de vrios problemas, por exemplo, em Karur e Ramachandran (1995) e em
Bridges e Wrobel (1996).
Atualmente, as funes Polyharmonic splines ( = log( ))tm sido consideradas
como a melhor opo para o caso em duas dimenses (2D), mostrando convergncia linear
com o crescimento da ordem n (Medeiros e Partridge, 2001; Partridge e Sensale, 2000;
Medeiros et al., 2000).
As solues particulares de cada uma das funes de aproximao para a equao de
Laplace so dispostas nas Eq. (4.67), (4.68) e (4.69):
77

(4.67)

= log()

= ()

(4.68)

(4.69)

4.3.3.2 Funes acrescidas


Estas funes foram sugeridas por Goldberg e Chen (1994b) e foram primeiramente
aplicadas elasticidade linear (Bridges e Wrobel, 1996). No caso do acrscimo ser na
mesma ordem da funo de interesse, pode-se obter uma considervel preciso quando
uma funo conhecida b aplicada (Partridge, 2000). Para problemas em 2D, se o aumento
linear aplicado, os termos 1, x e y (sem som-los) so considerados juntos com a funo
de aproximao. Cada funo acrescida tem sua prpria soluo particular, ou seja:

=1

( )

(4.70)
(4.71)
(4.72)

As funes acrescidas descritas anteriormente adicionaram trs novas linhas e colunas na


matriz F, numeradas de N+L+1 a N+L+3. Essas trs novas linhas e colunas contm os
valores de 1, x, e y para cada n, com uma submatriz 3x3 no final contendo entradas nulas.

e , para cada um dos termos


Do mesmo modo trs colunas so adicionadas s matrizes
considerados a seguir. Trs zeros so adicionados no vetor b nas posies de N+L+1 a
N+L+3. Mais detalhes sobre a implementao das funes acrescidas podem ser obtidas
em Bridges e Wrobel (1996).
4.3.4.1 Elasticidade Linear 2D
A parte homognea da equao de Navier modelada com MSF, empregando o crculo de
pontos fictcios proposto por Bogomolny e, os termos no homogneos so modelados
usando o DRM, empregando a funo de aproximao Polyharmonic Spline, acrescida
de termos de at 3 ordem, conforme a natureza das cargas a serem aproximadas, Partridge
e Sensale (1997). Os termo no homogneos so considerados na prxima seo.
78

Considere um problema linear elstico, por simplicidade sem foras de corpo, governado
pela equao de Navier, Eq. (4.17)

Gu j , kk +

G
u k , kj = 0
(1 2 )

onde G o mdulo transversal dado por G =

(4.73)

E
e os ndices j,k = 1,2, para o caso
2(1 + )

bidimensional. No caso tridimensional o desenvolvimento similar, considerando apenas a


variao dos ndices de 1, 3 (Medeiros, 2005).
Consideramos um domnio com contorno dentro de uma superfcie fictcia circular S.

(x)

S()

Figura 4.9 Superfcie Fictcia (Partridge e Sansale, 2000)


As solues fundamentais para deslocamentos e traes de superfcie so dadas nas
Eqs. (4.74-75), respectivamente, para o caso de estado plano de deformao (Brebbia e
Dominguez, 1989; Brebbia et al, 1984).
u ij* =

pij* =

1
{(3 4 ) ln(r ) ij r , i r , j }
8 (1 )G

1
r

(1 2 ) (r , i n, j r , j n, i )
(1 2 ) ij + 2 r , i r , j
4 (1 )r
n

(4.74)

(4.75)

r
onde: r = x 2 + y 2 , as componentes x e y so as projees do vetor r nas direes x e
y, e as derivadas r , i =

ri
.
r
79

No caso de estado plano de tenses deve-se fazer a transformao ' =

(1 + )

(Brebbia e

Dominguez, 1989).
Considerando um ponto fonte na coordenada x pertencente a 1 tendo uma condio de
contorno u i = u i , e N pontos na coordenada () pertencentes ao crculo fictcio, podemos
escrever (veja fig. 4.9):
N

u i = u i ( x) = u1*i ( a , x) a + u 2*i ( a , x) a + N

(4.76)

a =1

onde u1*i e u 2*i so solues fundamentais, dadas na Eq. (4.74) e a coeficientes


inicialmente desconhecidos. Da mesma forma, para outro ponto x pertencente a 2, tendo
uma condio de contorno p i = p i , pode-se escrever:
N

p i = p i ( x) = p1*i ( a , x) a + p 2*i ( a , x) a + N

(4.77)

a =1

onde p1*i e p 2*i so solues fundamentais para traes de superfcie, Eq. (4.75) e a os
mesmos coeficientes na Eq. (4.76). Considerando Eq. (4.76) para cada grau de liberdade
que pertence a 1, e Eq. (4.77) para cada grau de liberdade pertencente a 2, tem-se o
sistema de equaes de ordem 2N,
A = y

(4.78)

onde sua soluo fornece os coeficientes desconhecidos (Patterson e Sheikh, 1983).


Uma vez conhecido os valores de , valores desconhecidos de p em 1 podem ser obtidos
usando a Eq. (4.77) e valores desconhecidos de u em 2 podem ser recuperados usando a
Eq. (4.76). Esta equao tambm pode ser utilizada para obter os deslocamentos em pontos
internos e as tenses podem ser obtidas para qualquer ponto, pertencente ao contorno ou
no, usando a Eq. (4.79), onde *jki a soluo fundamental para tenses, dada na
Eq. (4.80). Observa-se que para obter as tenses, mesmo para pontos no contorno, no
requer a aplicao de nenhuma tcnica especial. Os coeficientes so os mesmos das Eqs.
(4.76-77, 4.80).
80

*
*
11 ( x) = [ 111
( a , x) a + 112
( a , x) a + N ]

a =1

*
*
12 ( x) = [ 121
( a , x) a + 122
( a , x) a + N ]

(4.79)

a =1

*
*
22 ( x) = [ 221
( a , x) a + 222
( a , x) a + N ]

a =1

*jki =

1
{(1 2 ) (r , k ij + r , j ik ) + 2 r ,i r , j r , k }
4 (1 )r

(4.80)

Para escrever as Eqs. (4.76-77,4.79) necessita-se definir os pontos singulares fora do


domnio do problema. Aqui a superfcie fictcia vai ser considerada como sendo um
crculo, e nos exemplos numricos, uma considerao especial dada para a definio do
seu raio.
4.3.4.2 Combinando o Mtodo da Reciprocidade Dual com Mtodo das Solues
Fundamentais

Considere um problema elstico linear, com foras de corpo, governado pela equao de
Navier, Eq. (4.81). Os termos de foras de corpo so termos no homogneos, no levados
em conta pela soluo fundamental

Gu j ,kk +

G
u k ,kj + b j = 0
(1 2 )

(4.81)

As solues fundamentais para deslocamentos e traes de superfcie, referente a parte


homognea da Eq. (4.81), so dadas nas Eqs. (4.74-75), respectivamente, para estados
planos de deformao, onde r = r ( x, ) .
Consideremos um domnio com contorno contido dentro de uma superfcie fictcia
circular S, como mostrado na Fig. 4.9. Considere um ponto de coordenada (x), pertencente
ao contorno 1, tendo uma condio de contorno ui = ui . Pode-se escrever, (Patterson e
Sheikh, 1983; Redekop e Thompson, 1983)

81

ui ui = u1*i ( a , x) a + u2*i ( a , x) a + N

(4.82)

a =1

onde u1*i e u2*i so as solues fundamentais, dadas na Eq. (4.74) e a coeficientes


inicialmente desconhecidos. ui uma soluo particular para a fora de corpo bi, na
Eq. (4.75), a ser considerado mais adiante, N o nmero de pontos em . Da mesma
forma, para outro ponto x pertencente a 2, tendo uma condio de contorno pi = pi ,
pode-se escrever:
N

pi p i = p1*i ( a , x) a + p2*i ( a , x) a + N

(4.83)

a =1

onde p 1*i e p2*i so solues fundamentais para traes de superfcie, Eq. (4.75), p i uma
soluo particular e a os mesmos coeficientes vistos na Eq. (4.82).
As solues particulares ui e p i podem ser aproximadas usando o DRM como segue. Para
uma funo de aproximao f predeterminada, obtm-se solues particulares U mk de tal
forma que:
GU mkj ,ll +

G
U lkj ,lm = f j mk
(1 2 )

(4.84)

As foras de corpo bl so aproximadas por:


M

bli = f ij l j

(4.85)

j =1

onde i um conjunto de coeficientes inicialmente desconhecidos, sendo i i e, j so


pontos de colocao que podem pertencer tanto ao contorno como ao interior , num
total de M. Conhecendo os valores bi, obtm-se os coeficientes i fazendo:

i = F 1bi

(4.86)

Observa-se que cada direo independente. Escrevendo a equao de Navier usando o


operador L:
82

L(u l ) = Gu l ,kk +

G
u k ,kl
(1 2 )

(4.87)

obtm-se:

(4.88)

L(u l ) = bl
ento:
M

j =1

j =1

L(u li ) = bli f ij l j = L U lkij kj

(4.89)

Considerando o primeiro e ltimo termo da Eq. (4.89):


M

uli = U lkij kj

(4.90)

j =1

Da mesma forma, p i na Eq. (4.91) pode ser obtido usando:


M

p li = Plkij kj

(4.91)

j =1

Um procedimento para calcular P a partir de U dado em Partridge, Brebbia e


Wrobel (1992). Desta forma, as solues particulares para as incgnitas u e p podem ser
obtidas a partir das solues particulares para as funes de aproximao, U e P , e ento
podemos obter a seguinte equao matricial usando as Eqs. (4.74-75),

(4.92)

A = y

onde A uma matriz de dimenso 2Nx2N. Uma vez obtida a soluo para , pode-se
calcular valores desconhecidos de ui, tanto no contorno 2 quanto no interior, usando:
N

ui = u1*i ( a , x) a + u2*i ( a , x) a + N + ui
a =1

e, valores de pi em 1 usando:

83

(4.93)

pi = p1*i ( a , x) a + p2*i ( a , x) a + N + p i

(4.94)

a =1

Valores de tenses, tanto para pontos no contorno quanto para pontos no interior ,
podem ser obtidos usando:
N

*
*
11 ( x) = [ 111
( a , x) a + 112
( a , x) a + N ] + 11

a =1

*
*
12 ( x) = [ 121
( a , x) a + 122
( a , x) a + N ] + 12

(4.95)

a =1

*
*
22 ( x) = [ 221
( a , x) a + 222
( a , x) a + N ] + 22

a =1

onde, Brebbia e Dominguez (1989),

*jki =

1
{(1 2 ) (r ,k ij + r , j ik ) + 2 r,i r , j r ,k }
4 (1 )r

(4.96)

As solues particulares para tenses ij , so obtidas de maneira anloga s solues


particulares para deslocamentos e traes, ul e p l , Eqs. (4.90-91). Primeiro obtm-se D jki
, sendo que:
Pki = D jki n j

(4.97)

ki = D jki j

(4.98)

e depois calcula-se ki :

Para modelar as foras de corpo com Reciprocidade Dual as funes de aproximao


Polyharmonic Splines ( f = r 2 n log r ) , foram empregadas. No caso de n = 2, obtm-se a
TPS (Thin Plate Spline), para a qual as solues particulares U lk e Plk foram obtidas por
Bridges e Wrobel (1996). No caso geral em 2D, para f = r 2 n log r lk , para n = 2,4,6...,
obtm-se:

84

(n + 2)(n + 4)[2n(1 ) + (7 8 ]log r


( n + 2)
r

lk
2
U lk =

3
2 + (3n + 10) 4( n + 4) (1 )
2G (1 )(n + 2) (n + 4)
+ (n + 2){2(n + 3) (n + 2)(n + 4) log r}r r
l k

2(n + 2)(n + 4)[n(1 ) + (3 + 4 )] log r r

lk + rk nl

+ [(5n + 16) (n 4){2n(1 ) + (9 8 )}] n


( n +1)

r
r
+
Plk =
+ 2[2n(n + 3) (n + 2)(n + 4){n log r + 1}] rl rk

2
2
n
2(1 )(n + 2) (n + 4)

2[2(n + 3) (n + 2(n + 4) log r ] +

r
r
l k
2

2(n + 4) {(n + 2) log r 1}

(4.99)

(4.100)

Na ausncia de uma forma bvia de distribuir os pontos na esfera, adotou-se um mtodo de


tentativas, a partir do nmero de pontos fictcios necessrios, visando obter a distribuio
mais uniforme possvel. Como no caso em 2D, considerou-se que o nmero de pontos na
esfera fictcia fosse o nmero de pontos no contorno do problema a ser resolvido
(Medeiros, 2005).

Figura 4.10 Esfera de pontos fictcios (Partridge e Sansale, 2000).


As solues fundamentais, para deslocamento e fora de superfcie, para a equao de
Navier em 3D so dadas em Brebbia et al (1984). As solues particulares para as funes
a serem acrescidas, tanto as polinomiais quantos as sinusoidais, so dadas adiante, junto
com as solues particulares tridimensionais empregadas.
Alguns resultados para as expresses das solues particulares P podem ser encontrados
em Brebbia e Dominguez, (1989) e Bridges e Wrobel (1996). O procedimento para obter
P a partir de U pode ser encontrado em Partridge, Brebbia e Wrobel (1992).

85

Solues Particulares Empregadas em 2D


Para f lk = lk , isto , f = 1:

U lk =

r2
{(7 8 ) lk 2r , l r , k }
32(1 )G

(4.101)

U lk =

1l 1k

x m+ 2
lk

G (m + 2)(m + 1)
2(1 )

(4.102)

neste caso, r = xi2 + y i2 .


Para termos do tipo xm:

solues para os termos ym podem ser obtidas trocando x por y e os ndices 1 por 2.
Para o termo xy:

)
{(

x 3 y + y 3 x lk
1
U lk =
1
4 x 3 y 1l 1k + y 3 x 2l 2 k + ( x 4 + y 4 ) 1l 2 k + 2l 1k
12
8(1 )

(4.103)

Para o termo x2y:

1 4
1
U lk =
x y lk
5 x 4 y 1l 1k + x 5 [ 1l 2 k + 2l 1k ]

12
10(1 )

(4.104)

a expresso para y2x obtida trocando x por y e os ndices 1 por 2, e vice-versa, em ambos
os casos.
Para os termos em sen(mx):


sen(mx)
lk 1l lk
U lk =
2
2(1 )
m G

(4.105)

solues para os termos sen(my) podem ser obtidas trocando x por y e os ndices 1 por 2.
Para o termo em sen(x).sen(y):

86

U lk =

1
{(3 4 )sen( x) sen( y) lk cos( x) cos( y)[ 1l 2k + 2l 1k ]}
8(1 )G

(4.106)

neste caso, no se emprega o termo 1, pois sen(0) = 0.

Solues Particulares Empregadas em 3D


Para f lk = lk , isto , f = 1:

U lk =

r2
{(9 10 ) lk 2r , l r, k }
60G (1 )

(4.107)

Para termos do tipo xm:


Neste caso, a mesma relao apresentada para 2D vlida. As expresses para ym e zm
podem ser obtidas fazendo-se as devidas permutas, como j explicado anteriormente.
Para a funo r 2 log r :

U lk =

r4
[140(13 14 ) log r lk + (882 799) lk 16(35 log r 12)r ,l r ,k ] (4.108)
39200

87

5 RESULTADOS OBTIDOS
5.1 MNIMO PESO
5.1.1 Algoritmos Genticos
Para estruturas reticuladas que tm seo transversal uniforme, a sua otimizao pode ser
colocada da seguinte forma: encontre o conjunto de reas Ai = {A1, A2, ..., An} que
minimize o peso da estrutura:
n

f ( x ) = f ( Ai ) = W = Ai Li

(5.1)

i =1

sujeito s restries de tenses e deslocamentos (Equaes 5.2 e 5.3 respectivamente) para


todos os graus de liberdade da estrutura.

i
1 0
mx
di
d mx

(5.2)

(5.3)

1 0

Os dois problemas a seguir otimizam o peso com restries tenso e ao deslocamento


combinados com base nas sees comerciais disponveis. O primeiro uma trelia
tradicional e o segundo problema uma estrutura real, uma edificao industrial,
compostas por elementos de trelia e prtico.
Cada problema resolvido trs vezes, uma para cada funo de penalizao escolhida da
seo (Eq. 4.5 - esttica, Eq. 4.7 - dinmica e Eq. 4.8 - adaptativa). Sendo reescritas da
seguinte forma, respectivamente:
l

FO( Ai ) = f ( Ai ) +
1=1

ij

. f j ( Ai )

FO( Ai ) = f ( Ai ) + (C.t ) . S j ( Ai )

j =1

88

(5.4)

j =1

(5.5)

FO ( Ai ) = F ( x) = f ( x) + Ri
j =1 i =1

1
S j ( xi )

(5.6)

Foi utilizada a mesma populao inicial em cada problema respectivamente e utilizado o


MEF para a anlise da estrutura.
estrutura
5.1.1.1 Trelia de 10 Barras

Figura 5.1 Trelia de 10 barras.


A Tabela 5.1 mostra os parmetros da trelia. As restries so consideradas em todos os
menbros. As seces tranversais so da AISC American Institute of Steel Construction,
Construction
com 42 opes, conforme Tabela 5.2.
Tabela 5.1 Parmetros da Trelia.

Material
Mdulo de Young (E)
Densidade ()
Carga (P)
Tenso admissvel (mx)
Deslocamento nodal admissvel (dmx)

Valor
107 Psi
0,1 lbm/in
100.000 lbs
25.000 Psi
2,0 in

Tabela 5.2 Sees comerciais do AISC.


Sees Comerciais (in)
1,62 1,80 1,99 2,13 2,38 2,62 2,63 2,88 2,93 3,09 3,13 3,38 3,47 3,55
3,63 3,84 3,87 3,88 4,18 4,22 4,49 4,59 4,80 4,97 5,12 5,74 7,22 7,97
11,5 13,5 13,9 14,2 15,5 16,0 16,9 18,8 19,9 22,0 22,9 26,5 30,0 33,5

89

Usando a Equao 3.1, uma cadeia binria com seis bits (l = 6) necessria para cada
varivel de projeto, perfazendo um total de 64 variveis ( nv = 64 ).Como artifcio, as 22
primeiras variveis sero alocadas no vetor duas vezes, ou seja, as sees de 1,62 a 4,59
sero dispostas na seguinte forma por exemplo, S = {1,62; 1,62; 1,80; 1,80, e etc}. A partir
da temos ento um cromossomo de comprimento lt = 60. Os outros parmetros partem
das equaes 3.5 e 3.6. A Tabela 5.3 mostra a parametrizao para este problema.
Tabela 5.3 Parmetros do AG.

Parmetros
Populao (npop)

80

Probabilidade de mutao (pm)

0,02

Para o caso de variveis discretas no h tantos resultados na literatura. As Tabelas 5.4 e


5.5 mostram os resultados obtidos e a sua comparao com os da literatura.
Tabela 5.4 Comparao dos resultados da literatura e o presente trabalho (Peso, Tenso e
deslocamento).

Referncia

Presente Trabalho Penalidade adaptativa


Lemonge and Barbosa (2004)
Presente Trabalho Penalidade dinmica
Presente Trabalho Penalidade esttica
Ghasemi and Hinton (1997)
Galante (1996)

(lb)

5490,73
5490,73
5491,71
5491,71
5493,36
5458,33

uy1 (in)

uy2 (in)

-1,96
-1,96
-1,96
-1,96
-1,96
-1,97

-1,99
-1,99
-1,99
-1,99
-2,00
-2,01

5 (Ksi)
14,20
14,20
13,85
13,85
14,01
14,35

Tabela 5.5 Comparao dos resultados da literatura e o presente trabalho (Peso e reas
das sees transversais).

Sees Comerciais (in )


W (lb)
5490,73
5490,73
5491,71
5491,71
5493,36
5458,33

1
22,9
22,9
22,9
22,9
22.0
22,0

2
14,2
14,2
15,5
15,5
13.9
14,2

3
33,5
33,5
33,5
33,5
33.5
33,5

4
1,62
1,62
1,62
1,62
1.62
1,62

5
22,9
22,9
22,0
22,0
22.9
22,9
90

6
1,62
1,62
1,62
1,62
1.62
1,62

7
7,97
7,97
7,97
7,97
7.97
7,97

8
22,0
22,0
22,0
22,0
22.9
22,0

9
1,62
1,62
1,62
1,62
1.62
1,62

10
1,62
1,62
1,62
1,62
1.62
1,62

O nmero de geraes necessrias at a convergncia diminuiu ao longo do processo


evolutivo em funo do tipo de penalidade adotada, como pode ser visto na Fig. 5.2.

Figura 5.2 Pesos obtidos utilizando diferentes funes de penalizao.


5.1.1.2 Edifcio Industrial de 33 Barras
Para este prtico de 33 barras (Figura 5.3), as sees transversais das barras so as
variveis de projeto, e tm a caracterstica de todas as 33 sees transversais serem
agrupadas como na Tabela 5.6.
Tabela 5.6 Grupos e tipos de sees comerciais (Prtico de 33 barras)

Grupos de sees transversais


(Ai)

Tipo de Perfil

A1 = A26
A2 = A25
A3 = A27
A4 = A29 = A31 = A33
A5 = A28 = A30 = A32
A6 = A7 = A23 = A24
A8 = A9 = A10 = A11
A12 = A13 = A14 = A15
A16 = A22
A17 = A21
A18 = A20
A19

W
W
W
W
W
W
WT
WT
L
L
L
L

91

Figura 5.3 Edifcio Industrial.


Tabela 5.7 Conjunto de sees transversais disponveis do AISC

2,51

2,68

Sees Comerciais W (in)


2,96
3,55
3,83
3,84

4,45

4,71

4,72

4,74

5,26

5,56

5,57

5,89

6,16

6,48

6,49

6,50

7,08

7,36

7,61

7,65

7,68

7,69

8,24

8,79

8,84

8,85

9,12

9,13

9,71

10,00

10,30

10,31

10,32

10,60

11,20

11,50

11,70

11,71

11,80

11,81

12,60

13,10

13,30

13,31

13,50

14,10

14,11

14,12

14,40

14,60

14,70

14,71

15,60

15,61

15,80

15,81

16,20

16,21

16,30

16,31

1,25

1,34

Sees Comerciais WT (in)


1,48
1,77
1,78
1,91

1,92

2,08

2,21

2,22

2,23

2,50

2,63

2,78

0,49

0,72

Sees Comerciais L (in)


0,82
0,90
0,92
0,95

1,00

1,07

1,09

1,16

1,19

1,20

1,32

1,37

1,44

1,46

1,48

1,56

1,63

1,73

1,75

1,78

1,93

2,11

2,22

2,25

2,26

2,43

2,51

2,75

2,86

2,99

2,35

2,36

92

4,16

4,44

So trs tipos de sees transversais escolhidas e disponveis do AISC, conforme


Tabela 5.6. Temos 64 para a seo W (perfil em forma de I), 16 para a seo WT (perfil
em forma de T) e 32 para a seo L (cantoneira de abas desiguais).
Codificou-se o cromossomo com o uso da Equao 3.11. As 112 sees transversais e os
seus respectivos momentos de inrcia sero armazenas em trs vetores e com o
mapeamento das solues relacionamos as variveis de projeto com os mesmos. Ento
teremos:
2 l = nv

2 l = nv

2 l = nv

2 l = 64

2 l = 16

2 l = 32

l=6

l=4

l=5

Temos seis variveis de projeto com sees W, duas com seo WT e quatro com seo L.
Portanto temos um cromossomo de comprimento lt = 64.
Tabela 5.8 Propriedades do material e restries (Prtico de 33 barras)
Propriedades

Valores

Mdulo de Young (E)

3 x 104 Ksi

Densidade ()

0,283 lb/in

Tenso Limite (mx)

36,0 Ksi

Deslocamento Limite (dmx)

1,5 in
100,0 Kips

Carga (P)
Carga (M)

700,0 Kips.in

Tabela 5.9 Parmetros para o prtico de 33 barras (AG)

Parmetros
Populao (npop)

100

Probabilidade de mutao (pm)

0,01

Como no problema anterior, o nmero de geraes necessrias at a convergncia


diminuiu ao longo do processo evolutivo em funo do tipo de penalidade adotada, como
pode ser visto na Fig. 5.4.

93

Figura 5.4 Pesos obtidos utilizando diferentes funes de penalizao.


Tabela 5.10 Comparao dos resultados da literatura e o presente trabalho (Peso e reas
das sees transversais).
Erbatur (1999)

Cross-sectional areas
(Ai)

A1 = A26
A2 = A25
A3 = A27
A4 = A29 = A31 = A33
A5 = A28 = A30 = A32
A6 = A7 = A23 = A24
A8 = A9 = A10 = A11
A12 = A13 = A14 = A15
A16 = A22
A17 = A21
A18 = A20
A19
Peso Total (lb)

Shape

Areas

(AISC)

(mm x 10)

W16x36
W21x57
W6x16
W21x44
W6x12
W14x26
WT3x4,5
WT3x4,5
L3x2x3/16
L3x2,5x3/16
L3x2x3/16
L3x2x3/8
8693,21

10,60
16,70
4,74
13,00
3,55
7,69
1,34
1,34
1,80
1,99
1,62
3,47

Presentee Trabalho Todas


as funes de penalizao
Shape
Area

(AISC)

(mm x 10)

W8x35
W24x55
W6x16
W14x48
W8x10
W8x28
WT3x4,5
WT3x4,5
L3x2,5x3/8
L3x3x3/8
L3x2,5x5/16
L6x4x5/16
8711,15

10,30
16,30
4,74
14,10
2,96
8,24
1,34
1,34
1,93
2,11
1,63
2,99

5.1.1.3 Concluses
Como pode ser notado, a funo de penalizao
penali
adaptativa demonstra ganhos potenciais de
desempenho se comparado com os outros dois. A funo objetivo comporta-se
comporta
melhor e

94

eficientemente quando adicionado informaes do processo evolucionrio, como a iterao


e as solues factveis.

5.1.2 Redes Neurais


A proposta de interao do Algoritmo Gentico com a Rede Neural Artificial consiste num
procedimento para tornar o processo de otimizao estrutural menos custoso
computacionalmente, uma vez que para todos os indivduos de uma populao deve ser
feita uma anlise estrutural via elementos finitos ou outra formulao matemtica.
A interao se deu com a substituio da rotina de anlise estrutural pela Rede Neural
treinada para fazer a anlise estrutural. A metodologia adotada foi a simples substituio de
uma rotina pela outra, pois todas as informaes fornecidas pela rotina de anlise tambm
podem ser fornecidas pela Rede Neural. Algumas poucas alteraes foram necessrias para
a adaptao ao novo modelo.
A utilizao da Rede Neural substituindo a rotina de anlise necessita que a rede esteja
treinada para responder, de forma aceitvel, aos estmulos apresentados a ela. No processo
de treinamento foram utilizadas as reas do espao de busca, com as devidas sadas
esperadas (tenso mxima e deslocamento mximo).
5.1.2.1 Treinamento
A rede utilizada do tipo Multi-layer, feedforward com aprendizado por retropropagao
do erro, com quatro camadas, sendo uma de entrada, uma de sada e duas ocultas. A
camada de entrada possui trs neurnios, a primeira e a segunda camadas ocultas possuem
dez neurnios e a camada de sada possui dois neurnios, como pode ser visto na Fig. 5.5.

Figura 5.5 Topologia da RNA adotada.


95

Nesta primeira fase foram utilizadas as estruturas reticuladas da subseo anterior. Devido
ao grande nmero de barras, tanto da trelia, quanto no prtico, as barras foram agrupadas
com o objetivo de reduzir o nmero de variveis de entrada.
O Algoritmo Gentico utiliza como entrada para a otimizao as reas, as tenses e o
deslocamento. Como o nmero de informaes muito grande e o que realmente importa
so o deslocamento mximo e a tenso mxima, visto que as restries do problema de
otimizao so os deslocamentos e as tenses, foi feita uma pr-anlise estrutural para
descobrir os pontos crticos de mxima tenso e mximo deslocamento. Uma vez que
atendidas as restries nos pontos crticos pode-se afirmar que toda a estrutura respeitaria
as restries.
A pr-anlise foi realizada da seguinte forma: foram gerados aleatoriamente vrios
conjuntos de reas comerciais (AISC); essas reas foram utilizadas como parmetro de
entrada para o programa de anlise estrutural; e como sada registrou-se, para cada
conjunto de reas, quais eram os pontos crticos da estrutura. Dentre os pontos crticos,
escolheu-se os pontos com maior freqncia para mxima tenso ou mximo
deslocamento, respectivamente, para elementos e ns.
No processo de treinamento foram utilizados conjuntos entrada/sada escolhidos
aleatoriamente dentro do espao de busca. O procedimento de treinamento se repetiu vrias
vezes at que o erro mdio atingisse um valor aceitvel. O menor erro mdio obtido foi
0.029, ou seja 2,9%, conforme notado nas Figura 5.6 e Figura 5.7.
O processo de aprendizagem muito demorado, principalmente quando se faz a validao.
Para o treinamento com validao do treinamento, no caso da trelia foram necessrios 9
dias e 17 minutos e com o prtico 14 dias e 43 minutos. Sem a validao o primeiro e o
segundo caso tiveram uma melhora significativa, 4 horas e 1 dia respectivamente, no
entanto o menor erro mdio obtido foi 0.10, ou seja 10%.
Com a rede j treinada para a anlise estrutural, passou-se a utiliz-la como ferramenta de
anlise estrutural em substituio rotina baseada em elementos finitos, Figura 5.8. Neste
momento a RNA substitui o MEF nas avaliaes das estruturas. Cada execuo na rotina
em Fortran gera informaes que so armazenadas em um arquivo compartilhado,
gerenciado via mdulo JDBC (Java Data Base Conection) que por sua vez alimentado no

96

JOONE e aps a avaliao devolvido. Este processo se d at a convergncia do


algoritmo.

Figura 5.6 Treinamento com validao para a trelia de 10 Barras.

Figura 5.7 Treinamento com validao para o Edifcio Industrial de 33 Barras.


97

Figura 5.8 Utilizao da RNA com a rotina em Fortran.


Por se tratar de variveis discretas, qualquer mudana nas reas significa uma estrutura
invivel. Pela comparao entre os resultados obtidos com a Rede Neural e pelo algoritmo
de anlise via elementos finitos, apresentado nas tabelas 5.4 e 5.10, conclui-se que a Rede
Neural pode ser utilizada como uma ferramenta de anlise estrutural. Uma vez que no
houve erro para os deslocamentos e esforos, respectivamente.
A Tabela 5.11 mostra o nmero de geraes necessrias at a convergncia em
comparao com as Figuras 5.2 e 5.4:
Tabela 5.11 Comparao dos resultados AG+MEF e AG+RNA (Geraes).

Estrutura

Anlise

Trelia
Trelia
Prtico
Prtico

MEF
RNA
MEF
RNA

Funo de
Penalizao
Esttica
2954
324
11689
2103

Funo de
Penalizao
Dinmica
2205
213
6437
515

Funo de
Penalizao
Adaptativa
2004
142
5161
379

As Figuras 5.9 e 5.10 mostram graficamente o ganho na utilizao das RNAs em


detrimento do MEF.

98

Figura 5.9 Pesos obtidos utilizando diferentes funes de penalizao.

Figura 5.10 Pesos obtidos utilizando diferentes


diferentes funes de penalizao.
5.1.2.2 Concluses
A utilizao da Rede Neural em substituio ao programa de anlise estrutural via
elementos finitos mostrou--se bem eficiente,, principalmente para o mais complexo,
complexo uma
vez que as redes conseguiram aprender e generalizar as caractersticas (tenso e
deslocamentos nos pontos crticos) dos sistemas estruturais estudados (trelia e prtico),
conforme
orme apresentado nas tabelas 5.11.
5.11

99

5.2 ELEMENTOS DE CONTORNO


Para o exemplo a seguir considera-se um problema de elasticidade linear 2D sem foras de
corpo. Uma viga em balano submetida a um carregamento uniformemente distribudo,
conforme Figura 5.11. Considera-se que est no estado plano de tenses, com os seguintes
parmetros qy = 300 N/mm, t = 1mm, E = 207000 MPa, = 0,3 e a M = 1257,6 x 10-6 kg.
Pretende-se otimizar a estrutura de forma a obter uma reduo de massa de forma a no
ultrapassar o limite material que 1/4 de M, ou seja, Ml = 314.4 x 10-6 kg e sua mx=
10 Kpa.

Figura 5.11 Viga em balano submetida a um carregamento uniformemente distribudo.


Utilizou-se uma funo aptido incorporada a uma funo de penalizao, transformando o
problema com restries em um problema sem restries (Equao 4.6).
A sua utilizao gera uma forma eficaz de se tratar as restries, alm de proporcionar que
solues prximas as factveis podem ser utilizadas no processo de seleo e fornecer uma
parte do seu material gentico para a prxima gerao.
A parcela penal (Massa) definida para o problema mencionado conforme Equao (5.13).
F ( x ) = f ( x ) + penal ( x) = Massa + penal ( M l )

Massa i

F ( M i ) = Massa i +
1 +
1
i Massa max
i max

(5.7)

= 10000

(5.8)

Codificamos o cromossomo com o uso da Equao 3.1. Escolheu-se o espao de busca no


intervalo [0,16;0,10] que so as dimenses da estrutura e uma preciso de 4 casas
decimais, assim:

100

l x > 7,51 e l y > 7,25


Com isso lt = 16. A Tabela 5.12 mostra a parametrizao para este problema.
Tabela 5.12 Parmetros para a viga.
Parmetros
Populao (npop)

50

Probabilidade de mutao (pm)


Critrio de parada

0.02
95% dos cromossomos serem iguais

Aqui foi utilizado o Mtodo dos Elemento de Contorno (MEC) na avaliao da estrutura.
A Equao governante a considerada no captulo anterior. Os elementos de contorno
utilizado o linear, tambm mostrado.
A montagem do contorno de forma aleatria e controlada, cada gerao proporciona um
conjunto de cromossosos que formam um possvel contorno. So predefinidos pontos de
controle na estrutura (como um grid). Inicialmente cada ponto do grid ocupado por um
elemento de contorno e eles so dispostos de forma a no se cruzarem, havendo
cruzamento o elemento desprezado. A cada gerao os novos cromossomos so impostos
a uma nova configurao tendendo a diminuir sua forma em virtude da sua funo
objetivo..
Tabela 5.13 Soluo para diferentes pontos de controle (Penalizao Esttica).
N. de pontos de Controle
12
21
29
35
51
69
81
117

Preciso Gerao
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100

M (kg)
614,32 x10-6
413,8 9x10-6
374,42 x10-6
315,67 x10-6
315,85 x10-6
315,26 x10-6
315,26 x10-6
315,26 x10-6

uy (mm)
0,375
0,348
0,244
0,322
0,359
0,159
0,159
0,159

Ainda no mesmo problema agora se faz a anlise com as funes de penalizao dinmica
e adaptativas. O resultados so mostrados nas Tabelas 5.14 e 5.15.

101

Tabela 5.14 Soluo para diferentes pontos de controle (Penalizao dinmica).


N. de pontos de Controle
12
21
29
35
51
69
81
117

Preciso Gerao
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100

M (kg)
514,32 x10-6
433,89 x10-6
324,47 x10-6
315,67 x10-6
315,85 x10-6
315,26 x10-6
315,26 x10-6
315,26 x10-6

uy (mm)
0,245
0,328
0,244
0,322
0,259
0,159
0,159
0,159

Tabela 5.15 Soluo para diferentes pontos de controle (Penalizao adaptativa).


N. de pontos de Controle
12
21
29
35
51
69
81
117

Preciso Gerao
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100

M (kg)
393,8 9x10-6
374,12 x10-6
315,16 x10-6
315,16 x10-6
315,16 x10-6
315,16 x10-6
315,26 x10-6
315,16 x10-6

uy (mm)
0,218
0,239
0,190
0,189
0,189
0,189
0,189
0,189

Nota-se neste exemplo que a quantidade de pontos de controle e o tipo de funo de


penalizao influencia diretamente na obteno das novas configuraes.

Figura 5.12 Gerao 1, com doze pontos de controle, penalizao esttica.

102

Figura 5.13 Gerao 55 com doze pontos de controle, penalizao esttica.

Figura 5.14 Gerao 100, com doze pontos de controle, penalizao esttica.

Figura 5.15 Gerao 100, com 35, 51, 69, 81 e 117 pontos de controle.

5.3 SOLUES FUNDAMENTAIS


Para os exemplos a seguir se considera alguns problemas de elasticidade linear 2D sem
foras de corpo e 2D/3D com foras de corpo devido a cargas gravitacionais, centrfugas e
trmicas. A parte homognea da equao de Navier modelada com MSF, empregando o
crculo de pontos fictcios proposto por Bogomolny e, os termos no homogneos so
103

modelados usando o DRM, empregando a funo de aproximao Polyharmonic Spline,


acrescida de termos de at 3 ordem, conforme a natureza das cargas a serem aproximadas,
Partridge e Sensale (1997).
A otimizao obtida por meio da minimizao da funo objetivo, que para os exemplos
considerados, est em termos do raio fictcio (Medeiros et al, 2007).
Neste trabalho utilizado o AG com codificao binria como detalhado no captulo 3.
O critrio de convergncia foi estabelecido para a ocorrncia de 80% de indivduos iguais
na mesma gerao. A populao foi calculada em 20 e 50 indivduos, conforme sugerido
em Khan (2002). Um mximo de 200 geraes foi estipulado para o processo de evoluo.
Caso o processo no convergir at a gerao 160, a funo de aptido que linear passa a
ser exponencial, se chegar at a ltima gerao o processo evolutivo interrompido e o
algoritmo retornar a melhor resposta. O processo de elitismo foi utilizado para que os dois
melhores indivduos de uma gerao passem automaticamente prxima, assegurando que
a melhor soluo na gerao anterior no seja perdida.
Os operadores genticos so aplicados aps a seleo dos indivduos pelo mtodo da roleta
(Goldberg, 1989). Cruzamentos de trs at seis pontos foram utilizados entre os pares de
cromossomos selecionados, sendo 1 ou 2 por alelo. Todos os bits de todos os
cromossomos, com exceo do primeiro e segundo, foram submetidos mutao com uma
probabilidade de 2%.

5.3.1 Elasticidade Linear 2D


Dois exemplos de elasticidade linear sem foras de corpo so considerados, empregando
condies mistas de contorno Neumann-Dirichlet.
5.3.1.1 Viga em Balano
Neste exemplo, considera-se um problema de estado plano de tenses de uma viga em
balano, de comprimento L = 20 m, com carga na extremidade de P = 4. Os parmetros
elsticos so E = 200 e = 0.25. Para simular a carga concentrada, considerou-se uma
carga distribuda parablica,

Py =

3
4 y2
8
104

(5.9)

P=4

Y
h = 4.00 m

L = 20 m

Figura 5.16 Viga em Balano


sobre a extremidade da viga, de tal forma que em x = L e y = 0 a flecha mxima terica
dada por Flecha = 10.375, (Timoshenko e Goodier, 1970).
Foram empregados 30 pontos no contorno, sendo 5 nos lados verticais e 10 nos lados
horizontais, considerando pontos duplos nos cantos.
Medeiros (2005) estabeleceu que existe uma dependncia entre o valor do raio do crculo
de pontos fictcios e os resultados.

Para obter solues melhores Medeiros (2005)

empregou o SVD, Singular Value Decomposition, Press et al (1986), por comporta-se


melhor devido natureza quase singular da matriz A na Eq. 4.37 na medida que o raio do
crculo de pontos fictcios cresce.
Uma vez que os resultados oscilaram em torno da soluo exata, optou-se por calcular uma
mdia para valores da flecha em diferentes intervalos do raio do crculo. A flecha foi
obtida para valores do raio de 50 a 30000, com incrementos de 50, e uma mdia destes
valores foi calculada para cada intervalo do raio, igual a 5000, conforme apresentados na
Tabela 5.16.
Tabela 5.16 Soluo para diferentes valores do raio (SVD), Medeiros (2005).
Intervalo
50-5000
5000-10000
10000-15000
15000-20000
20000-25000
25000-30000

Flecha
10.085
10.301
10.209
10.377
10.285
10.377

105

Como pode-se perceber, a obteno da flecha em funo do raio fictcio apresenta um


comportamento sensvel a preciso dos valores dos raios utilizados. Apresentando assim
vrias possibilidades de obteno da flecha.
Portanto este problema pode ser colocado da seguinte forma: encontre o raio fictcio R que
determine a flecha mxima terica da estrutura:

f ( x ) = f (R ) = Flecha

(5.10)

Sujeito restrio do deslocamento vertical (Equaes 5.2 e 5.3 respectivamente) sobre o


bordo da viga.
Flecha i
Flecha EXATA

(5.11)

1 0

Para os dois problemas que sero apresentados a seguir, utilizou-se uma funo aptido
incorporada a uma funo de penalizao, transformando o problema com restries em
um problema sem restries (Equao 4.6).
A sua utilizao gera uma forma eficaz de se tratar as restries, alm de proporcionar que
solues prximas as factveis podem ser utilizadas no processo de seleo e fornecer uma
parte do seu material gentico para a prxima gerao.
A parcela penal (Flecha) definida para os problemas mencionados conforme Equao
(5.12).

F ( x ) = f ( x ) + penal( x) = Flecha + penal( Flecha)


Flecha i

F ( Ri ) = Flechai +
1
i Flecha max

onde = 10000

(5.12)

(5.13)

Codificamos o cromossomo com o uso da Equao 3.1. Escolheu-se o espao de busca no


intervalo [0;500] e uma preciso de 4 casas decimais, assim:

l > 22 .22
Com isso l = 23. A Tabela 5.17 mostra a parametrizao para este problema.

106

Tabela 5.17 Parmetros para a viga.


Parmetros
Populao (npop)

46

Probabilidade de mutao (pm)


Critrio de parada

0.02
95% dos cromossomos serem iguais

Tabela 5.18 Soluo para diferentes valores do raio (AG)


Tentativa Preciso
1
0.0001
2
0.00001

Gerao
27
17

Raio
246.3977
360.84601

Flecha
10.3754
10.37500

A melhor soluo foi obtida quando adotou-se uma preciso maior, ou seja 5 casas
decimais, chegando-se a flecha mxima terica.
Nota-se neste exemplo que a preciso interfere diretamente na obteno da flecha.
5.3.1.2 Cilindro
Aqui se considerou um cilindro sob presso interna como mostrado na Fig. 5.17.
Considera-se um quarto do problema aproveitando a natureza axissimtrica da geometria.

P = 20

Figura 5.17 Cilindro sob presso interna (esquerda) e Sub-regies empregadas (direita).
Os parmetros elsticos considerados foram E = 210 e = 0.3. A soluo exata dada em
(Timoshenko e Goodier, 1970).

107

r =

a2 P b2
1
(b 2 a 2 ) r 2

(5.14)

a2 P b2
1 +
(b 2 a 2 ) r 2

(5.15)

ur =

r
[ r ]
E

(5.16)

onde a o raio interno considerado como sendo 10, b o raio externo tomado como 20, P
a presso interna, tomada como 20 e r a distncia da origem at o ponto em
considerao.
O problema foi resolvido usando o MSF com sub-regies, que levam a uma matriz em
banda de blocos na mesma maneira que em MEC, Partridge e Sensale (2000). Quatro subregies foram empregadas, cada uma com 18 pontos, como mostrado na Fig. 5.17.
Resultados para raio do crculo fictcio igual a 100, so dados na Tabela 5, para o contorno
x = 0. Os resultados encontrados foram aproximadamente constantes dentro da gama de
valores para o raio do crculo fictcio de 50 a 400. Para problemas usando sub-regies, um
crculo de pontos fictcios usado para cada sub-regio, tendo o mesmo nmero de pontos
que a sub-regio, neste caso 18, centrado nos respectivos baricentros.
Tabela 5.19 Parmetros para o cilindro.
Parmetros
Populao (npop)

46

Probabilidade de mutao (pm)

0.02

Critrio de parada

95% dos cromossomos serem iguais

Da mesma forma que no subitem anterior codificamos o cromossomo com o uso da


Equao 3.1. Escolheu-se o espao de busca no intervalo [0;500] e uma preciso de 4 casas
decimais, assim:

108

Tabela 5.20 Resultados para o cilindro (SVD), Medeiros (2005).


y
10.0
12.5
15.0
17.5
20.0

Exato
33.33
23.73
18.51
15.37
13.33

33.35
23.71
18.50
15.32
13.33

Exato
-20.00
-10.40
-5.18
-2.04
-0.00

-20.00
-10.37
-5.20
-2.01
-0.07

u
1.87
1.59
1.43
1.33
1.26

Exato
1.87
1.59
1.43
1.33
1.26

Este segundo problema pode ser colocado da seguinte forma: encontre o raio fictcio R que
determine as tenses radiais mximas da estrutura:

f ( x ) = f (R ) = r

(5.17)

Sujeito restrio das tenses e deslocamentos (Equaes 5.2 a 5.3 respectivamente) sobre
o cilindro.

i
EXATA

ri
rEXATA

ui
u EXATA

1 0

(5.18)

1 0

(5.19)

(5.20)

1 0

i
ri
ui

F ( Ri ) = ri +
1 +
1 +
1
i
rEXATA
u EXATA

EXATA
(5.21)

onde = 10000
A melhor soluo foi obtida quando adotou-se uma preciso maior, ou seja 5 casas
decimais,

chegando-se

as

tenses

deslocamentos

Goodier, 1970).
109

conforme

(Timoshenko

Tabela 5.21 Soluo para diferentes valores do raio (AG)


Preciso
0.00001

Gerao
21

Raio
217.37178

Tabela 5.22 Resultados para o cilindro (AG)


y
10.0
12.5
15.0
17.5
20.0

33.33
23.73
18.51
15.37
13.33

Exato
33.33
23.73
18.51
15.37
13.33

r
-20.00
-10.40
-5.18
-2.04
-0.00

Exato
-20.00
-10.40
-5.18
-2.04
-0.00

u
1.87
1.59
1.43
1.33
1.26

Exato
1.87
1.59
1.43
1.33
1.26

5.3.1.3 Concluses
A metodologia no apresentou deficincia em nenhum momento da otimizao, chegando
nos dois exemplos ao resultado esperado, a soluo exata. Sendo verificado que os
resultados oscilam consideravelmente em funo do raio e de sua preciso.

5.3.2 Elasticidade Linear 2D/3D com foras de corpo


Os exemplos aqui considerados, envolvendo cargas gravitacionais, centrfugas e trmicas,
foram anteriormente analisados por Medeiros e Partridge (2001) e Medeiros (2005). Todos
os exemplos empregam condies de contorno Neumann-Dirichlet e, para os problemas
em 2D, todos eles esto em estado plano de tenses.
Para os problemas que sero apresentados a seguir, utilizou-se uma funo aptido
incorporada a uma funo de penalizao, transformando o problema com restries em
um problema sem restries (Eq. 4.6). A parcela penal (x) definida para os problemas
mencionados conforme Eq. 5.22.

i
ui

F ( Ri ) = i +
1 +
1
i Exata
u Exata

onde = 10000

(5.22)

5.3.2.1 Problemas com Carga Gravitacional


Para a idealizao bidimensional usou-se a geometria mostrada na Fig. 5.18. Considerou-se
as constantes elsticas iguais a E = 10000 MPa e = 0.3, empregando bx = g = 1 e by = 0.
110

Foram usados 28 pontos no contorno e 7 pontos internos espaados uniformemente na


linha y = 0.
Y

1.00 m

2.00 m

Figura 5.18 Geometria para problema com Carga Gravitacional - 2D e 3D.


O mesmo caso foi abordado considerando as trs dimenses, empregando 146 pontos no
contorno, sendo 32 em cada face paralela a x e 9 em cada face paralela a z. Sete pontos
internos foram usados, como no caso bidimensional. Resultados so apresentados para
deslocamentos no ponto P, na Tabela 5.25, e para tenses sobre a linha OP, na Tabela 5.24.
A soluo exata, tanto para 2D como para 3D, ao longo de OP dado em Neves e
Brebbia (1991), por:

xx = g (l x)
ux =

g
2E

x(2l x)

(5.23)

onde l o comprimento da viga.


Este problema colocado conforme Eq. 5.22. Codificou-se o cromossomo com o uso da
Eq. 3.1. Escolheu-se o espao de busca no intervalo [0;500] e uma preciso de 4 casas
decimais, assim:

l > 22 , 22
Com isso l = 23.
A melhor soluo foi obtida quando se adotou uma preciso maior, ou seja, 5 casas
decimais, chegando-se as tenses e ao deslocamento conforme Tabela 5.23 e 5.24,
respectivamente.
111

Tabela 5.23 Convergncia para alguns valores do raio fictcio em funo da preciso
Caso
2D
2D
3D
3D

Tentativa
1
2
1
2

Preciso
0.0001
0.00001
0.0001
0.00001

Gerao
27
17
107
167

Raio
346.3077
460.84802
236.3077
334.94842

Os resultados MRM (i) e (ii) diferem em funo de constantes diferentes usadas na soluo
fundamental e foram retirados de Neves e Brebbia (1991), como tambm as solues
exatas. Os resultados usando DRBEM com ATPS foram obtidos por Partridge e Sensale
(1997).
Tabela 5.24 Tenses ao longo da linha OP para o problema gravitacional

Presente
trabalho

Partridge e
Medeiros (2001)

0.00
0.25
0.50
0.75
1.00
1.25
1.50
1.75
2.00

2D 3D
2.00
1.75
1.50
1.25
1.00
0.75
0.50
0.25
0.00

2D 3D
2.00
1.75
1.50
1.25
1.00
0.75
0.50
0.25
0.00

MRM
(i) 2D
2.009
1.753
1.492
1.237
0.986
0.738
0.491
0.244
0.000

(ii) 2D
2.036
1.774
1.512
1.255
1.003
0.752
0.501
0.251
0.000

Exato
2D 3D
2.00
1.75
1.50
1.25
1.00
0.75
0.50
0.25
0.00

Tabela 5.25 Deslocamentos no ponto P para o problema gravitacional


Modelo
Presente trabalho
Partridge e Medeiros
(2001)
MRM
DRBEM C/ ATPS
Soluo Exata

2D 3D
2D
3D
Soluo (i) 2D
Soluo (ii) 2D
2D
2D 3D

Deslocamento P
0.2000x10-3
0.2015x10-3
0.2028x10-3
0.2017x10-3
0.1988x10-3
0.2012x10-3
0.2000x10-3

Medeiros e Partridge (2001) adotaram no caso das solues em 2D, crculos de pontos
fictcios com raios de 10, 100 e 1000, e no caso das solues em 3D, esferas de pontos
fictcios com raios de 10, 100 e 1000. Para modelar o termo no homogneo usou-se a
112

funo de aproximao f = r 2 log r acrescida do termo constante 1. Os mesmos resultados


em 2D foram obtidos considerando as funes de aproximao f = r 4 log r e f = r 6 log r
acrescidas do termo 1. Neste caso, basta o termo acrescido para modelar a fora de corpo
constante, Partridge e Sensale (1997). Na soluo em 3D, empregou-se apenas a funo
f = r 2 log r acrescida do termo 1.
Analisando os resultados pode-se observar que a soluo para deslocamentos e para
tenses, ao longo da linha OP, coincidem com a soluo exata. Usou-se o algoritmo SVD,
Singular Value Decomposition, Press et al (1986), para resolver o sistema dado na
Eq. 4.49. Este procedimento se mostrou melhor que os procedimentos alternativos.
5.3.2.2 Problemas com Carga Centrfuga
Neste exemplo consideraram-se duas geometrias. Para o caso 2D a geometria a mesma
da Figura 5.17. Os parmetros empregados neste problema foram a = 10, b = 20, = 1 e

= 10. r a distncia da origem das coordenadas at o ponto considerado e w a


velocidade angular de rotao.
O problema foi resolvido usando MSF empregando 4 sub-regies com 18 pontos, como
mostrado na Fig. 5.17. As constantes elsticas consideradas foram E = 210000 MPa e

= 0.3. A soluo exata dada em, Timoshenko e Godier (1970), por:

rr =

(3 + )
a 2b 2
2 b 2 + a 2 2 r 2
8
r

(3 + )
(1 + 3 )r 2
2 b 2 + a 2 + a 2 b 2
8
(3 + )

ur =

r
( rr )
E

(5.24)

Este problema colocado conforme Eq. 5.22. Codificou-se o cromossomo com o uso da
Eq. 3.1. Para um espao de busca no intervalo [0;500] e uma preciso de 5 casas decimais.

113

Os resultados so apresentados na Tabela 5.26 para os pontos pertencentes ao contorno


x = 0. Medeiros e Partridge (2001) consideraram o raio do crculo de pontos fictcios igual
a 100.
Tabela 5.26 Resultados para problema com carga centrfuga Caso 2D

10.0
12.5
15.0
17.5
20.0

Presente
trabalho
34750
27468
22614
18739
15250

ur

rr

MSF

Exato

34763
27463
22608
18711
15258

34750
27468
22614
18739
15250

Presente
trabalho
0.0
3603
4010
2604
0.0

MSF

Exato

0.0
3636
4000
2621
0.0

0.0
3603
4010
2604
0.0

Presente
trabalho
1.654
1.570
1.529
1.496
1.452

MSF

Exato

1.653
1.569
1.528
1.495
1.451

1.654
1.570
1.529
1.496
1.452

Tabela 5.27 Convergncia para o raio fictcio em funo da preciso


Caso
2D

Preciso
0.00001

Gerao
127

Raio
135.94302

Empregou-se um crculo de pontos fictcios para cada sub-regio, usando o mesmo nmero
de pontos como tem de ns na sub-regio, neste caso 18. A funo de aproximao
f = r 2 log r , acrescida de termos lineares, foi usada para modelar o termo no homogneo.
Testes com as funes de aproximao f = r 4 log r e f = r 6 log r produziram os mesmos
resultados, como verificado no exemplo anterior. O emprego do algoritmo SVD no se
mostrou necessrio neste caso.

Caso 3D
Foram empregados 146 pontos no contorno e, 7 pontos internos foram distribudos
uniformemente sobre o eixo x. As solues exatas para deslocamento e tenso so dadas,
respectivamente, em Neves e Brebbia (1991), como segue:

xx =

ux =

w 2
2E

w 2
2E

onde l o comprimento da viga.


114

(l 2 x 2 )

x (l 2

x3
)
3

(5.25)

As constantes elsticas consideradas foram E = 10000 MPa e = 0.3 e, a fora de corpo


atuante nas direes x, y e z, respectivamente, so dadas por: bx = w2x e by = bz = 0.
Tabela 5.28 Convergncia para diferentes valores do raio fictcio em funo da preciso
Caso
3D

Preciso
0.00001

Gerao
154

Raio
172.98312

Os resultados so apresentados na Tabela 5.29 para os pontos ao longo do eixo x.


Medeiros (2005) considerou o raio da esfera de pontos fictcios igual a 100.
Tabela 5.29 Resultados para problema com carga centrfuga Caso 3D
ux

x
x
0,00
0,25
0,50
0,75
1,00
1,25
1,50
1,75
2,00

Presente
trabalho
0,0000E+00
4,9740E-05
9,7917E-05
1,4297E-04
1,8333E-04
2,1745E-04
2,4375E-04
2,6068E-04
2,6667E-04

MSF

Exato

0,0000E+00
5,0594E-05
9,9282E-05
1,4479E-04
1,8558E-04
2,2010E-04
2,4677E-04
2,6403E-04
2,7044E-04

0,0000E+00
4,9740E-05
9,7917E-05
1,4297E-04
1,8333E-04
2,1745E-04
2,4375E-04
2,6068E-04
2,6667E-04

Presente
trabalho
2,00000
1,96880
1,87500
1,71880
1,50000
1,21880
0,87500
0,46875
0,00000

MSF

Exato

2,02460
1,99270
1,89880
1,74270
1,52370
1,24050
0,89212
0,47858
0,00130

2,00000
1,96880
1,87500
1,71880
1,50000
1,21880
0,87500
0,46875
0,00000

5.3.2.3 Problemas com Carga Trmica


Para os exemplos com cargas trmicas considerou-se a geometria mostrada na Fig. 5. 19
para o caso 2D e caso 3D respectivamente.

Y
X

1.00 m

2.00 m

Figura 5.19 Geometria para problema com carga trmica 2D e 3D.

115

Caso 2D
O modelo foi feito considerando uma fora de corpo de bi = (3 + 2 ) ,i e uma trao de
superfcie de pi = (3 + 2 ) ni , Lin (1968), sendo estes dois efeitos equivalentes a um
aumento de temperatura ; e sendo as constantes de Lam.
Usando esta analogia, os deslocamentos calculados pelo programa so corretos, porm
necessrio recuperar os valores das tenses fazendo:

ij = ij' (3 + 2 ) ij

(5.26)

onde ij' so as tenses calculadas pelo programa. Nas relaes acima, o coeficiente de
expanso trmica e:

(3 + 2 ) =

2G (1 + )
(1 2 )

(5.27)

Nos exemplos considerados sero calculados as tenses trmicas xx sobre a linha x = 0.


Para um aumento de temperatura , a soluo exata :

xx = E

(5.28)

Consideraram-se dois casos: (i) = 50( y 3 + y 2 + y + 1) e (ii) = 50 cos( 2 y ) . Para o


primeiro caso, empregou-se a funo de aproximao f = r 2 log r acrescida dos termos
polinomiais ( 1, x, y, x2, xy, y2, x3, x2y, xy2 e y3) e, no segundo caso, a mesma funo foi
empregada, porm adicionada dos termos sen(x), sen(y), sen(2x), sen(x).sen(y), sen(2y).
Os parmetros elsticos empregados foram E = 10000 MPa, = 0.3 e = 0.00001.
Este problema colocado conforme Eq. 5.26, levando em conta apenas as tenses.
Codificou-se o cromossomo com o uso da Eq. 3.1. Para um espao de busca no intervalo
[0;500] e uma preciso de 5 casas decimais.
Os resultados so apresentados na Tabela 5.30, podendo ser obtidos para qualquer valor do
raio do crculo de pontos fictcios e empregando o algoritmo SVD ou outra tcnica usual
de soluo. Foram usados 28 pontos no contorno e 9 pontos internos.

116

Tabela 5.30 Valores de xx em x = 0 para problema com cargas trmicas Caso 2D


Caso (i)
y
0.5
0.4
0.3
0.2
0.1
0.0
-0.1
-0.2
-0.3
-0.4
-0.5

Presente
trabalho
-9.3750
-8.1200
-7.0850
-6.2400
-5.5550
-5.0000
-4.5450
-4.1600
-3.8150
-3.4800
-3.1250

Caso (ii)

MSF

Exato

-9.3750
-8.1200
-7.0850
-6.2400
-5.5550
-5.0000
-4.5450
-4.1600
-3.8150
-3.4800
-3.1250

-9.3750
-8.1200
-7.0850
-6.2400
-5.5550
-5.0000
-4.5450
-4.1600
-3.8150
-3.4800
-3.1250

Presente
trabalho
-2.7015
-3.4835
-4.1267
-4.6503
-4.9003
-5.0000
-4.9003
-4.6503
-4.1267
-3.4835
-2.7015

MSF

Exato

-2.7015
-3.4835
-4.1267
-4.6503
-4.9003
-5.0000
-4.9003
-4.6503
-4.1267
-3.4835
-2.7015

-2.7015
-3.4835
-4.1267
-4.6503
-4.9003
-5.0000
-4.9003
-4.6503
-4.1267
-3.4835
-2.7015

Tabela 5.31 Convergncia para o raio fictcio em funo da preciso


Caso
2D

Preciso
0.00001

Gerao
43

Raio
25.17512

Caso 3D
Neste ltimo exemplo empregou-se 9 pontos no interior, distribudos uniformemente ao
longo do eixo y. As condies de contorno so: ux = 0 em x = 1, uz = uy = 0 em z = y = 0
e x = 1. As foras de corpos so as mesmas consideradas no item anterior. Considera-se
apenas um caso: (iii) = 100 y . A soluo exata dada pela Eq. (40).
Este problema colocado conforme Eq. 5.23, levando em conta apenas as tenses.
Codificou-se o cromossomo com o uso da Eq. 3.1. Para um espao de busca no intervalo
[0;500] e uma preciso de 5 casas decimais.
Os resultados so apresentados na Tabela 5.33, para funo de aproximao f = r 2 log r
acrescida dos termos polinomiais (1, x, y, z). Medeiros (2005) adotou o raio da superfcie
fictcia igual a 100.

Tabela 5.32 Convergncia para o raio fictcio em funo da preciso.


Caso
2D

Preciso
0.00001

Gerao
43

117

Raio
25.17512

Tabela 5.33 Valores de xx em x = 0 para problema com cargas trmicas Caso 3D


Caso (iii)
y
0.5
0.4
0.3
0.2
0.1
0.0
-0.1
-0.2
-0.3
-0.4
-0.5

Presente
trabalho
-5,00
-4,00
-3,00
-2,00
-1,00
0,00
1,00
2,00
3,00
4,00
-5,00

MSF

Exato

-5,00
-4,00
-3,00
-2,00
-1,00
0,00
1,00
2,00
3,00
4,00
-5,00

-5,00
-4,00
-3,00
-2,00
-1,00
0,00
1,00
2,00
3,00
4,00
-5,00

5.3.2.4 Concluses
A metodologia no apresentou deficincia em nenhum momento da otimizao, chegando
a todos os seis exemplos ao resultado esperado, a soluo exata.

118

6 CONCLUSES
6.1 INTRODUO
Neste trabalho pretendeu-se partir dos cdigos originais de Algoritmos Genticos
utilizados no mestrado, escritos em 2005, implementar as modificaes necessrias para
serem executados com os mtodos numricos tradicionais explanados nos captulos
anteriores e definir parmetros para a utilizao eficiente e competitiva da inteligncia
computacional. Pretendeu-se tambm abordar a generalizao desses cdigos com a
utilizao das Redes Neurais Artificiais.
O processo de otimizao fez uso do AG, do tipo geracional com codificao binria e
estratgia elitista, associados ao MEC, MEF ou MSF. As restries, inerentes s variveis
de projeto e da composio estrutural, foram considerados nos problemas por meio de uma
funo objetivo modificada pela adio de um termo de penalizao. Desta forma, os
problemas com restries foram tratados como problemas sem restries. As funes de
penalizao foram definidas atravs de parmetros de penalizao constantes, dinmicos
ou adaptativos durante toda a evoluo.
A pesquisa atual de doutorado uma continuao do mestrado, tambm com foco em
inteligncia computacional e otimizao, porm mais abrangente. Desde ento
alguns resultados que foram compartilhados com a comunidade cientfica por meio das
seguintes publicaes, que incluem os resultados do captulo 5 entre outros:

Otimizao de Peso de Estruturas Reticuladas por Meio da Aplicao de um


Algoritmo Gentico: Anlise Esttica. CILAMCE, 2005.

Minimum Weight Design of Framed Structures Using a Genetic Algorithm


Considering Dynamic Analysis. Latin American Journal of Solids and Structures LAJSS, 2006.

JGA: Software Educacional para o Estudo de Algoritmos Genticos. CILAMCE,


2006.

The Influence of Penalty Functions in Structural Optimization using Genetic


Algorithms. CILAMCE, 2006

O Mtodo das Solues Fundamentais com o uso de um Algoritmo Gentico


Simples Aplicados a Problema de Elasticidade Linear. CILAMCE, 2007.
119

Um problema geomtrico inverso para a localizao de tumores de pele por anlise


trmica. CILAMCE 2008.

O Mtodo das Solues Fundamentais com uso de Algoritmo Gentico Aplicados


a Problemas de Elasticidade Linear com foras de corpo. CILAMCE 2008.

6.2 CONCLUSES
A partir das respostas observadas nos exemplos estudados podem-se apresentar as
seguintes concluses:

Para os problemas estudados no houve a necessidade de um cdigo exclusivo, e


sim mudanas na codificao e parametrizao para a avaliao da funo
objetivo;

As sugestes de parametrizao para o Algoritmo Gentico foram bem


consistentes, visto que em apenas em alguns casos foi necessrio reajust-lo;

Comparado aos mtodos clssicos (quando esses so aplicveis) nota-se que, em


geral os AGs apresentam um maior custo computacional no que diz respeito ao
nmero de avaliaes. Porm os AGs mostram-se robustos e eficazes na busca de
solues timas, como visto nos grficos. Boas solues foram encontradas
rapidamente, demorando apenas no refinamento das solues;

No intuito de reduzir o custo computacional das avaliaes realizadas pelos AGs


acoplados com os mtodos clssicos as RNAs foram introduzidas com sucesso,
porm o custo de treinamento ainda considerado muito alto.

Problemas com uma grande variedade de variveis de projeto tornam o processo


de avaliao da estrutura demorada, tanto no caso contnuo, quanto no caso
discreto. Alm disso a codificao binria exige grandes cadeias de bits e de um
nmero grande de indivduos para diversificar o espao de busca dessas estruturas;

A codificao binria para casos discretos, mostrou-se bem superior em relao s


variveis contnuas.

6.3 SUGESTES
Como desenvolvimentos futuros podem ser considerados os seguintes aspectos:

120

Implementao de tcnicas de hibridizao, atravs de estratgias de busca local


e/ou acoplamento de outros algoritmos ao AG, buscando reduzir os custos
computacionais com o refinamento das solues;

Implementao do auto-aprendizado (redes de Kohonen) e aprendizado no


supervisionado

(aprendizagem

hebbiana),

buscando

reduzir

os

custos

computacionais iniciais da RNA.

Utilizao da codificao real como uma alternativa codificao binria


tradicional e a utilizao de outros operadores genticos;

Implementao

de

Algoritmos

Genticos

Paralelos,

fazendo-se

estudos

comparativos com os problemas estudados neste trabalho e analisar novos


problemas (como por exemplo, estruturas reais e de grande porte);

Implementao para a anlise multi-objetivos, a exemplo da otimizao de peso


por anlise esttica e dinmica, em que os objetivos so antagnicos, ou seja, ao
diminuir a freqncia o peso tende a aumentar;

Criao de uma interface grfica, o que tornaria o processo de otimizao mais


interativo, pois possibilitaria acompanhar a otimizao em tempo real;

121

REFERNCIAS BIBLIOGRFICAS
AISC - American Institute of Steel Construction, (1991). Manual of steel construction:
Allowable stress design. 9th edition, Chicago, USA.
Amano, K., (1994). A charge simulation method for the numerical conformal mapping of
interior, exterior and doubly connected domains, Journal of Computational and pplied
Mathematics, Vol 53, pp 353-370.
Bacarji, E., (2001). Aplicao do mtodo dos elementos de contorno anlise de
pavimentos de edifcios. Tese de Doutorado, Escola de Engenharia de So Carlos, da
Universidade de So Paulo.
Baker, J., (1987). Reducing Bias and Inefficiency in Selection Algorithm, In:
Proceedings of The Second International Conference on Genetic Algorithm and Their
Application, 14-21.
Barbosa, H. J. C. e Lemonge, A. C. C., (2003). A New Adaptive Penalty Scheme for
Genetic Algorithms, In: Information Science. 156(2003), 215-251.
Barcellos, J. C. H. (2000). Algoritmos Genticos Adaptativos: Um Estudo Comparativo,
Dissertao de Mestrado, Escola Politcnica de So Paulo, 131p.
Barr e E.A. Feigenbaum, editors (1981). The Handbook of Artificial Intelligence, volume
I-II. William Kaufmann Inc., Los Altos, California.
Berger, J. R., e Karageorghis A., (1999). The Method of Fundamental Solutions for Heat
Conduction in Layered Meterials. Journal for Numerical Methods in Engineering.
Vol. 45, pp. 1681-1694.
Bezerra, L. M. (1993). Inverse Elastostatics Solutions with Boundary Elements, PhD
Thesis, Carnegie Institute of Technology, Pittsburgh, USA, 107p.
Bogomolny, A., (1984). Fundamental Solutions Method for Elliptic Boundary Value
Problems. Society for Industrial and Applied Mathamatics Journal. Vol. 22. pp. 644669.
Borges, C. C. H. (1999). Algoritmos Genticos para Otimizao em Dinmica de
Estruturas, Tese de Doutorado, Universidade Federal do Rio de Janeiro COPPE, 216p.
Brebbia, C. A. (1978), The Boundary Element Method for Engineers, Pentech Press,
London, U.K.
Brebbia, C. A. e Dominguez, J., (1989). Boundary Elements an Introductory Course,
Computacional Mechanics Publications, Southampton, McGraw-Hill Book Company.

122

Brebbia, C. A. e Ferrante, A. J. (1986). Computational Methods for the Solution of


Engineering Problems. 3th edition. London, UK.
Brebbia, C.A., Telles J. C. F. e Wrobel L. C., (1984). Boundary Elements Techniques
Theory and Applications in Engineering, Springer-Verlag, Berlin Heidelberg-New
York-Tokyo.
Bridges, T. R. e Wrobel L. C., (1996), A DRM Formulation for Elaticity Problems with
Body Forces Using Augmented Thin Plate Splines. Communications in Numerical
Methods in Engineering, Vol. 12. pp. 209-220.
Bueno, F. R. Anlise Inversa com Uso de Algoritmos Genticos para Localizao de
Tumores de Pele Discretizados em Elementos de Contorno com Reciprocidade Dual.
Dissertao de Mestrado, Universidade de Braslia, UnB, 81p.
Burgess G. e Mahajerin E., (1984). A comparison of the boundary element and
superposition methods, Computers and Structures, vol 19, pp 697-705.
Castro LLB, Partridge PW., (2006). Minimum weight design of framed structures using a
genetic algorithm considering dynamic analysis. Latin Am. J. Solids Struct. Vol. . 3.
pp. 10723.
Castro, L. L. B., (2005). Algoritmo Gentico para otimizao de Estruturas Reticuladas.
Dissertaod e Mestrado, Universidade de Braslia.
Castro, R. E. (2001). Otimizao de Estruturas com Multi-objetivos Via Algoritmos
Genticos de Pareto, Tese de Doutorado, Universidade Federal do Rio de Janeiro
COPPE, 224p.
Coit, D. W., Smith, A. E. and Tate, D. M., (1996). Adapitive Penalty Methods for Genetic
Optimization of Constrained Combinatorial Problems. Journal on Computing, vol. 6,
pp. 173-182.
Chan CL., (1992). Boundary element method analysis of the bioheat transfer equation.
Trans ASME, J Biomech Eng. Vol. 114. pp. 358365.
Chen, C. S., (1995), The Method of Fundamental Solutions for non-linear Thermal
Explosions. Communications in Numerical Methods in Engineering. Vol. 11. pp. 675681.
Darwin, C. R. e Darwin, F. (1902). Charles Darwin: His Life Told in an Autobiographical
Chapter, and in a Selected Series of his Published Letters, John Murray (ed), London,
UK.
Dorigo, M. e Sttzle, T. (2004). Ant Colony Optmization, Bradford Books, USA.

123

Erbatur, F., Hasanebi, I. T. and Kili, H., (2000). Optimal Design of Planar and Space
Structures with Genetic Algorithms, Computer e Structures, vol. 75, pp. 209-224.
Fairweather G. e Karageorghis A., (1998), The Method of Fundamental Solutions for
Elliptic Boundary Value Problems, Advances in Computational Mathematics. Vol. 9.
pp. 69-95.
Felippa, C. A., (2000). Introduction to The Finite Element Method Lecture Notes.
University of Colorado at Boulder.
Fox, R.L., (1973). Optimization Methods for Engineering Design. 2nd Edition, AddisonWesley, London, UK.
Galante, M., (1996). Genetic Algorithms As An Approach To Optimize Real-World
Trusses. International Journal for Numerical Methods In Engineering, vol. 39, pp. 361382.
Gere, J. M. e Weaver, W. JR. (1981). Anlise de Estruturas Reticuladas, Editora
Guanabara Dois, Rio de Janeiro.
Ghasemi, M. R. and Hinton E, W, R. D., (1997). Optimization of trusses using genetic
algorithms for discrete and continuous variables. Engineering Computations, vol. 16,
pp. 272-301.
Golberg M. A. e Chen C. S., (1994a). The method of Atkinson for evaluating domains
integrals in the boundary element method, Journal of Computational and Applied
Mathematics, vol 60, pp 125-138.
Golberg, M. A, (1995), The method of Fundamental Solutions for Poissons Equations.
Engineering Analysis with Boundary Elements. Vol. 16. pp. 205-213.
Golberg, M. A. e Chen, C. S., (1994b), The Theory of Radial Basis Functions applied to
the BEM for inhomogeneous partial differential equations. Boundary Element
Communications. Vol. 5. pp. 57-61.
Golberg, M. A., Chen, C. S. e Karur, S. R., (1996), Improved Multiquadric Approximation
for Partial Differential Equations. Engineering Analysis with Boundary Elements.
Vol.18. pp. 9-17.
Goldberg, D. E. (1989), Genetic Algorithms in Search, Optimization and Machine
Learning, Addison-Wesley, USA.
Haftka, R. T. and Gurdal, Z., (1992). Elements of Structural Optimization, 3th edition,
Kluwer Academic Publishers, London, U.K.
Hajela, P. e Berke, L. (1990). Neurobiological Computational Models in Structural
Analysis. In: Computers e Structures. 41(4), 657-667.
124

Hampson, S. E., (1990). Fundantals of articial neural networks. MIT Press, Cambridge.
Hesser, J. and Manner, P., (2000). Pratical Guide to Genetic Algorithms, Naval Research
Laboratory, Chemistry Division.
Holland, J. H. (1975). Adaptation in Natural and Artificial Systems, University of
Michigan Press, USA.
Homaifar, H., Lai, S. H. Y. and Qi, X., (1994). Constrained Optimization Via Genetic
Algorithms. Simulation, vol. 64, pp. 242-254.
Jichun Li, Hon Y. C. e Chen C. S., (2002). Numerical comparisons of two meshless
methods using radial basis functions, Engineering Analysis with Boundary Elements,
Vol. 26, 205-225.
Joines, J. e Houck, C. (1994). On the Use of Non-stationary Penalty Functions to Solve
Nonlinear Constrained Optimization Problems with Gas, In: Proceedings of the First
IEEE international Conference on Evolutionary Computation, 579-584.
JOONE (2007), Java Oriented Neural Engine. The Complete Guide All you need to
know about Joone.
Karageorghis A. e Fairweather G., (1987). The Method of Fundamental Solutions for the
Numerical Solution of the Biharmonic Equation, Journal of Computational Phisics,
Vol 69, pp 434-459.
Karageorghis A. e Fairweather G., (1989a). The Method of Fundamental Solutions for the
Solutions of Nonlinear Plane Potential Problems, IMA J. Numerical Analysis, Vol 9,
pp 231-242.
Karageorghis A. e Fairweather G., (1999), The Method of Fundamental Solutions for
Axisymetric Potential Problems. Journal for Numerical Methods in Engineering. Vol.
44. pp. 1653-1669.
Karageorghis A. e Fairweather G., (1999b), The Method of Fundamental Solutions for
Axisymetric Problems, BETECH XIII Eds. C. S. Chen et al, WIT Press, Southampton Boston, pp. 387 396.
Karageorghis A., (1992), The Method of Fundamental Solutions for the Solution of Steady
State Free Boundary Problems. Journal of Computational Physics. Vol. 98. pp. 119-127.
Karur S. R. e Ramachandran P. A., (1994). Radial Basis function appoximation in the dual
reciprocity method, Mathematical and Computational Modelling, vol 20, pp 59-70.
Karur S. R. e Ramachandran P. A., (1995). Augmented thin plate spline approximation in
DRM, Boundary Elements Communications, vol 6, pp 55-58.

125

Khan, N., (2002). Population Sizing in Genetic and Evolutionary Algorithms Lecture
Notes, University of Illinois at Urbana-Champaign.
Kupradze, V. D. e Aleksidze, M. A., (1964). A Method for the approximate solution of
limiting problems in mathematical physics, USSR Computational Mathematics and
Mathematical Physics, Vol 4, pp 199-205.
Lacerda, E. G. M. e Carvalho, A. C. P. L. F. (1999). Introduo aos algoritmos
genticos. In: Sistemas Inteligentes: Aplicaes a Recursos Hdricos e Sistemas
Ambientais, Editora Universidade, UFRGS.
Lagaros, N. D., Papadrakakis, M. e Kokossalakis, G. (2002) a. Structural Optimization
Using Evolutionary Algorithms, In: Computer and Structures, 80(2002), 571-589.
Lemonge, A. C. C. (1999). Aplicao de Algoritmos Genticos em Otimizao Estrutural,
Tese de Doutorado, Universidade Federal do Rio de Janeiro COPPE, 218p.
Lemonge, A. C. C. and Barbosa, H. J. C., (2004). An Adaptive penalty Scheme for Genetic
Algorithms in Structural Optimization. International Journal for Numerical Methods in
Engineering, vol. 59, pp. 703-736.
Levin, D e Tal, A., (1986). A Boundary Collocation Method for the Solution of a Flow
Problem in a Complex Three-Dimensional Porous Medium, International Journal for
Numerical Methods in Fluids, Vol 6, pp 611-622.
Lin, T. H., (1968), Theory of Inelastic Structures, John Wiley.
Linden, R., (2006). Algoritmos Genticos. Ed. Brasport.
Lucas, D. C. (2000). Algoritmos Genticos: Um Estudo de seus Conceitos Fundamentais e
Aplicao no Problema de Grade Horria, Monografia de Graduao, 92p.
Ludemir, T. B., Carvalho, A. C. P. L. F., Braga, A. P. e Souto, M. C. P. (2005), Sistemas
inteligentes Hbridos, Sistemas Inteligentes Fundamentos e Aplicaes, Editora
Manole.
Mathon, R. e Johnston, R. L, (1977). The approximate solution of Elliptic Boundary Value
Problems by Fundamental Solutions, SIAM Journal of Numerical Analysis, Vol. 14, pp
638-650.
Maysa, M. P. (1996). Genetic Algorithms on Evolving Solutions to NP-Complete
Problems, In: <http://www.kneehighs.com/outline.html>, Acesso em 06/2004.
McCorduck. (1979). Machines Who Think, Freeman, San Francisco.
McCulloch, W. e Pitts, W. (1943). A Logical Calculus of the Ideas Immanent in Nervous
Activity, In: Bulletin of Mathematical Biophysics, 115-133.

126

Medeiros, G. C, Partridge, P. W e Sensale B., (2000), O Mtodo das Solues


Fundamentais com Reciprocidade Dual para Problemas de Potencial com Condies
Mistas de Contorno, XXI Ibero Latin American Congress of Computer Methods in
Engineering.
Medeiros, G. C. ; Casto, L. L. B. ; Partridge, P. W., (2007). O Mtodo das Solues
Fundamentais com o uso de um Algoritmo Gentico Simples Aplicados a Problema de
Elasticidade Linear. XXVIII - Congresso Ibero-Latino Americano sobre Mtodos
Computacionais em Engenharia. pp. 1-18.
Medeiros, G. C. e Partridge, P. W., (2001), The Method of Fundamental Solutions with
Dual Reciprocity for Potential Problems of the type 2 u = b( x, y, u ) , BETECH XIV
Eds A Kassab e C. A. Brebbia, WIT Press, Southampton e Boston, pp. 335-344.
Medeiros, G. C., (2005), O Mtodo das Solues Fundamentais para problemas da
Elasticidade Linear. Tese de Doutorado, UnB.
Mendona, C. E. L. R. (2004). Um Sistema Computacional para Otimizao Atravs de
Algoritmos Genticos e Redes Neurais, Tese de Doutorado, Universidade Federal do
Rio de Janeiro COPPE, 135p.
Michalewicz, Z., (1996). Genetic Algorithms + Data Structures = Evolution Programs.
Third Edition, Springer-Verlag, Berlin, Germany.
Minsky, M. L., (1961). Steps towards artificial intelligence. Proc. Of Institute of Radio
Enginners. Vol. 49, pp. 8-32.
Nardini, D. e Brebbia, C. A., (1982), A New Approach for Free Vibration Analysis using
Boundary Elements, Boundary Element Methods in Engineering, (Ed C. A. Brebbia),
pp 312-326, Springer-Verlag, Berlin and New York.
Neves, A. C., e Brebbia, C. A., (1991), The Multiple Reciprocity Boundary Element
Method in Elasticity: A new approach for Transforming Domain Integrals to the
Boundary. International Journal for Numerical Methods in Engineering. Vol. 31. pp.
709-727.
Ochi, L. S. and Rocha M. L., (2000). A New Hybrid Evolutionary Algorithm for the
Vehicle Routing and Scheduling Problems. Proceedings of the Ninth International
Conference on Intelligence Systems: Artificial Intelligence Applications for the New
Millennium, pp. 135-140.
Pacheco, M. A. (1999). Algoritmos Genticos: Princpios e Aplicaciones, In: V Congresso
Internacional de Ingeniera Electrnica, Eltrica y Sistemas - INTERCON, 11-16.

127

Partridge P. W e Sensale B., (1997), Hybrid Approximation Functions in the Dual


Reciprocity BEM. Communications in Numerical Methods in Engineering, Vol. 13. pp.
83-94.
Partridge P. W. e Sensale B., (2000), The Method of Fundamental Solutions with
Reciprocity Dual for Diffusion and Diffusion-convection Using Subdomains.
Engineering Analysis with Boundary Elements. Vol. 24. pp. 633-641.
Partridge PW., (2000). Towards criteria for selecting approximation functions in the dual
reciprocity method. Eng. Anal. Bound. Elem. Vol. 24. pp. 51929.
Partridge, P. W. e Wrobel, L. C. (1990), The Dual Reciprocity Boundary Element Method
for Spontaneous Ignition, International Journal for Numerical Methods in
Engineering, 30: 953-963.
Partridge, P. W., Brebbia, C. A. e Wrobel, L. C., (1992). The Dual Reciprocity Boundary
Element Method, Computacional Mechanics Publications and Elsevier, Southampton
and Boston.
Patterson, C. e Sheikh, M. A., (1983), A Modified Trefftz Method for Three Dimensional
Elasticity, in Boundary Elements Ed. C. A. Brebbia, Springer Verlag, pp. 427-437.
Press, W. H., Flannery, B. P., Teukolsky, S. A. e Vetterling V. T., (1986), Numerical
Recipes, The art of scientific computing, Cambridge University Press, Cambridge.
Raamachandran J. e Rajamohan C., (1996). Analysis of composite plates using charge
simulation method, Engineering Analysis wich Boundary Elements, vol 18, pp 131135.
Redekop, D. e Thompson, J. C., (1983), Use of Fundamental Solutions in the Collocation
Method in Axisymmetric Elastostatics. Computers and Structures. Vol. 17. pp. 485490.
Rosenblatt, F. (1958). The Perceptron: A Probabilistic Model for Information Storage and
Organization in the Brain, In: Psychology Review, 65, 386-408.
Rumelhart, D. E., Hinton, G. E. e Williams, R. J., (1986). Learning representations by
back-propagation errors. Nature, vol. 323, pp. 533-36.
Sampaio, C. C. D. (2004). Determinao de uma Rede tima de Transporte Utilizando o
Algoritmo Gentico, Dissertao de Mestrado, Universidade de Braslia, 98p.
Sanchz, J. M. Morales; (2004). Anlise orientada a objetos de mtodos numricos de
discretizao de malha; Tese de Doutorado, Universidade de Braslia - DF.
Segerlind, L. J. (1976), Applied Finite Element Analysis, John Wiley e Sons, New York,
USA.

128

Shoenauer, M. and Xanthakis, S., (1993). Constrained GA Optimization. Proceedings of


The 4th International Conference on Evolutionary Programming, pp. 573-580.
Silva, E. E. (2000). Otimizao de Estruturas de Concreto Armado Utilizando Algoritmos
Genticos, Dissertao de Mestrado, Universidade Federal de Pernambuco, 131p.
Silveira, S. R. e Barone, D. A. C., (2001). Cincia Cognitiva e Inteligncias Mltiplas.
PGIE-UFRGS Informtica na Educao - Teoria e Prtica, Porto Alegre, v. 4, p. 9-19.
Soares, M. E. G. (2005). Avaliao Estrutural: Influncia do Rudo nos Mtodos de
Deteco de Danos Baseados na Anlise das Propriedades Dinmicas, Tese de
Doutorado, Universidade de Braslia, UnB, 140p.
Sutton, R. S., Barto, A. G. e Williams, R. J., (1991). Reinforcement learning is direct
adaptive optimal control. Proc. Of the American Control Conference. Pp. 2143-46.
Torres, A. C. S., (2003). Determinao de Rotas timas de nibus Urbanos Utilizando
Algoritmo Gentico. Dissertao de Mestrado, Universidade de Braslia, 87p.
Tran, T. e Zomorodi, A. (1994). A Touch of Gray, In: Vertices, 10(1), 11-12.
Valente, S.A., Lopes, H.S., Arruda, L.V.R. (2002). Genetic Algorithms for the Assembly
Line Balancing Problem: a real-world automotive application, Springer-Verlag, Berlin,
Germany.
Widrow, B. e Hoff, M. E., (1960). Adaptative switching circuits. Institute of Radio
Engineers. Western Eletronic Show and Convention.
Wrobel, L. C., Brebbia, C. A. e Nardini, D. (1986), The Dual Reciprocity Boundary
Element Formulation for Transient Heat Conduction, Computational Mechanics
Publications, Southampton and Springer-Verlag, Berlin and New York.
Wrobel, L.C and Aliabaddi, M. H. The Boundary Elements Method Wiley, London 2002.
Xie, Y. M. e Steven, G. P. (1997). Evolutionary Structural Optimization,
Springer-Verlag, Berlin, Germany.
Yamada, T., Wrobel, L. C. e Power, H., (1994). On the Convergence of the Dual
Reciprocity Boundary Element Method. Eng. Analysis with Boundary Elements, Vol.
13. pp. 291-298.
Zienkiewicz, O. C. (1977), The Finite Element Method, McGraw-Hill Book Company,
3th Edition, London, UK.

129

Livros Grtis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administrao
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Cincia da Computao
Baixar livros de Cincia da Informao
Baixar livros de Cincia Poltica
Baixar livros de Cincias da Sade
Baixar livros de Comunicao
Baixar livros do Conselho Nacional de Educao - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Domstica
Baixar livros de Educao
Baixar livros de Educao - Trnsito
Baixar livros de Educao Fsica
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmcia
Baixar livros de Filosofia
Baixar livros de Fsica
Baixar livros de Geocincias
Baixar livros de Geografia
Baixar livros de Histria
Baixar livros de Lnguas

Baixar livros de Literatura


Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemtica
Baixar livros de Medicina
Baixar livros de Medicina Veterinria
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Msica
Baixar livros de Psicologia
Baixar livros de Qumica
Baixar livros de Sade Coletiva
Baixar livros de Servio Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo

Das könnte Ihnen auch gefallen