XXVI ENEGEP - Fortaleza, CE, Brasil, 9 a 11 de Outubro de 2006

Aplicação de um arranjo ortogonal de Taguchi ao projeto dos

parâmetros de uma Redes Neural Artificial RBF para predição da
vida de ferramentas em processo de torneamento

Fabrício José Pontes (UNIFEI) fpontes@embraer.com.br

João Roberto Ferreira (UNIFEI) jorofe@unifei.edu.br
Anderson Paulo de Paiva (UNIFEI) andersonppaiva@yahoo.com.br

Resumo
Este trabalho apresenta um estudo sobre a aplicação de um arranjo ortogonal de Taguchi
como ferramenta para o projeto dos parâmetros de uma rede neural RBF para predição da
vida de ferramentas no torneamento de um aço SAE/ABNT 52100 – 55 HRC. Os fatores
investigados no experimento são o número de unidades radiais, o algoritmo para seleção dos
centros das funções radiais e o algoritmo de seleção do parâmetro de largura daquela
função. Para o treinamento das redes foram utilizados dados gerados a partir de um modelo
de regressão obtido e validado em um experimento de usinagem planejado segundo a
Metodologia de Superfície de Resposta. A análise dos resultados sugere que a rede RBF é
capaz de predizer a resposta com bom desempenho.
Palavras-chave: Taguchi, Redes Neurais, Torneamento, Aço 52100 (55 HRC).

1. Introdução
A predição da vida de ferramentas em processos de usinagem é um problema que tem atraído
a atenção de muitos pesquisadores. Ela é valiosa para evitar não conformidade da peça, danos
catastróficos à ferramenta e ao maquinário e a consequente perda de produtividade, conforme
afirmam Özel e Nadgir (2002). Tal tarefa, no entanto, é extremamente difícil devido à não
linearidade associada aos processos de desgaste, segundo Lee et al. (1996). Paiva et al (2005)
afirmam que o estabelececimento um relacionamento funcional adequado entre a vida da
ferramenta e os parâmetros de corte (velocidade de corte, avanço e profundidade de corte)
implica em um grande número de experimentos, o que torna os custos com a experimentação
proibitivos. Conforme relatam Diniz et al. (2005), a troca antecipada de ferramentas de corte
devido à incerteza na predição da duração da vida da mesma é comum nos processos de
usinagem industriais.
Muitos dos estudos que objetivam a predição da vida de ferramentas utilizam com sucesso as
redes neurais (Alajmi, Oraby e Esat, 2005). O objetivo é deste trabalho é realizar um estudo
exploratório do desempenho de Rede Neural Artificial RBF (função de base radial) na
predição da vida de ferramentas no torneamento de um aço SAE/ABNT 52100 com
ferramenta de cerâmica mista.
Poucos estudos foram encontrados na literatura utilizando-se especificamente RBFs para tal
tarefa. Alajmi, Oraby e Esat (2005) compararam algumas arquiteturas de redes neurais, RBF
entre elas, na predição da vida da ferramenta. Em Sonar et al (2006) encontra-se um estudo
que aplica redes RBF à predição da rugosidade da peça baseada nos parâmetros de corte.
A literatura indica oportunidade de melhoria nos modelos de predição da vida de ferramentas
e rugosidade implementados com a utilização de redes neurais artificiais. Sick (2002) lista
diversos problemas em estudos anteriores envolvendo redes neurais e predição de vida de

ENEGEP 2006 ABEPRO 1

 XXVI ENEGEP - Fortaleza, CE, Brasil, 9 a 11 de Outubro de 2006

ferramentas, tais como a falta de uma experimentação planejada para a determinação de

parâmetros de projeto que maximizem o desempenho da rede e a falta de aplicação de testes
estatísticos aos resultados que possam sustentar as conclusões obtidas.
Este trabalho fará uso de um arranjo ortogonal de Taguchi, que é de uma técnica da
metodologia de projeto de experimentos (DOE), com o fim de obter parâmetros de projeto
para a rede que levem a um bom desempenho na tarefa de predição. É esperado que as redes
RBF apresentem bom desempenho na tarefa proposta.
2. Desgaste e vida da ferramenta
Os desgastes de ferramentas e sua relação com os parâmetros de corte são de grande
importância no estudo dos processos de usinagem. A detecção e predição dos desgastes antes
que estes provoquem danos à superfície usinada é de grande valor para evitar-se a perda da
peça em trabalho ou danos ao maquinário, com conseqüente perda de produtividade.
(ALAJMI et al., 2005).
O fim de vida da ferramenta é geralmente causado pelo aumento do desgaste ocorrido, o que
segundo Diniz et al. (2001), pode ocorrer em função de aresta postiça de corte, a aderência, a
abrasão mecânica, a difusão e a oxidação, ou falha catastrófica (quebra súbita da aresta de
corte). Ainda segundo Diniz et al. (2001), os fatores mais influentes na determinação da vida
da ferramenta são: a velocidade de corte (Vc), o avanço (f) e a profundidade de corte (ap).
3. Redes Neurais
Segundo Haykin (1994), uma rede neural “é um processador paralelo massivamente
distribuído que possui uma propensão natural a armazenar conhecimento experiencial e torná-
lo disponível para uso”. Na definição de Braga et al.(2000), Redes Neurais Artificiais são
sistemas parelelos distribuídos compostos por unidades de processamento simples (chamadas
de nós ou neurônios), que calculam determinadas funções matemáticas, em geral não-lineares,
correspondendo a uma forma de computação não-algorítmica. Em uma rede neural, o
conhecimento sobre um determinado problema é armazenado sob a forma dos pesos nas
sinapses que interconectam os neurônios nas camadas de rede.
O desempenho de uma rede neural em uma determinada aplicação depende de fatores ligados
ao projeto da mesma e estes são geralmente determinados por métodos heurísticos, segundo
Haykin (1994). A aplicação de redes neurais na resolução de um dado problema envolve
também uma fase de aprendizagem e uma fase de testes.
Por aprendizagem entende-se o processo pelo qual os parâmetros de uma rede neural são
ajustados através de uma forma continuada de estímulo pelo ambiente no qual a rede está
operando. Nota-se dois paradigmas principais para tal fase: aprendizado supervisionado e
aprendizado não supervisionado. Dentro de cada paradigma, existem diferentes algoritmos de
treinamento, que são definidos como as regras para os ajustes realizados dos pesos entre as
sinapses.
Haykin (1994) recomenda a utilização de dois conjuntos distintos de dados durante o projeto
de uma rede neural: um conjunto para treinamento e outro para teste da rede. O conjunto de
teste não entra no treinamento da rede e é usado após o mesmo, durante a fase de testes, como
meio de estimar-se de maneira independente o desempenho da mesma. Recomenda ainda que
a ordem na qual exemplos são apresentados à rede durante o treinamento seja aleatória.
3.1 Redes RBF
Redes RBF (Radial Base Function) são um modelo de redes neurais multicamada no qual a
ativação de uma unidade da camada intermediária é função da distância entre seus vetores de

ENEGEP 2006 ABEPRO 2

 XXVI ENEGEP - Fortaleza, CE, Brasil, 9 a 11 de Outubro de 2006

entrada e de peso, ou seja, uma função de base radial (Bishop, 1995). Aos neurônios
constituintes de uma rede do tipo RBF dá-se o nome de unidades radiais. A função radial em
uso em RBFs é, geralmente, uma função gaussiana, do tipo mostrado na equação 1:
|| x − µ || 2


φ ( µ ) = − exp


(1)
2σ 2

onde x corresponde ao vetor de entrada da unidade, µ representa o centro da função radial e σ

representa a largura da mesma, isto é, um parâmetro que controla quão intenso é o decaimento
do valor de saída da função de ativação à medida que varia a distância ao centro. Em uma
rede RBF com k unidades radiais na camada intermediária e uma única saída, esta é dada pela
equação 2 (BISHOP, 1995):

( )
k
y=  wiφ || x − µ || 2 + w0 (2)
i =1

onde x e µ são definidos como na equação 1, k é o número de unidades radiais presentes na

camada intermediária, φ representa a função de ativação das unidades radiais, como, por
exemplo, a função definida em pela equação 1, wi representa os pesos pelos quais a saída de
uma unidade radial é multiplicada na camada de saída e w0 um fator constante.
O treinamento de redes RBFs envolve duas fases. Na primeira fase, os parâmetros da função
radial utlizada (os centros e a largura) são determinados por métodos não supervisionados.
Durante a segunda fase é realizado o ajuste dos pesos dos neurônios de saída, correspondendo
a um problema linear, de processamento mais simples (Haykin, 1994).
Os dois métodos usualmente utilizados para seleção dos centros são a Sub-amostragem (Sub-
sampling) e o algoritmo K-Médias (K-Means). Após a seleção dos centros, deve-se
determinar o fator de largura da função. Os algoritmos mais utlizados para essa operação são
o Isotrópico e o algoritmo dos K-Mais Próximos (K-Nearest). Após essa primeira fase, o
passo seguinte corresponde à otimização da camada de saída, que pode ser feita empregando-
se uma técnica padrão para otimização linear: a decomposição por valor singular (HAYKIN,
1994)(BISHOP, 1995).
Bishop (1995) afirma que tal modelo de rede é apropriado para desempenhar diversas tarefas,
dentre as quais se inclui a aproximação de funções. Uma camada intemediária, segundo o
mesmo autor, é o suficiente para a aproximação de qualquer função.
4. Grandeza de saída utilizada
A grandeza de saída utilizada como medida para comparação da influência dos diferentes
fatores foi a S. D. Ratio da fase de testes da rede. Em um problema de regressão, S. D. Ratio é
definida como sendo a relação entre o desvio-padrão dos resíduos da predição pelo pelo
desvio padrão dos dados experimentalmente obtidos. Assim, quanto menor o valor de S. D.
Ratio, melhor a capacidade de predição da rede neural. S. D. Ratio corresponde a 1 menos a
variância explicada pelo modelo.
5. Métodos de Taguchi
5.1 Projeto Robusto
Dentre as várias abordagens de engenharia de qualidade para produtos e processos, encontra-
se o método de Taguchi et al.(1987) para o Projeto Robusto. Segundo Ross (1991), o método
corresponde a uma abordagem ‘fora da linha’ da engenharia da qualidade, por ter como
objetivo assegurar, ainda durante a fase de projeto e concepção, a obtenção de boa qualidade
de produtos e boa performance de processos. Os métodos de Taguchi distinguem-se de outras

ENEGEP 2006 ABEPRO 3

 XXVI ENEGEP - Fortaleza, CE, Brasil, 9 a 11 de Outubro de 2006

abordagens de engenharia de qualidade por alguns conceitos que lhe são específicos:
a) Minimização de uma função perda da qualidade;
b) Maximimização da relação sinal-ruído;
c) Arranjos ortogonais

5.2 Planejamento de experimentos dentro do método de Taguchi

De acordo com Montgomery (2003), a Metodologia de Projeto de Experimentos (DOE)
consiste na realização de experimentos nos quais fatores envolvidos em um processo sob
análise são variados simultaneamente, com o objetivo de medir-se seu efeito sobre a variável
(ou variáveis) de saída de tal processo. A estratégia de projeto de experimentos utilizada no
método de Taguchi é baseada em arranjos ortogonais, que correspondem a um tipo de
experimento fatorial fracionário, nos quais nem todas as combinações possíveis entre fatores e
níveis são testadas. É útil, segundo Ross (1991), para a estimação dos efeitos principais dos
fatores sobre o processo. O objetivo primeiro deste tipo de estratégia é obter o máximo de
informação sobre o efeito dos parâmetros sobre o processo com o mínimo de corridas
experimentais. Em adição ao fato de requerer um número menor de experimentos, os arranjos
ortogonais ainda permitem testar fatores com número misto de níveis.
Como o objetivo é a minimização dos valores S. D. Ratio, o problema é do tipo “quanto
menor, melhor”. Para tal tipo de problema, a função sinal-ruído a ser maximizada é expressa
pela equação 3 (ROSS, 1991):
n
1
η = −10 log 10[  y i2 ] (3)
n i =1

onde é o valor da relação sinal-ruído, yi é valor do desvio em relação à característica da



qualidade cuja tolerância é do tipo “quanto menor, melhor” e n corresponde ao número de

experimentos realizados.
6. Geração dos dados envolvidos no experimento
Para obter bom desempenho na tarefa de predição é necessário que haja uma quantidade de
exemplos suficiente para que a rede possa modelar a função representativa da vida da
ferramenta e que tais exemplos representem eqüitativamente a função a ser mapeada. Devido
à falta de recursos para executar-se um experimento que reunisse as duas condições acima
enunciadas, tentou-se encontrar na literatura um banco de dados que fosse amplo e houvesse
sido gerado em condições experimentais adequadas à análise estatística, o que resultou
infrutífero. Por essas razões resolveu-se utilizar casos de treinamento simulados para
treinamento e testes das redes.
Para geração dos casos utilizados no experimento fez-se uso de um modelo de regressão
múltipla obtido por Paiva et al.(2005) em um experimento de torneamento do aço SAE/ABNT
52100 – 55 HRC com ferramentas com insertos de cerâmica mista (Al2O3 + TiC), classe
Sandvik GC 6050, recoberta com TiN, com geometria ISO CNGA 120408 S01525. Tal
experimento foi planejado e executado segundo a Metodologia da Superfície de Resposta
combinada com a técnica do fatorial completo.
O modelo resultante foi validado estatisticamente por meio de testes de análise de variância
(ANOVA) e apresenta um alto nível de ajuste, com R2 adj = 85,0%. A equação de regressão
característica do modelo é apresentada na equação 4, em unidades codificadas.
y = 7,968 − 1,251Vc − 2,341 fn − 1,639ap + 0,234Vc 2 + 1,547 fn 2 + 0,422ap 2 +
(4)
+ 0,750Vcfn + 0,075Vc.ap + 0,675 fn.ap

ENEGEP 2006 ABEPRO 4

 XXVI ENEGEP - Fortaleza, CE, Brasil, 9 a 11 de Outubro de 2006

Para o presente trabalho, gerou-se um arquivo com 150 conjuntos de dados (Vc, fn, ap, y) a
partir da equação 4, sendo y o valor correspondente à vida da ferramenta, dado em minutos,
prevista segundo o modelo utilizado, Vc é a velocidade de corte em m/min, fn é o avanço,
dado em mm/rotação, e ap é a profundidade de corte, medida em mm. Dentre os exemplos
gerados, 30 foram utilizados como conjunto de treinamento e 120 foram utilizados como
conjunto de testes. Optou-se por utilizar um tamanho reduzido do conjunto de treinamento
com o objetivo de averiguar a capacidade da rede neural de apresentar bons resultados com
poucos exemplos. Isso é necessário para que a RBF possa constituir-se em opção viável para
aplicação em experimentos reais, os quais tipicamente possuem custo elevado e não podem
contar com número elevado de repetições.
7. Planejamento experimental
Como para cada algoritmo de seleção da largura da função radial desejava-se investigar dois
níveis do parâmetro do seu fator de escala, decidiu-se agrupar algoritmo e nível do parâmetro
como um único fator de quatro níveis. Deste modo,o arranjo ortogonal utilizado no
experimento foi um arranjo L8 de Taguchi com três fatores: o algoritmo para seleção de
largura da função radial, o algoritmo usado para a seleção de centros e o número de unidades
radiais. Os fatores e seus respectivos níveis são detalhados na tabela 1.
Fator Número de
Nível 1 Nível 2 Nível 3 Nível 4
níveis
Algoritmo 4 Isotropic Isotropic K-Nearest K-Nearest
para seleção Deviation Deviation neighbors = neighbors =
de largura da Scaling Scaling 5 10
função radial Factor = 1 Factor = 10
(fator A)
Algoritmo de 2 Sub- K-Means - -
seleção de sampling
centros da
função radial
(fator B)
Número de 2 15 30 - -
unidades
radiais
(fator C)
Tabela 1 – Fatores e níveis associados empregados no experimento

Segundo Sick (2002), a falta de repetições para cada combinação de níveis é um dos fatores
que impede uma eficaz análise estatística que embase as conclusões dos trabalhos envolvendo
redes neurais na tarefa de predição. Para evitar-se tal problema neste trabalho, cada
configuração foi testada inicializada, treinada e testada independentemente cinqüenta vezes. O
experimento foi conduzido com a utilização do software estatístico Statistica®.
8. Análise dos resultados
Os dados obtidos experimentalmente foram analisados segundo suas médias, desvios-padrão e
valores da relação sinal-ruído (Ross, 1991). A análise foi realizada com a utilização do
software estatístico Minitab®. As figuras 1 a 3 mostram os gráficos dos efeitos principais. A
tabela 2 indica, pela ordem, os fatores que mais influenciam as grandezas de interessse.
Naquela tabela, o índice 1 corresponde ao fator que mais influencia na melhoria da grandeza e
o índice 3, ao fator que possui menor influência sobre a mesma. Percebe-se que o algoritmo
para definição da largura da função radial é o mais influente para os três aspectos analisados,
seguido pelo número de unidades radiais na camada intermediária da rede. O fator que possui
menor influência é algoritmo usado para seleção dos centros.

ENEGEP 2006 ABEPRO 5

 XXVI ENEGEP - Fortaleza, CE, Brasil, 9 a 11 de Outubro de 2006

A análise indica também os níveis dos fatores que mais contribuem para a minimzação da
resposta, para a robustez do sistema e para a minimização da variabilidade, os quais são
mostrados na tabela 3. Novamente nota-se que os níveis dos fatores apontados como sendo os
que conduzem aos melhores resultados são os mesmos para as três grandezas analisadas.

Figura 1 – Efeitos principais sobre a média da resposta S. D. Ratio para conjunto de treinamento de 30 casos

Figura 2 – Efeitos principais sobre a função sinal/ruído da resposta S. D. Ratio para conjunto de treinamento de
30 casos

Figura 3 – Efeitos principais sobre a função o desvio-padrão da resposta S. D. Ratio para conj de treinamento de
30 casos

Os parâmetros de projeto para a melhor configuração obtida e os respectivos valores médios

de S. D. Ratio são as mostradas na tabela 4. Sendo este um experimento exploratório, os
resultados não permitem afirmar que a configuração de rede proposta seja a que apresenta
desempenho ótimo para as condições de teste. Nota-se, porém, que o valor da variável de
saída é bastante reduzido, o que sugere que redes RBF podem apresentar bom desempenho na
predição da vida da ferramenta, para os níveis estudados.

Algoritmo para Algoritmo para Número de unidades radiais

determinação da seleção dos centros na camada intermediária

ENEGEP 2006 ABEPRO 6

 XXVI ENEGEP - Fortaleza, CE, Brasil, 9 a 11 de Outubro de 2006

largura da função da função radial

radial
Minimização da 1 3 2
média da resposta
Maximização da 1 3 2
relação sinal-ruído
Minização da 1 3 2
variabilidade
Tabela 2 – Ordem da influência dos fatores sobre os valores médios das respostas, sobre a relação sinal-ruído e
sobre a variabilidade

Combinação para Combinação para Combinação para

valores médios de valores da relação valores do desvio
S. D. Ratio sinal-ruído padrão
2:1:1 2:1:1 2:1:1
Tabela 3 – Níveis dos fatores A, B e C apontados pela análise como os melhores para minimização das média e
variabilidade, e para maximização da relação sinal-ruído, para o experimento realizado

Algoritmo para Algoritmo Número de Valor médio Desvio-

determinação da para unidades de S. D. Ratio padrão
largura da função seleção dos radiais na na fase de para a
radial centros da camada teste para a resposta
função intermediária configuração S. D.
radial proposta Ratio
Isotropic Deviation Sub- 15 0,013033 0,005115
Scaling Factor = 10 sampling
Tabela 4 – Configuração de níveis com melhor desempenho para os experimentos realizados e respectivos
valores de S. D. Ratio

9. Conclusões
O presente trabalho propôs-se a realizar um estudo exploratório sobre a aplicabilidade de
redes RBF à tarefa de predição da vida de ferramentas de torneamento, baseada nos
parâmetros de corte do processo de usinagem. O valor de S. D. Ratio foi utilizado como
medida de desempenho na predição. Foram apresentados os resultados da análise da utilização
de um arranjo ortogonal para o projeto dos parâmetros de redes neurais RBF para uso na
aplicação proposta. Como casos de treinamento para as redes foram utilizados dados gerados
a partir de um modelo de regressão obtido e validado em experimento efetuado segundo a
Metodologia da Superfície de Resposta.
Os resultados sugerem que as redes RBF podem apresentar bom desempenho na predição da
vida da ferramenta. O valor observado durante os teste para a variável de saída foi de
0,013033, o que é um valor bastante reduzido.
As conclusões obtidas neste experimento não devem ser extrapoladas para outros tipos de
redes neurais nem tampouco para dados referentes a outros tipos de operações de usinagem
outros materiais ou ferramentas.
10. Sugestões para futuros trabalhos
Sugere-se a repetição deste estudo com a variação do tamanho do conjunto de treinamento das
redes, a fim de investigar-se o efeito de tal variação sobre a capacidade de predição das redes
na tarefa de predição da vida de ferramentas.

ENEGEP 2006 ABEPRO 7

 XXVI ENEGEP - Fortaleza, CE, Brasil, 9 a 11 de Outubro de 2006

Referências
ALAJMI, M. S.; ORABY, S. E.; ESAT, I. I. Neural network models on the prediction of tool wear in turning
process: a comparison study. Proceedings of the IASTED Conference Artificial Intelligence and Aplications,
Innsbruck, Austria, p.301-309, 2005.
BISHOP, C. M. Neural Networks for Pattern Recognition. New York: Oxford University Press Inc., 1995, 482p.
BRAGA, A. P.; CARVALHO, A. P. L. F.; LUDERMIR, T. B. Redes Neurais Artificiais: Teoria e Aplicações.
Rio de Janeiro: LTC Livros Técnicos Editora S. A., 2000, 262p.
DINIZ, A. E.; MARCONDES, F. C.; COPPINI, N. L. Tecnologia da Usinagem dos Materiais. São Paulo:
Artliber, 2005, 248p.
HAYKIN, S. Neural Networks - A compreensive foundation. New York: Mcmillan Publishing Company, 1994,
696p.
LEE, J. H.; KIM, D. E.; LEE, S. J. Application of neural networks to flank wear prediction. Mechanical Systems
and Signal Processing (1996) V10, p.265-276
MONTGOMERY, D. C.; RUNGER, G. C. Estatística Aplicada e Probabilidade para Engenheiros. Rio de
Janeiro: LTC Livros Técnicos Editora S. A., 2003, 496p.
ÖZEL, T.; NADGIR, A. Prediction of flank wear by using back propagation neural network modeling when
cutting hardened H-13 steel with chamfered and honed CBN tools. International Journal of Machine Tools and
Manufacture, V42, p.287-297, 2002.
PAIVA, A. P.; FERREIRA, J. R.; BALESTRASSI, P. P. Aplicação da metodologia de projeto de experimentos
ao estudo dos parâmetros de usinagem de um aço SAE/ABNT 52100 utilizando ferramentas cerâmicas mistas.
COBEM – Congresso Brasileiro de Engenharia Mecânica, Ouro Preto, 2005.

ENEGEP 2006 ABEPRO 8

ERROR: invalidaccess
OFFENDING COMMAND: put

STACK:

[[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 ][0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 ][0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ][0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ][0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ][0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ][0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ][
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 ][0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 ][0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0