CAPÍTULO 5

OTIMIZAÇÃO PARAMÉTRICA

03 DE SETEMBRO DE 2008
REVISÃO DE CAPÍTULOS ANTERIORES
 ENGENHARIA DE PROCESSOS

Área da Engenharia Química dedicada ao

Projeto de Processos Químicos
1.1 PROJETO DE PROCESSOS QUÍMICOS

O conjunto de ações desenvolvidas

Desde Até


A decisão de se Um plano bem definido
produzir um para a construção e a
determinado produto operação da instalação
químico industrial.

É um conjunto numeroso e diversificado de ações !!!
 Calcular o consumo
Estabelecer o número de utilidades
Investigar mercado e o tipo dos reatores
para o produto Calcular a vazão das
Definir o número e o correntes
tipo dos separadores intermediárias
Investigar reagentes
plausíveis Calcular as dimensões
Definir o número e o dos equipamentos
tipo de trocadores de
Investigar calor
disponibilidade Calcular o consumo
das matérias primas dos insumos
Estabelecer malhas
de controle Calcular o consumo
Definir as condições de matéria prima
das reações e identificar
os sub-produtos gerados Definir o fluxograma
do processo Avaliar a lucratividade
do processo
SELEÇÃO DE SÍNTESE ANÁLISE
ROTAS QUÍMICAS
1.3 SISTEMAS
1.3.3 Projeto

Denominação genérica atribuída ao conjunto numeroso e

diversificado de atividades associadas à criação de um sistema.

Esse conjunto compreende dois sub-conjuntos que interagem:

SÍNTESE
(a) escolha de um elemento para cada tarefa.
(b) definição da estrutura do sistema.

ANÁLISE
(a) previsão do desempenho do sistema.
(b) avaliação do desempenho do sistema.
PROJETO = SÍNTESE  ANÁLISE
 MULTIPLICIDADE NA SÍNTESE

Equipamentos disponíveis para a geração do fluxograma do

Processo Ilustrativo

RM DE
RT DS A R T

Aquecedor Resfriador Trocador

Reator de de
mistura Reator Coluna de destilação Coluna de destilação Integração
extrativa
tubular simples

A Síntese consiste em combinar esses equipamentos formando

todos os fluxogramas plausíveis em busca do melhor.

Um problema com multiplicidade de soluções!

A,B A,B
A
A
(12)
A
A
A (7) (9)

A,P
RT T DS
A,B
RM
RM

A P
P,A
P,A R
R DE
DS

T DS
P
P
A

P
RM A,B
A RT R
A,P
A,B DS
A
(8)
P,A (11) P

A,B

T (14)
DE A A

A,B A,P RT T A,P DE

P A RT R DE
RM

(10) (13)
P P
P,A
EXPLOSÃO COMBINATÓRIA !!!
MULTIPLICIDADE NA ANÁLISE

Cada par (x1,x2) é uma solução viável

20
18
16
14
12
10
8
Lucro

6
4 0,020
2
0 0,018
0,016
0,005
0,014
0,010
0,012
0,015
0,010
0,020 0,008
x

x
2
1
0,025 0,006
0,030 0,004

0,035 0,002

Problema: determinar o melhor par de valores

Dificuldade: infinidade de soluções viáveis!
1.3 SISTEMAS
1.3.6 Otimização
A multiplicidade de soluções, tanto na Síntese como na Análise,
conduz ao conceito de Otimização.

Exige a busca da através da

Multiplicidade
de Soluções
 Solução
Ótima  Otimização

O Projeto de Processos é um problema complexo de otimização.

Nível Tecnológico: determinar a melhor rota química.

Nível Estrutural (Síntese): determinar a estrutura ótima.

Nível Paramétrico (Análise): determinar as dimensões ótimas de

equipamentos e correntes.
 Decomposição, Representação e Resolução do Problema de
Projeto por Busca Orientada por Árvore de Estados
Raiz
Rota Química ?
? P
?? Fluxograma ?
Dimensões ?

Nível Tecnológico
A,B P,C D,E P,F
A+B P+C D+E P+F Seleção de uma Rota
?? ??
Fluxograma ?
Dimensões ?
4
A 1 P
A
2
P
D 3 P
D P Nível Estrutural
B x C
B x C
E x F
E x F
T D T A M D M E
Síntese de um
? ? ? ? Fluxograma
Dimensões ? Lucro?

L L L L Nível Paramétrico
6 8 10 7 Análise do Fluxograma
Dimensionamento
x* x o = 3 x x* x o = 4 x* x o = 6 x* x o = 5 dos Equipamentos
x x x
e das Correntes. Lucro.

Solução Ótima: Reagentes = D,E; Fluxograma = 3; x = 4

 Solução do Problema de Projeto por Busca Orientada
Raiz
Rota Química ?
? P
?? Fluxograma ?
Dimensões ?

Nível Tecnológico
Vantagem D,E
D+E P+F
P,F
Seleção de uma Rota
??
Fluxograma ?
Varre todas as Dimensões ?
soluções sem
D 3 P Nível Estrutural
repetições E x F
Síntese de um
sem omitir a ótima Fluxograma
?
Dimensões ? Lucro?
Desvantagem
Nível Paramétrico
L
Explosão Análise do Fluxograma
10 Dimensionamento
Combinatória
dos Equipamentos
(outros métodos) 4 x e das Correntes. Lucro.
Solução Ótima: Reagentes = D,E; Fluxograma = 3; x = 4  demais
dimensões.
INÍCIO DO CAPÍTULO 5
 ORGANIZAÇÃO DA DISCIPLINA
1
INT RODUÇÃO GERAL SÍNTESE
ANÁLISE

2 6
INTRODUÇÃO À INTRODUÇÃO À
ANÁLISE DE PROCESSOS SÍNTESE DE PROCESSOS

4 7 8
3 5
AVALIAÇÃO OTIMIZAÇÃO SÍNTESE DE SÍNTESE DE
ESTRATÉGIAS
ECONÔMICA PARAMÉTRICA SISTEMAS DE SEPARAÇÃO
DE CÁLCULO PRELIMINAR SISTEMAS DE
INTEGRAÇÃO ENERGÉTICA

FINALIDADE DO CAPÍTULO

Apresentar alguns conceitos básicos de Otimização, o método

analítico e métodos numéricos simples com aplicações em
processos químicos.
 Relembrando o Processo Ilustrativo
MISTURADOR RESFRIADOR CONDENSADOR

W14 W12
14 W9
T*14 12 T*12 9 T*9
13 10
Benzeno
W13 W10
T13 Ar T10
W11 11 W 8 8 Ac
T*11 Água T*8 Água Benzeno
W5
W15 T*5
15 W3
T15
x1,3
5
EXTRATOR T3
BOMBA f1,3
f2,3 EVAPORADOR
1 3 Ae
Vd
Extrato
W*1 * r* W6
x*1,1 7 6 T*6
T*1 W2
f1,1 x12 W7 Vapor
2 W4
f3,1 T7
T*2 4 x*1,4
f12 Condensado
Alimentação T4
f32 Rafinado Produto f1,4
f2,4
 Dimensionamento com G = 0 (solução única)

W1
x1,1,x1,4
T1,T2,T5,T6,T8,T9,T11,T12,T14, r, 
VARIÁVEIS ESPECIFICADAS

W4,W6,W8,W11,W14
MODELO Vd,Ae,Ac,Ar AVALIAÇÃO

PARÂMETROS MATEMÁTICO INCÓGNITAS ECONÔMICA

L
 Dimensionamento com G > 0 (otimização)

W1
x11,x14 Ausência de r, T9 e T12 na lista de
T1,T2,T5,T6,T8,T11,T14,  Metas de Projeto
VARIÁVEIS ESPECIFICADAS

W4,W6,W8,W11,W14
MODELO Vd,Ae,Ac,Ar AVALIAÇÃO
MATEMÁTICO
INCÓGNITAS ECONÔMICA

r,T9,T12 L
OTIMIZAÇÃO
VARIÁVEIS DE PROJETO

O módulo de Otimização arbitra sucessivos valores das variáveis

de projeto até encontrar o valor máximo do Lucro.
 Resumo da Análise de Processos
Correspondência dos Capítulos com os Módulos Computacionais
2
INTRODUÇÃO À
ANÁLISE DE PROCESSOS

3 4 5
ESTRATÉGIAS AVALIAÇÃO
OTIMIZAÇÃO
DE CÁLCULO ECONÔMICA

  
Variáveis Especificadas Parâmetros Econômicos

Parâmetros
Físicos MODELO Dimensões Calculadas MODELO Lucro
MATEMÁTICO ECONÔMICO OTIMIZAÇÃO

Variáveis de Projeto
Dimensionar Simular
Extrator Extrator

Dimensionar Simular
Evaporador Evaporador

Dimensionar Simular
Condensador Condensador
Resolver
Problema
Dimensionar Simular
Resfriador Resfriador

Dimensionar Simular
Misturador Misturador

Dimensionar Simular
Processo Processo

Otimizar
Calcular Lucro
Processo
 OTIMIZAÇÃO

Palavra com dois significados:

Ação de buscar a solução ótima de um problema

Campo da Matemática dedicado ao desenvolvimento de

métodos de busca da solução ótima de um problema
 Comentário

Todo problema de Otimização encerra um conflito

A solução ótima é o ponto de equilíbrio entre os fatores conflitantes.

 W kg B/h ?
Exemplo
B: benzeno (solvente)
Q = 10.000 kgA/h x kgB/kgA
A : água
EXTRATOR No extrator, a vazão de solvente afeta o
xo= 0,02 kg AB/kg A rafinado Lucro de forma conflitante.
AB: ácido benzóico y kg AB/kg B
(soluto)
(extrato)
Com o aumento da vazão:
60

50
- aumenta a recuperação de soluto.
R Logo, aumenta a Receita.
40
C
- aumenta o consumo de solvente.
L,R,C30 Logo, aumenta o Custo operacional.
$/a
20 L=R-C
Lo=15,6
Vazão ótima  Lucro máximo
10

0
0 1000 2000 3000 4000 5000 6000
Wo = 1.973,6
W kg/h
Até à vazão ótima, a Receita cresce mais rapidamente e o Lucro aumenta.
Após a vazão ótima, o Custo cresce mais rapidamente e o Lucro diminui.
A vazão ótima é o ponto de equilíbrio entre os fatores conflitantes
5. OTIMIZAÇÃO PARAMÉTRICA

5.1 Conceito de Otimização

5.2 Elementos Comuns em Problemas de Otimização
5.2.1 Variáveis de Decisão (Manipuladas)
5.2.2 Critério
5.2.3 Função Objetivo
5.2.4 Restrições
5.2.5 Região Viável
5.3 Localização da Solução Ótima
5.4 Problemas e Métodos de Otimização
5.5 Método Analítico: problemas univariáveis e multivariáveis.
5.6 Métodos Numéricos: problemas univariáveis e multivariáveis.
5.1 CONCEITO DE OTIMIZAÇÃO
Do Capítulo 2: na resolução de qualquer problema:
Graus de Liberdade G = V - N - E
V : número de variáveis
N : número de equações
E: número de variáveis especificadas (E = C + M)
C = condições conhecidas
M = metas de projeto

Em problemas de dimensionamento, ocorre uma das três situações:

- metas inconsistentes - metas estritamente - metas insuficientes  G > 0

ou em excesso  G  0 suficientes  G = 0 infinidade de soluções viáveis
solução impossível solução única

y y y

paralelas coincidentes

x x x
 Exemplo simples: dimensionamento de um extrator

(a) Dimensionamento com x = 0,01 kgAB/kgA como meta

Modelo Matemático:
W kg B/h ? 1. Q (xo - x) - W y = 0
B: benzeno (solvente) 2. y - k x = 0
Q = 10.000 kgA/h
A : água EXTRATOR
x = 0,01 kgAB/kgA Balanço de Informação:
rafinado
V = 5, N = 2, C = 2, M = 1
xo= 0,02 kg AB/kg A
G=0 (solução única)
AB: ácido benzóico y kg AB/kg B
(soluto) extrato
y = 0,04; W = 2.500 kg/h
(b) Dimensionamento com x = 0,01 kgAB/kgA e y = 0,03
kgAB/kgB como metas.

W kg B/h ?
B: benzeno (solvente) Modelo Matemático:
Q = 10.000 kgA/h 1. Q (xo - x) - W y = 0
A : água x = 0,01 kgAB/kgA 2. y - k x = 0 Identidade!
EXTRATOR
rafinado
xo= 0,02 kg AB/kg A Balanço de Informação:
AB: ácido benzóico y = 0,03 kg AB/kg B
V = 5, N = 2, C = 2, M = 2
(soluto) extrato G = - 1 (metas em excesso)

Metas incompatíveis na (Eq.2): o valor de y compatível com x = 0,01 é

0,04.

solução impossível!
(c) Dimensionamento sem especificação de metas

W kg B/h ? Modelo Matemático:

B: benzeno (solvente) 1. Q (xo - x) - W y = 0
Q = 10.000 kgA/h 2. y - k x = 0
A : água EXTRATOR
x kgB/kgA
Balanço de Informação:
rafinado
xo= 0,02 kg AB/kg A
V = 5, N = 2, C = 2, M = 0
AB: ácido benzóico y kg AB/kg B
(soluto) extrato G = 1 (infinidade de soluções)

Neste caso (G > 0) é imperioso buscar a melhor de todas as soluções:

Otimização  Solução Ótima

Insuficiência de metas gera graus de liberdade

5. OTIMIZAÇÃO PARAMÉTRICA

5.1 Conceito de Otimização

5.2 Elementos Comuns em Problemas de Otimização
5.2.1 Variáveis de Decisão (Manipuladas)
5.2.2 Critério
5.2.3 Função Objetivo
5.2.4 Restrições
5.2.5 Região Viável
5.3 Localização da Solução Ótima
5.4 Problemas e Métodos de Otimização
5.5 Método Analítico: problemas univariáveis e multivariáveis.
5.6 Métodos Numéricos: problemas univariáveis e multivariáveis.
5.2 ELEMENTOS COMUNS EM PROBLEMAS DE OTIMIZAÇÃO

Todo problema de otimização exibe os seguintes elementos, qualquer

que seja a sua área de aplicação.

5.2.1 Variáveis de Decisão (Manipuladas)

5.2.2 Critério

5.2.3 Função Objetivo

5.2.4 Restrições

5.2.5 Região Viável

5.2.1 Variáveis de Decisão (Manipuladas)
São as variáveis manipuladas pelo método de otimização durante a
busca da solução ótima.
Na Engenharia de Processos são chamadas de Variáveis de Projeto.
W1
x11,x14
T1,T2,T5,T6,T8,T11,T14, 
VARIÁVEIS ESPECIFICADAS

W4,W6,W8,W11,W14
MODELO Vd,Ae,Ac,Ar AVALIAÇÃO
MATEMÁTICO
INCÓGNITAS ECONÔMICA

r,T9,T12 L
OTIMIZAÇÃO
VARIÁVEIS DE PROJETO

Resultam da liberdade conferida ao projetista pela insuficiência de

metas de projeto

O módulo de Otimização arbitra sucessivos valores das variáveis de

projeto até o Lucro alcançar o seu valor máximo.
 Exemplo

x4c x1
C=2 1 V=7 y
x5c x2
E=3 2 x3
x6 m coincidentes
M=1 N=3
3 x7 x

G=V–E–N=7-3-3=1

Metas insuficientes, incógnitas em excesso

Sistema consistente indeterminado
(infinidade de soluções)
 G=V–E–N=7-3-3=1

Para se obter uma das soluções, é preciso

x4c especificar uma das 4 incógnitas.
x1
1
x5c x2
Não havendo imposições, o projetista tem a
m
2 x3 liberdade de escolher essa incógnita.
x6
Por exemplo: x7.
3 x7

x4c x1 A variável escolhida é denominada

variável de projeto.
c
1
x5 x2
x6m 2 O critério de escolha se baseia na minimização do
x3 esforço computacional, abordado no Capítulo 3
x7p 3 (Algoritmo de Ordenação de Equações).
Sem imposições, o projetista também tem a
liberdade de escolher o valor da variável de projeto.
A cada valor corresponde uma solução viável e um
valor para o Lucro.

c
Se a variável for contínua, haverá uma
x4 x1 infinidade de soluções viáveis (indeterminado)
c
1
x5 Ele deve escolher o valor que corresponde ao
x2
Lucro Máximo (solução ótima).
x6m 2
500
x3
x7p 3 400

300
L
Qualquer outro valor 200

atribuído como meta 100

produziria uma solução 0

0,0 0,2 0,4 0,6 0,8 1,0
pior do que a ótima. x
m
7
x
p
7
 As variáveis de projeto são escolhidas dentre as não-
especificadas.
Exemplo: otimização do extrator

W kg B/h

Q = 10.000 kgA/h
x kgB/kgA
rafinado
xo= 0,02 kg AB/kg A
y kg AB/kg B
extrato

Modelo Matemático Balanço de Informação

1. Q (xo - x) - W y = 0 V = 5, N = 2, C = 2, G = 1
2. y - k x = 0 (candidatas: x, y, W)
 Qualquer escolha resulta na solução ótima
Variável de Projeto: W Variável de Projeto: x
1. Q (xo - x) - W y = 0 1. Q (xo - x) - W y = 0
2. y * - k x = 0 2. y - k x = 0 xo*
xo

y Wo = 1.972,3 xo = 0,01118
y
xo = 0,01118 yo = 0,04472 W
W
yo = 0,04472 Wo = 1.972,3 1 2
1 2
Lo = 15,6 $/h 60 Lo = 15,6 $/h
x
Q* x
Q*
50
60 R
40
50
R C
L,R,C 30
40 $/a
C
L,R,C30 20
$/a Lo = 15,6
L
20 L=R-C 10
Lo=15,6 xo = 0, 01118
10 0
0,006 0,008 0,010 0,012 0,014 0,016 0,018 0,020 0,022
x kgAB/kg A
0
0 1000 2000 3000 4000 5000 6000
Wo = 1.973,6
W kg/h
 Qualquer escolha resulta na solução ótima
Mas a escolha afeta o esforço computacional envolvido na otimização

Variável de Projeto: W Variável de Projeto: x

1. Q (xo - x) - W y = 0 1. Q (xo - x) - W y = 0
2. y - k x = 0 2. y - k x = 0
xo* xo*

y
y
W W
1 2 1 2

x
Q* Q* x

Escolha infeliz ! Escolha feliz !

Sequência de cálculo cíclica Ciclo aberto por x (o mesmo p/ y)
Otimização com cálculo iterativo Sequência de cálculo acíclica:
2. y = k x
1. W = Q (xo - x)/y

O Algoritmo de Ordenação de Equações conduz à escolha acertada

5.2 ELEMENTOS COMUNS EM PROBLEMAS DE OTIMIZAÇÃO

São os elementos presentes em qualquer problema de otimização,

independentemente da área de aplicação.

5.2.1 Variáveis de Decisão (Manipuladas)

5.2.2 Critério

5.2.2 Função Objetivo

5.2.3 Restrições

5.2.4 Região Viável

Devem ser identificados e analisados antes de se iniciar a resolução do

problema
5.2.2 Critério
A busca da solução ótima tem que ser norteada por um critério.
O critério mais comum é econômico:

500 500
R
400 400
C
300 300
L L
200 200 L

100 100

0 0
0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0
x7o x7o

Maximização do Lucro Minimização do Custo

(produção fixa  Receita constante)
5.2.2 Critério

500

400

300
L
200

100

0
0,0 0,2 0,4 0,6 0,8 1,0
xm xp
7 7

Outros critérios adotados: segurança e controlabilidade.

A solução ótima segundo um critério pode não ser a ótima segundo um
outro critério. Por exemplo: a solução mais econômica pode não ser a
mais segura. E vice-versa.

Dois ou mais critérios podem ser utilizados simultaneamente com pesos

diferentes (otimização com objetivos múltiplos)
5.2 ELEMENTOS COMUNS EM PROBLEMAS DE OTIMIZAÇÃO

São os elementos presentes em qualquer problema de otimização,

independentemente da área de aplicação.

5.2.1 Variáveis de Decisão (Manipuladas)

5.2.2 Critério

5.2.3 Função Objetivo

5.2.5 Restrições

5.2.5 Região Viável

5.2.3 Função Objetivo

É a expressão matemática do critério de otimização descrita em

termos das variáveis físicas do problema.

Pode assumir formas das mais simples às mais complexas.

A sua caracterização é fundamental para a resolução do problema de
otimização.

Pode ser classificada quanto à:

(a) Continuidade: contínua, contínua com descontinuidade na derivada,

descontínua ou discreta.

(b) Modalidade: unimodal, multimodal.

(c ) Convexidade: côncava ou convexa.

 5.2.3 Função Objetivo
(a) Continuidade
0,6
0,5
0,5
0,4
0,4
0,3
y 0,3
y
0,2
0,2

0,1
0,1

0,0 0,0
0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0
x x
Função Contínua Função Contínua com
1,0 10
descontinuidade na derivada

0,8 8

0,6 6
y y
0,4 4

0,2 2

0,0 0
0,0 0,2 0,4 0,6 0,8 1,0 0 2 4 6 8 10
x x
Função Descontínua Função Discreta
 5.2.3 Função Objetivo
(b) Modalidade

2,0
1,8
1,6
1,4
0,5
1,2
1,0
0,4 0,8
0,6
f 0,4
0,3 0,2
0,0
y -0,2
0,2 -0,4
-0,6
1,0
0,8
-0,8 0,6
0,4
0,1 -1,0
-1,0 -0,8 -0,6
0,2
0,0
-0,4 -0,2 -0,2
-0,4
0,0 0,2
0,4 0,6 -0,6
-0,8 X2
0,8 1,0 -1,0
0,0 X1
0,0 0,2 0,4 0,6 0,8 1,0
x

Função Unimodal em 1 Dimensão Função Unimodal em 2 Dimensões

5.2.3 Função Objetivo
(b) Modalidade

220
A

215 4

E 3
C C
y 210 2 B A 0

1 1

f
B D 0 3,0 2
205 -1
2,5
2,0 3
1,5

2
x
1,0 4
0,5
F 0,0
200 -0,5
5

x -1,0
6
1 -1,5
1 2 3 4 5 6 -2,0
x

Função Bimodal em 1 Dimensão Função Bimodal em 2 Dimensões

5.2.3 Função Objetivo
(c ) Convexidade (funções univariáveis)
y
y[(1-a) x1 + a x2]0,5

0,4

(1-a) y(x1) + a y(x2)

0,3

0,2

0,1

0,0
0,0 0,2 0,4 0,6 0,8 1,0
0a1 x1 (1-a)x1+ ax2x2 x

Função côncava: o valor dado pela função é superior ao dado pela

reta.
y[(1-a) x1 + a x2] > (1-a) y(x1) + a y(x2)
5.2.3 Função Objetivo
(c ) Convexidade (funções univariáveis)

y
0,5

0,4

0,3
(1-a) y(x1) + a y(x2)
0,2

0,1

y[(1-a) x1 + a x2]
0,0
0,0 0,2 0,4 0,6 x2 0,8 1,0
x1 x
0a1 (1-a)x1+ ax2

Função convexa: o valor dado pela função é inferior ao dado pela reta.
y[(1-a) x1 + a x2] < (1-a) y(x1) + a y(x2)
 Concavidade (negativa) e Convexidade (positiva) de funções
univariáveis podem ser determinadas pela segunda derivada da
função no ponto extremo.
5.2.3 Função Objetivo
(c ) Convexidade (funções multivariáveis)

Para funções multivariáveis, a convexidade encontra-se relacionada aos

seus Valores Característicos, que são as raízes da sua Equação
Característica.
Exemplo: para uma função qualquer de duas variáveis, existem:

f f
11 12 2f
Matriz Hessiana: H(x) = f ij 
f f xix j
21 22
Equação Característica:

f -  f 2 – (f11 + f22)  + (f11f22 – f12f22) = 0

11 12
det =0
f f -  Os Valores Característicos são
21 22 as raízes desta equação.
5.2.3 Função Objetivo
(c ) Convexidade (funções multivariáveis)

Ilustração: Funções Quadráticas

f(x) = bo + b1 x1 + b2 x2 + b11 x12 + b22 x22 + b12 x1 x2

 ,   H ( x) f ( x)
1 2
 >0,  >0 positiva definida estritamente convexa
1 2
 >0,  =0 positiva semi-definida convexa
1 2
 < 0,  < 0 negativa definida estritamente côncava
1 2
 < 0,  = 0 negativa semi-definida côncava
1 2
 >0,  <0 indefinida ponto de sela
1 2

2,0
1,8
1,6
1,4
2,0 1,2
1,0
1,8
0,8
1,6 0,6
f 0,4
0
1,4
0,2
1,2 0,0
1,0 1,0 -0,2 -1,0
f 0,8
-0,4
-0,8
-0,6
0,8 0,6 1,0 0,8 -0,4
0,6 0,4 -0,2
0,4 -0,6 0,0
0,2 0,2 0,2
0,6 1,0
0,8 0,0 0,4
0,0 -0,8 0,6 -0,2
-0,4 0,6
0,4 0,4 -0,6 0,8
0,2
X2

-0,2 -1,0
-1,0 -0,8 1,0
-0,8 -0,6 0,0 -1,0
0,2 -0,4 -0,4 -0,2 -0,2
-0,4
0,0
-0,6 0,0 0,2
0,4 0,6 -0,6
-0,8 X2
-1,0 -0,8
-0,6 -0,4 -0,8 0,8 1,0 -1,0
-0,2 0,0 X1
0,2 0,4 -1,0
0,6 0,8 1,0
X1

1,0
-1,4 -1,1 -0,80
0,8
1,0 -0,50
1,0
0,6
0,40 -0,20
0,8 0,4
0,8 0,70
0,2
0,10
0,6
0,6 0,0

x2
0,10
f f 0,4
-0,2 0,70
0,4
-0,4 0,40
-0,20
0,2 0,2
1,0 -0,6
1,0 0,8
0,8
0,6 0,6
0,4
-0,50 -0,80
0,4 -0,8
0,0 0,2 0,0 0,2
-1,0 -1,0 0,0
-0,8 0,0 -0,8
-0,6 -0,2 -0,6
-0,4 -0,2 -1,0
-1,1 -1,4 -1,7
-0,4 -0,2 -0,4
X2

-0,2 -0,4
X2

0,0 0,0 -0,6 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0
0,2 -0,6 0,2
0,4 -0,8 0,4 -0,8
0,6 X1 0,6
X1 0,8 -1,0 0,8 -1,0 X1
1,0 1,0
3.7 Dimensionamento
Desprezada a solubilidade do benzeno em água.
Sistema isotérmico (To = Ts = T = 25 oC; k = 4).
W2 kg B/h ?
W1 kg B/h ?
Q = 10.000 kgA/h
Q* = 10.000 kgA/h Q = 10.000 kgA/h x2 * = 0,008 kgAB/kg A
xo*= 0,02 kg AB/kg A x1 * = 0,015 kgAB/kgA
1 2
alimentaçã rafinado rafinado
o
W1 kg B/h W2 kg B/h
y1 kg AB/kg B ? y2 kg AB/kg B ?
extrato extrato

Modelo Físico
1. Q* (xo* - x1 *) - W1 y1 = 0
2. y1 - k x1 * = 0 Balanço de Informação
3. Q * (x1 * - x2 *) - W2 y2 = 0 V = 8, N = 4, C = 2, M = 2
4. y2 - k x2 * = 0 G = 0 (solução única)
5.6 Dimensionamento/Otimização
Desprezada a solubilidade do benzeno em água.
Sistema isotérmico (To = Ts = T = 25 oC; k = 4).

W1 kg B/h ? W2 kg B/h ?
Q = 10.000 kgA/h Q = 10.000 kgA/h
Q* = 10.000 kgA/h x1 kgAB/kg A ? x2 kgAB/kgA ?
xo*= 0,02 kg AB/kg A
1 2
alimentaç rafinado rafinado
ão W2 kg B/h ?
W1 kg B/h ?
y1 kg AB/kg B ? y2 kg AB/kg B ?
extrato extrato

Modelo Físico:
1. Q* (xo* - x1) - W1 y1 = 0
2. y1 - k x1 = 0 Balanço de Informação:
3. Q* (x1 - x2) - W2 y2 = 0 V = 8, N = 4, C = 2, M = 0
4. y2 - k x2 = 0 G = 2 (otimização)
 Exemplo de Função Não-Quadrática
(Lucro de 2 extratores em série)

b x
L = a- - cx 2 - d 1
x1 x2

0,020

20 0,018
0
18 4,0 2,0
0,016 8,0
6,0
16
0,014 10
14
16 14
12 0,012

L 10 X2 18
0,010
8
0,008
6

4 0,006
12
2
0,004
0 0,020
0,018
0,005 0,016
0,010 0,014
0,015 0,012 0,002
0,020 0,010
0,025 0,008 0,005 0,010 0,015 0,020 0,025 0,030 0,035
0,006
0,030
0,035
0,004
0,002 X2
x1 X1

Aplica-se a mesma classificação

5.2 ELEMENTOS COMUNS EM PROBLEMAS DE OTIMIZAÇÃO

São os elementos presentes em qualquer problema de otimização,

independentemente da área de aplicação.

5.2.1 Variáveis de Decisão

5.2.2 Critério

5.2.3 Função Objetivo

5.2.4 Restrições

5.2.5 Região Viável

5.2.3 Restrições

São os limites impostos pelas leis naturais ou estabelecidos às

variáveis do processo.

Há dois tipos de restrições:

(a) restrições de igualdade : h(x) = 0

São as equações do próprio modelo matemático.

(b) restrições de desigualdade: g (x)  0

São os limites impostos às Variáveis de Projeto
 Enunciado Formal de um Problema Exemplo: otimização do extrator
de Otimização
Min f(x) Função Objetivo Max L(x) = R – C
x Variável de Projeto {x}
s.a.: g(x)  0 Restrições de desigualdade
h(x) = 0 Restrições de Igualdade s.a.:
g(x) = x - xo  0
W kg B/h h1 (x) = Q (xo - x) - W y = 0
h2 (x) = y - k x = 0
Q = 10.000 kgA/h
x kgB/kgA
rafinado
xo= 0,02 kg AB/kg A
y kg AB/kg B
extrato

A presença de restrições pode alterar a solução de um problema

5.2.3 Restrições
(a) Restrições de Igualdade (solução sobre a curva)
2,0

0,4
0,6
1,5 0,8

x 1,0 1.0
2 A

0,5
B

h(x) = 0
0,0
0,0 0,5 1,0 1,5 2,0
x1

f ( x )  1  ( x 1  1) 2  ( x 1  1)( x 2  1)  ( x 2  1) 2
h ( x )  x 12  x 22  0 , 25  0
g2(x) = x1  0 Solução Irrestrita: A
g3(x) = x2  0 Solução Restrita : B
 2,0 0,4
h(x) = 0
0,6

1,5 0,8

C
A
x2 1,0 1,0

B
0,5

0,0
0,0 0,5 1,0 1,5 2,0
x
1

f ( x )  1  ( x 1  1) 2  ( x 1  1)( x 2  1)  ( x 2  1) 2
h ( x )  x 2  2 , 1( x 1  1) 2  0 , 1  0
Solução Irrestrita: A
g2(x) = x1  0 Solução Restrita : B
g3(x) = x2  0 Máximo Local: C
 2,0

0,4
0,6
1,5 0,8

x 1,0 1.0
2 A
h2(x) = 0
0,5

B
h1(x)=0
0,0
0,0 0,5 1,0 1,5 2,0
x1

f ( x )  1  ( x 1  1) 2  ( x 1  1)( x 2  1)  ( x 2  1) 2
h 1 ( x )  x 12  x 22  0 , 25  0
Solução Irrestrita: A
h 2 ( x )  x 12  x 22  0 , 25  0
Solução Restrita : B
(restrições compatíveis)
g2(x) = x1  0
g3(x) = x2  0
 2,0

0,4
0,6
1,5 0,8

x2 1,0 1.0
A

0,5

B h2(x) = 0
h1(x)=0
0,0
0,0 0,5 1,0 1,5 2,0
x1

f ( x )  1  ( x 1  1) 2  ( x 1  1)( x 2  1)  ( x 2  1) 2

h 1 ( x )  x 12  x 22  0 , 25  0
h 2 ( x )  x1  x 2  1  0 Solução irrestrita: A
g2(x) = x1  0 Solução restrita: impossível
g3(x) = x2  0 ( restrições incompatíveis)
5.2.3 Restrições
(b) Restrições de Desigualdade (fronteira e interior de regiões)

2,0

0,4
0,6
1,5 0,8

x2 1,0 1.0
A

0,5
B

0,0
0,0 0,5 1,0 1,5 2,0
x1

f ( x )  1  ( x 1  1) 2  ( x 1  1)( x 2  1)  ( x 2  1) 2

g ( x ) = x 2 + x 2 - 0 , 25  0
1 1 2
g2(x) = x1  0 Solução irrestrita: A
g3(x) = x2  0 Solução restrita : B
 2,0

0,4
0,6
1,5 0,8

x2 1,0 1.0
A

0,5
B

0,0
0,0 0,5 1,0 1,5 2,0
x1

f ( x )  1  ( x 1  1) 2  ( x 1  1)( x 2  1)  ( x 2  1) 2
g ( x ) = x 2 + x 2 - 0 , 25  0
1 1 2
Solução irrestrita: A
g2(x) = x1  0
Solução restrita : A
g3(x) = x2  0
 2,0
0,4
0,6
1,5 B
0,8

x2 1,0 A
1,0 g2(x)

0,5
g1(x)
0,0
0,0 0,5 1,0 1,5 2,0
x1

f ( x )  1  ( x 1  1 ) 2  ( x 1  1) ( x 2  1)  ( x 2  1) 2
g1 ( x)  x12  x 22  1  0
g 2 ( x )  x12  x 22  4  0 Solução irrestrita: A
g3(x) = x1  0 Solução restrita : B
g4(x) = x2  0
 2,0
0,4
0,6
1,5 0,8

A
x2 1,0 1,0
g2(x)
C
0,5
g1(x)
0,0
0,0 0,5 1,0 1,5 2,0
x1

f ( x )  1  ( x 1  1 ) 2  ( x 1  1) ( x 2  1)  ( x 2  1) 2
g 1 ( x )  x 12  x 22  1  0
g 2 ( x )  x 12  x 22  4  0
Solução irrestrita: A
g3(x) = x1  0
Solução restrita : C
g4(x) = x2  0
 2,0
0,4
0,6
1,5 0,8

x2 1,0 A
1,0
g2(x)

0,5
g1(x)
0,0
0,0 0,5 1,0 1,5 2,0
x1
f ( x )  1  ( x 1  1 ) 2  ( x 1  1) ( x 2  1)  ( x 2  1) 2
g1 ( x)  x12  x 22  1  0
g 2 ( x )  x 12  x 22  4  0
Solução irrestrita: A
g3(x) = x1  0 Solução restrita : A
g4(x) = x2  0
 2,0
0,4
0,6
1,5 0,8

x2 1,0 A
1,0 g2(x)

0,5
g1(x)
0,0
0,0 0,5 1,0 1,5 2,0
x1
f ( x )  1  ( x 1  1 ) 2  ( x 1  1) ( x 2  1)  ( x 2  1) 2
g 1 ( x )  x 12  x 22  1  0
g 2 ( x )  x12  x 22  4  0
Solução impossível
g3(x) = x1  0 Restrições incompatíveis
g4(x) = x2  0
5.2 ELEMENTOS COMUNS EM PROBLEMAS DE OTIMIZAÇÃO

São os elementos presentes em qualquer problema de otimização,

independentemente da área de aplicação.

5.2.1 Variáveis de Decisão (Manipuladas)

5.2.2 Critério

5.2.3 Função Objetivo

5.2.4 Restrições

5.2.5 Região Viável

 5.2.4 Região Viável
Região do espaço delimitada pelas restrições de igualdade e de
desigualdade à qual se restringe a busca da solução ótima.

x3

Max f(x)
{x} h(x) = 0

g(x)  0
s.a.: h(x) = 0
g(x)  0

x1

x2

Busca restrita ao interior da elipse (restrição de desigualdade g(x)  0)

que se encontra sobre o plano (restrição de igualdade h(x) = 0)
5.2.4 Região Viável
Convexidade

2,0
g1 ( x)  ( x12  2) 2  ( x2  2) 2  4  0
1,5 g2 ( x)  x12  x22  4  0
g (x)
3
g 3 (x)  (x1  2) 2  x 2  4  0
g (x)
2
x 1,0 A
2

0,5 g (x) B
1 Região Convexa
Qualquer par de pontos pode
0,0
0,0 0,5 1,0
x
1,5 2,0 ser unido por uma reta
1
totalmente contida na região.

A convexidade garante a convergência dos métodos de otimização

5.2.4 Região Viável
Convexidade

g1 (x)  x12  x 22  4  0
2,0
g (x) = x 2 + (x - 2) 2 - 4  0
g (x)
1
2 1 2
A
g 3 ( x )  x12  ( x 2  1) 2  1  0
1,5

x 1,0 g (x)
2 3

0,5
Região Não - Convexa
g (x)
2 A reta que une A e B não
B
permanece contida na região
0,0
0,0 0,5 1,0 1,5 2,0
x
1
Restrições podem ser lineares:
x1 – 0,02  0
x2 – x1  0

20
18
16
14
12
10
8
L

6
4 0,020
2
0 0,018
0,016
0,005
0,014
0,010
0,012
0,015
0,010
0,020 0,008
x

x
2
1
0,025 0,006
0,030 0,004

0,035 0,002
5. OTIMIZAÇÃO PARAMÉTRICA

5.1 Conceito de Otimização

5.2 Elementos Comuns em Problemas de Otimização
5.2.1 Variáveis de Decisão (Manipuladas)
5.2.2 Critério
5.2.3 Função Objetivo
5.2.4 Restrições
5.2.5 Região Viável
5.3 Localização da Solução Ótima
5.4 Problemas e Métodos de Otimização
5.5 Método Analítico: problemas univariáveis e multivariáveis.
5.6 Métodos Numéricos: problemas univariáveis e multivariáveis.
5.3 Localização da Solução Ótima
Localização de valores extremos na faixa x1  x  x2

M
5

M
4

f(x) 3
M

2 m

m
1

0 x1 5 10 15 x20
x 2

Pontos estacionários, descontinuidades das derivadas e fronteiras do

intervalo.
Máximos (M) e Mínimos (m) locais e globais
5.3 Localização da Solução Ótima

Condição para a otimalidade SEM restrição:

• Condição necessária de primeira ordem:
Para que x* seja um mínimo (ou máximo) local da função
f(x), diferenciável em x*, é necessário que:

f(x*) = 0

• Condição necessária de segunda ordem:

Para que x* seja um mínimo local da função f(x), duas
vezes diferenciável em x*, é necessário que a condição de
primeira ordem seja satisfeita e que a matriz Hessiana
H(x*) = 2f(x*) seja positiva semi-definida (ou negativa
semi-definida para máximo).
Condição para a otimalidade SEM restrição:

• Condição suficiente de segunda ordem:

Seja f(x) duas vezes diferenciável em x* tal que:
f(x*) = 0 e
H(x*) seja positiva definida
então x* é um mínimo local estrito de f (ou máximo se
negativa definida).
Condição para a otimalidade COM restrição:

• Condição necessária de primeira ordem de Karush-Kuhn-

Tucker (KKT):
Para que x* seja um ótimo local do problema com restrições,
com f(x), g(x), e h(x) diferenciáveis em x*, é necessário que:
os gradientes das restrições de desigualdade ativas, g(x*), e
das restrições de igualdade, h(x*), sejam linearmente
independentes, e que as seguintes condições sejam
satisfeitas:

xL(x*, λ*, μ*) = S(x*) + (λ*)T h(x*) + (μ*)T g(x*) = 0

h(x*) = 0
g(x*) ≤ 0
μj* gj(x*) = 0 , j = 1, 2, ..., p (condições de complementaridade)
μ* ≥ 0
Condição para a otimalidade COM restrição:

• Condição necessária de segunda ordem de KKT:

Para que x* seja um mínimo local do problema com
restrições, com f(x), g(x), e h(x) duas vezes diferenciáveis em
x*, é necessário que a condição de primeira ordem de KKT
seja satisfeita e, que a matriz Hessiana da
função de Lagrange, x2L(x*, λ*, μ*), seja positiva semi-
definida para todo vetor não nulo d tal que:

dT hi(x*) = 0 , i = 1, 2, ..., m
dT gj(x*) = 0 para as gj(x*) ativas

isto é, dT x2L(x*, λ*, μ*) d ≥ 0.

5. OTIMIZAÇÃO PARAMÉTRICA

5.1 Conceito de Otimização

5.2 Elementos Comuns em Problemas de Otimização
5.2.1 Variáveis de Decisão (Manipuladas)
5.2.2 Critério
5.2.3 Função Objetivo
5.2.4 Restrições
5.2.5 Região Viável
5.3 Localização da Solução Ótima
5.4 Problemas e Métodos de Otimização
5.5 Método Analítico: problemas univariáveis e multivariáveis.
5.6 Métodos Numéricos: problemas univariáveis e multivariáveis.
5.4 PROBLEMAS E MÉTODOS DE OTIMIZAÇÃO

À luz dos conceitos apresentados os problemas de otimização podem

ser classificados:

(a) Quanto ao número de variáveis:

- Univariáveis ou Multivariáveis
(b) Quanto à presença de restrições:
- Irrestritos ou Restritos

Os métodos de resolução podem ser classificados:

(a) Quanto à natureza:

- Analítico: localiza os pontos estacionários pelo cálculo das
derivadas da função objetivo.
- Numéricos: buscam os pontos estacionários por tentativas.
(b) Quanto ao tipo de informação utilizada:
- Diretos: utilizam apenas o valor da função objetivo.
- Indiretos: utilizam, também, os valores das suas derivadas.
5.4 PROBLEMAS E MÉTODOS DE OTIMIZAÇÃO

Problemas:

(a) Quanto ao número de variáveis: univariáveis ou multivariáveis

(b) Quanto à presença de restrições: restritos ou irrestritos.

Métodos:

(a) Quanto à natureza: analíticos ou numéricos

(b) Quanto ao tipo de informação utilizada: diretos ou indiretos.

Com base nessa informação, pode-se formular diversos planos

para um estudo sistemático de Otimização.
5. OTIMIZAÇÃO PARAMÉTRICA

5.1 Conceito de Otimização

5.2 Elementos Comuns em Problemas de Otimização
5.2.1 Variáveis de Decisão (Manipuladas)
5.2.2 Critério
5.2.3 Função Objetivo
5.2.4 Restrições
5.2.5 Região Viável
5.3 Localização da Solução Ótima
5.4 Problemas e Métodos de Otimização
5.5 Método Analítico: problemas univariáveis e multivariáveis
5.6 Métodos Numéricos: problemas univariáveis e multivariáveis
5.5 MÉTODO ANALÍTICO
5.5.1 Problemas univariáveis

Exemplo:
dimensionamento do extrator W kg B/h

Q = 10.000 kgA/h
x kgB/kgA
rafinado
xo= 0,02 kg AB/kg A
y kg AB/kg B
extrato
Modelo Matemático: Balanço de Informação:
1. Q (xo - x) - W y = 0 V = 5, N = 2, C = 2, M = 0
2. y - k x = 0 (k = 4) G = 1 (otimização)
Avaliação Econômica:
L=R-C
R = pAB W y
C = pB W
pAB = 0,4 $/kgAB : pB = 0,01 $/kgB
 Seqüência de Cálculo

x y W x y W

1 * * * 1 x x o 2. y = k x
2 * *  2 x o 1. W = Q (xo - x)/y

Restrições de Igualdade !!!

 Função Objetivo: L = R - C = pAB W y - pB W

Incorporando a L às Restrições de Igualdade ordenadas :

2. y = k x
1. W = Q (xo - x)/y

L = a - b x - c/x

pB
a = Q ( p AB x o + ) = 105
k

b = p AB Q = 4000

p B Qx o
c = = 0 ,5
k
 L = a - b x - c/x
60
Busca do ponto estacionário:
dL c c
50
= - b+ = 0 || x o = = 0 , 01118
dx x2 b
Solução completa do problema:
40 R
yo = 0,04472 kg AB/kg B;
L,R,C 30 C Wo = 1.972,3 kgB/h;
$/a Ro = 35,3 $/h; Co = 19,7 $/h;
Lo = 15,6 $/h
20 o
L = 15,6 d2L c
= -2 o 3 < 0
dx2 xo
(x )
10
L
Máximo!
o
x =0, 01118
0
0,006 0,008 0,010 0,012 0,014 0,016 0,018 0,020 0,022
x kgAB/kg A
5.5 MÉTODO ANALÍTICO
5.5.2 Problemas multivariáveis
Exemplo: dimensionamento de 2 extratores em série
W kgB/h W kgB/h
1 2

Q = 10.000 kgA/h
x kgAB/kgA x kgAB/kgA
1 2
1 2
xo = 0,02 kgAB/kgA

y kgAB/kgB y kgAB/kgB
1 2

Modelo Matemático Avaliação Econômica

1. Q(xo - x1) - W1 y1 = 0 L=R-C
2. y1 - k x1 = 0 R = pAB (W1 y1 + W2 y2 )
3. Q(x1 -x2) - W2 y2 = 0 C = pB (W1 + W2)
4. y2 - k x2 = 0 pAB = 0,4 $/kgAB : pB = 0,01 $/kgB

Balanço de Informação: V = 8; N = 4; C = 2; G = 2 (otimização)

5.5 MÉTODO ANALÍTICO
5.5.2 Problemas multivariáveis

Modelo Matemático W1 x1 y1 W2 x2 y2
1. Q (xo - x1) - W1 y1 = 0 1 * * *
2. y1 - k x1 = 0 2 * *
3. Q(x1 -x2) - W2 y2 = 0 3 * * * *
4. y2 - k x2 = 0 4 * *

Modelo Matemático W1 x1 y1 W2 x2 y2
2. y1 = k x1 1 o x x
4. y2 = k x2 2 x o
3. W2 = Q (x1 – x2)/ y2 3 x o x x
1. W1 = Q (xo - x1)/ y1 4 x o
 Incorporando as Restrições de Igualdade à Função Objetivo L

L=R–C 2. y1 = k x1
R = pAB (W1 y1 + W2 y2 ) 4. y2 = k x2
C = pB (W1 + W2) 3. W2 = Q (x1 – x2)/ y2
1. W1 = Q (xo - x1)/ y1
L = a – b/x1– cx2 – d x1/x2
a = pAB Q xo + 2 pB Q / k = 130; b = pB Q xo/ k = 0,5; c = pAB Q = 4000; d = pB Q / k = 25

Buscando o ponto estacionário:

L/x1 = b/x12 – d/x2 = 0 x1o = (b2/cd)1/3 = 0,01357

L/x2 = - c + dx1/x22 = 0 x2o = (d/b) x12 = 0,00921

Solução completa:
y1o = 0,05428 kgAB/kgB; W1o = 1.184 kgB/h
y2o = 0,03684 kgAB/kgB; W2o = 1.184 kgB/h
Co = 23,68 $/h; Ro = 43,15 $/h; Lo = 19,47 $/h
 Analisando o ponto estacionário:
L/x1 = b/x12 – d/x2 = 0 x1o = (b2/cd)1/3 = 0,01357

L/x2 = - c + dx1/x22 = 0 x2o = (d/b) x12 = 0,00921

  2L  2L   b d 
   2 o 3
x 2
x 2x1  (x1 ) (xo2 )2   4  105 2,95  105 
H(x1o ,xo2 )   2 1 =   
 L L2   d d x1  2,95  105
o
8,69  105 
 2   2 o 3 
 x1x 2 x 2  xo  (x 2 ) (x 2 ) 
o 2

det(H - I) = 0  1 = -0,258106 e 2 = -1,011106

Máximo!
 20
18
16
14
12
10
L 8
6
4 0,020
2
0 0,018
0,016
0,005
0,014
0,010
0,012
0,015
0,010
0,020 0,008
x

x
2
1
0,025 0,006
0,030 0,004

0,035 0,002
 20
18
16
14
12
10
8
L

6
4 0,020
2
0 0,018
0,016
0,005
0,014
0,010
0,012
0,015
0,010
0,020 0,008
x

x
2
1
0,025 0,006
0,030 0,004

0,035 0,002
 W1 = 1.184 W2 = 1.184
kgB/h kgB/h

Q = 10.000 kgA/h x1 = 0,01357 x2 =

kgAB/kgA 0,00921
1 2 kgAB/kgA
xo = 0,02 kgAB/kgA

y1 = y2 =
0,05428 0,03824
kgAB/kgA kgAB/kgA

Estágio 1 2 Total

Soluto Recup. kg/h 64,28 43,62 107,90

Solv. Consum. kg/h 1.184 1.184 2.368
Lucro $/a 13,87 5,61 19,48
 0,020

0,018
0
4,0 2,0
0,016 8,0
6,0
0,014 10
16 14
0,012

X2 0,010 0,00921 19,5 18

0,008

0,006
12
0,004
0,01357
0,002
0,005 0,010 0,015 0,020 0,025 0,030 0,035
X1
3.7 Dimensionamento
Desprezada a solubilidade do benzeno em água.
Sistema isotérmico (To = Ts = T = 25 oC; k = 4).
W2 kg B/h ?
W1 kg B/h ?
Q = 10.000 kgA/h
Q* = 10.000 kgA/h Q = 10.000 kgA/h x2 * = 0,008 kgAB/kg A
xo*= 0,02 kg AB/kg A x1 * = 0,015 kgAB/kgA
1 2
alimentação rafinado rafinado
W1 kg B/h W2 kg B/h
y1 kg AB/kg B ? y2 kg AB/kg B ?
extrato extrato

Modelo Físico
1. Q* (xo* - x1 *) - W1 y1 = 0
2. y1 - k x1 * = 0 Balanço de Informação
3. Q * (x1 * - x2 *) - W2 y2 = 0 V = 8, N = 4, C = 2, M = 2
4. y2 - k x2 * = 0 G = 0 (solução única)
 Dimensionamento: x1* = 0,015 e x2* = 0,008

0,020

0,018
0
4,0 2,0
0,016 8,0
6,0
0,014 10
16 14
0,012

X2 0,010 19,5 18

0,008 17,8

0,006
12
0,004

0,002
0,005 0,010 0,015 0,020 0,025 0,030 0,035
X1
 OTIMIZAÇÃO SIMULTÂNEA x SEQUENCIAL

O Método Analítico foi aplicado às duas variáveis de projeto

simultaneamente, surgindo um sistema de duas equações que foi
resolvido.

Alternativamente, poder-se-ia pensar em decompor o problema em dois

sub-problemas univariáveis: otimizar o primeiro estágio e utilizar o valor
ótimo x1o na alimentação e otimização do segundo.

Neste caso, a solução obtida não é a solução ótima do problema!

 W W
1 2
* *
Q Q
1 2
* x * x
x 1 x 2
o 1
W1 W
2
y y
1 2

(
pbQ* x*o  x1 ) (
pbQ* x1*  x2 )
(
L1  pabQ* x*o  x1 ) kx1
(
L2  pabQ* x1*  x2 ) kx2
c c
L1  a1  b1x1  1 L2  a2  b2x2  2
x1 x2
p p
a1  Q*(pabx*o  b )  105 a2  Q*(pabx1*  b )  6972
,
k k
b1  pabQ*  4..000 b2  pabQ*  4000
.
pbQ*x*o pbQ*x1*
c1   05
, c2   02795
,
k k
c c
x1o  1  00111803
, xo2  2  0008359
,
b1 b2
Lo1  1556
, $/ a Lo2  284
, $/ a
 W1 = 1.972 W2 = 843 kgB/h
kgB/h

Q = 10.000 kgA/h x1 = 0,01118 x2 = 0,008359

kgAB/kgA kgAB/kgA
1 2
xo = 0,02 kgAB/kgA

y1 = y2 =
0,04472 0,03344
kgAB/kgA kgAB/kgA

Estágio 1 2 Total

Soluto Recup. kg/h 64,28 28,21 116,41

Solv. Consum. kg/h 1.972 843 2.815
Lucro $/a 15,56 2,84 18,40
 Solução Simultânea
Estágio 1 2 Total

Soluto Rec. kg/h 64,28 43,62 107,90

Solv. Cons. kg/h 1.184 1.184 2.368
Lucro $/a 13,87 5,61 19,48

Solução Seqüencial
Estágio 1 2 Total

Soluto Rec. kg/h 88,20 28,21 116,41

Solv. Cons. kg/h 1.972 843 2.815
Lucro $/a 15,56 2,84 18,40

Na solução seqüencial, o primeiro estágio ignora o segundo: solução

irrestrita. O segundo estágio é otimizado sob a restrição imposta pelo
primeiro: solução restrita.
A solução ótima é aquela obtida pela otimização simultânea
 Restrição de Igualdade: x1 – 0,01118 = 0

0,020

0,018
0
4,0 2,0
0,016 8,0
6,0
0,014 10
16 14
0,012

X2 18
0,010

0,008

0,006
12
0,004

0,002
0,005 0,010 0,015 0,020 0,025 0,030 0,035
X1
 Problemas Restritos [hi(x) , gi(x)]

Método dos Multiplicadores de Lagrange

1. Formar o Lagrangeano do problema:

L(x, , , ) = f(x) +  i hi (x) +  j [gj(x) + j2]

i , j : multiplicadores de Lagrange (ou de Kuhn-Tucker)

i : variável de folga (distância de um ponto interior à fronteira da
restrição; transforma desigualdade em igualdade)

2. Localizar os pontos estacionários do Lagrangeano.

3. Analisar as soluções obtidas à luz das restrições.

Exemplo: Min f(x) = (x1 – 1)2 + (x2 – 1)2
s.a.: g1 (x) = x12 + x22 – 0,25  0
g2 (x) = x1  0
g3 (x) = x2  0

x2
curvas de nível da função objetivo

0,5

0,5 1 x1

restrição
Exemplo: Min f (x) = (x1 – 1)2 + (x2 – 1)2
s.a.: g1 (x) = x12 + x22 – 0,25  0
g2 (x) = x1  0
g3 (x) = x2  0

Formar o Lagrangeano:

Considerar apenas g1(x) e depois eliminar valores negativos de x1 e x2

L (x, , ) = f(x) +  i hi (x) +  j [gj(x) + j2]

L (x, , ) = (x1 – 1)2 + (x2 – 1)2 +  [x12 + x22 – 0,25 + 2]

 L (x, , ) = (x1 – 1)2 + (x2 – 1)2 +  [x12 + x22 – 0,25 +  2]

L / x1 = 2 x1 – 2 + 2  x1 = 0  x1 = 1/(1 + ) (1)

L / x2 = 2 x2 – 2 + 2  x2 = 0  x2 = 1/(1 + ) (2)
L /  = x12 + x22 – 0,25 +  2 = 0 (3)
L /   = 2   = 0 (4)

A Eq. (4) é satisfeita para:

 = 0 (solução irrestrita): (1)  x1 = 1 ; (2)  x2 = 1 (viola a restrição!)
 = 0 (folga zero, fronteira da região): (1) e (2) em (3)  x1 = x2 = 0,35
x2  = 0,74
curvas de nível da função objetivo

0,5

0,5 1 x1

restrição
Exercício: Min f (x) = x1 x2
s.a.: g1 (x) = x12 + x22 – 25  0

Encontrar os pontos estacionários deste problema,

pelo método da relaxação Lagrangeana, e analisá-
los segundo os critérios de KKT
5. OTIMIZAÇÃO PARAMÉTRICA

5.1 Conceito de Otimização

5.2 Elementos Comuns em Problemas de Otimização
5.2.1 Variáveis de Decisão (Manipuladas)
5.2.2 Critério
5.2.3 Função Objetivo
5.2.4 Restrições
5.2.5 Região Viável
5.3 Localização da Solução Ótima
5.4 Problemas e Métodos de Otimização
5.5 Método Analítico: problemas univariáveis e multivariáveis.
5.6 Métodos Numéricos: problemas univariáveis e multivariáveis
5.6. MÉTODOS NUMÉRICOS

São métodos de busca por tentativas.

Os métodos podem ser:

- Diretos: utilizam apenas o valor da Função Objetivo.

- Indiretos: utilizam também o valor da(s) derivada(s) da Função Objetivo

(menor números de tentativas mas o esforço computacional é maior).

Os pesquisadores buscam desenvolver métodos que atendam às

seguintes propriedades:

- Eficiência: resolver o mesmo problema com menor esforço.

- Robustez: resolver uma variedade maior de problemas.

5.6. MÉTODOS NUMÉRICOS
5.6.1 Problemas Univariáveis

Exemplo: Dimensionamento de um trocador de calor

FLUXOGRAMA

T4 oF

W = 1.000 lb/h
1
A?
T = 200 oF T = 100 oF
1 2

W3 lb/h ?

T3 = 60 oF
Modelo Matemático

1. Q  W1Cp 1 (T1  T2 )  0
2. Q  W3 Cp 3 (T4  T3 )  0
3. Q  UA  0
(T1  T4 )  (T2  T3 )
4.   0
T  T4
ln 1
T2  T3
Balanço de Informação: V = 9; N = 4; C = 3; M = 1; G = 1 (otimização)
Avaliação Econômica
C T  0,50 C  0,10 I
C  p A W3  0,02 I
m
 A 
I  I b  

 Ab 
Ordenando as equações resulta T4 como Variável de Projeto.
Incorporando as Restrições de Igualdade à Função Objetivo CT e
definindo x = T4 - T3:

 140  x  0 , 48
a   ln 
CT  b 40 
x  100  x 
 
Tentando o Método Analítico:
m 1
 (T *  T *  x )  
*
T1 x  *
T3
 1 2  ln 
dC T a  x  ( T *  *
T ) T *  *
T3 
  mb  1 3 2

dx x 2
 T1  T 2  x
* *

 
 
Impossível explicitar x  Método Numérico de Otimização !!!
 Métodos de Estreitamento do Intervalo Viável

Suposição básica: unimodalidade da Função Objetivo

(a) a Função Objetivo é calculada em determinados pontos do intervalo

viável.

(b) a partir dos valores calculados e da suposição de unimodalidade,

elimina-se a parte do intervalo em que o ponto extremo não pode estar
(reduzido o intervalo viável, de incerteza).

(c) o intervalo viável vai sendo estreitado sucessivamente a cada

iteração até se tornar menor do que uma tolerância pré-estabelecida

Os métodos diferem quanto ao número e ao critério de colocação dos

pontos.
 Exemplos para Problemas de Máximo

o
o
o o

0 1/3 2/3 1 0 1/3 2/3 1

Dois experimentos por ciclo

o
o o
o
o o
o o o

0 1/4 2/4 3/4 1 0 1/4 2/4 3/4 1 0 1/4 2/4 3/4 1

Três experimentos por ciclo

 o o o

o
o o
o o o
o
o o
o o
o

0 1/4 2/4 3/4 1 0 1/4 2/4 3/4 1 0 1/4 2/4 3/4 1

Eliminação de 50% do intervalo

o o o o

o
o
o o
o
o o o
o o
o

0 1/4 2/4 3/4 1 0 1/4 2/4 3/4 1 0 1/4 2/4 3/4 1

Eliminação de 75% do intervalo

 Método da Seção Áurea

Utiliza dois pontos posicionados de forma a manter:

(a) simetria em relação aos limites do intervalo

(b) fração eliminada constante

 Método da Seção Áurea

Base: Retângulo Áureo (esteticamente perfeito, segundo os gregos)

1
 Método da Seção Áurea
Base: Retângulo Áureo (esteticamente perfeito, segundo os gregos)
Propriedade: removendo um quadrado de lado igual ao lado menor,
1- e

resulta um outro retângulo com as mesmas proporções do retângulo

original  Razão Áurea
1 e
  e 2  e  1  0  e  0,618
e 1 e
 Algoritmo da Seção Áurea

ÁUREA
Iniciar
Repetir
Eliminar Região
Atualizar Delta
Se Convergiu Então Finalizar
Colocar Novo Ponto

Convergiu
Delta  Tolerância
 Iniciar
Repetir
Eliminar Região
Atualizar Delta
Se Convergiu Então Finalizar
Colocar Novo Ponto

Fs
Eliminação de Região Eliminação de Região
Problema de Mínimo Problema de Máximo

Fi

Li xs xi Ls Li xs xi Ls
Fs
Atualiza  Atualiza 
Tolerância ? Tolerância ?
Novo Ponto Novo Ponto
Fi

Fi Fi

Li xs xi Ls

Fs Inicialização Fs

 = L - L
s i
Li xs xi Ls xi = Li + 0,618 Li xs xi Ls

xs = Ls - 0,618
0,618  0,618 
 FLUXOGRAMA

T4 oF

W = 1.000 lb/h
1
A?
T = 200 oF T = 100 oF
1 2

W3 lb/h ?

T3 = 60 oF

 140  x  0 , 48
a  ln 
CT   b 40 
x  100  x 
 
x = T4 - 60
 Minimização do Custo do Trocador de Calor

Tolerância: 1,4 oF (1% do intervalo inicial)

N Li xs Fs xi Fi Ls D

2 0 53,48 247,5467 86,52 259,8506 140 140

3 0 33,05 260,7956 53,48 247,5467 86,52 86,52
4 33,05 53,48 247,5476 66,09 248,7572 86,52 53,47
5 33,05 45,67 249,6361 53,48 247,5476 66,09 33,04
6 45,67 53,48 247,5476 58,29 247,4314 66,09 20,42
7 53,48 58,29 247,4314 61,27 247,7315 66,09 12,61
8 53,48 56,46 247,3838 58,29 247,4314 61,27 7,79
9 53,48 55,32 247,4099 56,46 247,3838 58,29 4,81
10 55,32 56,46 247,3638 57,16 247,3892 58,29 2,97
11 55,32 56,02 247,3836 56,46 247,3638 57,16 1,84
56,02 56,46 247,3638 57,16 1,14

xo = 56,46  T4o = 116,46  Ao = 17 ft2  W3o = 1.770 lb/h

xo = 56,46  T4o = 116,46  Ao = 17 ft2  W3o = 1.770 lb/h.

FLUXOGRAMA

T4 = 116,5 oF

W = 1.000 lb/h
1
A = 17 ft2
T = 200 oF T = 100 oF
1 2

W3 = 1.770 lb/h

T3 = 60 oF
5.6. MÉTODOS NUMÉRICOS
5.6.2 Problemas Multivariáveis

Alguns métodos diretos:

- Busca Aleatória
- Busca por Malhas
- Busca Secionada
- Simplex (Poliedros Flexíveis)
- Hooke & Jeeves

Procedimento Geral:
(a) seleção de um ponto inicial (base).
(b) exploração da vizinhança da base para inferir uma direção de busca.
(c) progressão na direção de busca até decisão em contrário.
(d) finalização

Os métodos diferem quanto à forma de executar a exploração e a

progressão.
 Método de Hooke & Jeeves

ALGORITMO
Estabelecer um incremento e uma tolerância para cada variável
Escolher uma Base
Repetir
Explorar a vizinhança da Base (em busca da direção provável do ótimo)
Se houve Sucesso em alguma direção
Então: Progredir (na direção provável) até haver um Insucesso
Senão (proximidade do ótimo):
Se Chegou ao Ótimo
Então: Finalizar
Senão: reduzir os incrementos
 Exploração
Testar a Função Objetivo em cada sentido (incrementos + i e - i) de
cada direção (xi) ao redor da Base.
Do resultado, depreender
? a direção provável do
ótimo

+ 2

- 1 + 1
? Base ?

- 2

A Exploração não pode ser interrompida sem que todas as direções

tenham sido testadas.
 Exploração
Funções unimodais: o sucesso num sentido dispensa o teste no outro.

S: Sucesso
I: Insucesso S

0,5 + 2

- 1
0,4
Sucesso
0,3 S Base
y
0,2 desnecessário
buscando máximo - 2
0,1

0,0
0,0 0,2 0,4 0,6 0,8 1,0
x I
 Exploração

O Sucesso numa tentativa justifica a mudança da Base para a nova

posição. A Exploração continua a partir desta melhor posição.

+ 2

- 1
S Base

- 2

I
Seguem-se todos os resultados possíveis da Exploração em 2 dimensões
x2 Direção x1
Unimodalidade: dispensa + 1
Direção x2
Unimodalidade: dispensa + 2
Sucesso: deslocar a Base
- 1
15 10 Base

- 2

18 Sucesso: deslocar a Base

Direção provável do ótimo

x1
x2 Direção provável do ótimo
Direção x1
18 Sucesso: Unimodalidade: dispensa + 1
deslocar a Base Direção x2
+ 2
Sucesso: deslocar a Base
- 1
15 10 Base

- 2

12 Insucesso:
permanece na Base

x1
 Direção x1
x2
Unimodalidade: dispensa + 1
13 Insucesso: Direção x2
permanecer na Base
Direção + 
2
provável Sucesso: deslocar a Base
do ótimo - 1
15 10 Base

- 2

12 Insucesso:
permanecer na Base

x1
x2 Direção x1

Direção x2
Unimodalidade: dispensa + 2
Sucesso: deslocar a Base
- 1 +1
7 10 15
Insucesso: Base
permanecer na Base - 2

18 Sucesso:
deslocar a Base
Direção provável do ótimo

x1
 Direção provável do ótimo
x2 Direção x1
18 Sucesso:
Direção x2 deslocar a Base
+ 2

- 1 +1 Sucesso:

7 10 15
deslocar a Base
Insucesso: Base
permanecer na Base - 2

12
Insucesso:
permanecer na Base

x1
x2 Direção x1
Insucesso:
11 permanecer na Base
Direção x2
+ 2 Sucesso:
deslocar a Base
- 1 +1
7 10 15
Insucesso: Base Direção provável
permanecer na Base - 2 do ótimo

Insucesso:
12 permanecer na Base

x1
x2 Direção x1

Direção x2
Unimodalidade: dispensa + 2
Base
- 1 +1 Insucesso:
7 10 8 permanecer na Base
Insucesso:
permanecer na Base - 
2

15 Sucesso:
Direção provável deslocar a Base
do ótimo

x1
 Direção provável
x2 do ótimo
Direção x1
15 Sucesso:
Direção x2 deslocar a Base
+ 2

Insucesso: 7 - 1 +1 Insucesso:

10 8 permanecer na Base
permanecer na Base Base
- 2

Insucesso:
9 permanecer na Base

x1
x2 Direção x1
Insucesso:
5 permanecer na Base
Direção x2
+ 2

Insucesso: 7 - 1 +1 Insucesso:

10 8 permanecer na Base
permanecer na Base Base
- 2

Insucesso:
9 permanecer na Base
A Base deve estar próxima do ótimo !

x1
Método de Hooke & Jeeves : Fase de Progressão
22 Insucesso!
Progredir com duplo incremento Permanecer na
x2 até ocorrer um Insucesso Base (25)

+ 2 2
Sucesso!
Mover a Base. 25
Continuar a Progressão + 2 1 Exploração a partir da
Base (25) com 1 e 2 .
+ 2 2

18
+ 2 1
+ 2
+1 15
10 Resultado da Exploração
Base
x1
 Se Chegou ao Ótimo
Então: Finalizar
Senão: reduzir os incrementos

A Base estará suficientemente próxima para ser declarada como o

ótimo?

Se todos os incrementos estiverem menores do que as tolerâncias,

SIM!: Finalizar

Se algum deles estiver maior, então este deve ser reduzido à metade.
Inicia-se uma nova Exploração à volta da Base com os novos
incrementos
 Se Chegou ao Ótimo
x2 Então: Finalizar
Senão: reduzir os incrementos
5
- e1 + e1
+ 2
+ e2
- 1 +1
7 10 8
Base
- e2
- 2

9
1 > e1 e 2 > e2 : ainda não chegou ao ótimo : 1 = 1 /2 , 2 = 2 /2

x1
 Se Chegou ao Ótimo
x2 Então: Finalizar
- e2 + e1
5

+ e2 + 2

- 1 +1
7 10 8
Base
- 2
- e2

9
1 < e1 e 2 < e2 : a Base pode ser considerada o Ponto Ótimo

x1
 Método de Hooke & Jeeves
ALGORITMO
Estabelecer um incremento e uma tolerância para cada variável
Escolher uma Base
Repetir
Explorar a vizinhança da Base (em busca da direção provável do ótimo)
Se houve Sucesso em alguma direção
Então: Progredir (na direção provável) até haver um Insucesso
Senão: (proximidade do ótimo)
Se Chegou ao Ótimo
Então: Finalizar
Senão: reduzir os incrementos
 Funções Unimodais

O método converge sempre para o único extremo independentemente da

base inicial.

Os incrementos iniciais afetam apenas o número de tentativas.

 Funções Multimodais

O método pode convergir para extremos locais diferentes dependendo da base inicial e
dos incrementos iniciais selecionados.

(a) partindo de bases iniciais diferentes pode-se alcançar extremos locais diferentes
com os mesmos incrementos iniciais.
(b) partindo de uma mesma base inicial pode-se alcançar extremos locais diferentes
com incrementos iniciais diferentes

f (x) = (x12 + x2 – 11)2 + (x22 + x1 – 7)2

 Método dos poliedros flexíveis
É um método de busca multivariável (J.A. Nelder e R. Mead, 1964, também
chamado de Simplex), onde o pior vértice de um poliedro com n + 1 vértices
é substituído por um novo vértice colinear com o vértice antigo e o
centróide.

X2

9 10
7 11
8 13
5 12
6
1 4
3 2
X1
Centróide:
1 n1 
x 0, j    xi , j  x h , j  j  1,2,n onde xh,j é o pior vértice.
n  i 1 
 Método dos poliedros flexíveis

O algoritmo envolve quatro operações de busca, que para o caso da

minimização da função objetivo têm as seguintes formas:

Expansão
Reflexão  Se f ( xRk )  f ( x k )  min  f ( x1k ), , f ( xnk1 ) ,

 xR  x0   ( x0  xh ) ,   0
 k k k k
então xEk  x0k   ( xRk  x0k ) ,   1


onde f ( xh
k
)  max f( x1
k
), , f ( xn
k

1 )

 Se f ( xEk )  f ( xRk ), então xhk 1  xEk
 k 1
 sen ão xh  x k
R
 k  k  1 (ir para 1)

onde x k é o melhor vértice.

Contração Redução
 Se f ( xRk )  f ( xik )  i  h, então xCk  x0k   ( xhk  x0k )  k 1 1 k
 Se f ( x k
)  f ( x k
), então x  x k
 ( xi  x k )
 R h i
2
 xhk 1  xCk , 0    1 
 i  1, 2, , n  1
 k  k  1 (ir para 1)
  k  k  1 (ir para 1)


 Método dos poliedros flexíveis

O critério usado por Nelder e Mead para terminar a busca é o

seguinte:

1
 1 n 1 2

2
 

k k

f ( xi )  f ( x0 )    e
 n  1 i 1 
 DIMENSIONAMENTO POR SIMULAÇÕES SUCESSIVAS

EMPREGADO POR “SOFTWARES” COMERCIAIS

Empregam, para dimensionamento, os módulos ordenados para

simulação.

Mas exige um procedimento de otimização:

- função objetivo (a ser minimizada): diferença, em valor absoluto,
entre os valores obtidos para as variáveis de saída e os valores
estipulados como metas
- variáveis de projeto: as dimensões dos equipamentos
Exemplo: Extrator
W = 3.750 kgB/h Normal
Q* = 10.000 kgA/h o
xo*= 0,02 kg AB/kg A Ts C Q* = 10.000 kgA/h
solvente
To oC x* = 0,008 kgAB/kg A
o T oC
T C
alimentação rafinado
T oC
extrato W = 3.750 kgB/h
y = 0,032kg AB/kg B
r = 0,60

W = ??? kgB/h Simulações Sucessivas

Q* = 10.000 kgA/h oC
xo*= 0,02 kg AB/kg A Ts
Q* = 10.000 kgA/h
solvente
To oC x = ??? kgAB/kg A
o T oC
T C
alimentação rafinado
T oC FO = |x – 0,008|
extrato W = kgB/h
y = kg AB/kg B
Exemplo: Extrator
W = ??? kgB/h Simulações Sucessivas
Q* = 10.000 kgA/h oC
xo*= 0,02 kg AB/kg A Ts
Q* = 10.000 kgA/h
solvente
To oC x = ??? kgAB/kg A
o T oC
T C
alimentação rafinado
T oC FO = |x – 0,008|
extrato W = kgB/h
y = kg AB/kg B

1. Q(xo – x) – W y = 0
2. y – k x = 0

x = Q xo / (Q + k W )

Por Seção Áurea, 0 < W < 1.000  W = 3.750

Exemplo: Trocador de Calor Normal
T4* = 30 oC
1. Q  W1Cp 1 (T1  T2 )  0
2. Q  W3 Cp 3 (T4  T3 )  0
* oC
A = 265,6 T = 25
2
3. Q  UA  0
m2
W1* = 30.000 kg/h (T1  T4 )  (T2  T3 )
4.   0
T1* = 80 oC T  T4
ln 1
W3 = 44.000 kg/h T2  T3
T3* = 15 oC

T4* = ??? Simulações Sucessivas

T2 = T1 – Q/W1Cp1
A T 2* ??? T4 = T3 + Q/W3Cp3
W1* = 30.000 kg/h
Por Hooke&Jeeves
T1* = 80 oC
W3
0 < A < 1.000
T3 = 15 * oC
0 < W3 < 100.000
MATERIAL COMPLEMENTAR
Subsídio para o Problema 5.10: divisão de correntes

Q
T1* = 180 oC
WCpQ = 10 kW/oC

x? 1-x

F2

WCpF2 = 7 kW/oC
2
T7* = 100oC T8* = 170 oC

F1

WCpF1 = 5 kW/oC
1
T5* = 60oC T6* = 117,2 oC

T2 ? T3 ?

T4* = 102,4 oC
 Modelo Matemático
Q T1* = 180 oC
WCpQ = 10 kW/oC
Q1 = WF1 (T6 - T5)
x? 1 - x
Q1 = WQ x (T1 – T2)

F2
Q2 = WF2 (T8 - T7)
WCpF2 = 7 kW/oC

T7* = 100oC
2
T8* = 170 oC
Q2 = WQ (1 – x) (T1 – T3)

F1
Balanço de Informação
WCpF1 = 5 kW/oC
1
G=1
T5* = 60oC T6* = 117,2 oC

Variável de Projeto: x
T2 ? T3 ?

T4* = 102,4 oC
Função Objetivo

Max LE = aR – b(Cmp + Cutil) – c ISBL

 Modelo Matemático
Q T1* = 180 oC
WCpQ = 10 kW/oC Q1 = WF1 (T6 - T5)
Q1 = WQ x (T1 – T2)
x? 1 - x
Q2 = WF2 (T8 - T7)
F2
WCpF2 = 7 kW/oC Q2 = WQ (1 – x) (T1 – T3)
2
T7* = 100oC T8* = 170 oC

Balanço de Informação
F1 G=1
WCpF1 = 5 kW/oC
1
*
T5 = 60oC T6* = 117,2 oC
Variável de Projeto: x

T2 ? T3 ? Função Objetivo
Max LE = aR – b(Cmp + Cutil) – c ISBL
T4* = 102,4 oC
Min C = A10,65 + A20,65
 Modelo Matemático
Q T1* = 180 oC
WCpQ = 10 kW/oC Q1 = WF1 (T6 - T5)
Q1 = WQ x (T1 – T2)
x? 1 - x
Q2 = WF2 (T8 - T7)
F2
WCpF2 = 7 kW/oC Q2 = WQ (1 – x) (T1 – T3)
2
T7* = 100oC T8* = 170 oC

Função Objetivo
F1
WCpF1 = 5 kW/oC
Min C = A10,65 + A20,65
1
*
T5 = 60oC T6* = 117,2 oC
Resolução: Seção Áurea
T2 ? T3 ? Limites de x
T2 = T1 - Q1 / x WQ > T5  xi = Q1 / WQ (T1 - T5)
*
T4 = 102,4 oC

T3 = T1 - Q2 / WQ (1 - x) > T7  xs = 1 - Q2 / WQ (T1 - T7)

 Q T1* = 180 oC
WCpQ = 10 kW/oC

x = 0,74

F2
WCpF2 = 7 kW/oC
2
T7* = 100oC T8* = 170 oC Solução

F1
WCpF1 = 5 kW/oC
1
*
T5 = 60oC T6* = 117,2 oC

T2 = 70oC T3 = 113,8 oC

* oC
Limites de x
T4 = 102,4
T2 = T1 - Q1 / x WQ > T5  xi = Q1 / WQ (T1 - T5)

T3 = T1 - Q2 / WQ (1 - x) > T7  xs = 1 - Q2 / WQ (T1 - T7)

 Problema 5.12
Resfriar uma corrente com 3 fluidos refrigerantes que vaporizam a T constante.
Vazão de cada fluido refrigerante?

W1 lb/h ? W2 lb/h ? W3 lb/h ?

Wo* = 10.000 lb/h

t1 = 15 oF t2 = - 22 oF t3 = - 70 oF
T1* = 0 oF T2* = - 40 oF T3* = - 80 oF
to*= 50 oF
 Modelo Matemático para cada Trocador i
Qi  WoC p ( t i 1  t i )  0 Qi  UA i i  0
t i 1  t i
Qi  Wi  0 i  0
t T
ln i 1 i
t i  Ti

W1 lb/h ? W2 lb/h ? W3 lb/h ?

Wo* = 10.000 lb/h

t1 = 15 oF t2 = - 22 oF t3 = - 70 oF
T1* = 0 oF T2* = - 40 oF T3* = - 80 oF
to*= 50 oF

O custo de cada trocador é dado por Ci  a i A i  bi Wi ($/h)