FAMAT em Revista - Nmero 11 - Outubro de 2008

PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAO DE

SISTEMAS MISTOS
Simone P. Saramago e Valder Steffen Jr
UFU, Universidade Federal de Uberlndia, Curso de Engenharia Mecnica
Av. Joo Naves de vila, 2160, Santa Mnica, CEP 38.408-100, Uberlndia, MG
E-mail: simone.saramago@netsite.com.br / vsteffen@mecanica.ufu.br

Jefferson Duarte Silva

Villares Metals SA, Alfredo Dumont Villares, 155, Jd. Santa Carolina, CEP 13.178-902
Sumar - SP
E-mail: e.jefferson.silva@villaresmetals.com.br

Sezimria de Ftima Pereira Saramago

UFU, Universidade Federal de Uberlndia, Faculdade de Matemtica
Av. Joo Naves de vila, 2160, Santa Mnica, CEP 38.408-100, Uberlndia, MG
E-mail: saramago@ufu.br

1. INTRODUO
Em processos industriais, comum a existncia de muitos fatores ou variveis que afetam a
qualidade global do produto final. Neste contexto, alguns pesquisadores vm estudando, desde a
dcada de 1970, a Metodologia de Superfcies de Resposta (SR). Em essncia, esta metodologia
consiste em estimar coeficientes de regresso polinomial para a gerao de um modelo emprico
que aproxime uma relao (inicialmente desconhecida ou at mesmo conhecida, porm
complexa) entre os fatores e as respostas de um processo. A tcnica de superfcie de resposta est
se tornando popular e sendo usada em conjunto com tcnicas de otimizao. A primeira etapa
desta metodologia consiste na modelagem, que feita ajustando-se modelos polinomiais a
resultados experimentais, obtidos por meio de planejamentos fatoriais com ou sem ampliao
(Barros Neto et al., 1995). Aps essa etapa, possvel deslocar-se sobre a superfcie de resposta
ajustada, a fim de localizar regies que satisfaam condies de interesse, calculando-se seus
pontos extremos.
A superfcie de resposta til quando o pesquisador no conhece a relao exata entre os
fatores. Dentre as vantagens da metodologia, a principal que seus resultados so robustos
influncia de condies no ideais, tais como erros aleatrios e pontos influentes. Outra vantagem
a simplicidade analtica da superfcie de resposta obtida, pois normalmente trabalha-se com
funes polinomiais.
No desenvolvimento de produtos e processos, encontram-se, com freqncia, variveis
qualitativas como: cor da embalagem, forma do equipamento, tipo de sabor/aroma, tipo de
ferramenta, presena ou no de lubrificao e muitas outras. Na terminologia empregada em
anlise de regresso, tais variveis so conhecidas como variveis indicadoras (dummy). Os
mtodos de otimizao, que so tcnicas j consagradas pelo uso, apresentam, porm, uma
limitao, qual seja, sua utilizao com variveis qualitativas. Alguns trabalhos mais recentes
(Cao et al., 2000) sugerem alternativas para a otimizao seqencial direta desses sistemas. O
objetivo deste trabalho apresentar planejamentos para sistemas mistos, com variveis

231

232

FAMAT em Revista - Nmero 11 - Outubro de 2008

qualitativas (indicadoras) e quantitativas, bem como a otimizao dos modelos construdos,

aplicando algoritmos genticos. Tcnicas evolutivas de otimizao tm-se mostrado uma
alternativa interessante, pois permitem trabalhar com modelos no-lineares, descontnuos, e
convivem bem na presena de mnimos locais.
A metodologia desenvolvida aplicada em dois estudos especficos.
No primeiro caso, considera-se o problema estudado por Bona et al.(2002), que trata do
planejamento e otimizao de queijo Minas frescal com adio de leite reconstitudo. Devido
natureza de sazonalidade da produo leiteira, durante certo perodo do ano, ocorre uma queda na
oferta e uma elevao no preo do queijo. Assim, o uso de leite reconstitudo, misturado ao leite,
poderia ser uma alternativa para a estabilizao da oferta do produto no mercado. Por se tratar de
um produto largamente consumido no Brasil, vrios estudos vm sendo realizados visando
promover melhorias na tcnica de fabricao. Uma das opes a adio de cido ltico com
finalidade de aumentar o rendimento (Furtado et al., 1980).
A segunda aplicao, por sua vez, refere-se otimizao dos parmetros de corte, durante a
fabricao de vlvulas de motores de combusto interna. No planejamento do processo, as
tcnicas de otimizao so adaptadas, possibilitando trabalhar tanto com variveis qualitativas
quanto com variveis quantitativas. Como respostas do processo, realizam-se medies de dureza
superficial. Aps a execuo de todos os experimentos, os mtodos numricos possibilitam obter
a melhor condio de corte, que corresponde ao menor valor possvel de dureza superficial.
2. METODOLOGIA
Superfcie de Resposta (SR)
Um dos problemas mais comuns que um pesquisador pode enfrentar a determinao da
influncia de uma ou mais variveis sobre outra varivel de interesse. Por exemplo, no estudo do
volume do espao de trabalho de um rob manipulador interessante verificar como este volume
afetado ao se variar o ngulo entre as juntas do rob, os dados dimensionais, quando se
considera a presena de pontos singulares.

Figura 1 Representao de um sistema.

Esse problema um caso particular da situao geral mostrada esquematicamente na Figura

1, em que certo nmero de fatores, F1, F2,... ,Fk, atuando sobre o sistema em estudo, produz as
respostas R1, R2, ...,Rj. O sistema pode ser uma funo desconhecida que se deseja determinar ou
at mesmo uma funo conhecida, porm de formulao analtica complexa.
Os fatores (ou variveis de projeto), isto , as variveis controladas durante os testes tanto
podem ser qualitativas (como a presena ou no de pontos singulares, como no exemplo anterior)
como quantitativas (como os dados dimensionais do rob). Dependendo do problema, pode haver
mais de uma resposta de interesse. Eventualmente essas respostas tambm podem ser
qualitativas.

FAMAT em Revista - Nmero 11 - Outubro de 2008

233

Existem muitas reas nas quais no se conhece a relao exata entre as respostas e as
variveis de projeto, mas se deseja saber como a relao entre elas. Neste caso muito til usar
um modelo emprico apropriado da forma y=f(z1, z2,,zn). Esta funo f geralmente um
polinmio de primeira ou segunda ordem. Tal modelo emprico chamado de superfcie de
resposta. Quando o modelo polinomial usado, os coeficientes do polinmio podem ser
estimados usando o Mtodo dos Mnimos Quadrados. necessrio conhecer os valores das
respostas para algumas combinaes das variveis de projeto (ou fatores) para construir a
superfcie de resposta (SR). Cada combinao das variveis de projeto pode ser vista como um
ponto no espao de projeto n-dimensional, onde n o nmero total de variveis de projeto. Um
arranjo particular de pontos no espao de projeto conhecido como um projeto experimental ou
projeto de experimentos (DOE design of experiments). O projeto experimental chamado de
planejamento fatorial.
Para executar um planejamento fatorial necessrio em primeiro lugar especificar os nveis
em que cada fator ser estudado, isto , os valores dos fatores (ou as verses, nos casos
qualitativos) que sero empregados.
Um planejamento fatorial requer a execuo de experimentos para todas as possveis
combinaes dos nveis dos fatores. Em geral, se houver n1 nveis do fator 1, n2 do fator 2,..., e nk
do fator k, o planejamento ser um fatorial n1x n2 x ...x nk de experimentos. Este o nmero
mnimo para se ter um planejamento fatorial completo. Pode-se desejar repetir ensaios para se ter
uma estimativa do erro experimental e, nesse caso, o nmero total de experimentos ser maior.
Havendo k fatores, isto , k variveis controladas pelo experimentador, o planejamento de dois
nveis h de exigir a realizao de 2x2x...x2 = 2k ensaios diferentes, sendo chamado por isso de
planejamento fatorial 2k (Barros, 1995).
No planejamento experimental com n variveis, o modelo emprico usado para aproximar a
relao entre os fatores e as respostas um polinmio de grau um ou de grau superior. A
expresso usada para calcular esse polinmio dada por:
Y = f (X) + e

(1)

sendo que f(X) = f(x1,..., xn) um polinmio de grau um ou de grau superior. O vetor
coluna Y contm as respostas observadas e o vetor coluna e contm os resduos. O polinmio
f(X) pode ser representado na forma matricial:
f ( X) = [X ][b ]

(2)

sendo que o vetor coluna [b] contm os coeficientes desconhecidos e [X] a matriz
formada pelos valores observados no planejamento fatorial. Denotando por N o nmero total de
pontos no espao experimental, o processo para calcular os coeficientes [b] envolve a
minimizao da soma dos quadrados dos resduos:
N

min Sr = min (y i f i )
i =1

(3)

Os resultados deste processo so as equaes normais, que podem ser expressas na forma
matricial como:

234

FAMAT em Revista - Nmero 11 - Outubro de 2008

[X]T [X][b] = [X]T [Y]

(4)

Assim, os coeficientes podem ser calculados usando uma simples multiplicao de

matrizes:

[b] = {[X]T [X]}1[X]T [Y]

(5)

A Equao 5 utilizada na determinao da superfcie que se aproxima dos pontos do

planejamento no espao do experimento, denominada como Superfcie de Resposta (SR). A
vantagem de usar a Equao 5 o baixo custo computacional necessrio para determinar os
coeficientes da superfcie de resposta. importante notar que para se calcular os coeficientes
necessrio um nmero de pontos maior do que o nmero de termos no polinmio.
A anlise dos resduos fundamental na avaliao da qualidade da superfcie ajustada (ou
modelo). Um modelo que deixe resduos significativos obviamente um modelo inadequado. J
o modelo ideal no deixaria nenhum resduo, ou seja, todas as suas previses coincidiriam com
os resultados observados. Procedimentos de teste de significncia so teis para aferir a qualidade
da aproximao gerada a partir de um conjunto de dados. Tais testes so baseados na anlise de
varincia e requerem a obteno de parmetros estatsticos (Montgomery, 1984).

2.2. Algoritmos Genticos

A fundamentao dos Algoritmos Genticos baseada na gentica natural. Desta forma,
comum o uso dos termos: indivduos de uma populao, cromossomos, genes e alelos. Nos
Algoritmos Genticos, a populao de indivduos um conjunto de pontos do domnio da funo
a ser maximizada ou minimizada. A quantidade de pontos depende do nmero de variveis de
projeto do problema em questo. Algoritmos genticos so algoritmos iterativos, em que a cada
iterao a populao modificada, usando as melhores caractersticas dos elementos da gerao
anterior e submetendo-as aos trs tipos bsicos de operadores, para produzir melhores resultados
(Goldberg, 1989). Para atingir estes objetivos so usados os seguintes processos:

Reproduo: um processo no qual cada cadeia copiada levando em conta os valores da

funo de adaptao f. A probabilidade ou aptido de cada indivduo um valor que representa o
grau de adaptabilidade deste, ou seja, o quo prximo o indivduo est da soluo do problema
em relao aos indivduos da populao. Esta probabilidade medida com auxlio da funo
objetivo e pode ser dada pela seguinte expresso:
pi =

f c (X)
, sendo pi =1
f c (X)

(6)

Este processo denominado seleo por roleta. Existem outras formas, tais como torneio e
elitista. Para se calcular o valor da funo de adaptao fc, deve-se primeiro converter a seqncia
binria (base 2) para a base 10, ou seja, deve-se decodificar um cromossomo, conforme a
expresso:

FAMAT em Revista - Nmero 11 - Outubro de 2008

235

m i 1

x i = b ij 2 j

(7)

j= 0

Em seguida, calcula-se o valor real da varivel xi, dentro da regio vivel, atravs da
relao:
x iu x il
l
xi = xi + xi
mi
2

(8)

Cruzamento: um processo no qual a combinao em partes de cada um de dois

cromossomos gera um novo descendente.
Mutao: a modificao aleatria ocasional (de baixa probabilidade) do valor de um alelo
da cadeia.

De modo geral, suponha que se deseja otimizar uma funo f qualquer de n variveis,
(9)

f(X) = f(x1, x2,..., xn)

sujeita a
xil < xi < xiu

i = 1, 2, ... , n

(10)

Ento cada seqncia de n variveis denominada de cromossomo ou indivduo (Haupt &

Haupt, 1998) e cada uma das n variveis um gene. Cada gene representado no sistema binrio;
os bits 0 e 1 so denominados alelos. O comprimento de cada gene depende da preciso requerida
para o problema e da amplitude do intervalo onde ele est definido. O domnio de definio do
gene xi o intervalo (xil, xiu). Admitindo que a preciso do problema de p casas decimais, ento
o intervalo ( xil, xiu ) deve ser dividido em (xiu - xil)10p subintervalos iguais. Portanto, o gene xi
dever ter pelo menos mi bits, pois:
2 m i 1 < ( x iu x il )10 P < 2 m i

(11)

Em outras palavras, o comprimento do gene xi a menor potncia de 2 dentre aquelas em

que 2M supera (xiu - xil)10p. Assim, cada cromossomo tem um total de m1 + m 2 + L + m n bits
(alelos) e representado por:

C k = b1m 1b1m 2 L b11b10 b 2m 1b 2m 2 L b12 b 02 L b nm 1b nm 2 L b1n b 0n

1
1
2
2
n
n

(12)

Em que b ii (que tem valor 0 ou 1) o (mi j)-simo alelo correspondente ao i-simo gene.

236

FAMAT em Revista - Nmero 11 - Outubro de 2008

O procedimento consiste em criar, aleatoriamente, uma populao inicial de indivduos {C1,

C2,..., Cn}. Em seguida, todos os indivduos dessa populao so modificados, submetendo-os aos
operadores genticos; reproduo, cruzamento e mutao. Considerando estas definies,
segundo Saramago (2003), o processo de otimizao utilizando algoritmos genticos
representado pelo fluxograma da Figura 2.

Incio

Codificao

x sup xiinf

mi = log 2 i
preciso
1 1 0 1 0 1 1

Criar a populao

0 0 1 0 1 1 0
Decodificao
xi = xiinf + decimal (genei )2
Avaliar o custo

Critrio de
parada satisfeito?

Sim

xisup xiinf
2 mi 1

Fim

No

Seleo

Cruzamento

Mutao

1 1 0 0 1 1 0
1 1 0 1 1 1 0

Figura 2 - Fluxograma bsico de um algoritmo gentico binrio.

2.3. Planejamento de sistemas mistos contendo variveis qualitativas e quantitativas

Os sistemas mistos podem ser modelados atravs da adio de uma varivel indicadora z e o
respectivo coeficiente , sendo seu valor estimado de modo anlogo aos coeficientes de
regresso. Se a varivel possui dois nveis (A e B), ao termo z atribudo 0 (zero) para o nvel A e
1 (um) para o B. Quando existem trs nveis (A, B e C), so atribudos -1 (um negativo) para o
nvel A, 0 (zero) para o nvel B e 1 (um) para o C. Neste trabalho, a anlise estatstica da matriz
de dados foi realizada atravs de um cdigo computacional de Regresso Mltipla desenvolvido
pelos autores utilizando o software Matlab.

FAMAT em Revista - Nmero 11 - Outubro de 2008

237

A otimizao por meio dos algoritmos genticos utiliza a sub-rotina GAOT do MATLAB
(Grace, 1992). Esta realiza os clculos normalmente dentro desse intervalo padro. Porm, os
valores obtidos so arredondados para nmeros inteiros, por meio de uma funo interna e s
ento so substitudos no modelo para a estimativa da resposta.
Esse procedimento, no caso da varivel qualitativa possuir dois nveis, exige a incluso de
uma restrio, dada pela expresso:
0<z<1

(13)

No entanto, quando a varivel qualitativa possui 3 nveis, a restrio includa considera o

fato de que o valor absoluto de z deve sempre ser menor ou igual a 1:
|z| 1

(14)

3. APLICAES
3.1. Planejamento e otimizao na obteno de queijo Minas frescal com adio de leite
reconstitudo

O objetivo a maximizao do rendimento na produo do queijo Minas frescal com adio

de leite reconstitudo e a verificao da influncia da adio de cido ltico durante o processo.
Os resultados obtidos, que sero otimizados utilizando algoritmos genticos, sero
posteriormente comparados com os encontrados por Bona et al. (2002) atravs de tcnicas
seqenciais do programa otplex.
Como foram controlados apenas trs fatores (um qualitativo e dois quantitativos), Gacula
(1993) sugeriu um delineamento fatorial 22 com ponto central, para eventual teste da curvatura.
Este fatorial foi repetido duas vezes para acomodar a varivel qualitativa (Tabela 1). Considerase a varivel qualitativa relacionada presena (z=1) ou ausncia de cido ltico (z=0) e as
variveis quantitativas referem-se porcentagem de leite reconstitudo e quantidade de CaCl2
presente no leite.
No processo de obteno de queijo com acidificao direta adicionou-se 0,9 mL de cido
ltico 85% a 4,0 L de leite tipo C homogeneizado (Furtado et al., 1980). Como agente coagulante
foi utilizada a quimosina (3 mL) e a temperatura de coagulao foi mantida em 37 1C. Todos
os queijos foram produzidos conforme o fluxograma proposto por Saboya et al. (1998). Nesta
aplicao, sero utilizados dados do trabalho apresentado por Bona et al. (2002), conforme
mostrado na Tabela 1.
Por meio da anlise dos resultados experimentais de cada tratamento (Tabela 1), Bona et al.
(2002) elaboraram um modelo de regresso linear para o rendimento atravs do software
STATISTICA (1998). Neste trabalho, as superfcies de resposta obtidas, utilizando Regresso
Polinomial Mltipla (Montgomery, 1984), so dadas pelas seguintes expresses:
rendimento = 64,946 1,991x1 + 0,411x2 2,342z

(15)

rendimento = 65,071 1,9912 x1+0,4112 x2 2,3420 z -0,1562 x12-0,1562 x22 +0,1813 x1 x2

(16)

238

FAMAT em Revista - Nmero 11 - Outubro de 2008

A superfcie de resposta linear obtida neste estudo foi coincidente com a apresentada por
Bona et al. (2002) e dada de acordo com a Equao 15. O modelo encontrado apresenta
razovel capacidade preditiva (R2 = 0,784) e baixa variabilidade (C.V. = 2,3%). Elaborou-se
ainda um modelo de regresso quadrtico para o rendimento. A superfcie de resposta
representada pela Equao 16. Este modelo apresenta capacidade preditiva e variabilidade um
pouco maiores que as correspondentes superfcie de resposta linear (R2= 0,793 e C.V. = 2,8%).

Tabela 1 Delineamento experimental com os nveis de variao dos fatores, segundo Bona et al. (2002)
Variveis
Variveis
Rendimento
codificadas
Originais
Nmero do
experimental
experimento
Presena
Leite
CaCl2
(%)
z
x1
x2
de cido Reconstitudo (%) (g/100 L de leite)
0
-1
-1
ausente
10
10
68,33
1
0
1
-1
ausente
40
10
60,95
2
0
-1
1
ausente
10
30
67,36
3
0
1
1
ausente
40
30
64,13
4
0
0
0
ausente
25
20
63,96
5
1
-1
-1
presente
10
10
62,68
6
1
1
-1
presente
40
10
61,37
7
1
-1
1
presente
10
30
64,57
8
1
1
1
presente
40
30
60,56
9
1
0
0
presente
25
20
63,84
10
z= (0) cido ltico ausente e (1) cido ltico presente;
x1 = (leite reconstitudo 25)/15; x2 = (CaCl2 20)/10

Para cada aplicao do algoritmo gentico, foi utilizada uma populao de 80 indivduos e
100 geraes, sendo executadas 40 iteraes do mtodo, escolhendo-se ento o melhor valor.
Aps 1759 iteraes realizadas ao longo de 18,24 s, encontrou-se como ponto timo da superfcie
de resposta linear condies idnticas ao 3 experimento (rendimento = 67,36 %). Bona et al.
(2002), atravs do programa otplex, obtiveram o mesmo resultado. O ponto timo obtido para
uma superfcie de reposta quadrtica, aps 1975 iteraes e 18,21 s, tambm equivale s
condies do terceiro experimento, mas, neste caso, o rendimento previsto um pouco inferior ao
apresentado pelo modelo linear (rendimento = 66,98 %).
Atravs dos modelos obtidos possvel construir as superfcies de resposta linear e
quadrtica para o rendimento com ou sem adio de cido ltico (Figuras 3 e 4, respectivamente).

FAMAT em Revista - Nmero 11 - Outubro de 2008

Figura 3 Superfcie de Resposta Linear para o rendimento na produo de queijo minas frescal com ou
sem adio de cido ltico.

Figura 4 Superfcie de Resposta Quadrtica para o rendimento na produo de queijo minas frescal com
ou sem adio de cido ltico.

As Figuras 3 e 4 confirmam os resultados das otimizaes e fica evidente que o processo

com melhor rendimento aquele em que cido ltico est ausente. Essa concluso, porm, no
deve ser generalizada para a produo nas condies onde no h adio de leite reconstitudo
(Furtado et al., 1980).

239

240

FAMAT em Revista - Nmero 11 - Outubro de 2008

3.2. Planejamento e otimizao dos parmetros de corte durante a fabricao de

vlvulas

O objetivo obter a melhor condio de corte durante a fabricao de vlvulas de motores

de combusto interna, que corresponde ao menor valor possvel de dureza superficial.
Na otimizao dos parmetros de corte, so controlados quatro fatores (dois qualitativos e
dois quantitativos), cujos nveis de parmetros so mostrados na Tabela 2. Observe que as
variveis quantitativas so: x1 que representa a velocidade de corte Vc (m/min) e x2 que est
relacionada com o avano linear f (m/min). As variveis qualitativas so dadas por: x3 que
permite a escolha entre dois tipos de leo de corte a ser usado na usinagem e x4 representa a
escolha entre trs tipos de inserto para a ferramenta de corte.
Para a obteno de dados que permitissem a aproximao do fenmeno por uma superfcie
de resposta foi utilizado um planejamento fatorial completo, resultando em 54 ensaios (27
ensaios (33) para fluido de corte da Iorga + 27 ensaios (33) para fluido de corte da Blaser),
conforme apresentado na Tabela 3.
Superfcies de resposta foram obtidas utilizando regresso polinomial mltipla
(Montgomery, 1984).
Para a soluo do problema de otimizao, que visa minimizao da dureza, foi utilizado o
mtodo de algoritmo gentico. Em cada aplicao do mtodo considerou-se uma populao de 80
indivduos e 100 geraes, sendo executadas 40 iteraes do mtodo, escolhendo-se o melhor
valor.
Tabela 2 Valores e Nveis dos Parmetros.
Nvel
dos
Parmetros

leo de
Corte (x3)

Inserto
(x4)

Vc
(x1)

f
(x2)

-1

Saar
Hartmetal

40,0

2,0

Boehlerit

50,0

3,0

Hetran

60,0

4,0

0
1

Blaser
Swissluble
Iorga

.
Tabela 3 Projeto experimental: nveis de variao dos fatores e respostas para cada teste.

Teste
1
2
3
4
5
6
7

Planejamento Fatorial Completo

Vc
f
Dureza
leo de Corte
Inserto
[HB]
0
-1
-1
-1
358,2
0
-1
-1
0
353,1
0
-1
-1
1
357,7
0
-1
0
-1
362,2
0
-1
0
0
364,6
0
-1
0
1
352,1
0
-1
1
-1
362,9

FAMAT em Revista - Nmero 11 - Outubro de 2008

8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

-1
-1
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
-1
-1
-1
-1
-1
-1
-1
-1
-1
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1

241

1
1
-1
-1
-1
0
0
0
1
1
1
-1
-1
-1
0
0
0
1
1
1
-1
-1
-1
0
0
0
1
1
1
-1
-1
-1
0
0
0
1
1
1
-1
-1
-1
0
0
0
1
1
1

0
1
-1
0
1
-1
0
1
-1
0
1
-1
0
1
-1
0
1
-1
0
1
-1
0
1
-1
0
1
-1
0
1
-1
0
1
-1
0
1
-1
0
1
-1
0
1
-1
0
1
-1
0
1

367,1
344,9
353,5
356,0
356,2
360,4
368,5
380,2
373,4
383,9
387,4
353,4
357,3
367,0
370,2
378,1
366,9
367,9
367,5
373,7
353,7
356,5
360,2
361,7
361,8
361,0
387,5
378,0
366,2
364,1
365,9
369,2
371,9
388,8
388,9
373,6
361,3
355,4
361,3
357,4
362,5
377,1
374,5
374,9
384,4
379,5
386,7

242

FAMAT em Revista - Nmero 11 - Outubro de 2008

Por meio da anlise dos resultados experimentais de cada tratamento (Tabela 3), dois
modelos de regresso para a dureza foram elaborados: um linear e um quadrtico. As superfcies
de resposta encontradas, utilizando regresso polinomial mltipla (Montgomery, 1984),
equivalem s seguintes expresses:
Dureza = 369.7778+6.6139 x1+ 0.3806 x2-5.1741 x3 + 4.1917 x4

(17)

Dureza = 376.1056 +6.6139 x1-0.5722 x2 -5.1741 x3 + 3.9833 x4 - 4.5306 x12 - 0.8639 x225.1741 x32-4.0972 x42 - 2.6667 x1 x2+6.6139 x1 x3 +1.4000 x1 x4 +1.4000 x2 x3+ 2.5625 x2 x4 +
0.4167 x3 x4
(18)
A superfcie de resposta linear encontrada neste estudo dada de acordo com a Equao 17.
O modelo apresenta baixa variabilidade (C.V. = 2,55%). A superfcie de resposta quadrtica
obtida para a dureza representada pela Equao 18. Esta superfcie possui variabilidade um
pouco maior que a correspondente superfcie de resposta linear (C.V. = 2,83%).
Em cada aplicao do mtodo de algoritmos genticos, para minimizao da dureza, foi
utilizada uma populao de 80 indivduos e 100 geraes, sendo executadas 40 iteraes do
mtodo, escolhendo-se o menor valor.
Encontrou-se como ponto timo da superfcie de resposta linear condies idnticas ao 28
experimento com uma dureza mnima menor que a experimental (dureza = 353,4175). O ponto
timo obtido para a superfcie de reposta quadrtica, tambm equivale s condies do 28
experimento, mas, neste caso, a dureza prevista ainda menor que as obtidas no teste e no
modelo linear (dureza = 338,6003).

leo de corte Iorga

Tipo de inserto: Saar
Condies do 28
experimento :

Vc: 40 m/min
f: 2 m/ min

Dureza (HB): 353,7

Atravs dos modelos obtidos possvel construir as superfcies de resposta linear e

quadrtica para anlise da presena do leo de corte e escolha do inserto (Figuras 5 e 6,
respectivamente).

FAMAT em Revista - Nmero 11 - Outubro de 2008

Figura 5 Anlise da presena do leo de corte e escolha do inserto Modelo linear.

Figura 6 Anlise da presena do leo de corte e escolha do inserto Modelo quadrtico.

As Figuras 5 e 6 confirmam os resultados das otimizaes e mostram que o processo em

que as vlvulas fabricadas tero menor dureza superficial aquele em que o leo de corte Iorga
est presente e no qual o inserto escolhido o Saar.

243

244

FAMAT em Revista - Nmero 11 - Outubro de 2008

4. CONCLUSES

Na rea de desenvolvimento de sistemas, durante a otimizao de projetos, comum

encontrar-se sistemas mistos, ou seja, que dependem de variveis qualitativas e quantitativas. O
trabalho props uma metodologia alternativa, baseada em tcnica de superfcie de resposta usada
em conjunto com mtodos de otimizao, para o planejamento e otimizao destes sistemas.
As superfcies de resposta apresentadas neste estudo foram aproximadas por funes
polinomiais de 1 e 2 graus. Estimaram-se os coeficientes desses polinmios usando o Mtodo
dos Quadrados Mnimos. Por meio da adaptao do algoritmo de otimizao foi possvel a
simulao e otimizao de sistemas mistos, considerando a incluso de restries. A metodologia
desenvolvida foi aplicada em dois estudos especficos.
O primeiro refere-se maximizao do rendimento na produo do queijo Minas frescal
com adio de leite reconstitudo e na verificao da influncia da adio de cido ltico durante
o processo. Neste experimento, que envolvia um fator qualitativo e dois quantitativos, todos com
2 nveis, construiu-se um modelo a partir de um planejamento fatorial (22) mais o ponto central,
com a simples incluso da varivel qualitativa. Foram desenvolvidos dois modelos, sendo um
linear e outro quadrtico. O modelo linear se mostrou um pouco mais eficiente que o quadrtico.
Com a construo das superfcies de resposta, verificou-se que o processo com melhor
rendimento aquele em que cido ltico est ausente. Comparou-se o modelo linear obtido com
aquele elaborado por Bona et al. (2002),e observou-se que os resultados so idnticos.
J o segundo estudo considera o caso da otimizao dos parmetros de corte, durante a
fabricao de vlvulas de motores de combusto interna, cujo objetivo minimizar a dureza
superficial. Ao planejar experimentos especficos para dois fatores qualitativos (um com 2 nveis
e o outro com 3 nveis) e dois quantitativos (ambos com 3 nveis) foi construdo um modelo
misto a partir de um delineamento fatorial completo (23). Repetiu-se o fatorial a fim de acomodar
a varivel qualitativa com 2 nveis, resultando em 54 ensaios. Foram desenvolvidos dois
modelos: um linear e um quadrtico. Apesar dos dois terem encontrado o ponto timo sobre as
mesmas condies, o modelo quadrtico se mostrou mais eficiente que o linear. Vale ressaltar,
ainda, que os dois modelos apresentaram resultados melhores que o encontrado no teste com
essas condies. Construindo-se as superfcies de resposta possvel verificar que o processo em
que as vlvulas fabricadas tero menor dureza superficial aquele em que o leo de corte Iorga
est presente e no qual o inserto escolhido o Saar.
Os resultados, no caso das duas aplicaes, so considerados satisfatrios e mostraram que
a modelagem proposta uma ferramenta eficiente para a otimizao de sistemas com vrios
nveis de complexidade.

5. AGRADECIMENTOS

O primeiro autor agradece o CNPq por conceder suporte financeiro atravs da bolsa de
estudos no C-028/2008.

FAMAT em Revista - Nmero 11 - Outubro de 2008

6. REFERNCIAS BIBLIOGRFICAS

Barros Neto, B., Scarminio, I. S. and Bruns, R. E., Planejamento e Otimizao de

Experimentos, Editora Unicamp, Campinas, SP, 278p.,1995.
Barros Neto, B. et al., Como fazer experimentos: pesquisa e desenvolvimento na cincia e
na indstria, Editora Unicamp, Campinas, SP, 2001.
Bona, E. et al., Aplicativo para otimizao empregando o mtodo simplex seqencial, Acta
Scientiarum, Maring, PR, v.22, n.5, p.1201-1206, 2000.
Bona, E., Borsato, D., da Silva, R. S. S. F. , Benetasso, D. L., Souza, D. A.,Planejamento e
otimizao de sistemas mistos controlados por variveis qualitativas e quantitativas, Acta
Scientiarum, Maring, PR, v.24, n.6, p.1843-1850, 2002.
Box, G. E. P., Draper, N. R, Empirical Model-Building and response surfaces, John Wiley
& Sons, New York, 1987.
Cao, Y. J. et al., An evolutionary programming approach to mixed-variable optimization
problems, Applied Mathematical Modelling, Orlando, v.24, p.931-942, 2000.
Draper, N. R., Smith, H, Applied Regression Analysis. John Wiley & Sons, Inc., New
York, 1966.
Furtado, M. M. et al., Estudo conclusivo a respeito da fabricao do queijo minas frescal por
diferentes processos, Revista do Instituto de Laticnios Cndido Tostes, Juiz de Fora, MG, v.35,
n.208, p.13-16, 1980.
Gacula, Jr. M. C., Design and analysis of sensory optimization, Food & Nutrition Press
Inc., Connecticut, 1993.
Goldberg, D. E., Genetic Algorithms in Search, Optimization, and Machine Learning.
Reading, MA: Addison-Wesley, 1989.
Grace, A., Optimization Toolbox- For use with Matlab, The Math Works Inc., Natick,
1992.
Haupt, R. L., Haupt, S. E., Practical Genetic Algorithms, Wiley-Interscience Publication,
New York, 2004.
Montgomery, D.C., Design and analysis of experiments, John Wiley & Sons, New York, 2
ed., 537p., 1984.
Saboya, L. V. et al., Efeitos fsico-qumicos da adio de leite reconstitudo na fabricao de
queijo minas frescal, Cienc. Tecnol. Aliment., Campinas, SP, v.18, n.4, p.368-376, 1998.
Saramago, S. F. P., Mtodos de otimizao Randmica: Algoritmos Genticos e Simulated
Annelaing, So Carlos: SBMAC, v. 6, 35 p., 2003.
Statistica, Statistica for Windows, StatSoft Inc., Tulsa, 1998.

245

246

FAMAT em Revista - Nmero 11 - Outubro de 2008