Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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
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
(4)
(5)
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:
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)
De modo geral, suponha que se deseja otimizar uma funo f qualquer de n variveis,
(9)
sujeita a
xil < xi < xiu
i = 1, 2, ... , n
(10)
(11)
(12)
Em que b ii (que tem valor 0 ou 1) o (mi j)-simo alelo correspondente ao i-simo gene.
236
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
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.
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)
(14)
3. APLICAES
3.1. Planejamento e otimizao na obteno de queijo Minas frescal com adio de leite
reconstitudo
(15)
238
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).
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.
239
240
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
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
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).
Vc: 40 m/min
f: 2 m/ min
243
244
4. CONCLUSES
5. AGRADECIMENTOS
O primeiro autor agradece o CNPq por conceder suporte financeiro atravs da bolsa de
estudos no C-028/2008.
6. REFERNCIAS BIBLIOGRFICAS
245
246