Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
So Paulo
2005
So Paulo
2005
FICHA CATALOGRFICA
AGRADECIMENTOS
RESUMO
O objetivo deste trabalho otimizar formulaes de estabilizantes trmicos para PVC
(policloreto de vinila) pelo uso de tcnicas de projetos de mistura, estendida a
problemas com informao incompleta. O problema de mistura consiste em
minimizar o custo de formulao enquanto se obtm um produto que satisfaa
especificaes tcnicas e de mercado. No caso estudado, as formulaes so misturas
de 8 a 10 componentes, em sua grande maioria, escolhidos a partir de 16 compostos
bsicos. Cada composto confere diferente caracterstica formulao final, podendo
existir interao entre eles.
As caractersticas de interesse das misturas foram obtidas a partir das anlises
reolgicas do composto de PVC, obtidas em um remetro de torque (modelo Haake),
em que foram usadas as formulaes dos estabilizantes. Resultados contidos em um
banco de dados, em que muitos testes diferentes e formulaes comerciais foram
analisados, foram aproveitados para a construo dos modelos correlacionando estas
caractersticas com a composio. Como o nmero de experimentos que seriam
necessrios para obter a informao completa para a descrio da mistura seria
proibitivo, modelos de mistura foram construdos usando regresso por componentes
principais (PCR) e mnimos quadrados parciais (PLS).
O problema de projeto de misturas foi traduzido em termos de problemas de
programao linear e no linear, dependendo do tipo do modelo. Para evitar
problemas de extrapolao que poderiam resultar devido pobreza da informao,
equaes adicionais que restringem a soluo ao conjunto onde a informao foi
avaliada (o espao gerado pelos componentes principais, definidos a partir da
correlao) foram adicionados ao problema. Este procedimento corresponde a uma
inovao com relao ao problema de mistura. Os resultados obtidos com os modelos
so comparados com experimentos para validao do estudo executado.
ABSTRACT
The objective of this work is to optimize the formulations of heat stabilizers for PVC
(Poly Vinyl Chloride) by means of mixture design techniques extended to deal with
problems with incomplete information. The mixture design problem consists in
minimizing the cost of the formulation while obtaining a product that satisfies
technical and market specifications. In the case studied, the formulations are
mixtures of 8 to 10 components chosen out from 16 basic compounds. Each of the
compounds confers different characteristics to the final formulation, and there can be
interactions between them.
The characteristics of interest of the mixtures are obtained from assays performed in
a standard torque rheometer (Haake model) for different stabilizer formulations. Data
from a database, in which many different test and commercial formulations are
recorded, were used in order to build models that correlate the properties with the
compositions. As the number of data points that would be needed in order to obtain
the necessary information for a complete description of the mixture would be
prohibitive, mixture models were built using Principal Components Regression
(PCR) and Pseudo-Least Squares Regression (PLS).
The mixture design problem was expressed in terms of Linear and Nonlinear
programming techniques, depending on the type of model used. In order to avoid
extrapolation problems that would result from the poor availability of information,
additional equations that confines the solution to the subset where information is
available (the space spanned by the main loading vectors retained for correlation) are
added to the problem. This is an extension to the standard mixture design problem.
Solutions obtained are compared to validation experiments.
NDICE
1
INTRODUO ................................................................................................ 1
REVISO BIBLIOGRFICA.......................................................................... 5
2.1
2.2
MERCADO DE PVC........................................................................................ 6
2.3
2.3.1
Aspectos Gerais.................................................................................. 11
2.3.2
2.3.3
2.4
2.4.1
2.4.2
2.5
3
3.1.1
3.1.2
3.1.3
3.1.4
3.2
3.2.1
3.2.2
3.3
OTIMIZAO ............................................................................................... 49
3.3.1
3.3.2
3.3.3
Programao No Linear.................................................................... 52
3.3.3.1
3.3.3.2
3.3.3.3
3.3.3.4
3.4
3.4.1
3.4.2
APLICAES ................................................................................................. 64
4.1
INTRODUO............................................................................................... 64
4.2
4.2.1
4.2.1.1
4.2.1.2
4.2.2
4.2.2.1
4.2.2.2
4.2.3
4.3
OTIMIZAO ............................................................................................... 80
4.3.1
4.3.1.1
4.3.1.2
4.3.2
4.3.2.1
4.3.3
4.4
4.5
DISCUSSO.................................................................................................. 92
BIBLIOGRAFIA.............................................................................................. 97
LISTA DE FIGURAS
Figura 2.1
Figura 2.2
Figura 2.3
Figura 2.4
Figura 2.5
Figura 2.6
Figura 2.7
Figura 2.8
Figura 2.9
Figura 3.1
Figura 3.2
Figura 3.3
Figura 3.4
Figura 3.5
Figura 3.6
Figura 3.7
Figura 3.8
Figura 3.9
Figura 4.1
Figura 4.2
Figura 4.3
Figura 4.4
Figura 4.5
Figura 4.6
Figura 4.7
Figura 4.8
Figura 4.9
Figura 4.10
Figura 4.11
Figura 4.12
Figura 5.1
LISTA DE TABELAS
Tabela 2.1
Tabela 2.2
Tabela 2.3
Tabela 3.1
Tabela 3.2
Tabela 3.3
Tabela 3.4
Tabela 3.5
Tabela 4.1
Tabela 4.2
Tabela 4.3
Tabela 4.4
Tabela 4.5
Tabela 4.6
Tabela 4.7
Tabela 4.8
Tabela 4.9
Tabela 4.10
Tabela 4.11
Tabela 4.12
Tabela 4.13
Tabela 4.14
Tabela 4.15
Tabela 4.16
Tabela 4.17
LISTA DE ABREVIATURAS
ABIPLAST
ABIQUIM
CLS
CMAI
COPLAST
HCl
- cido clordrico.
LP
- Programao linear.
LV
- Variveis latentes.
MINLP
MILP
NLP
- Programao no-linear.
MLR
- Regresso multilinear.
MSEC
PC
- Componentes principais.
PCA
PCR
PE
- Polietileno.
PLS
PP
- Polipropileno.
PVC
- Cloreto de polivinila.
R2
- Coeficiente de correlao.
RMSECV
RMSEC
RMSEP
RMSEV
RMSE
UV
- Ultra violeta.
LISTA DE SMBOLOS
tgel
Mgel
M7
M10
- Variveis dependentes.
i , ij
xi
b
)
y
- Grau do polinmio.
ti
pi
f(x,y)
h(x)
g(x,y)
pcr
ai
aij
xi
- Concentrao do componente i.
fTx
f (x )
xn
mi
ma
beq
lb
ub
Aeq
c(x)
ceq(x)
INTRODUO
Concluses e perspectivas.
2
2.1
REVISO BIBLIOGRFICA
Cloreto de Polivinila (PVC)
Segundo Nunes et. al. (2002), o PVC o plstico que faz menor uso dos recursos no
renovveis em sua composio, 57% cloro proveniente do sal comum e apenas
43% proveniente do petrleo ou gs natural.
Atualmente o uso do PVC tem sido combatido por grupos ambientalistas, como o
Greenpeace, devido a possvel emisso de compostos txicos durante o seu
processamento. Durante o ciclo de vida, os produtos de PVC podem conter aditivos
txicos, como compostos ftalatos e metais pesados. E durante a sua queima ocorre a
liberao de gs clordrico (HCl) e dioxinas que so reconhecidos poluentes do ar, da
gua e da terra.
2.2
Mercado de PVC
1997
54,4
4,8
3,5
16,3
6,5
7,0
0,5
7,0
1998
57,6
6,3
3,8
13,5
6,9
5,6
0,7
5,6
1999
52,1
6,7
5,0
12,7
6,1
7,6
0,9
8,9
TOTAL
100,0
100,0
100,0
Evoluo da participao do
mercado na construo civil
67,0
68,7
65,8
Produo
Importaes
1995
581.332
64.712
1996
626.964
81.252
1997
631.851
61.816
1998
632.267
128.106
1999
658.471
62.868
2000
648.199
117.849
Fonte: Abiquim/Coplast
Exportao
Consumo
Aparente
Crescimento
anual %
146.205
132.634
69.482
42.500
59.696
34.904
499.839
575.582
624.185
717.873
661.643
731.144
15,2
8,4
15,0
-7,8
10,5
817
800
642
662
PEAD
PVC
700
709
mil t/ano
600
500
400
300
327
257
200
100
0
PS
PET
PP
PEBDL
Resinas
Composto de PVC
Resina: 55%
Aditivos: 45 %
Composto Equivalente: 445 mil t/ano
37%
Flexveis
Rgidos
63%
Rgido:
Resina: 85%
Aditivos: 15%
Composto Equivalente: 491 mil t/ano
mil t/ano
936
817
709
642
257
PS
327
PET
PEAD
PVC
PP
PEBDL
Resinas
Como pode ser observado pelos grficos acima, a resina de PVC foi o terceiro
plstico mais consumido em 1999, mas quando se fez a correo para o composto de
PVC, observa-se que foi produzida uma maior quantidade de peas plsticas com os
compostos de PVC do que com qualquer outro tipo de termoplstico sem considerar
uma possvel aditivao dos outros polmeros.
No Brasil, o consumo per capita de PVC em relao a outros pases ainda baixo,
comparando principalmente com os pases desenvolvidos (Figura 2.5). Por estes
dados pode-se ver que o nosso pas apresenta um grande potencial a ser desenvolvido
e o consumo desta resina tem espao para crescer bastante nos prximos anos.
10
20,0
(kg/hab.ano)
16,0
15,5
14,3
15,0
10,0
4,5
5,0
3,8
4,5
3,0
0,7
un
do
Br
as
il
a
rg
en
tin
Eu
ro
pa
EU
O
c.
0,0
Brasil
OPP/Braskem
Solvay/Indupa
11
2.3
Estabilizantes Trmicos
12
13
14
Primrios:
Chumbo
Vantagens: Baixo custo, boas propriedades eltricas, baixa absoro de gua, forte
estabilidade.
Desvantagens: Sensvel ao enxofre, txico, baixa transparncia.
Usos: Isolamento eltrico, discos (LPs), forros, produtos rgidos extrudados, tubos.
Tipos comuns: Fosfato dibsico de chumbo, estearato dibsico de chumbo, sulfato de
chumbo, clorossilicato de chumbo, ftalato dibsico de chumbo, sulfato tribsico de
chumbo.
Estanho orgnico
Vantagens: Insensvel presena de enxofre, boa cristalinidade, excelente colorao
inicial, forte estabilidade, boa estabilidade luz, aprovado em certas embalagens de
alimentos (somente alguns octoatos).
Desvantagens: Alto custo, txico (exceto alguns octoatos de estanho).
Aplicaes: Compostos rgidos e flexveis claros, tubos de gua potvel, botas
injetadas.
Tipos comuns: Dibutil maleato de estanho, dibutil dilaurato de estanho, di(noctil)maleato de estanho.
Estanho mercaptanas
Vantagens: Forte estabilidade, boa cristalinidade, boa colorao, insensvel
presena de enxofre.
Desvantagens: Baixa estabilidade a luz, alto custo, odor desagradvel, txico
(maioria dos tipos).
15
Secundrios:
Compostos epoxidados
Vantagens: Apresenta o fenmeno de sinergia em misturas, estabilizante luz,
atxico (leo de soja epoxidado).
Desvantagens: No pode ser usado em compostos rgidos.
16
Figura 2.6 Consumo de PVC entre 1975 e 1990 (Gchter e Mller, 1993).
17
No incio da tecnologia do PVC, o flexvel foi dominante, mas com o decorrer dos
anos a proporo de PVC rgido tem aumentado constantemente e hoje corresponde a
aproximadamente 60% do consumo em vrios pases.
A baixa estabilidade trmica do PVC muito bem conhecida. Apesar disso, o
processamento a altas temperaturas possvel sem problemas pela adio de
estabilizantes trmicos especficos. Esta uma das principais razes para o grande
desenvolvimento do PVC. O desenvolvimento e produo de estabilizantes trmicos
adequados estiveram ligados produo de PVC desde o principio, e tambm so a
pr-condio para o processamento e aplicao no futuro. De acordo com o estudo de
Frost e Sullivan, 80.000 toneladas de estabilizantes trmicos foram usadas na Europa
em 1985, os estabilizantes de chumbo tiveram a maior participao com 58.000 t. No
mundo foram provavelmente usados 250.000 t de estabilizantes (Gchter e Mller,
1993).
2.4
18
O cetoalilo, estrutura III, que tinha sido definida pela Eastern Europe como base de
medida cintica, no est sendo mais obordado em pesquisas mais recentes (Gchter
e Mller, 1993).
19
(1)
20
Para a decomposio dos hidroperxidos por ataque inico (Reao 3), bem como
por radicais (Reao 2), foram propostas as seguintes reaes (Gchter e Mller,
1993):
21
-Absoro do HCl;
-Eliminao das regies iniciadoras;
-Preveno da auto-oxidao;
-Reduo da fragmentao mecano-qumica atravs da lubrificao
interna.
Reparadora:
22
Absoro de HCl
Uma propriedade comum a todos os estabilizantes trmicos a capacidade de
capturar o HCl, como mostrado pelas reaes a seguir (Gchter e Mller, 1993):
23
24
Preveno da auto-oxidao
A diminuio da dehidroclorao pela adio de antioxidante fenlico a evidncia
de que os antioxidantes contribuem para a estabilizao do PVC (Figura 2.8).
Portanto, desejvel que um bom estabilizante trmico possua tambm propriedades
antioxidantes. Para organo estanho mercaptanas um efeito antioxidante foi
demonstrado pela investigao da decomposio do terc butil hidroperxido (Reao
10) (Gchter e Mller, 1993):
25
Esta reao explica a observao de que a colorao trmica do PVC clareada pelo
tratamento com cido iso-octlico tiogliclico. Isto conseqncia da reduo do
comprimento das seqncias polinicas. Com o di-alquil maleato de estanho a adio
de cidos e steres maleicos na cadeia polimrica pode ser comprovada pela reao
de Diels-Alder (Gchter e Mller, 1993):
26
Pode-se assumir que no caso dos carboxilatos de zinco, cdmio e chumbo que o
cido carboxlico liberado na reao com HCl (possivelmente resultado do efeito
cataltico do metal) sofre uma reao de adio com as seqncias polinicas.
Contudo reaes das seqncias polinicas com vrios componentes do estabilizante
podem ocorrer na pratica, o grau com que cada uma dessas reaes contribui para a
estabilizao do PVC no conhecido.
Destruio dos sais carbnicos
A forte colorao do PVC exposto ao calor devida, principalmente, aos sais
onium. Sua converso pela eliminao de HCl (Reao 13) causa um clareamento
como mostrado por Schlimper em 1967 (Gchter e Mller, 1993):
27
28
foram comparados por Wentzell et al. (2003) onde foram usadas simulaes de
misturas qumicas complexas contendo um grande nmero de componentes para
mostrar a aplicabilidade dos mtodos nesses tipos de problemas. Foram detalhados
os modelos de mistura, incluindo a distribuio das concentraes e as caractersticas
espectrais. Nos resultados da aplicao do PCR e do PLS so apresentados os erros
de predio e o nmero de variveis latentes usados na regresso de vrios
parmetros. Nestes casos no foram observadas diferenas significativas nos erros de
predio entre o PCR e PLS. Apenas o PLS requer nmero menor de variveis
latentes do que o PCR, mas isto no influncia na habilidade de predio.
Em misturas contendo vrios componentes tem sido aplicadas com sucesso tcnicas
de projeto experimental para investigar o efeito das variveis de processo na
performance dos produtos e das concentraes dos componentes em formulaes, tal
como no estudo de Drava et al. (1996), onde foi estudado um material para frico
composto por at 18 componentes diferentes.
Na indstria e cincia alimentcia encontram-se tambm aplicaes de projeto de
misturas e de calibrao multivariada. Dingstad et al. (2004) afirmam que as
caractersticas dos produtos alimentcios dependem fortemente das propores
individuais dos ingredientes presentes na formulao e o uso de projetos de misturas
e suas correspondentes anlises so de extrema importncia para o desenvolvimento
e otimizao de produtos alimentcios.
O principal problema com as misturas que a soma dos componentes constante,
isto leva ao aparecimento de colinearidades entre as variveis. Pela formulao dos
modelos polinomiais possvel se evitar a colinearidade. A formulao mais
utilizada chamada de polinmios de Scheff, em que se elimina o termo constante
(em ingls, intercept) e os termos quadrticos dos modelos bsicos tornando possvel
o uso da regresso por mnimos quadrados (CLS) (Scheff, 1963). Para polinmios
de 2 grau, o polinmio de Scheff o seguinte:
29
i =1
i< j
y = i xi + ij xi x j + e
(2.1)
30
Figura 2.9 Correlao dos loadings x e y para um modelo de regresso PLS completo
(Dingstad et al. 2004).
31
32
MATERIAIS E MTODOS
3.1
Projeto de Misturas
=1
(3.1)
i =1
33
34
35
y i = 0 + 1 x1 + 2 x 2 + i
(3.2)
(3.3)
desta forma pode-se estimar a resposta mdia em qualquer ponto de composio (x1,
x2). Como esta equao representa uma mistura, os fatores x1 e x2 no so variveis
independentes. Em conseqncia disso no se pode usar a equao (3.4) para estimar
os coeficientes do modelo, pois a matriz XTX torna-se singular (Neto et al., 2002):
36
b = (X T X ) X T y
1
(3.4)
(3.5)
(3.6)
onde bi = b0 + bi .
Deste modo, o modelo passa a ter apenas dois coeficientes a serem determinados, b1
e b2 , ao invs dos trs que aparecem na equao original.
Quando (x1,x2) = (1,0), isto , quando a mistura contm apenas o componente 1, a
)
equao(3.6) reduz-se a y = b1 = y1 , onde y1 a resposta observada para o
)
componente 1 puro. E quando (x1,x2) = (0,1), temos y = b2 = y 2 . Portanto, os dois
coeficientes do modelo aditivo so as prprias respostas dos respectivos
componentes puros. Caso o modelo seja vlido, pode-se prever as propriedades de
uma mistura qualquer sem precisar fazer mistura nenhuma. Esta situao est
representada geometricamente na figura 3.3. A superfcie de resposta, que neste caso
unidimensional, simplesmente a reta ligando y1 a y2. A resposta para uma mistura
qualquer ser uma ponderao das respostas dos componentes puros, tendo como
pesos as propores x1 e x2 presentes na mistura (Neto et al., 2002).
37
Figura 3.3 A reta tracejada representa um modelo linear para uma mistura de dois
componentes. O modelo quadrtico representado pela curva slida, mostrando uma
interao dos dois componentes, b12 x1 x 2 (Neto et al. 2002).
(3.7)
A expresso acima contm seis parmetros, mas para misturas binrias esse nmero
se reduz, por causa da soma constante das propores. Substituindo x1 + x2 = 1,
x12 = x1 (1 x 2 ) e x 22 = x 2 (1 x1 ) , temos (Neto et al., 2002):
)
y = bo ( x1 + x 2 ) + b1 x1 + b2 x 2 + b11 x1 (1 x 2 ) + b22 x 2 (1 x1 ) + b12 x1 x 2
(3.8)
38
(3.9)
(3.10)
39
)
y = b0 + b1 x1 + b2 x 2 + b3 x3
(3.11)
com a restrio x1 + x 2 + x3 = 1 .
Substitui-se o termo b0 por b0 ( x1 + x 2 + x3 ) e rearranjando os termos,
)
y = b1 x1 + b2 x 2 + b3 x3
(3.12)
sendo bi = b0 + bi , para i = 1, 2 e 3.
(3.13)
40
(3.14)
(3.15)
41
Os dez coeficientes da equao (3.13) foram reduzidos a seis. Neste caso necessita-se
de um planejamento experimental contendo pelo menos seis ensaios distintos.
A figura 3.4(b) ilustra uma superfcie de resposta para um modelo quadrtico com
) q
y = bi xi ,
(linear)
i =1
q
q
) q
y = bi xi + bij xi x j ,
i =1
i< j
(quadrtico)
42
q
q
q
q
q
) q
y = bi xi + bij xi x j + bijk xi x j x k ,
i =1
i< j
i< j j < k
(cbico especial)
q
q
q
q
) q
y = bi xi + bij xi x j + bij xi x j (xi x j )
i =1
i< j
i< j
(cbico completo)
+ b xi x j x k
ijk
i< j j <k
Modelo
Nmero de termos
Linear
Quadrtico
q(q + 1) / 2
Cbico Especial
q q2 + 5 / 6
Cbico Completo
q(q + 1)(q + 2) / 6
V (b ) = X T X
43
Figura 3.5 - Planejamento experimental em rede simplex para o estudo de uma mistura de
quatro componentes (Neto et al. 2002).
Calibrao Multivariada
44
A regresso por componentes principais (PCR) uma das tcnicas que permite
trabalhar com o problema de matrizes mal-condicionadas. Ao invs da regresso das
propriedades do sistema (concentraes, etc) pelas medidas originais das variveis
(espectros, temperaturas, etc), as propriedades so regredidas pela magnitude dos
componentes principais das variveis medidas, (como so ortogonais e, por isso, bem
condicionadas). O mtodo PCR consiste da anlise de componentes principais (PCA)
seguida de uma regresso multilinear (MLR), a decomposio PCA dos dados da
matriz X dada como a soma dos produtos dos vetores ti e pi mais a matriz de
resduos E: (Wise et al., 2003)
X = t1 p1T + t 2 p 2T + K + t k p kT + E
(3.16)
Onde k deve ser menor ou igual a menor dimenso da matriz X (k min{m, n}). Os
vetores ti so conhecidos como scores que contm as informaes de como as
45
so ortonormais
(p
T
i
Xp i = t i
X + = P T TT
TT
(3.18)
46
A regresso por Mnimos Quadrados Parciais (PLS) pode ser descrita como sendo
um meio termo entre o PCR e o MLR e podemos dizer que ocupa o espao
intermedirio entre eles. O PCR encontra fatores que aproximem a maior quantidade
de varincia dos preditores (exemplo, espectros ou temperaturas). O MLR procura
encontrar um nico fator que correlacione os preditores com as variveis preditas
(exemplo, concentraes ou volumes). O PLS tenta encontrar fatores que faam
ambas as coisas, que aproximem a varincia e que encontrem a correlao. Dizemos
normalmente que o PLS tenta maximizar a covarincia, de fato, este o objetivo
explcito do algoritmo SIMPLS para o PLS (Wise et al., 2003).
Existem vrias maneiras de calcular os parmetros do modelo PLS, contudo, talvez o
mtodo mais intuitivo o conhecido como NIPALS para Mnimos Quadrados
Parciais no interativos. NIPALS calcula os scores T e os loadings P (similares
aos usados no PCR) e um conjunto adicional de vetores conhecidos como weights
W. A adio dos weights necessria para manter os scores ortogonais. Os
algoritmos NIPALS e SIMPLS para o PLS tambm funcionam quando existe mais
que uma varivel predita, Y, e por isso scores U e loadings Q so calculados para
o bloco Y-. Um vetor de coeficientes de relaes internas, b, que relaciona os blocos
de scores X- e Y-, tambm deve ser calculado. Usando NIPALS os scores,
weights, loadings e os coeficientes internos so calculados seqencialmente
como mostrado abaixo (Wise et al., 2003).
47
A decomposio PLS iniciada selecionando uma coluna de Y, yj, como partida para
estimar u1 (normalmente escolhe-se a coluna de Y que apresenta a maior varincia).
No caso de uma nica varivel y, u1 = y. O algoritmo inicia-se pelo bloco de dados X:
w1 =
X T u1
X T u1
(3.19)
(3.20)
t1 = Xw1
q1 =
Y T t1
Y T t1
(3.21)
(3.22)
u1 = Yq1
p1 =
X T t1
t 1T t1
p1new =
p1old
p1old
(3.23)
(3.24)
48
(3.25)
(3.26)
b1 =
u1T t 1
(3.27)
t 1T t 1
E1 = X t 1 p1T
(3.28)
F1 = Y b1 t1 q1T
(3.29)
X + = W PTW
) (T T )
1
TT
(3.30)
49
Alternativamente, pode-se mostrar que o primeiro vetor weight do PLS dado pelo
autovetor associado X T YY T X com o maior autovalor.
w1 = X T YY T Xw1
(3.31)
Otimizao
50
f(x,y)
s.t.
h(x)=0
g(x,y) 0
x 0, y {0,1}m
51
Z = cTx
s.t.
Ax a
x0
Desde que as funes lineares sejam convergentes, a LP tem um mnimo nico. Este
pode ser um mnimo fraco, como alternativa podemos alterar os valores de
inicializao das variveis e verificar se a funo objetivo leva ao mesmo mnimo
(Biegler et al., 1997).
O mtodo de soluo padro o algoritmo simplex (Hillier and Lieberman, 1986)
que explora o fato que o ponto timo de uma LP est no vrtice da regio em estudo
(figura 3.6). Neste ponto timo as condies de Karush-Kuhn-Tucker so satisfeitas.
Figura 3.6 Linhas timas do vrtice x* para problema LP (Biegler et al. 1997).
52
xP for zero temos valores negativos. Esta manipulao somente pode ser usada
f(x)
x = [x1 x2 xn]T
s.t.
hj(x)=0
j = 1, 2, , m
gj(x) 0
j = m + 1, ..., p
53
f(x)
s.t.
hj(x) = 0
j = 1, 2, , m
gj(x) - 2j = 0
j = m + 1, ..., p
L ( x, ) = f ( x ) + j h j ( x ) +
j =1
[g (x ) ]
j
2
j
(3.32)
j = m +1
( )
L x
=0
x i
( )
L x
=0
i
i = 1, ..., n
j = 1, ..., p
54
( )
L x
= 2 j j = 0
i
j = m+1, ..., p
j 0
j = 1, ..., p
(3.33)
s.t.
Ax b
x0
55
s.t.
funes de s
f(x)
x = [x1 x2 xn]T
s.t.
hj(x)=0
j = 1, 2, , m
Li xi Ui
i = 1, ..., n
(3.34)
56
hj(x) = gj(x) - j = 0
3.4
com
j 0
Parte Experimental
57
Limite Inferior
Limite Superior
Grupo
C.01
C.02
C.03
C.04
C.05
C.06
C.07
C.08
C.09
C.10
C.11
C.12
C.13
C.14
C.15
C.16
0,3500
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,5500
0,2000
0,1000
0,0500
0,2320
0,1600
0,1500
0,0700
0,0500
0,1141
0,1000
0,3030
0,0323
0,2330
0,2462
0,0850
Organo-metlico
Organo-metlico
Organo-metlico
Antioxidante
Lubrificante
Lubrificante
Lubrificante
Antioxidante
Antioxidante
Antioxidante
Antioxidante
Lubrificante
Carga
Lubrificante
Lubrificante
Lubrificante
Para a construo dos modelos utilizamos o programa MatLab 6.5, para as regresses
PCR e PLS usamos o PLS_Toolbox 3.0 para MatLab da Eigenvector, do qual foi
utilizada a interface grfica de construo de modelos atravs do comando
regression. Para a otimizao foram utilizadas as rotinas linprog, para os
modelos de 1 ordem, e fmincon, para os modelos quadrticos, ambas, do toolbox
de otimizao do prprio MatLab, para a resoluo dos problemas de LP e NLP
respectivamente.
Utilizamos a seguinte notao de matrizes: X a matriz das formulaes, onde as
colunas representam os 16 componentes e as linhas as concentraes das 155
diferentes formulaes conhecidas. A matriz Y, onde esto reagrupados os
resultados, sendo as colunas as 4 variveis dependentes estudadas: tgel - tempo de
gelificao (min.), Mgel - torque de gelificao (Nm), M7 - torque a 7 minutos de
ensaio (Nm) e M10 - torque a 10 minutos (Nm); e as linhas os 155 resultados destas
variveis.
Os resultados foram obtidos atravs de ensaios em um remetro de torque, modelo
Rheomix 600p da Haake. O equipamento possui uma cmara aquecida de 60 cm3
com dois rotores que fazem a mistura e homogeneizao do composto de PVC,
58
Na figura 3.8, observa-se que o torque no incio do teste est baixo e depois sobe,
aps um transiente, at o ponto de gelificao, isso ocorre devido ao processo de
fuso que ocorre dentro da cmara, no incio a maior parte do material est na fase
slida, como o composto se apresenta como p, apresenta menos dificuldade ao
movimento dos rotores do que o material depois de fundido, pois o PVC apresenta
uma alta viscosidade quando fundido, por isso, o torque se eleva rapidamente at o
ponto de gelificao.
O primeiro ponto o ponto de gelificao, que corresponde ao mximo indicado no
grfico torque em funo do tempo (figura 3.8), este o ponto onde todo o material
59
dentro da cmara de teste est fundido, conceito diferente do ponto de gel estudado
em processos de polimerizao. As informaes extradas deste ponto so o tempo
(tgel) e o torque (Mgel), antes desse tempo, o material se encontra em duas fases,
slida e lquida, isto nos d uma indicao do tempo de residncia do composto no
equipamento de processamento, pois quanto menor esse tempo, mais rpido o
composto fica totalmente fundido, menor o tempo de residncia necessrio, o que
est intimamente ligado produtividade que se pode imprimir ao processo. O torque
indica a que esforo o equipamento submetido nesta fase.
O segundo ponto corresponde aos 7 minutos de teste, o torque neste instante (M7),
indica o esforo necessrio para movimentar o composto fundido dentro da mquina
(normalmente aos 7 minutos os compostos j passaram pela gelificao), isto est
diretamente ligado ao consumo de energia do equipamento, mas o torque nesta etapa
tambm influi no acabamento do produto final, pois o torque depende da viscosidade
da massa fundida, que interfere no fluxo de material pela matriz, o que por sua vez,
interfere no aspecto e brilho da pea final.
60
61
Para a realizao dos ensaios necessria a preparao dos compostos de PVC, estes
foram preparados em um misturador rpido Mecanoplast de 5 litros, seguindo a
formulao da tabela 3.3.
Tabela 3.3 Formulao do composto de PVC.
Compostos
Resina PVC (valor K = 67)
Carbonato natural
Lubrificante
Pigmento branco
Estabilizante trmico
Quantidade (g)
100,0
18,0
0,2
0,5
2,4
62
tgel (min)
M
Formula
gel (Nm)
29
M7 (Nm)
M10 (Nm)
9,0
11,4
6,9
11,2
9,4
10,6
6,0
11,2
8,8
10,8
7,2
11,6
8,6
11,0
10,7
14,2
tgel (min)
Formula Mgel (Nm)
44
M7 (Nm)
M10 (Nm)
4,6
19,2
18,0
15,6
4,7
18,2
18,5
16,8
4,9
19,9
18,6
16,3
4,7
20,0
18,5
16,3
tgel (min)
Formula Mgel (Nm)
117
M7 (Nm)
M10 (Nm)
5,5
18,4
16,2
15,8
5,7
17,7
16,1
16,5
5,5
17,8
17,1
15,8
5,8
17,3
15,7
16,1
tgel (min)
Formula Mgel (Nm)
119
M7 (Nm)
M10 (Nm)
1,4
24,6
16,6
20,9
1,5
23,8
16,7
21,0
1,4
26,9
16,9
22,3
1,4
25,3
16,3
21,3
Mdia
RMSE
9,0
11,0
7,7
12,1
0,30
0,30
1,79
1,25
4,8
20,6
19,1
16,1
4,7
19,6
18,5
16,2
0,09
0,82
0,35
0,39
5,5
18,1
16,2
15,8
5,6
17,9
16,3
16,0
0,12
0,37
0,46
0,28
1,4
25,2
16,6
21,4
0,04
1,14
0,22
0,55
63
Mdia
RMSE
tgel (min)
Formula Mgel (Nm)
44
M7 (Nm)
M10 (Nm)
4,6
19,8
19,1
17,5
4,7
19,4
18,6
17,0
4,6
20,7
19,2
16,8
4,5
20,1
18,4
16,6
4,6
19,3
19,4
17,6
4,6
19,9
18,9
17,1
0,07
0,51
0,38
0,39
tgel (min)
M
Formula
gel (Nm)
78
M7 (Nm)
M10 (Nm)
3,1
18,9
16,2
14,7
4,4
18,0
15,9
14,3
4,8
16,6
15,2
14,7
4,1
17,8
15,8
14,6
0,73
0,95
0,42
0,19
tgel (min)
Formula Mgel (Nm)
101
M7 (Nm)
M10 (Nm)
3,7
17,6
15,6
15,6
4,7
18,3
15,4
15,0
4,7
18,0
16,1
15,3
4,4
18,0
15,7
15,3
0,49
0,29
0,29
0,24
Observando-se os resultados das duas tabelas (3.4 e 3.5) nota-se que os erros
encontrados pelos dois tipos de repeties esto prximos, no apresentando
diferenas significativas, levando a concluso de que os erros inerentes as etapas de
preparao do estabilizante e mistura do composto de PVC no so representativos
em relao ao erro apresentado pelo remetro de torque, por isso os erros
apresentados pelas repeties dos mesmos compostos e dos compostos diferentes
esto com a mesma magnitude.
64
APLICAES
4.1
Introduo
Nesta etapa vamos descrever os modelos obtidos atravs das regresses PCR e PLS e
tambm os problemas de otimizao gerados e resolvidos usando a programao
linear e no linear. Para isto foi utilizado um conjunto de dados com 155 formulaes
de estabilizantes, sendo em sua grande maioria dados histricos, e nestas
formulaes foram usados 16 componentes diferentes, mas em nenhum dos
estabilizantes analisados foram utilizados todos os componentes, a maioria das
formulaes continham entre 8 a 10 componentes. As formulaes no sero
apresentadas nesta explanao devido ao sigilo industrial envolvido, como j dito no
captulo anterior, pois parte dos dados utilizados se referem a produtos comerciais.
4.2
Calibrao Multivariada
y = a i x i
i =1
onde:
(4.1)
65
y a varivel dependente;
66
Variveis X
Variveis Y
Este PC
Total
Este PC
Total
59,57
11,34
8,22
5,07
3,73
2,93
2,33
1,65
1,32
0,97
0,84
0,72
0,55
0,48
0,55
0,05
59,57
70,92
19,13
84,21
87,94
90,87
93,19
94,85
96,17
97,14
97,97
98,70
99,25
99,73
99,95
100,00
0,28
27,38
0,36
7,23
12,89
4,12
0,52
5,06
2,90
7,45
2,29
0,40
1,47
1,19
0,70
0,25
0,28
27,66
28,02
35,25
48,14
52,26
52,78
57,84
60,74
68,19
70,48
70,88
72,35
73,54
74,24
74,49
67
68
tgel
Mgel
M7
M10
C.01
C.02
C.03
C.04
C.05
C.06
C.07
C.08
C.09
C.10
C.11
C.12
C.13
C.14
C.15
C.16
-0,0424
-1,6151
-1,1162
0,0718
-0,3396
0,2305
-0,0402
-0,1852
-0,1006
-0,8135
-0,2636
0,7019
1,2013
-0,6500
0,3347
-0,3120
0,9872
3,2305
3,6572
-0,2243
0,3432
-0,2184
0,3129
0,5475
0,0698
2,4647
1,7206
-1,7175
-1,6721
0,4036
-0,6764
0,2667
0,1908
1,3041
2,2515
0,1793
0,5099
0,2424
-1,1013
0,3583
0,0412
-0,2400
-0,4530
-0,1474
-2,3730
0,8241
0,6089
0,1965
-0,8005
0,4017
1,4525
0,2689
0,6124
-0,3602
1,1250
0,7076
-0,0394
0,5318
2,4383
-2,6617
-0,5659
0,1152
-1,1634
0,3819
A regresso PLS foi realizada usando os mesmos dados, sem utilizar prprocessamento na varivel xn e o valor mdio na varivel y (subtrao de mdia).
Para o modelo foram escolhido 7 LVs, com este nmero de variveis latentes
conseguimos explicar 89,18% da varincia em xn e 72,21% em y (tabela 4.3). O
modelo PLS com 7 LVs foi escolhido pois apresentou valores de RMSECV
prximos dos mnimos para as variveis tgel, Mgel e M7 e ficar mais prximo do
mnimo da M10 que foi com apenas 3 LVs, como pode ser observado pela figura 4.4.
69
Variveis X
Variveis Y
Este LV
Total
Este LV
Total
19,62
49,87
5,25
2,85
6,37
3,83
1,37
3,63
1,92
1,52
1,22
0,48
0,78
0,56
0,65
0,06
19,62
69,49
74,75
77,60
83,97
87,80
89,18
92,80
94,72
96,24
97,46
97,95
98,73
99,29
99,94
100,00
38,69
7,74
12,45
7,05
1,62
2,23
2,44
0,46
0,62
0,26
0,28
0,29
0,10
0,10
0,03
0,15
38,69
46,43
58,88
65,92
67,54
69,77
72,21
72,67
73,29
73,55
73,83
74,11
74,21
74,31
74,34
74,49
Do mesmo modo que no modelo PCR, pelos grficos dos resduos studentizados
(figura 4.5) analisamos a existncia de dados fora de padro e observamos a
correlao entre as variveis pelos grficos de paridade (figura 4.6).
70
71
tgel
Mgel
M7
M10
C.01
C.02
C.03
C.04
C.05
C.06
C.07
C.08
C.09
C.10
C.11
C.12
C.13
C.14
C.15
C.16
-0.0165
-1.4191
-1.1148
-0.0615
-0.2466
0.1274
0.1355
-0.3829
-0.1150
-0.5405
-0.2712
0.6919
1.3526
-0.3992
0.4294
-0.4586
0.7175
2.8388
3.3472
-0.1308
0.6814
-0.6703
0.0523
0.9490
0.4623
1.8210
1.6708
-1.7799
-1.7690
0.0609
-0.7898
0.9211
0.2829
1.3184
1.8580
0.0971
0.5016
0.0560
-0.8055
0.2068
-0.4420
0.1597
-0.6946
-0.7165
-2.0893
0.6544
0.3233
0.6430
-0.3210
0.7560
1.5671
0.1642
0.5395
-0.4926
1.2259
0.8539
0.3896
0.2674
2.3671
-2.4894
-0.5793
0.3661
-0.9366
-0.1016
16
16
i =1
i< j
y = a i x i + a ij x i x j
(4.2)
72
onde:
y a varivel dependente;
x i a concentrao do componente i;
x j a concentrao do componente j.
modelo quadrtico deve ter 136 regressores, sendo os 16 da matriz original mais 120
das combinaes xixj.
Deste modo, construmos a matriz xn2(155x136), a partir da matriz xn, que satisfaz a
equao (4.2) e foi utilizada para fazer as regresses.
73
Variveis X
Variveis Y
Este PC
Total
Este PC
Total
40,27
13,46
11,48
6,95
4,25
3,39
3,16
2,34
2,26
1,88
1,49
1,38
1,21
0,99
0,88
0,52
0,51
0,47
0,43
0,41
40,27
53,73
65,21
72,16
76,41
79,80
82,96
85,29
87,55
89,43
90,91
92,30
93,51
94,50
95,38
95,90
96,41
96,88
97,30
97,71
0,89
24,50
1,96
7,71
16,04
4,67
1,21
5,19
1,61
2,24
6,35
0,65
2,50
0,31
0,57
0,30
0,27
0,18
0,20
0,27
0,89
25,39
27,35
35,06
51,11
55,77
56,99
62,17
63,78
66,02
72,38
73,02
75,61
75,91
76,48
76,78
77,05
77,23
77,43
77,70
74
75
O modelo gerado apresenta 136 coeficientes ai e aij para cada uma das 4 variveis e
como nos modelos anteriores tambm foram calculados os R2.
76
Variveis X
Variveis Y
Este LV
Total
Este LV
Total
17,89
32,80
7,71
5,29
8,64
4,32
3,49
2,93
2,20
2,06
1,16
1,49
1,34
1,13
0,81
0,79
0,68
0,78
0,41
0,73
17,89
50,70
58,40
63,70
72,34
76,66
80,15
83,08
85,28
87,33
88,49
89,99
91,33
92,46
93,27
94,06
94,75
95,53
95,94
96,97
41,83
9,07
11,22
6,58
1,84
3,24
2,14
1,64
1,17
1,16
1,49
0,46
0,81
0,46
0,77
0,49
1,02
0,55
0,69
0,21
41,83
50,90
62,12
68,69
70,54
73,78
75,92
77,55
78,72
79,88
81,37
81,83
82,64
83,10
83,87
84,37
85,38
85,93
86,62
86,84
No foi excludo nenhum ponto do modelo PLS. E como nos modelos anteriores,
observamos na figura 4.11 que poucos pontos esto fora da faixa de (-3) a (+3) nos
resduos studentizados.
77
Os grficos de paridade (figura 4.12) mostram que o modelo est com um menor
ajuste para a varivel 4, M10, que para as demais variveis, mas isto no implica na
excluso do modelo para a varivel. Este modelo tambm apresenta 136 coeficientes,
um para cada regressor e os coeficientes de correlao R2 esto apresentados abaixo
78
Para fazer a comparao entre os modelos, utilizamos a raiz quadrada dos erros
quadrados mdios da calibrao (RMSEC), que obtida pela equao 4.3:
( y
RMSEC =
yi )
i =1
(4.3)
Os valores de RMSEC para os dois modelos esto na tabela 4.7 e mostram que todos
os valores esto bem prximos, deste modo no h indicao que um modelo esteja
melhor que o outro, assim, a princpio, os modelos lineares e quadrticos, tanto PCR
como PLS, parecem equivalentes.
Tabela 4.7 Valores de RMSEC para os modelos PCR e PLS.
Variveis
tgel (min)
Mgel (Nm)
M7 (Nm)
M10 (Nm)
Modelo Linear
Modelo Quadrtico
0,86
1,39
1,17
2,32
0,80
1,32
1,11
2,16
0,79
1,32
1,07
2,18
0,43
0,58
0,36
0,27
79
Modelo Linear
Modelo Quadrtico
R2 - PCR
R2 PLS
R2 - PCR
R2 PLS
0,73
0,85
0,77
0,64
0,70
0,83
0,74
0,63
0,75
0,86
0,77
0,67
0,76
0,87
0,80
0,69
80
4.3
Otimizao
Custos
C.01
C.02
C.03
C.04
C.05
C.06
C.07
C.08
C.09
C.10
C.11
C.12
C.13
C.14
C.15
C.16
2,45
2,11
1,17
5,53
1,22
3,12
2,11
21,16
6,13
15,25
5,10
4,67
0,96
14,08
3,10
2,29
min f T x
81
seguindo as restries:
Ax b
Aeq x = beq
lb x ub
f T x = [ p1
onde [ p1
p2
p2
x1
x
K p16 ] 2
M
x16
(4.4)
82
variar dentro de uma faixa de 5 %, que representa uma variao um pouco acima
do valor mdio das repeties, nesta abordagem, utilizamos as restries de
desigualdade, que assumem a seguinte forma:
a11
a
21
a 31
a
Ax b = 41
a11
a 21
a
31
a 41
a12
a 22
a 32
a 42
a12
a 22
a 32
a 42
K
K
K
K
K
K
K
K
a 416 x 4 M 10 + 0,05M 10
(4.5)
(ma mi )2
x1
x
K (ma mi )16 ] 2
M
x16
16
= 2 (ma mi )
1
(4.6)
83
a11
Aeq x = beq a 21
a
31
a 41
(ma mi )2
(ma mi )16
a12
a116
a 22
a 32
L
L
a 216
a 316
a 42
a 416
16
(ma mi )
2
t gel
M gel
M7
M 10
x1
x
2
x3
M
x16
(4.7)
84
(ma mi )1
a
m1
Aeq x = beq
a n1
(ma mi )2
(ma mi )16
a m2
a m16
an2
a n16
x1
x
2
M
x16
16
(ma mi )
1
0m
=
0n
(4.8)
85
seguindo as restries:
c( x ) 0
ceq( x ) = 0
Aeq x = beq
lb x ub
onde x, beq, lb e ub so vetores e Aeq uma matriz, c(x) e ceq(x) so funes que
retornam vetores e f(x) a funo objetivo que retorna um escalar.
Sendo que neste trabalho as variveis assumiram as seguintes representaes para os
modelos:
f ( x ) = [ p1
onde [ p1
p2
p2
x1
x
K p16 ] 2
M
x16
K p16 ] o vetor dos custos.
(4.9)
86
a11
a
21
a 31
a
c( x ) 0 = 41
a11
a 21
a
31
a 41
a12
a 22
a 32
a 42
a12
a 22
a 32
a 42
K
K
K
K
K
K
K
K
a11
a
ceq( x ) = 0 21
a 31
a 41
a12
a 22
a 32
a 42
L
L
L
L
x1
x
2
a1136 M t gel 0
a 3136 x1 x 2 M 7 0
a 4136 x1 x 3 M 10 0
M
x15 x16
(4.11)
87
restrio linear de igualdade Aeq x = beq aplicada para as duas abordagens, seguindo
a equao (4.6), igual a restrio aplicada a programao linear.
Os limites das variveis x, lb e ub, tambm so (-1) e (+1) e como na otimizao dos
modelos lineares, fornecemos ao programa os valores desejados das propriedades tgel,
Mgel, M7 e M10 e o programa fornece a formulao de menor custo.
4.3.3 Aplicaes
1 exemplo
2 exemplo
tgel (min)
Mgel (Nm)
M7 (Nm)
M10 (Nm)
5,6
17,9
16,3
16,0
4,0
17,6
15,2
16,8
88
1 Caso
2 exemplo
2 Caso
PCR
PLS
PCR
C.01
C.02
C.03
C.04
C.05
C.06
C.07
C.08
C.09
C.10
C.11
C.12
C.13
C.14
C.15
C.16
0,550
0,045
0,100
0,000
0,172
0,093
0,000
0,000
0,000
0,000
0,010
0,000
0,029
0,000
0,000
0,000
0,550
0,000
0,100
0,000
0,210
0,000
0,000
0,000
0,033
0,000
0,002
0,002
0,032
0,000
0,028
0,042
0,550
0,052
0,089
0,002
0,115
0,000
0,000
0,000
0,000
0,000
0,036
0,000
0,026
0,000
0,130
0,000
Soma dos
componentes
1,000
1,000
Custo da formulao
2,14
2,16
PLS
1 Caso
2 Caso
PCR
PLS
PCR
PLS
0,435
0,185
0,048
0,000
0,232
0,000
0,014
0,000
0,000
0,000
0,000
0,000
0,032
0,000
0,000
0,055
0,350
0,200
0,003
0,000
0,219
0,000
0,076
0,000
0,042
0,000
0,000
0,000
0,026
0,000
0,000
0,084
0,438
0,189
0,043
0,001
0,232
0,001
0,001
0,000
0,000
0,000
0,007
0,000
0,032
0,000
0,001
0,056
0,350
0,186
0,007
0,008
0,072
0,017
0,045
0,009
0,023
0,039
0,054
0,096
0,011
0,001
0,083
0,000
1,000
1,000
1,000
1,000
1,000
2,33
1,98
2,19
2,01
3,46
No
foi
obtida
soluo
para
este
caso
89
2 exemplo
1 Caso
1 Caso
Componentes
PCR
4.4
PLS
PCR
PLS
0,357
0,180
0,006
0,000
0,232
0,000
0,150
0,000
0,000
0,000
0,000
0,000
0,032
0,000
0,033
0,010
0,358
0,185
0,000
0,000
0,212
0,000
0,142
0,000
0,050
0,000
0,000
0,042
0,012
0,000
0,000
0,000
C.01
C.02
C.03
C.04
C.05
C.06
C.07
C.08
C.09
C.10
C.11
C.12
C.13
C.14
C.15
C.16
0,550
0,000
0,086
0,000
0,021
0,000
0,049
0,000
0,000
0,000
0,053
0,000
0,032
0,000
0,208
0,000
Soma dos
componentes
1,000
1,000
1,000
Custo da formulao
2,53
2,02
2,34
No
foi
obtida
soluo
para
este
caso
Resultados experimentais
90
Tabela 4.14 Resultados e desvios experimentais dos modelos lineares para o 1 exemplo.
1 Caso
1 Caso
2 Caso
2 Caso
PropriePCR
PLS
PCR
PLS
Objetivo
dades
Valor Erro Valor Erro Valor Erro Valor Erro
tgel (min)
Mgel (Nm)
M7 (Nm)
M10 (Nm)
5,6
17,9
16,3
16,0
5,7
20,2
18,3
15,4
RMSEP
0,1
2,3
2,0
-0,6
5,3
19,5
18,1
16,7
1,54
-0,4
1,6
1,8
0,7
5,5
17,9
17,9
16,8
1,25
-0,1
0,0
1,6
0,8
No foi obtida
formulao
0,89
4,0
17,6
15,2
16,8
3,4
19,4
17,0
15,3
-0,6
1,8
1,8
-1,6
1,51
2,9
20,9
17,1
18,0
-1,1
3,3
1,9
1,2
2,04
3,3
19,4
17,3
15,2
-0,8
1,8
2,1
-1,6
1,64
3,4
18,3
14,9
15,8
-0,6
0,6
-0,3
-1,0
0,68
91
Para o segundo exemplo, foram obtidos resultados para todos os casos, pode-se
observar os desvios apresentados pelo modelo PLS com a restrio de espao, pois
para este caso, no 1 exemplo, a otimizao no conseguiu encontrar uma formulao
que satisfizesse as restries.
Para os modelos quadrticos utilizamos os mesmos dois exemplos que para os
modelos lineares. As formulaes preparadas foram as apresentadas na tabela 4.13,
os resultados obtidos experimentalmente esto apresentados na tabela 4.16 e 4.17.
PCR
Objetivo
5,6
17,9
16,3
16,0
RMSEP
PLS
Valor
Erro
5,7
19,2
18,3
17,0
0,1
1,3
2,0
0,9
Valor
Erro
No foi obtida
formulao
1,28
92
4,0
17,6
15,2
16,8
RMSEP
4.5
PCR
Objetivo
PLS
Valor
Erro
Valor
Erro
3,7
19,5
17,5
12,7
-0,4
1,9
2,3
-4,1
3,4
19,2
14,2
18,7
-0,6
1,6
-1,0
1,9
2,53
1,34
Discusso
93
Seria necessrio um estudo mais rigoroso da metodologia, com mais ensaios, para
melhor comparao entre as abordagens. No entanto, a metodologia aqui apresentada
torna mais rigoroso o processo de projeto de formulaes timas, levando a
formulaes que apesar de conterem algum erro de predio levam a solues que se
aproximam bastante das especificaes.
Os erros apresentados pelas formulaes esto dentro do erro experimental
observado nesta metodologia, o que fica demonstrado pelos resultados obtidos na
calibrao dos modelos, tanto para a regresso PCR como PLS.
94
CONCLUSES E PERSPECTIVAS
95
34,00
32,00
30,00
28,00
26,00
24,00
Torque (Nm)
22,00
20,00
18,00
16,00
14,00
12,00
10,00
8,00
6,00
4,00
2,00
0,00
0,0
0,5
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
5,0
5,5
6,0
6,5
7,0
7,5
8,0
8,5
9,0
Tempo (min)
34,00
32,00
30,00
28,00
26,00
24,00
Torque (Nm)
22,00
20,00
18,00
16,00
14,00
12,00
10,00
8,00
6,00
4,00
2,00
0,00
0,0
0,5
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
5,0
5,5
6,0
6,5
7,0
7,5
8,0
8,5
9,0
Tempo (min)
As curvas de reologia da figura 5.1, mostram que foram obtidas formulaes que
esto bem prximas dos exemplos utilizados, as curvas do 1 e 2 exemplos
correspondem as formulaes dos modelos quadrticos PCR.
Com os resultados obtidos, a metodologia empregada levou a solues que
aproximam as formulaes aos valores desejados das propriedades, dentro de um
96
97
BIBLIOGRAFIA
ACHENIE, L. E. K., KARUNANITHI, A. T., GANI, R., A new decompositionbased computer-aided molecular/mixture design methodology for design of optimal
solvents and solvent mixtures, Ind. Eng. Chem. Res. 44 (2005) 4785-4797.
CAFAGGI, S. et al., An example of application of mixture design with constraints to
a pharmaceutical formulation, Chemometr. Intell. Lab. Syst. 65 (2003) 139-147.
BIEGLER, L. T., GROSSMANN, I. E., WESTERBERG, A. W., Systematic
Methods of Chemical Process Design, Printice Hall, New Jersey, 1997.
CORNELL, JOHN A. Experiments with Mixtures 2nd edition; John Wiley &
Sons USA 1990.
COX, D. R., A note on polynomial response functions for mixtures, Biometrika 58
(1971) 155-159.
DINGSTAD, G. I., WESTAD, F., NaeS, T., Three case studies illustrating the
properties of ordinary and partial least squares regression in different mixture
models, Chemometr. Intell. Lab. Syst. 71 (2004) 33-45.
DRAVA, G., et al., Application of chemometrics to the production of friction
materials: Analysis of previous data and search of new formulations, Chemometr.
Intell. Lab. Syst. 32 (1996) 245-255.
98
MARTENS, H., NaeS, T., Multivariate Calibration, John Wiley & Sons, Great
Britain, 1989.
NETO, B. B., SCARMINIO, I. S., BRUNS, R. E. Como Fazer Experimentos 2
edio Editora Unicamp Campinas 2002.
NUNES, L. R., JR. R., ORMANJI W., Tecnologia do PVC, Braskem ProEditores
Associados, So Paulo, 2002.
SARVETNICK, HAROLD A. Polyvinyl Chloride Van Nostrand Reinhold
Company New York USA 1969.
SCHEFF, H., The simplex-centroide design for experiments with mixtures, J. R.
Stat. Soc. Ser. 25 (1963) 235-263.
99