5 Otimiza c ao Considerando Incertezas

A otimiza c ao considerando incertezas pode ser feita objetivando-se diminuir a variabilidade de um certo par ametro, chamada de projeto robusto, ou garantindo-se a conabilidade do projeto, chamada de otimiza ca o baseada em conabilidade (RBDO). No projeto robusto obt em-se uma estrutura menos sens vel a varia co es do sistema. A medida de variabilidade se d a, por exemplo, atrav es do desvio padr ao da fun ca o de performance e pode ser usada tanto na fun c ao objetivo quanto na restri co es do problema de otimiza c ao. Otimiza ca o baseada em conabilidade e o foco deste trabalho e ser a apresentada neste cap tulo. RBDO e primeiramente um processo de otimiza ca o, onde o objetivo e se otimizar uma fun c ao satisfazendo restri c oes de conabilidade. As restri c oes de conabilidade s ao restri c oes sobre a probabilidade de falha do sistema ou de apenas uma simples fun ca o. A probabilidade de falha e geralmente avaliada se realizando uma an alise de conabilidade, conforme o cap tulo 4. 5.1 Otimiza c ao Determin stica Um problema de otimiza ca o determin stica pode ser formulado da seguinte maneira: minimizar f (h, p) sujeito a ci (h, p) = 0 ci (h, p) 0

PUC-Rio - Certificao Digital N 0221070/CB

i = 1...nre i = nre + 1...nr

(5-1)

hl h hu i = 1...nvar onde h s ao as vari aveis de projeto e p s ao par ametros xos em rela ca o ao problema de otimiza ca o. ci e a i- esima restri ca o do modelo (como por exemplo: tens oes, deslocamentos, carga cr tica, etc). hl e hu s ao os limites inferiores e superiores das vari aveis de projeto, respectivamente. Atrav es da deni ca o da fun ca o de performance, se ca o (4.2), pode-se escrever ci (h, p) = g (h, p). A otimiza ca o determin stica n ao considera as incertezas nas vari aveis de projeto e nos par ametros. Projetos otimos baseados numa formula c ao

Cap tulo 5. Otimiza c ao Considerando Incertezas

79

determin stica s ao geralmente associados com uma alta probabilidade de falha. Isto e particularmente verdade se a restri c ao estiver ativa na solu c ao do problema. 5.2 Otimiza c ao Baseada em Conabilidade Nas u ltimas d ecadas diversos m etodos foram propostos de maneira a tratar as incertezas no processo de otimiza ca o. Basicamente pode-se dividir os m etodos em duas categorias: os de duplo la co e os seq uenciais. 5.3 M etodo de Duplo La co para RBDO A formula c ao mais simples e usual de RBDO e aquela dividida em dois n veis, o primeiro n vel seria o do projeto otimo, onde s ao consideradas as vari aveis de projeto e no segundo n vel o processo de an alise de conabilidade, no qual se realiza a busca pelo MPP. Basicamente, neste m etodo, as restri co es da formula ca o determin stica s ao trocadas por restri co es de probabilidade, ou seja: minimizar f (h, p) R sujeito a gi (x, ) 0 i = 1...nr hl h hu i = 1...n

PUC-Rio - Certificao Digital N 0221070/CB

(5-2)

R onde gi (x, ) s ao as restri co es de conabilidade que dependem das vari aveis rand omicas x e dos par ametros determin sticos . R As restri co es de conabilidade g (x, ) podem ser formuladas como: R gi (x, ) = Pti Pf i (x, ),

i = 1...nr

(5-3)

onde Pf i (x, ) e a probabilidade de falha da restri ca o gi (x, ), e Pti e a probabilidade de falha permitida. A avalia ca o de Pf i e feita de acordo com os em escrever as restri c oes procedimentos descritos no cap tulo 4. Pode-se tamb da seguinte maneira:
R gi (x, ) = i (x, ) ti ,

i = 1...nr

(5-4)

onde i e o ndice de conabilidade, denido no cap tulo 4 e ti = 1 (Pti ). Quando as restri c oes s ao denidas como em (5-3) e (5-4) chama-se esta formula ca o do ndice de conabilidade (RIA, do ingl es Reliability Index Approach ). Conforme observado no cap tulo 4, a an alise de conabilidade envolve uma transforma ca o probabil stica, uma busca pelo MPP, e a avalia c ao de uma CDF normal padr ao. Em alguns casos esse processo n ao tem sucesso,

Cap tulo 5. Otimiza c ao Considerando Incertezas

80

o algoritmo falha ao tentar achar a solu ca o, especialmente quando a superf cie limite est a muito longe da origem no espa co normal padr ao ou quando o caso especial de G(u, ) = 0 n ao exista [27]. De maneira a contornar este problema, Tu et al. [76] propuseram uma outra formula ca o para resolver o problema de RBDO. Neste m etodo, chamado PMA (Performance Measure Approach ), as restri co es de conabilidade s ao formuladas de maneira inversa, ou seja:
P R (x, ) = Gi (u (x, ) = gi gi i =t , ),
i

i = 1...nr

(5-5)

onde u e a solu c ao do problema de conabilidade inverso (IRA, do i =ti ingl es Inverse Reliability Analysis ), formulado como o problema de otimiza c ao abaixo: minimizar Gi (u, ) (5-6) sujeito a u = ti Resolver RBDO via PMA e geralmente mais eciente e robusto do que via RIA. Fato este devido a busca pelo MPP no IRA ser mais f acil [1, 27, 82].
PUC-Rio - Certificao Digital N 0221070/CB

As rela co es acima pode ser sumarizadas na tabela (5.1).

Formula c ao RIA PMA Problema de Otimiza c ao minimizar f (h, p) sujeito a Pti Pf i (x, ) 0 ou i (x, ) ti 0 minimizar f (h, p) P sujeito a gi (x, ) 0 An alise de Conabilidade minimizar u sujeito a Gi (u, ) = 0 minimizar Gi (u, ) sujeito a u = ti

Tabela 5.1: RIA vs. PMA (Youn & Choi [82]). Conforme descrito anteriormente, o processo RBDO e realizado em dois diferentes espa cos rand omicos: o espa co original x e o espa co normal padr ao n ao correlacionado u. Durante o processo RBDO, a transforma ca o entre o espa co x e u e efetuada na avalia c ao da restri ca o probabil stica. Esta co es de distribui ca o das transforma ca o, denida na se ca o 4.1.3, requer as fun vari aveis rand omicas. A maior parte destas transforma c oes, com exce c ao das vari aveis normais, e altamente n aolinear [82]. A tabela (5.2) apresenta as rela co es entre RIA e PMA do ponto de vista das n ao-linearidades que podem ser encontradas.
Formula c ao RIA PMA Problema de Otimiza c ao (x, ) = T 1 ( (u, )): Transforma c ao n ao linear inversa de (u, ) g (x, ): Fun c ao de falha original An alise de Conabilidade G(u, ) = G(T (x), ) Transforma c ao n ao linear de g (x, ) u Fun c ao quadr atica expl cita em rela c ao a u

Tabela 5.2: N ao-linearidades das restri c oes probabil sticas (Youn & Choi [82]).

Cap tulo 5. Otimiza c ao Considerando Incertezas

81

Em RBDO, conforme discutido anteriormente, dois problemas de otimiza ca o s ao resolvidos. Em geral, a eci encia dos m etodos de otimiza c ao depende signicativamente da complexidade das restri c oes envolvidas [82]. No problema formulado via RIA, as restri co es nos dois problemas de otimiza ca o podem se tornar bastante n ao-lineares em fun c ao das transforma c oes entres os espa cos u e x. J a para PMA as restri co es nos dois problemas de otimiza ca o n ao envolvem transforma co es n ao lineares. A fun ca o objetivo na avalia ca o da conabilidade envolve, entretanto, esta transforma c ao na formula ca o PMA. Em resumo, e esperado que o processo RBDO usando RIA com distribui co es n ao normais seja ineciente e inst avel em fun ca o das n ao-linearidades envolvidas [82]. Al em disso, segundo observado por Youn & Choi [82], PMA e mais eciente que RIA mesmo para problemas simples com distribui co es normais devido a formula c ao do problema de otimiza ca o para a an alise de conabilidade via PMA. 5.4 Lineariza c oes da fun c ao de estado limite As lineariza c oes foram propostas de maneira a se reduzir o custo computacional durante a busca pelo MPP. Elas podem ser empregadas nos m etodos RIA/PMA vistos anteriormente. Dentre as op c oes pode-se citar [14]: 1. expans ao de Taylor de primeira ordem em torno da m edia das vari aveis no espa co x (comumente chamada de AMV, do ingl es Advanced Mean Value ). g (x, ) g (x , ) + x g (x , )T (x x ) (5-7)

PUC-Rio - Certificao Digital N 0221070/CB

2. id entica a AMV exceto pela lineariza c ao que e feita em torno da m edia das vari aveis no espa co u, lembrando que u = T (x ). G(u, ) G(u , ) + u G(u , )T (u u ) (5-8)

3. uma lineariza ca o inicial em torno da m edia no espa co x, com relineariza co es sobre cada MPP estimado (x ) at e que o MPP convirja (conhecida como m etodo AMV+). g (x, ) g (x , ) + x g (x , )T (x x ) (5-9)

4. id entica a AMV+, exceto pelas lineariza co es que s ao feitas no espa co u. G(u, ) G(u , ) + u G(u , )T (u u ) (5-10)

Cap tulo 5. Otimiza c ao Considerando Incertezas

82

oes de Taylor de segunda ordem Nos trabalhos de Eldred et al. [15] expans s ao apresentadas. A equa c ao abaixo apresenta uma desta expans oes (centrada na m edia no espa co x): 1 g (x, ) g (x , ) + x g (x , )T (x x ) + (x x )T 2 x g (x , )(x x ) 2 (5-11) Para se usar uma expans ao de Taylor de segunda ordem a Hessiana da
2 fun ca o de falha (2 x g (x , ) ou u G(u , )) precisa ser calculada. Geralmente a obten ca o destas matrizes n ao e uma tarefa trivial em problemas de engenharia, ent ao, as mesmas podem ser aproximadas atrav es de diferen cas nitas ou ainda m etodo QuasiNewton, como por exemplo o BFGS (BroydenFletcher GoldfarbShanno). No presente trabalho as lineariza co es, quando utilizadas,

ser ao apenas as de primeira ordem. 5.5 Ponto Inicial nos M etodos de Busca pelo MPP
PUC-Rio - Certificao Digital N 0221070/CB

Os algoritmos de otimiza ca o respons aveis pela busca do MPP necessitam de um valor inicial. A eci encia destes algoritmos est a diretamente relacionada a este valor, ou seja, quanto mais pr oximo da solu ca o for o mesmo mais rapidamente o algoritmo convergir a para a mesma. No m etodo de duplo c ao do la co externo la co, descrito na se ca o (5.3), se observa que a cada itera se avaliam as restri c oes de conabilidade. Na avalia c ao das restri co es de conabilidade se resolve tamb em um problema de otimiza ca o, seja ele da forma ao precisar de um valor inicial. A como apresentado em (4-20) ou (5-6), ambos ir m de se melhorar a eci encia, pode-se utilizar como ponto de partida o MPP calculado na itera ca o anterior do processo de otimiza ca o. Nas lineariza c oes AMV+, apresentadas na se c ao anterior, esta inicializa ca o s o e aplicada na primeira itera ca o, nas subseq uentes o valor e o pr oprio MPP da itera ca o anterior. 5.6 An alise de Sensibilidade em RBDO As sensibilidades das restri co es probabil sticas em rela ca o as vari aveis de projeto s ao necess arias para a solu c ao do problema RBDO por algoritmos de PM de primeira ordem. A sensibilidade da restri ca o probabil stica formulada via PMA, apresentada em (5-5), em rela ca o as vari aveis de projeto h e dada da seguinte forma:
R dg P (h, p) dGi (u (h, p) dgi i , ) = i = dh dh dh

(5-12)

Cap tulo 5. Otimiza c ao Considerando Incertezas

83

onde u aveis de projeto h pode conter par ametros i = ui =ti . O vetor de vari determin sticos ou par ametros da distribui ca o , desta forma uma distin ca o se faz necess aria na avalia ca o da sensibilidade em (5-12). Em rela ca o as par ametros tem-se que:

dGi (u dGi (u i , ) i , ) = (5-13) dh d Para os par ametros da distribui ca o pode-se obter a sensibilidade atrav es da regra de cadeia, ou seja: dGi (u dGi (u i , ) i , ) = dh d Gi (u i , ) ui (5-14) = u T (xi , ) = u Gi (u i , ) onde a parcela u Gi (ui , ) j a e conhecida nesta etapa, oriundo da busca pelo T (x i , ) MPP, e a segunda parcela, , e determinada de acordo com o apresentado
PUC-Rio - Certificao Digital N 0221070/CB

na se c ao (4.4). Para a restri ca o formulada via RIA apresentada em (5-4) a seguinte express ao e utilizada para se avaliar as suas sensibilidades:
R dgi (h, p) di (h, p) 1 dGi (u i , ) = = (5-15) dh dh u Gi (ui , ) dh = u co es de conabilidade s ao i G(u)=0 . Por m, quando as restri

onde u i

apresentadas em fun c ao da probabilidade de falha, conforme (5-3), a seguinte express ao e utilizada para se avaliar as suas sensibilidades: dPf i (x, ) di (h, p) = (i (h, p)) dh dh 5.7 Exemplos Nesta se ca o s ao apresentadas as solu co es de alguns problemas de RBDO encontrados freq uentemente na literatura. Pretende-se, assim, validar a formula ca o aqui apresentada e vericar a eci encia dos algoritmos implementados. S ao consideradas apenas fun co es explicitas, desta forma as an alises aqui envolvidas fazem uso dos m odulos de otimiza ca o e an alise de conabilidade. No cap tulo (6), a seguir, os processos descritos neste cap tulo ser ao aplicados na otimiza ca o de estruturas treli cadas, envolvendo, ent ao, os m odulos de an alise estrutural, apresentado no cap tulo (2), e an alise de sensibilidade, descrito no cap tulo (3). Os algoritmos IP e SQP, descritos no ap endice (B), fazem uso de diversos par ametros que inuenciam o desempenho de cada algoritmo. Entre os par ametros num ericos do algoritmo de SQP est ao a toler ancia para con(5-16)

Cap tulo 5. Otimiza c ao Considerando Incertezas

84

verg encia (tol1 ) e a toler ancia para viola c ao de restri co es (tol2 ). O algoritmo possui ainda dois par ametros adicionais, bz e gz . Os par ametros num ericos do algoritmo de IP s ao a toler ancia para converg encia (tol), os coecientes de deex ao da dire c ao de busca (ka e kf ) e o coeciente para a atualiza ca o dos multiplicadores de Lagrange (ke ). Os dois algoritmos utilizam os mesmos procedimentos para a atualiza ca o da Hessiana da fun ca o Lagrangeana e para a busca linear. Os par ametros de controle destas etapas s ao o n umero de itera c oes para o rein cio da matriz B (nr ), o valor inicial dos elementos desta matriz (b0 ), o coeciente de decr escimo da fun ca o objetivo ( ) e o valor base para a deni c ao da seq u encia de valores do tamanho do passo (). Os valores usuais dos diversos par ametros s ao mostrados na tabela (5.3). Nos exemplos apresentados neste cap tulo, alguns destes par ametros foram variados de maneira a melhorar o desempenho dos algoritmos. Quando valores diferentes dos contidos na tabela (5.3) forem utilizados, eles ser ao explicitamente indicados.
PUC-Rio - Certificao Digital N 0221070/CB

nr 10

b0 1.0

0.1

1.0

tol1 106

tol2 106

bz 104

gz 102

tol 104

ka 0. 7

ke 1 .0

kf 1 .0

Tabela 5.3: Valores usuais dos par ametros dos algoritmos.

5.7.1 Coluna Retangular Curta Este exemplo consiste na an alise pl astica de uma se ca o transversal de uma coluna curta (com base b e altura h) tendo como vari aveis aleat orias propriedades do material e tamb em o carregamento. O vetor de vari aveis rand omicas ca denido como x = (P, M, Y ), com os par ametros estoc asticos e as correla co es denidos na tabela (5.4).
Vari avel For ca Axial (P ) Momento (M ) Tens ao de Escoamento (Y ) Dist. N N LN / 500/100 2000/400 5/0.5 P 1 0.5 0 M 0. 5 1 0 Y 0 0 1

Tabela 5.4: Vari aveis aleat orias do problema coluna retangular curta. A fun c ao de estado limite em termos do vetor de vari aveis rand omicas, x = (P, M, Y ), e dos par ametros, = (b, h) (neste caso id entico ao vetor de vari aveis de projeto h), e denida como: g (x, ) = 1 4M P2 bh2 Y b2 h2 Y 2 (5-17)

Cap tulo 5. Otimiza c ao Considerando Incertezas

85

O objetivo do problema e de se determinar a altura h e a largura b da se ca o transversal a m de se minimizar o volume da estrutura satisfazendo as restri co es. O problema de otimiza c ao determin stica (DDO), eq. (5-1), ca da seguinte forma: minimizar f (h) = bh sujeito a g (x, ) 0 (5-18) 5.0 b 15.0 15.0 h 25.0 Considerando-se agora as incertezas apresentadas e xando-se o valor de Pt = 0.00621 (ou t = 2.5), o problema de RBDO, eq. (5-2), formulado como RIA, ca da seguinte forma: minimizar f (h) = bh sujeito a ou
PUC-Rio - Certificao Digital N 0221070/CB

(x, ) 2.5 0 0.00621 Pf (x, ) 0 5.0 b 15.0 15.0 h 25.0

(5-19)

Partindo do ponto inicial h0 = (b, h) = (10.0, 15.0) para as vari aveis de projeto e considerando os vari aveis aleat orias como determin sticas avac ao h = liadas na m edia, o problema determin stico (5-18) tem como solu (5.480, 25.000). Para o problema n ao-determin stico (5-19), usando o mesmo ponto inicial das vari aveis de projeto do problema determin stico e considerando o ponto inicial para a avalia ca o da restri ca o de conabilidade como 0 sendo a m edia (x = (P, M, Y ) = (500.0, 2000.0, 5.0)), a solu c ao e a seguinte: h = (8.668, 25.000) Os resultados obtidos neste trabalho concordam com os obtidos em Kuschel & Rackwitz [42], Agarwal [1] e Eldred et al. [14]. A tabela (5.5) apresenta os resultados obtidos para as diferentes op c oes de lineariza co es da fun ca o de falha. ao apresentados os n umeros de avalia co es de g/g Na tabela (5.6) s utilizando como ponto inicial para o c alculo da conabilidade os valores obtidos na itera ca o anterior do problema de otimiza ca o. Tamb em s ao apresentadas as avalia c oes tomando-se como ponto de partida das vari aveis de projeto os valores otimos do problema DDO (h = (5.47981, 25.0)) e os obtidos ap os 5 itera co es do m etodo RBDO-RIA-MV (h = (7.90759, 25.0)). Nas refer encias consultadas, nem todas as informa co es relativas aos crit erios de converg encia, do algoritmo utilizado, entre outras, foram apresentadas. Desta forma a compara c ao do n umero de avalia co es da fun ca o da falha ou itera co es n ao serve como medida de eci encia da implementa ca o. Apesar disto, na tabela (5.7) algum destes valores s ao apresentados.

Cap tulo 5. Otimiza c ao Considerando Incertezas

86

Formula c ao DDO MV AMV espa co x AMV espa co u AMV+ espa co x AMV+ espa co u sem aproxim. MV AMV espa co x AMV espa co u AMV+ espa co x AMV+ espa co u sem aproxim.

Avalia c oes de g /g 11 / 8 32 / 41 42 / 21 45 / 22 68 / 63 68 / 63 84 / 71 34 / 47 42 / 21 42 / 21 72 / 66 84 / 78 524 / 342

Base b 5.47981 7.90759 7.89580 7.92688 8.66850 8.66850 8.66850 7.90759 8.59029 8.61906 8.66850 8.66850 8.66850

Altura h 25.00000 25.00000 25.00000 25.00000 25.00000 25.00000 25.00000 25.00000 25.00000 25.00000 25.00000 25.00000 25.00000

Fun c ao objetivo f 136.99524 197.68983 197.39493 198.17206 216.71245 216.71245 216.71245 197.68976 214.75724 215.47640 216.71244 216.71244 216.71244

RBDO PMA

RIA

Tabela 5.5: Coluna retangular curta - Resultados.

Avalia c oes de g /g h0 = (10.0, 15.0) h0 = (5.480, 25.0) AMV+ espa co x 51 / 46 40(51) / 36(44) AMV+ espa co u 53 / 48 40(51) / 36(44) sem aproxim. 41 / 35 37(48) / 30(38) AMV+ espa co x 55 / 49 55( 66) / 49( 57) AMV+ espa co u 56 / 50 56( 67) / 50( 58) sem aproxim. 166 / 99 173(184) / 102(110) Obs.: Os valores entre par enteses s ao os valores totais, incluindo os necess arios para determinar o ponto inicial. Formula c ao PMA RIA h0 = (8.001, 25.0) 40(56) / 36(58) 40(56) / 36(58) 32(48) / 27(49) 36( 52) / 32(54) 37( 53) / 33(55) 121(137) / 75(97)

PUC-Rio - Certificao Digital N 0221070/CB

Tabela 5.6: Coluna retangular curta - Resultados para diferentes pontos de partida. 5.7.2 Viga em Balan co A viga em balan co apresentada na gura (5.1) e aqui estudada. O objetivo e minimizar o volume, ou equivalentemente a area de se c ao transversal (f = wt).

RBDO

Duas fun co es de estado limite s ao consideradas. A primeira diz respeito ` a tens ao de escoamento no engaste da viga e pode se escrita da seguinte forma: 600 600 Y + 2 X (5-20) 2 wt w t onde w e t s ao a base e a altura da se c ao transversal, respectivamente. Y , X gS (x, ) = R e R s ao vari aveis aleat orias e suas descri c oes se encontram na tabela (5.8). A segunda fun c ao de falha representa o deslocamento na extremidade livre da viga, ou seja: 4L3 gD (x, ) = D0 Ewt Y t2
2

X w2

(5-21)

Cap tulo 5. Otimiza c ao Considerando Incertezas

87

Trabalho Kuschel & Rackwitz. [42]-DLM(RIA) Agarwal [1]-DLM(PMA) Agarwal [1]-M etodo desacoplado Eldred et al. [14]-DLM(RIA/AMV+ espa co x) Eldred et al. [14]-DLM(PMA/AMV+ espa co x)

Avalia c oes de g/g 83/56 77/85 31/31 72/ 105/

Tabela 5.7: Coluna retangular curta - Compara ca o dos resultados.

A t w A Corte A-A L=100 Y X

Figura 5.1: Viga em balan co.

Vari avel Tens ao de Escoamento (R) M odulo de Elasticidade (E ) Carga Vertical (X ) Carga Horizontal (Y ) Dist. N N N N / 40000/2000 2.9 107 /1.45 105 500/100 1000/100 R 1 0 0 0 E 0 1 0 0 X 0 0 1 0 Y 0 0 0 1

PUC-Rio - Certificao Digital N 0221070/CB

Tabela 5.8: Vari aveis aleat orias do problema da viga em balan co. As fun c oes de falha s ao normalizadas da seguinte maneira: gS (x, ) (5-22) R gD (x, ) g2 (x, ) = 1 (5-23) D0 O vetor de vari aveis rand omicas ca denido como x = (R, E, X, Y ) e o vetor dos par ametros p = (L, D0 ), onde L = 100 e D0 = 2.2535. Por m o vetor g1 (x, ) = 1 de par ametros = (w, t, L, D0 ). O objetivo do problema e de se determinar a base w e a altura t da se c ao transversal a m de se minimizar o volume da estrutura satisfazendo as restri c oes. O problema de otimiza ca o determin stica, eq. (5-1), ca da seguinte forma: minimizar f (h, p) = wt sujeito a g1 (x, ) 0 g2 (x, ) 0 1.0 w 4.0 1.0 t 4.0 No problema de RBDO valor de t1 = t2 = 3.0. Desta forma: (5-24)

Cap tulo 5. Otimiza c ao Considerando Incertezas

88

minimizar f (h, p) = wt sujeito a 1 (x, ) 3.0 0 2 (x, ) 3.0 0 1.0 w 4.0

(5-25)

1.0 t 4.0 O problema e resolvido para o ponto inicial (2.5, 2.5), invi avel, tanto para o problema DDO quanto para o RBDO, ou seja, o valor da fun ca o objetivo e aumentado (acrescentando-se a area) para se atender as restri c oes. Os resultados obtidos neste trabalho concordam com os obtidos em Yang & Gu [80] e Eldred et al. [14]. A tabela (5.9) apresenta os resultados obtidos para as diferentes op co es de lineariza co es da fun ca o de falha.
Avalia c oes de Base Altura g /g w t DDO 18 / 16 2.35203 3.32628 MV 320 / 390 2.41949 3.88176 AMV espa co x 156 / 70 2.44621 3.83715 AMV espa co u 156 / 70 2.44621 3.83715 AMV+ espa co x 302 / 272 2.44839 3.88838 AMV+ espa co u 302 / 272 2.44839 3.88838 sem aproxim. 338 / 308 2.44839 3.88838 MV 276 / 336 2.41949 3.88176 AMV espa co x 96 / 48 2.45839 3.86569 AMV espa co u 96 / 48 2.45839 3.86569 AMV+ espa co x 176 / 162 2.44839 3.88838 AMV+ espa co u 176 / 162 2.44839 3.88838 sem aproxim. 996 / 752 2.44839 3.88838 referente a soma das avalia c oes das fun c oes de falha. Formula c ao PMA RIA Fun c ao objetivo f 7.82352 9.39188 9.38649 9.38649 9.52025 9.52025 9.52025 9.39187 9.50337 9.50337 9.52025 9.52025 9.52025

PUC-Rio - Certificao Digital N 0221070/CB

RBDO

Tabela 5.9: Viga em balan co - Resultados. Na tabela (5.10) s ao apresentados os n umeros de avalia c oes de g/g utilizando como ponto inicial para o c alculo da conabilidade os valores obtidos na itera ca o anterior do problema de otimiza c ao. Tamb em s ao apresentadas as avalia co es tomando-se como ponto de partida das vari aveis de projeto os valores otimos do problema DDO (h = (2.35203, 3.32628)) e os obtidos ap os 5 itera co es do m etodo RBDO-RIA-MV (h = (2.41861, 3.88149)). Os resultados obtidos nas refer encias citadas s ao apresentados, na tabela (5.11). 5.7.3 Coluna de A co Ou ltimo exemplo a ser analisado envolve uma compara ca o entre custo e conabilidade para uma coluna de a co. O custo e denido como: C = bd + 5h (5-26)

Cap tulo 5. Otimiza c ao Considerando Incertezas

89

Avalia c oes de g /g h0 = (2.5, 2.5) h0 = (2.352, 3.326) h0 = (2.419, 3.881) AMV+ espa co x 253 / 223 121(139) / 107(123) 73(99) / 65(103) AMV+ espa co u 253 / 223 121(139) / 107(123) 73(99) / 65(103) sem aproxim. 206 / 176 87(105) / 71( 87) 51(77) / 43(81) AMV+ espa co x 136 / 122 144(162) / 128(144) 72( 98) / 64(102) AMV+ espa co u 136 / 122 144(162) / 128(144) 72( 98) / 64(102) sem aproxim. 428 / 266 444(462) / 270(286) 191(217) / 132(170) referente a soma das avalia c oes das fun c oes de falha. Obs.: Os valores entre par enteses s ao os valores totais, incluindo os necess arios para determinar o ponto inicial. Formula c ao PMA RIA

Tabela 5.10: Viga em balan co - Resultados para diferentes pontos de partida.

Trabalho Yang & Gu [80]-DLM(RIA/sem aproxim.) Eldred et al. [14]-DLM(RIA/AMV+ espa co x) Eldred et al. [14]-DLM(PMA/AMV+ espa co x) Avalia c oes de g1 + g2 1584 279 207 f 9.527 9.529 9.520

RBDO

Tabela 5.11: Viga em balan co - Compara ca o dos resultados. onde b, d e h s ao as m edias da largura da mesa, espessura da mesa e altura
PUC-Rio - Certificao Digital N 0221070/CB

do perl, respectivamente. Desta forma o vetor de vari aveis de projeto ca denido como: h = (b, d, h). Nove vari aveis aleat orias s ao usadas no problema e seus par ametros estat sticos s ao apresentados na tabela (5.12).
Vari avel Tens ao de Escoamento (Fs ) Carga de peso pr oprio(P1 ) Carga Vertical (P2 ) Carga Horizontal (P3 ) Largura da Mesa (B ) Espessura da Mesa (D) Altura do Perl (H ) Deslocamento Inicial (F0 ) M odulo de Elasticidade (E ) Dist. LN N GU GU LN LN LN N WB / 400/35 500000/50000 600000/90000 600000/90000 b/3 d/2 h/5 30/10 21000/4200 Unidade MPa N N N mm mm mm mm MPa

Tabela 5.12: Coluna de a co - Vari aveis aleat orias. A fun ca o de estado limite e a seguinte: g (x, ) = Fs P onde: As = 2BD, ( area da se ca o) Ms = BDH , (m odulo da se ca o) 1 2 ercia Mi = 2 BDH , (momento de in 2 E Mi , (carga cr tica de Euler) b = s2 P = P1 + P2 + P3 e s = 7500 mm e o comprimento da coluna. 1 F0 + As Ms
b b

(5-27)

Cap tulo 5. Otimiza c ao Considerando Incertezas

90

Neste exemplo, diferentemente dos dois anteriores, as vari aveis de projeto s ao par ametros da distribui c ao. O objetivo deste problema e maximizar a conabilidade satisfazendo a restri c ao de custo, ou seja: maximizar (x, ) sujeito a C (h, p) C max (5-28) 200.0 b 400.0 10.0 d 30.0 100.0 h 500.0 max onde C e o m aximo custo admiss vel. Os m etodos utilizados foram o SQP para o problema de otimiza c ao e o HLRF para o c alculo da conabilidade. O ponto inicial para o problema de conabilidade foi vetor das m edias, e para o problema de otimiza ca o foi (b, h, d) = (300.0, 20.0, 300.0), Foi utilizada uma toler ancia de 106 no processo de otimiza c ao e 104 no c alculo da conabilidade. Os resultados do problema de otimiza ca o para v arios custos admiss veis s ao apresentados na tabela (5.13) e concordam com os apresentados em Kuschel & Rackwitz. [42]. Para o valor de C max = 13000.00, marcado com um asterisco ao conseguiu convergir devido a problemas na tabela (5.13), o algoritmo n num ericos (overow ) nos c alculos das transforma co es probabil sticas.
Custo M aximo C max 4000.00 5000.00 6000.00 7000.00 8000.00 9000.00 10000.00 11000.00 12000.00 13000.00 Vari aveis otimas b d h 200.00 17.50 100.00 200.00 22.50 100.00 200.00 27.50 100.00 216.67 30.00 100.00 250.00 30.00 100.00 283.33 30.00 100.00 316.67 30.00 100.00 350.00 30.00 100.00 383.33 30.00 100.00 400.00 30.00 200.00 Indice de conabilidade 3.132 4.961 6.369 7.427 8.249 8.967 9.605 10.180 10.709 11.065

PUC-Rio - Certificao Digital N 0221070/CB

Tabela 5.13: Coluna de a co - resultados. A rela c ao entre o custo m aximo e a conabilidade e apresentada na gura (5.2), onde e interessante destacar o comportamento n ao-linear da curva apresentada.

e resolvido Em Eldred & Bichon [16] e Eldred et. al [15] este exemplo para o valor de C max = 4000 atrav es do m etodo SORM e, seus resultados s ao comparados na tabela (5.14).

Cap tulo 5. Otimiza c ao Considerando Incertezas

91

12 11 ndice de confiabilidade 10 9 8 7 6 5 4 3

Figura 5.2: Coluna de a co - depend encia de sobre o custo m aximo admiss vel da estrutura [42].
PUC-Rio - Certificao Digital N 0221070/CB

Formula c ao RBDO Eldred et. al [15] RIA - SORM Presente trabalho RIA - sem aproxim.

Tabela 5.14: Coluna de a co - Compara ca o dos resultados. 5.8 Coment arios Sobre os Exemplos Nos exemplos anteriores pode-se aplicar v arias t ecnicas aqui apresentadas de maneira a se validar as implementa co es e testar a sua acur acia . As formula co es do m etodo de duplo la co, RIA e PMA, e as lineariza co es MV, AMV e AMV+ no espa co x e u podem ser combinadas para se obter a solu c ao do problema. Op c oes de algoritmos, entre eles o SQP, IP, HLRF e iHLRF, tamb em podem ser usadas como variantes neste processo. Os tr es exemplos foram resolvidos com sucesso e v arias aspectos puderam ser observados. Os m etodos MV e AMV s ao signicantemente menos custosos que os demais, mas conseq uentemente se tem uma redu c ao na precis ao se comparando com os m etodos AMV+. Os m etodos AMV+, comparados com a avalia ca o sem aproxima c ao, obtiveram a mesma precis ao, robustez e uma diminui ca o no custo computacional. Em suma, as lineariza co es fornecem a possibilidade de se variar o custo computacional e a precis ao. A t ecnica de se tomar como ponto inicial no c alculo da conabilidade os u ltimos valores

40 00 50 00 60 00 70 00 80 00 90 00 10 00 0 11 00 0 12 00 0 13 00 0
custo total da estrutura
Avalia c oes de f /f 90 / 78 40 / 34 Fun c ao objetivo f 3.132 3.132

Cap tulo 5. Otimiza c ao Considerando Incertezas

92

calculados se mostrou bastante ecaz na redu c ao do custo computacional. O m etodo MV no segundo problema teve diculdades para atingir a precis ao e cou oscilando em torno do otimo, por este motivo apresentou resultados piores que os do m etodo AMV neste exemplo. Este m etodo e o menos custoso computacionalmente, mas por outro lado, tem-se uma limita c ao quanto a precis ao. Os testes feitos realizando-se as 5 primeiras itera co es com MV e em seguida trocando-se para um outro m etodo mais preciso mostrouse bastante ecaz na redu ca o do n umero de avalia co es das fun c oes e de seu gradiente. Dentre todas as op co es, os m etodos AMV+ com utilizando informa co es das itera c oes anteriores foram os que apresentaram o melhor resultado.

PUC-Rio - Certificao Digital N 0221070/CB