XVI Encontro de modelagem Computacional

IV Encontro de Cincia e Tecnologia de Materiais

Universidade Estadual de Santa Cruz (UESC), Ilhus/BA, Brasil. 23-25 out. 2013.
Associao Brasileira de Engenharia e Cincias Mecnicas ABCM

ESTIMATIVA DE PARMETROS HDRICOS USANDO TCNICAS DE

PROBLEMAS INVERSOS

Wagner Rambaldi Telles wtelles@iprj.uerj.br

Guilherme Incio Gonalves guilherme_ig3@hotmail.com
Pedro Paulo Gomes Watts Rodrigues pwatts@iprj.uerj.br
Antnio Jos da Silva Neto ajsneto@iprj.uerj.br
Universidade do Estado do Rio de Janeiro, Instituto Politcnico, 28630-050 Nova Friburgo,
RJ, Brasil

Resumo. Neste trabalho apresentada uma proposta preliminar para a implementao de

um simulador de calibrao automtica de transporte de poluentes em rios, tendo como base
a estimativa de coeficientes utilizando tcnicas de problemas inversos. empregado o
algoritmo de Luus-Jaakola para a determinao dos coeficientes de disperso longitudinal e
transversal presentes em um modelo de transporte 2D horizontal, o qual resolvido
numericamente pelo mtodo de Volumes Finitos. Alm disso, realizada tambm uma
modificao no algoritmo do mtodo estocstico de modo a acelerar a convergncia do
mesmo. Os resultados foram comparados com dados sintticos obtidos com base nas
caractersticas geomtricas e hidrulicas do Rio Maca, localizado na costa norte do Estado
do Rio de Janeiro, os quais apresentam-se satisfatrios.

Palavras-chave: Transporte de Poluentes, Problema Inverso, Luus-Jaakola

1. INTRODUO

Modelos matemticos tm uma vasta utilizao na previso do comportamento de plumas

de contaminantes em rios, um problema que aflige de maneira crescente as autoridades
ambientais. Com sua utilizao, muitas vezes possvel determinar o melhor local para o
lanamento de resduos domsticos e industriais com intuito de evitar que esses rejeitos
afetem o meio ambiente. Eles tambm representam importante ferramenta de monitoramento
de qualidade de gua (Telles et al., 2013).
No entanto, a maioria desses modelos disponibilizados para acesso livre seja pela
internet ou outras fontes baseia-se na soluo do problema direto, onde o usurio informa os
valores dos parmetros necessrios execuo do modelo e, como resposta, obtm o
comportamento da grandeza de interesse (concentrao, por exemplo!) dentro de um domnio
espacial pr-estabelecido ao longo do tempo. Quando no se tem uma informao precisa
sobre o valor desses parmetros, necessrio realizar um processo de escolha por meio de
tentativas e erros at que se possa ter uma boa estimativa para os mesmos, o que muitas vezes,
torna-se um processo custoso e nem sempre com bons resultados.
Com base no exposto aqui, este trabalho apresenta uma abordagem preliminar
envolvendo a implementao de um simulador para a previso do comportamento de plumas
de contaminantes tendo como base a determinao de alguns parmetros atravs de tcnicas
de problemas inversos.
Para isso, foi realizado um estudo com base em um trecho do Rio Maca, onde foram
gerados dados sintticos para simular o perfil da concentrao de um poluente em trs pontos
XVI Encontro de modelagem Computacional
IV Encontro de Cincia e Tecnologia de Materiais
Universidade Estadual de Santa Cruz (UESC), Ilhus/BA, Brasil. 23-25 out. 2013.
Associao Brasileira de Engenharia e Cincias Mecnicas ABCM

ao longo do domnio de anlise, utilizando um modelo matemtico 2D (integrado na vertical)

e com velocidade longitudinal varivel ao longo da transversal, o qual foi resolvido pelo
mtodo de Volumes Finitos. J o problema inverso foi resolvido como um problema de
otimizao, fazendo uso do algoritmo de Luus-Jaakola (Luus & Jaakola, 1973) para a
estimativa dos parmetros de interesse. Alm disso, tambm foi implementada uma
modificao no algoritmo do mtodo estocstico aqui empregado, no que se refere escolha
das novas estimativas dos parmetros ao longo do processo iterativo.

2. PROBLEMA DIRETO

A rea de estudos a qual foi utilizada como base para a realizao desse trabalho um
trecho do baixo curso do Rio Maca, localizado na costa norte do estado do Rio de Janeiro, s
margens do qual est situada a Usina Termoeltrica Mrio Lago, que faz uso das guas desse
rio para a diluio de seus efluentes (Lugon Jr. et al., 2008).
Nessa regio o rio apresenta profundidade mdia em torno de 1 m e largura praticamente
uniforme de 40 m (Amaral, 2003). Alm disso, apresenta homogeneidade ao longo da coluna
d'gua, ausncia de meandros e uniformidade (sentido longitudinal) da seo transversal,
podendo-se considerar a velocidade transversal desprezvel e a velocidade longitudinal
uniforme. Assim, um modelo matemtico 2D horizontal pode ser empregado, no qual assume-
se que as propriedades simuladas so invariantes na direo vertical:

C C C C
u El Et (1)
t x x x y y

com as seguintes condies de contorno e inicial:

C (0, y, t ) C0 , 0 y Ly , t 0
C ( Lx , y, t )
0, 0 y Ly , t 0
x
(2)
C ( x, 0, t ) C ( x, Ly , t )
0, 0 x Lx , t 0
y y
C ( x, y, 0) C1 ( x, y ), 0 x Lx , 0 y Ly

onde C a concentrao (mg/l), t o tempo (s), x e y so os domnios espaciais (m), u a

velocidade do escoamento na direo x (m/s), El e Et (m2/s) so os coeficientes de disperso
longitudinal e transversal nas direes x e y, respectivamente, Lx e Ly so o comprimento e a
largura do trecho do rio em anlise (m), respectivamente.
Para este trabalho foram realizadas simulaes envolvendo trs cenrios com geometrias
diferentes, tomando como base, as caractersticas do rio Maca, descritas anteriormente nesse
seo. A configurao de cada um desses cenrios mostrada na Fig. 1.
A velocidade longitudinal adotada obedeceu um funo logartmica, dada por:

0, 0417 ln( y) 0,5, 0 y Ly / 2

u( y) (3)
0, 0417 ln( Ly y) 0,5, Ly / 2 y Ly

XVI Encontro de modelagem Computacional
IV Encontro de Cincia e Tecnologia de Materiais
Universidade Estadual de Santa Cruz (UESC), Ilhus/BA, Brasil. 23-25 out. 2013.
Associao Brasileira de Engenharia e Cincias Mecnicas ABCM

Figura 1: Cenrios utilizados nos testes envolvendo a estimativa dos parmetros atravs do
problema inverso.

3. PROBLEMA INVERSO

O problema inverso proposto nesse trabalho formulado como um problema de

otimizao implcita, cujo objetivo minimizar a soma dos resduos quadrados dados pela Eq.
(4) (Silva Neto & Becceneri, 2012):

Nd 2
Q( Z ) Cexp j Ccalc j (4)
j 1

onde, Z o vetor de incgnitas (Z ={El, Et}), Nd o nmero de dados experimentarias

sintticos, Cexp j so as concentraes referentes aos dados sintticos e Ccalc j so as
concentraes obtidas atravs da soluo do problema direto descrito pela Eq. (1).

3.1 Algoritmo de Luus-Jaakola

O algoritmo de Luus-Jaakola (LJ) foi inicialmente proposto para a soluo de problemas

de Engenharia Qumica (Luus & Jaakola, 1973), sendo um dos algoritmos de busca aleatria
mais utilizados (Lobato & Steffen Junior, 2009). Ao longo dos anos foram propostas vrias
alteraes no algoritmo original. Atualmente, o pseudocdigo comumente utilizado pode ser
descrito da seguinte forma: Considera-se um espao de busca r(0) e uma soluo inicial X*.
Posteriormente, gera-se uma nova soluo X(j) e se a funo de aptido representada por X(j)
for melhor que X*, ento, X* = X(j). Aps nint comparaes, reduz-se o espao de busca (Lima
Jr. et al., 2009). O processo repetido nout vezes a fim de se determinar um intervalo
XVI Encontro de modelagem Computacional
IV Encontro de Cincia e Tecnologia de Materiais
Universidade Estadual de Santa Cruz (UESC), Ilhus/BA, Brasil. 23-25 out. 2013.
Associao Brasileira de Engenharia e Cincias Mecnicas ABCM

suficientemente pequeno o qual contenha a soluo tima. A Fig. 2 apresenta o pseudocdigo

do algoritmo de Luus-Jaakola.

Figura 2: Pseudocdigo do algoritmo Luus-Jaakola.

Ao se analisar o pseudocdigo descrito na Fig. 2, verifica-se que a cada loop interno, so

consideradas apenas as novas estimativas aleatrias geradas para os "n" parmetros a serem
encontrados, no sendo considerados, portanto, os possveis valores de algum dos parmetros
da soluo anterior que porventura tenham sido melhores.
Diante disso, neste trabalho, alm da verificao do vetor de novas estimativas para os
parmetros de interesse, tambm so analisadas as combinaes entre os valores anteriores e
as novas estimativas para esses parmetros. Como o objetivo desse trabalho a estimativa dos
coeficientes de disperso longitudinal e transversal, a primeira modificao prope que a cada
nova iterao, tem-se trs novas estimativas, ou seja, sendo El* e Et* as melhores estimativas
para os parmetros at a iterao j 1, na iterao j, so feitas as seguintes combinaes: (Elj,
Etj), (El*, Etj) e (Elj, Et*). Enquanto que a segunda modificao descarta a nova soluo gerada
(Elj, Etj) e considera apenas as estimativas (El*, Etj) e (Elj, Et*). Para facilitar as referncias a
cada um dos mtodos, aqui foram adotadas as denominaes LJO, para a primeira
combinao utilizada no algoritmo original, LJM1 para a segunda combinao e LJM2 para a
terceira combinao.

4. IMPLEMENTAO DO SIMULADOR DE CALIBRAO AUTOMTICA

O simulador consiste em um conjunto de softwares trabalhando acoplados para a

visualizao dos resultados gerados pelo modelo matemtico. Sua estrutura est baseada em
uma interface grfica, um modelo matemtico e um visualizador cientfico.
A interface grfica, construda em Java, se resume em uma janela onde o usurio final
insere os dados de entrada do modelo matemtico, os quais so: comprimento e largura do
domnio simulado, coordenadas do ponto de lanamento do poluente e coleta dos dados e o
tempo de simulao. Estes dados so capturados e enviados ao modelo matemtico, cuja
soluo propiciar a estimativa dos coeficientes de disperso longitudinal e transversal,
XVI Encontro de modelagem Computacional
IV Encontro de Cincia e Tecnologia de Materiais
Universidade Estadual de Santa Cruz (UESC), Ilhus/BA, Brasil. 23-25 out. 2013.
Associao Brasileira de Engenharia e Cincias Mecnicas ABCM

empregando o algoritmo de Juus-Jaakola. Para iniciar os clculos basta selecionar a opo

"Calcular". Logo aps o trmino da execuo do modelo e a exportao de seus dados,
executado um software livre de visualizao cientfica chamado Paraview, onde o mesmo ir
ler os dados gerados pelo modelo e criar um grfico que ir exibir os valores das
concentraes experimentais e numricas no ponto de coleta, em relao ao tempo. Este
grfico, ento, ser exibido na interface do simulador, juntamente com os valores dos
coeficientes de disperso estimados pelo modelo. A Fig. 3 apresenta a tela inicial onde o
usurio dever entrar com as informaes e o grfico das concentraes no ponto de coleta
que gerado.

Figura 3: Tela inicial onde o usurio informa os dados necessrios para a execuo do
simulador e visualiza o grfico das concentraes obtidas no ponto de coleta.

Na interface grfica, existe uma opo denominada "Visualizar animao" que permite ao
usurio visualizar uma animao que apresenta a evoluo no tempo do comportamento do
poluente ao longo do corpo hdrico. Para esta funo, novamente executado o software
Paraview, onde o mesmo ir ler as matrizes de concentraes geradas pelo modelo
matemtico, para cada intervalo do tempo de coleta. Essa animao ser visualizada na
prpria interface do Paraview, onde o usurio poder utilizar suas diversas ferramentas de
manipulao para melhor visualizao. A Fig. 4 apresenta a interface grfica do Paraview
contendo um exemplo de grfico gerado, bem como os recursos disponveis no mesmo.
XVI Encontro de modelagem Computacional
IV Encontro de Cincia e Tecnologia de Materiais
Universidade Estadual de Santa Cruz (UESC), Ilhus/BA, Brasil. 23-25 out. 2013.
Associao Brasileira de Engenharia e Cincias Mecnicas ABCM

Figura 4: Interface grfica do simulador onde possvel a visualizao da concentrao ao

longo de todo o domnio determinado pelo usurio.

5. RESULTADOS

Para se verificar a eficincia do simulador, foram gerados dados sintticos referentes aos
trs cenrios descritos na seo 2, onde o modelo matemtico foi resolvido utilizando trs
valores diferentes para os coeficientes de disperso longitudinal e transversal, sendo adotado
El = 0,38000 m2/s e Et = 0,01200 m2/s para o primeiro cenrio, El = 0,40000 m2/s e Et =
0,01000 m2/s para o segundo cenrio e El = 0,43000 m2/s e Et = 0,01400 m2/s para o terceiro.
J a verso do algoritmo de Luus-Jaakola comumente utilizada (JLO), foi configurada
com 12 loops internos, enquanto que a primeira modificao do algoritmo (JLM1) foi
configurada com 4 loops internos, uma vez que a cada nova iterao so geradas 3 novas
estimativas.
Por fim, a segunda modificao no algoritmo (LJM2) foi definida com 6 loops internos,
pois a cada iterao so geradas 2 novas estimativas. Como critrio de parada foi adotado a
soma dos resduos quadrados menor que 102.
A Tabela 1 apresenta o nmero de avaliaes da funo objetivo necessrias para que
cada uma das trs verses do algoritmo de Luus-Jaakola convirja para a soluo desejada
enquanto a Tabela 2 apresenta o nmero de vezes em que cada um dos algoritmos obtiveram
melhor desempenho (menor nmero de avaliaes da funo objetivo) na obteno dos
coeficientes de disperso.
J a Tabela 3 contm o melhor e o pior resultado, a mdia e o desvio padro dos referidos
parmetros durante as 20 corridas realizadas.
XVI Encontro de modelagem Computacional
IV Encontro de Cincia e Tecnologia de Materiais
Universidade Estadual de Santa Cruz (UESC), Ilhus/BA, Brasil. 23-25 out. 2013.
Associao Brasileira de Engenharia e Cincias Mecnicas ABCM

Tabela 1: Nmero de avaliaes da funo objetivo necessrios para a convergncia de cada

verso do algoritmo de Luus-Jaakola ao longo das 20 corridas realizadas.

Cenrio 1 Cenrio 2 Cenrio 3

Corrida LJO LJM1 LJM2 LJO LJM1 LJM2 LJO LJM1 LJM2
1 257 187 191 247 304 69 243 67 123
2 221 244 187 221 235 65 217 124 177
3 195 187 209 216 184 195 276 166 159
4 255 178 169 197 187 223 274 163 159
5 242 226 129 221 142 217 426 154 109
6 208 241 207 274 253 255 141 223 113
7 213 214 225 318 193 139 236 214 107
8 230 271 189 236 280 235 115 70 95
9 251 202 261 251 202 261 214 121 55
10 202 148 221 202 133 159 217 100 155
11 228 208 157 267 130 161 190 133 105
12 179 181 91 189 73 167 186 130 139
13 237 163 159 224 106 97 172 184 135
14 154 172 197 233 178 229 159 109 83
15 163 163 157 276 292 247 217 157 203
16 212 175 167 219 190 181 298 193 167
17 236 253 55 205 202 167 127 160 137
18 169 139 93 216 214 161 144 262 121
19 246 115 181 303 175 201 188 82 159
20 235 253 207 196 151 125 247 130 185
Melhor 154 115 55 189 73 65 115 67 55
Pior 257 271 261 318 304 261 426 262 203
Mdia 216,65 196,00 172,60 235,55 191,20 177,70 214,35 147,10 134,30
25,48 34,80 37,64 28,76 45,42 46,70 50,75 40,50 29,77

Tabela 2: Nmero de vezes em que cada um dos algoritmos apresentaram melhor

desempenho (menor nmero de avaliaes da funo objetivo) durante as 20 corridas
realizadas.

Cenrio 1 Cenrio 2 Cenrio 3

LJO LJM1 LJM2 LJO LJM1 LJM2 LJO LJM1 LJM2
Melhor
2 5 13 0 10 10 0 8 12
desempenho

A Fig. 5 apresenta o ajuste entre os dados sintticos e as concentraes numricas obtidas

por meio do melhor valor para os coeficientes de disperso obtidos pelo simulador nos trs
cenrios analisados nesse trabalho, enquanto a Fig. 6 mostra o comportamento 2D das
concentraes no instante em que o seu pico passa pelo ponto de coleta.
XVI Encontro de modelagem Computacional
IV Encontro de Cincia e Tecnologia de Materiais
Universidade Estadual de Santa Cruz (UESC), Ilhus/BA, Brasil. 23-25 out. 2013.
Associao Brasileira de Engenharia e Cincias Mecnicas ABCM

Tabela 3: Valor dos coeficientes de disperso obtidos durante as 20 corridas dos algoritmos
de Luus-Jaakola modificados considerando uma acurcia de 4 casas decimais.

Cenrio 1
LJO LJM1 LJM2
El Et Q El Et Q El Et Q
Melhor 0,3799 0,0120 0,0003 0,3799 0,0120 0,0002 0,3800 0,0120 0,0004
Pior 0,3805 0,0120 0,0094 0,3799 0,0120 0,0098 0,3795 0,0120 0,0099
Mdia 0,3800 0,0120 0,0051 0,3800 0,0120 0,0050 0,3800 0,0120 0,0056
0,0002 0,0000 0,0027 0,0002 0,0000 0,0028 0,0002 0,0000 0,0022
Cenrio 2
LJO LJM1 LJM2
El Et Q El Et Q El Et Q
Melhor 0,4000 0,0100 0,0003 0,3996 0,0100 0,0033 0,4001 0,0100 0,0030
Pior 0,4006 0,0100 0,0100 0,3996 0,0100 0,0099 0,4004 0,0100 0,0099
Mdia 0,3999 0,0100 0,0063 0,4001 0,0100 0,0075 0,4000 0,0100 0,0067
0,0003 0,0000 0,0023 0,0003 0,0000 0,0019 0,0003 0,0000 0,0019
Cenrio 3
LJO LJM1 LJM2
El Et Q El Et Q El Et Q
Melhor 0,43038 0,0140 0,0006 0,4302 0,0140 0,0002 0,4303 0,0140 0,0018
Pior 0,4319 0,0140 0,0098 0,4300 0,0140 0,0094 0,4315 0,0140 0,0094
Mdia 0,4300 0,0140 0,0061 0,4298 0,0140 0,0050 0,4298 0,0140 0,0066
0,0013 0,0000 0,0029 0,0009 0,0000 0,0024 0,0011 0,0000 0,0018

Figura 5: Perfil das concentraes obtidas no ponto de coleta nos 3 cenrios analisados.
XVI Encontro de modelagem Computacional
IV Encontro de Cincia e Tecnologia de Materiais
Universidade Estadual de Santa Cruz (UESC), Ilhus/BA, Brasil. 23-25 out. 2013.
Associao Brasileira de Engenharia e Cincias Mecnicas ABCM

Figura 6: Perfil das concentraes obtidas ao longo do domnio analisado no momento em

que o pico de concentrao passa pelo local de coleta.

6. CONCLUSO

Os resultados apresentados na Fig. 5 permitem concluir que os valores dos coeficientes

de disperso longitudinal e transversal obtidos pelo algoritmo de Luus-Jaakola foram capazes
de realizar um bom ajuste entre os valores numricos e os dados sintticos das concentraes,
demonstrando assim a eficincia deste algoritmo.
Verificou-se ainda que as modificaes propostas no algoritmo de Luus-Jaakola
permitiram uma reduo do tempo computacional, uma vez que foi possvel determinar os
coeficientes de disperso com um nmero reduzido de avaliaes da funo objetivo.
Por fim, conclui-se que o simulador apresentou bons resultados diante da proposta inicial,
onde foi possvel obter os coeficientes de disperso longitudinal e transversal e tambm o
perfil das concentraes ao longo do tempo no domnio de interesse.
Como trabalhos futuros, pretende-se verificar o comportamento do simulador diante de
outros cenrios, bem como das propostas de modificao no algoritmo de Luus-Jaakola para
verificar a eficincia de ambos.

Agradecimentos

Os autores agradecem aos rgos de fomento CAPES, CNPq e FAPERJ.

REFERNCIAS

Telles, W.R., Neres, A.T., Teixeira, J.S., Silva, D.P., Silva Neto, A.J. & Rodrigues, P.P.G.W.,
2013. Estimativa dos Coeficientes de Disperso em um Rio Utilizando o Algoritmo de
XVI Encontro de modelagem Computacional
IV Encontro de Cincia e Tecnologia de Materiais
Universidade Estadual de Santa Cruz (UESC), Ilhus/BA, Brasil. 23-25 out. 2013.
Associao Brasileira de Engenharia e Cincias Mecnicas ABCM

Luus-Jaakola. In II Colquio de Matemtica da Regio Norte, Fevereiro 25 - Maro 2,

Santarm, Brasil.

Lugon Jr., J., Rodrigues, P.P.G.W. & Silva Neto, A.J., 2008. Assessment of dispersion
mechanisms in rivers by means of an inverse problem approach. Inverse Problems in
Science and Engineering, vol. 16, pp. 967979.

Amaral, K.J., 2003. Esturio do rio Maca: modelagem computacional como ferramenta
para o gerenciamento integrado de recursos hdricos. Tese de Doutorado, Universidade
Federal do Rio de Janeiro, Rio de Janeiro, Brasil.

Silva Neto, A.J. & Becceneri, J.C., eds, 2012. Tcnicas de Inteligncia Computacional
Inspiradas na Natureza Aplicao em Problemas Inversos em Transferncia Radiativa.
SBMAC, So Carlos, Brasil.

Lima Jr., C.A.S., Costa, J.S. & Sacco, W.F., 2009. Comparao entre os algoritmos Luus-
Jaakola e Particle Swarm Optimization (PSO) em dois problemas de otimizao global.
In XXXII Congresso Nacional de Matemtica Aplicada e Computacional, Cuiab, Brasil.

Lobato, F.S. & Steffen Junior, V., 2009. Algoritmo de Luus-Jaakola aplicado a um problema
inverso de fermentao batelada alimentada. TEMA Tend. Mat. Apl. Computacional,
vol. 9, n. 3, pp. 417426.

Luus, R. & Jaakola, T.H.I., 1973. Optimization by direct search and systematic reduction of
the size of search region. AIChE Journal, vol. 19, pp. 760766.

ESTIMATING HYDRICS PARAMETERS USING TECHNICAL OF INVERSE

PROBLEMS

Abstract. This paper presents a preliminary proposal for the implementation of a simulator
with automatic calibrator able to describe pollutant transport in rivers. This calibration
procedure is based on the inverse problems technics. Here is employed the Luus-Jaakola
algorithm for determining the coefficients of longitudinal and transverse dispersion present in
a 2D horizontal transport model, which is solved numerically by the finite volume method.
Furthermore, it is also performed a modification of the stochastic method algorithm to
accelerate the convergence thereof. The results were compared with synthetic data, which
were generated considering the geometric and hydraulic characteristics of a lower stretch of
Macae river, located on the north coast of the State of Rio de Janeiro.

Keywords: Transport of Pollutants, Inverse Problem, Luus-Jaakola