Tese Final Canedo-PSO

ENXAME DE PARTCULAS COMO FERRAMENTA DE OTIMIZAO EM
PROBLEMAS COMPLEXOS DE ENGENHARIA NUCLEAR
Jose Antonio Carlos Canedo Medeiros
TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAO DOS

PROGRAMAS DE PS-GRADUAO DE ENGENHARIA DA UNIVERSIDADE
FEDERAL DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS
NECESSRIOS PARA A OBTENO DO GRAU DE DOUTOR EM CINCIAS EM
ENGENHARIA NUCLEAR.
Aprovada por:
_____________________________________________________
Prof. Roberto Schirru, D. Sc.
_____________________________________________________
Prof. Aquilino Senra Martinez, D. Sc.
_____________________________________________________
Prof. Cludio Mrcio do Nascimento Abreu Pereira, D. Sc.
_____________________________________________________
Dr. Antnio Csar Ferreira Guimares, D. Sc.
_____________________________________________________
Dr. Srgio Queirz Bogado Leite, D. Sc.
RIO DE JANEIRO, RJ - BRASIL

JUNHO DE 2005
MEDEIROS, JOSE ANTONIO CARLOS
CANEDO
Enxame de Partculas como Ferramenta de
Otimizao em Problemas Complexos de
Engenharia Nuclear [Rio de Janeiro] 2005
XI, 108 p. 29,7 cm (COPPE/UFRJ, D.Sc.,
Engenharia Nuclear, 2005)
Tese - Universidade Federal do Rio de
Janeiro, COPPE
1 Otimizao
2 Enxame de Partculas
3 Classificao de Acidentes
4 Projeto de Reator
5 Controle Preditivo
I. COPPE/UFRJ II. Ttulo (srie)
II
A MEUS PAIS
MRIO CANEDO LOPEZ E
TERESA MEDEIROS DE CANEDO
A MEUS FILHOS
LUIZA CASTELLAN CANEDO MEDEIROS E
FABIO CASTELLAN CANEDO MEDEIROS
III
AGRADECIMENTOS
Ao amigo, professor e orientador, Dr. Roberto Schirru, no s pela sua orientao e o
senso de direo, sem o que a realizao deste trabalho no teria sido possvel, mas
tambm pela sua ajuda e incentivo no plano profissional.
Ao professor e amigo Cludio M N A Pereira, pela inestimvel colaborao em diversas
fases do trabalho, com discusses e idias sobre o tema da tese.
Ao amigo Wagner Sacco, com quem por diversas vezes conversamos sobre o assunto
otimizao, em parte responsvel pelo aumento de meu interesse e direcionamento de
meus esforos para essa rea.
Ao amigo Jos Airton, principalmente pela sua amizade, e pelo apoio na manuteno
dos sistemas computacionais essenciais para a elaborao da tese.
Aos amigos Wagner Esteves e Roberto Domingues pelas discusses e sua colaborao
com idias a respeito de temas desta tese.
Aos amigos e colegas do LMP e da COPPE e a todos, que, de alguma forma
contriburam para a realizao deste trabalho.
IV
Resumo da Tese apresentada COPPE/UFRJ como parte dos requisitos necessrios
para a obteno do grau de Doutor em Cincias (D Sc.)
ENXAME DE PARTCULAS COMO FERRAMENTA DE OTIMIZAO EM
PROBLEMAS COMPLEXOS DE ENGENHARIA NUCLEAR
Junho/2005
Orientador: Roberto Schirru
Programa: Engenharia Nuclear
Devido ao seu baixo custo computacional, tcnicas de busca baseadas no

gradiente associadas a tcnicas de programao linear so utilizadas como ferramentas
de otimizao. Essas tcnicas, no entanto, quando aplicadas a espaos de busca
multimodais complexos no so adequadas podendo em muitos casos conduzir a, e
estacionar em, timos locais. Na busca de solues em domnios multimodais, tcnicas
de busca randmica tem sido desenvolvidas e usadas com grande eficcia. Neste
trabalho exploramos a capacidade do algoritmo de otimizao por enxame de partculas
como ferramenta de otimizao para soluo de problemas complexos na rea nuclear.
Devido facilidade e natural representao de espao reais de qualquer dimenso, foi
aplicado com sucesso a problemas na rea nuclear e mostrou-se eficaz na busca de
solues em espaos de busca multimodais de alta dimenso. Em uma das aplicaes foi
possvel elaborar um modelo de soluo simples e obter uma soluo trivial no obtida
por outros mtodos confirmando assim a validade de sua aplicao.
V
Abstract of Thesis presented to COPPE/UFRJ as a partial fulfillment of the
requirements for the degree of Doctor of Science (D.Sc.)
PARTICLE SWARM AS OPTIMIZATION TOOL IN COMPLEX NUCLEAR
ENGINEERING PROBLEMS
June/2005
Advisor: Roberto Schirru
Department: Nuclear Engineering
Due to its low computational cost, gradient-based search techniques associated

to linear programming techniques are being used as optimization tools. These
techniques, however, when applied to multimodal search spaces, can lead to local
optima. When finding solutions for complex multimodal domains, random search
techniques are being used with great efficacy. In this work we exploit the swarm
optimization algorithm search power capacity as an optimization tool for the solution of
complex high dimension and multimodal search spaces of nuclear problems. Due to its
easy and natural representation of high dimension domains, the particle swarm
optimization was applied with success for the solution of complex nuclear problems
showing its efficacy in the search of solutions in high dimension and complex
multimodal spaces. In one of these applications it enabled a natural and trivial solution
in a way not obtained with other methods confirming the validity of its application.
VI
NDICE
1. INTRODUO 1
1.1. Objetivo 1
1.2. Motivao 1
1.3. Metodologia 4
1.3.1. Projeto do Ncleo de um Reator 5
1.3.2. Controle Preditivo da Oscilao Axial de Xennio 6
1.3.3. Classificao de Acidentes em Usinas Nucleares 7
1.4. Organizao do Trabalho 10
2. OTIMIZAO POR ENXAME DE PARTCULAS 13
2.1. Introduo 13
2.2. Algoritmo Bsico 14
2.3. Modelo Determinstico 16
2.4. Dinmica da Partcula 19
2.4.1. Convergncia 20
2.4.2. Oscilaes Harmnicas 22
2.4.3. Movimento Zig-Zag 22
2.5. Seleo de Parmetros 23
3. OTIMIZAO DO PROJETO DO NCLEO DE UM REATOR 28

3.1. Introduo 28
3.2. Projeto do Ncleo de um Reator Nuclear 29
3.3. Modelagem do Problema com o PSO 32
3.4. Configurao do PSO 33
3.5. Resultados 35
4. CONTROLE PREDITIVO DA OSCILAO DE XENNIO 38

4.1. Introduo 38
4.2. Controle Preditivo 40
4.2.1. Preditor com Redes Neurais 41
4.2.2. Otimizador 43
4.2.3. Algoritmo do Controlador Preditivo 44
4.3. Configurao e Treinamento do Preditor 45
4.4. Otimizador com Enxame de Partculas 49
4.6. Resultados 50
VII
5. CLASSIFICAO DE ACIDENTES EM USINAS NUCLEARES 53
5.1. Introduo 53
5.2. Diagnstico de Transientes em Usinas Nucleares 59
5.3. Assinaturas de Acidentes 60
5.4. Classificao de Eventos 65
5.5. Mtodo do Nmero Mnimo de Prottipos 67
5.7. Resultados 69
6. CONCLUSES E RECOMENDAES 75
6.1. Concluses 75
6.2. Sugestes para Trabalhos Futuros 78
ANEXOS
ANEXO 1 ALGORITMOS DE OTIMIZAO BASEADOS EM GRADIENTE 80
ANEXO 2 OSCILAO DE POTNCIA AXIAL 88
ANEXO 3 REDES NEURAIS ARTIFICIAIS 95
REFERNCIAS BIBLIOGRFICAS 102
VIII
LISTA DE FIGURAS
Figura 2.1. Enxame de partculas 14
Figura 2.2. Atualizao de uma partcula 15
Figura 2.3. Convergncia do PSO 16
Figura 2.4. Regies de convergncia 21
Figura 2.5. PSO convergente no oscilatrio 24
Figura 2.6. PSO, oscilao harmnica, convergncia lenta 24
Figura 2.7. PSO, oscilao harmnica, convergncia rpida 25
Figura 2.8. PSO, oscilao harmnica, com zig-zag 25
Figura 2.9. PSO, zig-zag convergente assimtrico 26
Figura 2.10. PSO, zig-zag convergente simtrico 26
Figura 3.1. Reator e clula caracterstica 29
Figura 3.2. Convergncia com 200 iteraes de 100 partculas 35
Figura 4.1. Controle preditivo 41
Figura 4.2. Estrutura de um controlador preditivo 41
Figura 4.3. Aprendizado supervisionado 42
Figura 4.4. Predio com rede feed-forward e linhas de retardo 43
Figura 4.5. Dados simulados para identificao da planta 46
Figura 4.6. Dados de treinamento 47
Figura 4.7. Dados de teste 47
Figura 4.8. Dados de validao 48
Figura 4.9. Performance de treinamento (MSE) 48
IX
Figura 4.10. Perturbao da planta 50
Figura 4.11. Predio neural e otimizao com PSO 50
Figura 4.12. Ao do controlador preditivo 51
Figura 4.13 Sada da planta sob ao do controlador 51
Figura 5.1. Assinaturas de acidentes a 50% 63
Figura 5.2. Assinaturas de acidentes a 100% 64
Figura 5.3. Convergncia para NPC = 3 70
Figura 5.5. Prottipos para NPC = 3 72
Figura A2.1 Modelo de reator a 2 pontos 88
Figura .A2.2 Oscilao de potncia do reator 93
Figura .A2.3 Diferenas axiais 94
Figura A3.1 Neurnio bsico 95
Figura A3.2 Camada de neurnios 97
Figura A3.3. Treinamento supervisionado 99
Figura A3.4 Filtro linear com rede neural 101
X
TABELAS
Tabela 3.1. Limites operacionais do reator 30
Tabela 3.2. Limites dos parmetros de projeto 30
Tabela 3.3 Parmetros de configurao do PSO 34
Tabela 3.4 Resultados do algoritmo PSO 36
Tabela 3.5 Comparao de resultados 37
Tabela 4.1. Configurao do preditor 45
Tabela 4.2. Parmetros do otimizador com PSO 49
Tabela 5.1. Acidentes postulados para um reator PWR 61
Tabela 5.2. Lista de variveis de acidentes 61
Tabela 5.3. Conjunto de transientes para treinamento 65
Tabela 5.4. Mtodo MCP com 6 parties 66
Tabela 5.5. Mtodo MCP com 1 partio 67
Tabela 5.6. Parmetros do algoritmo PSO 68
Tabela 5.7. Acertos para diferentes nmeros de prottipos 69
Tabela 5.8. Particionamento para o MCP com 2 parties 72
Tabela A2.1 - Parmetros do reator 91
XI
CAPTULO 1
INTRODUO
1.1. Objetivo
Este trabalho explora a capacidade do algoritmo de otimizao por enxame de
partculas, traduzido do ingls Particle Swarm Optimization (PSO), (KENNEDY,
EBERHART, SHI, 2001), como ferramenta de otimizao, mostrando a viabilidade do
algoritmo como ferramenta de otimizao na busca de solues em espaos de busca
multimodais complexos e de alta dimenso, como os problemas encontrados na rea de
engenharia nuclear.
O algoritmo de otimizao por enxame de partculas foi aplicado na soluo de
trs problemas na rea nuclear e mostrou-se eficaz na busca de solues sem
necessidade de conhecimento prvio sobre a complexidade dos espaos de busca
envolvidos.
1.2. Motivao
A soluo de inmeros problemas da engenharia envolve, invariavelmente, um
problema de otimizao. Devido ao seu baixo custo computacional, as tcnicas de busca
tradicionais e as tcnicas baseadas no gradiente, ver ANEXO 1, tem sido utilizadas
como ferramentas de otimizao. Em muitos casos, no entanto, no possvel calcular
facilmente o gradiente o que dificulta a implementao do otimizador.
1
Essas tcnicas, no entanto, quando aplicadas a domnios de aplicao
multimodais complexos, no so adequadas, podendo estacionar em timos locais e
conduzir a solues sub timas. Quando a dimenso do espao de busca for grande, e a
funo objetivo e as restries forem no lineares ou descontnuas, a obteno de
solues por mtodos analticos torna-se muito difcil ou at mesmo impossvel,
especialmente nos casos em que no se dispe explicitamente a funo analtica do
problema.
No caso de funes multidimensionais, a determinao do ponto que otimiza
uma funo objetivo pode ser obtida por um mecanismo de busca gerando-se
sistematicamente uma seqncia de pontos do espao de busca e testando a cada passo
se o ponto gerado uma soluo ou se conduz para a soluo. Dentre os mtodos de
busca destacam-se os mtodos de busca por enumerao, os mtodos de busca baseados
em gradiente e no hessiano e os mtodos de busca probabilsticos.
Os mtodos de otimizao baseados na busca sistemtica exigem conhecimento prvio
sobre o espao de busca e os mtodos de otimizao baseados no gradiente dependem
da existncia de limites e das derivadas.
No entanto, devido grande capacidade computacional disponvel nos sistemas
atuais, cada vez mais as tcnicas de otimizao tem sido substitudas por tcnicas
desenvolvidas na rea de inteligncia artificial como otimizao por sistemas neuro-
fuzzy (PASSINO, K.M., YURKOVICK, S., 1998) e algoritmos de otimizao
evolucionrios como algoritmos genticos (GOLDBERG, 1989) e programao gentica
(KOZA, J.R., 1992 ). Por essa razo os mtodos de busca probabilstica tem sido
desenvolvidos na tentativa de promover solues que no dependam de conhecimento
prvio sobre o espao de busca.
2
Nos mtodos de busca randmicos a regra de busca dependente de nmeros
randmicos mas no aleatria . Dentre esses mtodos destacamos os algoritmos
genticos e os algoritmos de otimizao baseados em enxame de partculas.
Os algoritmos genticos, (HOLLAND, 1975 e GOLDBERG, 1989), so
algoritmos de busca e otimizao baseados nos mecanismos teoria da evoluo das
espcies de Darwin e da gentica. Em um algoritmo gentico os indivduos de uma
populao, representados por um string de dgitos binrios denominado cromossomo,
representam solues candidatas a soluo do problema. Inicialmente gerada, de forma
totalmente aleatria, uma populao inicial de indivduos que representam solues
candidatas a soluo do problema. A cada iterao do algoritmo gentico todos os
indivduos da populao so avaliados segundo uma funo objetivo, que determina sua
adequao, e recebem uma pontuao que ser utilizada na determinao da gerao da
populao para a prxima iterao. Os indivduos melhor adaptados e os seus
descendentes carregam consigo informao gentica para as prximas geraes, e tem
mais chance de sobreviver atravs de geraes sucessivas. Ao final de um grande
nmero de iteraes a populao do algoritmo gentico tende a conter apenas os
indivduos melhores adaptados. Os algoritmos genticos tem sido utilizados com
eficcia como mtodos de busca em processos de otimizao e no exigem
conhecimento do espao de busca nem sobre a existncia de limites derivadas da funo
a ser otimizada.
Os algoritmos de otimizao baseados em enxame de partculas so algoritmos
baseados no paradigma da interao entre as partculas de um enxame (ou indivduos de
uma populao) que procuram um timo global (KENNEDY e EBERHART, 1995).
3
No algoritmo baseado em enxame partculas uma populao de indivduos, ou
partculas, representa solues candidatas como pontos do espao de soluo do
problema que so avaliadas a cada iterao do algoritmo de acordo com uma funo
objetivo. Cada indivduo, representado como um vetor de nmeros de dimenso igual
dimenso do espao de busca, inicializado com uma posio e velocidade aleatrias, e
guarda consigo informao sobre a melhor posio por ele j visitada. Por outro lado o
algoritmo guarda a melhor posio j alcanada pelo enxame. A cada iterao os
indivduos da populao so avaliados e as melhores posies de cada indivduo e do
enxame so atualizadas. As posies de cada indivduo so atualizadas levando em
conta a influncia da melhor posio j atingida pelo enxame (influncia social) e a
melhor posio j atingida pelo prprio indivduo (deciso individual). Assim os
indivduos do enxame se movem pelo espao de busca procurando dessa forma atingir o
mximo ou mnimo global com resultado da deciso individual e da influncia social.
Da mesma forma que os algoritmos genticos, os algoritmos baseados em
enxame de partculas no exigem conhecimento prvio sobre o espao de busca nem
sobre a existncia de limites derivadas da funo objetivo e ou as funes de restrio,
bastando para sua aplicao a existncia de uma funo de avaliao dos indivduos da
populao.
1.3. Metodologia
A fim de comprovar as caractersticas do algoritmo por enxame de partculas, as
propriedades de convergncia do algoritmo so estudadas.
4
A viabilidade e eficcia de sua utilizao como ferramenta de otimizao so
comprovadas por meio da aplicao do algoritmo na soluo de trs problemas na rea
nuclear como otimizador sem a necessidade de conhecimento prvio sobre a
complexidade dos espaos de busca envolvidos. A primeira aplicao consiste em
utilizar o algoritmo de otimizao por enxame de partculas na otimizao do projeto do
ncleo um reator nuclear em que se procura obter a melhor combinao de dimenses e
constituio dos elementos do ncleo, e ao mesmo tempo obedecer a um conjunto de
restries relativas a limites operacionais de variveis bem como dos limites
permissveis para as dimenses e composio material dos elementos do ncleo. A fim
de corroborar sua robustez na otimizao de funes, a segunda aplicao envolve a
substituio do otimizador de um controlador preditivo, aplicado no controle da
oscilao de xennio de um reator PWR, por um otimizador baseado no algoritmo por
enxame de partculas. A terceira e ltima aplicao do algoritmo por enxame de
partculas, envolve a determinao, de forma inovadora, do nmero mnimo de vetores
de referncia capazes de permitir a melhor separao e classificao de acidentes
durante a operao de um reator nuclear.
1.3.1. Projeto do Ncleo de um Reator
O projeto do ncleo de um reator nuclear envolve no linearidades e
descontinuidades e um grande nmero de parmetros a serem maximizados e sujeitos a
um grande nmero de restries. A obteno de uma soluo exige, como conseqncia,
a busca de solues em um espao de alta dimenso envolvendo funes multimodais
(PEREIRA, MARTINEZ e SCHIRRU, 1999).
5
Os resultados obtidos com o PSO foram comparados com a soluo obtida por
meio de um algoritmo gentico em (SCHIRRU, MARTINEZ, PEREIRA ,
DOMINGOS e MACHADO, 1999).
1.3.2. Controle Preditivo da Oscilao Axial de Xennio
. O xennio 135, um dos principais subprodutos da fisso do urnio, produzido
em pequena parte como subproduto da fisso do urnio do ncleo e em grande parte
como resultado do decaimento do iodo 135 precursor (GLASSTONE, 1960 e
LAMARSH, 1966). O xennio, devido a sua alta seo de choque de absoro, e como
efeito da variao do nvel de produo de xennio no ncleo, propenso a induzir
oscilaes espaciais de potncia do ncleo (DUDERSTAD e HAMILTON, 1976). As
oscilaes induzidas na potncia axial no ncleo, ver ANEXO 2, so no lineares e
influenciadas por parmetros variantes no tempo tais como: nvel de potncia, posio
das barras e nvel de boro. A distribuio axial de potncia em um reator PWR funo
do tempo, da posio axial (z) e depende do nvel de potncia, do nvel de queima e da
variao da concentrao de xennio, apresentando oscilaes com ciclos de perodo
entre 20 e 30 horas. O controle da oscilao axial de potncia se faz por meio do
controle da posio das barras de controle de modo.
Os sistemas de controle preditivo (CLARKE, MOHTADI, 1987) so sistemas
que utilizam o modelo da planta para predio do comportamento futuro da planta e um
otimizador que, considerando a evoluo do controle e da sada da planta, procura
determinar o melhor valor do sinal de controle de modo a minimizar o erro na sada da
planta e ao mesmo tempo minimizar a ao do controle (CAMACHO e BORDONS,
1995).
6
A predio da sada da planta pode ser realizada por meio de redes neurais
(HAYKIN, 1994) e (HAYKIN, 1996) configuradas e treinadas para predio de sries
temporais. O otimizador procura otimizar uma funo objetivo que induz uma
minimizao dos erros de sada e ao mesmo tempo minimiza a ao de controle.
Usualmente a minimizao implementada por algoritmos de otimizao baseados em
gradiente que dependem do gradiente e do hessiano do modelo da planta, ver ANEXO
1. Neste trabalho procuramos explorar a capacidade do PSO na determinao de timos
globais sem a necessidade de conhecimento a priori do espao de busca nem da
existncia de limites e derivadas da funo possibilitando assim o uso de qualquer
modelo de rede para a planta sem a necessidade de reprogramar o otimizador.
1.3.3. Classificao de Acidentes em Usinas Nucleares
A operao de uma usina envolve a operao de vrios sistemas cuja falha
pode provocar uma evoluo adversa das condies operacionais da usina que, se no
forem diagnosticadas em tempo ou se no forem corretamente diagnosticadas, podem
produzir conseqncias no s para a usina como tambm para o pblico e meio
ambiente. A fim de assegurar uma operao segura e reduzir os custos de operao de
uma usina nuclear, diversos sistemas da usina devem ser monitorados fornecendo ao
operador informaes sobre o estado desses sistema para a tomada de deciso. Para
operar uma usina nuclear, os operadores monitoram um grande nmero de medidas,
obtidas a partir da instrumentao instalada nesses sistemas, e, em caso de um evento
anormal de operao da usina, devem identificar e diagnosticar a situao da usina a
partir da anlise e classificao das medidas correspondentes ao evento em curso.
7
A evoluo das condies operacionais da usina usualmente apresenta um
comportamento transiente com padres temporais bem definidos (assinaturas) dessas
medidas para cada situao operacional. O grande nmero de instrumentos e a dinmica
de variao de cada grandeza medida associada ao evento em curso dificultam o
processo de identificao e tomada de deciso por parte do operador que quando
pressionado a tomar uma deciso reduz ainda mais a sua capacidade cognitiva
aumentando assim a chance de uma tomada de deciso errada por parte do operador.
A fim de auxiliar o operador na tomada de decises e reduzir ou minimizar a
carga cognitiva do operador, sistemas de apoio tomada de deciso, tais como sistemas
de classificao de transientes e diagnstico de acidentes, so incorporados ao sistema
de operao da usina com o objetivo de aumentar o tempo disponvel do operador para a
tomada de uma resposta rpida e correta minimizando o risco de uma identificao
errada. Um sistema de classificao de transientes deve fornecer ao operador um
diagnstico rpido e correto do evento em curso e assim aumentar o tempo disponvel
do operador para a tomada de aes corretivas de modo a manter a usina em uma
condio segura.
Para identificar um evento, um sistema de classificao de transientes utiliza um
conjunto de assinaturas de um conjunto de variveis de operao da usina para cada
evento anmalo da usina. Quando um evento de operao anormal deve ser identificado,
o sistema de diagnstico procura comparar a evoluo das variveis correspondentes s
condies operacionais da usina com a assinatura de evoluo das variveis para cada
um dos eventos anmalos postulados da usina e classificar o evento em curso pelo
evento ao qual o evento est mais prximo usando para isso uma medida de distncia.
8
Em (ALVARENGA, 1998) encontramos uma lista de acidentes postulados para
uma usina nuclear bem como as variveis de processo consideradas como as que mais
contribuem para a caracterizao desses acidentes. Os transientes postulados
caracterizam as classes de transiente segundo a qual um determinado evento poder ser
classificado.
A maneira mais simples e rpida de classificar os eventos temporais da usina
consiste em representar as assinaturas dos transientes postulados por prottipos
(usualmente o centride) e usando uma mtrica, como por exemplo a distncia
euclideana, comparar as distancias dos prottipos do evento aos prottipos dos
transientes postulados. Cada evento ser classificado segundo a classe do transiente a
cujo prottipo o prottipo do evento estiver mais prximo. Esse mtodo de
classificao, denominado de Mtodo de Classificao Simples (MCS), embora simples
apresenta algumas deficincias de classificao, ver (SCHIRRU, PEREIRA e
MARTINEZ, 1999) e (ALMEIDA, 2001), como o caso em que as classes so muito
prximas ou os centrides so coincidentes.
Para superar as deficincias do MCS, foi desenvolvido o Mtodo do Conjunto
Mnimo de Centrides (CMC), (SCHIRRU, PEREIRA e MARTINEZ, 1999), que,
particionando o espao segundo o eixo do tempo, procura determinar duas ou mais
subclasses que forneam o melhor conjunto de centrides de modo que o MCS possa
distinguir as classes e classificar os eventos corretamente. Na busca desse
particionamento, o mtodo de classificao de mnimos centrides (CMC), utiliza um
algoritmo gentico, (SCHIRRU, PEREIRA e MARTINEZ, 1999), para maximizar o
nmero de acertos e minimizar o nmero de parties.
9
Nos modelos de minimizao de particionamento do espao, o que se procura
obter o nmero mnimo de parties, sendo cada partio representada por um
prottipo, o centride da partio. Uma vez que nada obriga a que os prottipos para
classificao sejam os centrides resultantes do particionamento, e o que se procura o
menor nmero de parties (menor nmero de parties igual a menor nmero de
prottipos) que maximizem o nmero de acertos, pensou-se em deixar que um
algoritmo de busca resolva o problema atravs de um processo de busca cega desses
prottipos sendo o desempenho de cada prottipo avaliado por uma funo que mede o
numero de acertos para classificao de todos os acidentes para um nmero prefixado
de prottipos para cada acidente.
Para resolver o problema de nmero mnimo de prottipos, usamos aqui o
algoritmo de otimizao por enxame de partculas para o qual fixamos diferentes
valores para o nmero mnimo de prottipos por classe a ser procurado. Esta abordagem
estabelece um modelo de soluo, que corresponde ao processo de busca dos vetores de
Voronoi (RUSSEL e NORVIG,1995) para separao e identificao das classes. Os
resultados obtidos mostram solues triviais no obtida por outros mtodos e foram
comparados com os resultados obtidos por meio de algoritmos genticos com base na
determinao do nmero mnimo de parties relatados em (ALMEIDA, 2001).
1.4. Organizao do Trabalho
O presente trabalho est organizado em seis captulos e 3 anexos sendo o contedo
dos demais captulos como descrito a seguir.
10
O presente captulo, apresenta o objetivo da tese, a metodologia para
desenvolvimento dos trabalhos, descreve os principais testes realizados e apresenta a
organizao do documento da tese.
O captulo 2 apresenta o formalismo do mtodo de otimizao baseado em
enxame de partculas. Inicialmente, so introduzidos os conceitos e definies e
apresentado o equacionamento que descreve o modelo cannico do algoritmo. A seguir
apresentada uma anlise da convergncia do mtodo considerando a verso
determinstica do algoritmo mostrando condies sob as quais a convergncia pode ser
obtida. Finalmente so feitas consideraes sobre o a influncia do ajuste dos
parmetros para obteno de resultados.
O captulo 3 apresenta e descreve os resultados da aplicao do mtodo de
otimizao por enxame de partculas ao problema de otimizao do projeto do ncleo de
um reator nuclear. Inicialmente apresentado o problema de otimizao do projeto de
um reator nuclear. A seguir apresentada a modelagem do problema para soluo pelo
PSO e finalmente so mostrados os resultados obtidos com a aplicao do PSO.
O captulo 4 apresenta e descreve os resultados da aplicao do mtodo ao mdulo
de otimizao de um controlador preditivo aplicado ao controle da oscilao de xennio
de um reator nuclear PWR. Inicialmente apresentado o problema de controle da
oscilao do xennio do reator PWR. A seguir so apresentados os fundamentos e os
mecanismos envolvidos no controle preditivo. Finalmente apresentada a aplicao do
algoritmo de otimizao por enxame de partculas como substituto ao mdulo de
otimizao com apresentao dos resultados obtidos.
11
O captulo 5 apresenta e descreve os resultados da aplicao do mtodo ao
problema de classificao de acidentes em uma usina nuclear a partir da anlise da
evoluo de um conjunto de variveis. Inicialmente apresentado o problema de
classificao de acidentes e algumas consideraes a respeito da validao do mtodo
de otimizao baseado na minimizao de centrides CMC. O trabalho apresenta uma
soluo de classificao baseada exclusivamente na capacidade do algoritmo encontrar
o menor nmero de prottipos capazes de produzir o maior nmero de acertos na
classificao de acidentes, ou seja, os vetores de Voronoi, que no caso limite so a
soluo ideal do problema.
No captulo 6 so apresentadas as concluses do presente trabalho e so
apresentadas sugestes para trabalhos futuros.
O Anexo 1, ALGORITMOS DE OTIMIZAO BASEADOS EM GRADIENTE,
apresenta um resumo dos principais algoritmos de otimizao por busca com base no
gradiente.
O Anexo 2, OSCILAO DE POTNCIA AXIAL DE UM REATOR PWR,
apresenta o modelo de oscilao de potncia bem como apresenta as equaes que
descrevem a oscilao de xennio de um reator PWR.
O Anexo 3, REDES NEURAIS ARTIFICIAIS, apresenta os conceitos bsicos e
descreve os principais mecanismos envolvidos no aprendizado e na implementao de
redes neurais artificiais para utilizao como modelos de processos.
12
CAPTULO 2
OTIMIZAO POR ENXAME DE PARTCULAS
2.1. Introduo
A tcnica de otimizao PSO (Particle Swarm Optimization), traduzida para o
portugus como Otimizao por Enxame de Partculas, uma tcnica de computao
estocstica baseada em populaes, desenvolvida por (KENNEDY e EBERHART,
1995), que implementa uma metfora do comportamento social da interao entre
indivduos (partculas) de um grupo (enxame).
A metfora foi desenvolvida a partir da observao de bandos de pssaros e
cardumes de peixes em busca de alimento de alimento em uma determinada regio. Ao
observar o comportamento desses grupos, verifica-se que o comportamento do grupo
influenciado pela experincia individual acumulada por cada indivduo bem como pelo
resultado da experincia acumulada pelo grupo.
No algoritmo por enxame de partculas, que tambm designaremos como
algoritmo PSO, cada candidato a soluo do problema corresponde a um ponto no
espao de busca. Essas solues, denominadas partculas, tem associados um valor, que
avaliado individualmente para cada partcula e que indica a adequao da partcula
como soluo para o problema, e uma velocidade que define a direo do movimento
da partcula. Cada partcula modifica sua velocidade levando em conta a melhor posio
da partcula e a melhor posio do grupo, e ao longo do tempo o grupo acaba
alcanando o alimento.
13
2.2. Algoritmo Bsico
No algoritmo PSO o enxame inicializado randomicamente, ver figura 2.1,
com uma populao de solues candidatas sendo, cada partcula, inicializada com uma
posio e uma velocidade randmicas.
Figura 2.1 Enxame de partculas
O algoritmo bsico do PSO, denominado modelo cannico do PSO, pode ser
descrito em notao vetorial como a seguir:

vk + 1 = a vk + b1 r1 ( p1 xk ) + b2 r2 ( p2 xk ) eq. (1)

xk + 1 = c xk + d vk + 1 eq. (2)
14
onde:
produto vetorial elemento por elemento
v vetor velocidade da partcula
x vetor posio da partcula
a fator de momento
p1 melhor posio anterior da partcula
p2 melhor posio anterior do enxame

b1 , b2 coeficientes de fora de atrao

r ,r
1 2 vetores de nmeros randmicos no intervalo [0,1]

c, d vetores coeficientes
A figura 2.2 ilustra a atualizao de uma partcula em um espao de busca
bidimensional. Para simplificar a ilustrao, o fator de momento no foi considerado.
Cada partcula modifica sua velocidade levando em conta a melhor posio da partcula
e a melhor posio do grupo.
Figura 2.2 Atualizao de uma partcula
15
Nas equaes (1) e (2) cada dimenso atualizada independentemente das
outras. O nico vnculo entre as dimenses se d por meio da funo objetivo atravs da

influncia exercida pelas melhores posies anteriores p1 e p2 . Essa independncia
permite reduzir a anlise do caso multidimensional ao caso unidimensional:
vk + 1 = avk + b1r1(p1 xk ) + b2 r2(p2 xk ) eq. (3)
xk + 1 = cxk + dvk + 1 eq. (4)
Figura 2.3. Convergncia do PSO
A mudana de velocidade das partculas modifica a posio das mesmas
fazendo-as mover-se atravs do espao do problema. Ao longo de sucessivas iteraes,
como resultado da deciso individual e da influncia social, o enxame de partculas
acaba convergindo, ver figura 2.3, para uma soluo tima.
16
2.3. Modelo Determinstico
A verso determinstica do PSO (TRELEA, 2000), obtida das equaes (3) e
1
(4) atribuindo-se aos nmeros randmicos seus valores esperados, isto , r1 = r2 = . A
2
equao pode ainda ser simplificada fazendo:
b1 + b2
b= eq. (5)
2
b1 b2
p= p1 + p2 eq. (6)
b1 + b2 b1 + b2
de modo que a expresso da verso determinstica pode ser expressa como:
vk + 1 = avk + b(p xk ) eq. (7)
xk + 1 = cxk + dvk + 1 eq. (8)
O coeficiente de atrao equivalente b , assim definido, representa a mdia dos
coeficientes de atrao individual e de atrao social b1 e b2 . O ponto de atrao
equivalente, p a mdia ponderada de p1 e p2 .
A verso determinstica do algoritmo definida pelas equaes (7) e (8) depende
do ajuste de quatro parmetros a , b , c e d . Eliminando-se a velocidade dessas
equaes, obtm-se uma equao recursiva de segunda ordem, ver equao (9), que
apenas envolve posies sucessivas da partcula e que s depende do produto bd :
17
x k +1 + (bd a c) x k + acxk 1 = bdp eq. (9)
Fixando-se o valor de d =1, qualquer seqncia de posies da partcula geradas
pelo algoritmo PSO, descritas pelas equaes (7) e (8), pode ser gerada com d = 1 e
algum valor para b.
x k +1 + (b a c) x k + acxk 1 = bp eq. (10)
Embora a seqncia de velocidades seja diferente, a convergncia do algoritmo
de otimizao no ser afetada pois a funo objetivo apenas depende da posio sendo
a velocidade apenas uma varivel auxiliar. Do ponto de vista de otimizao, o que se
espera que no longo prazo a populao de partculas termine convergindo para o
timo local anteriormente encontrado, isto :
lim xk = p eq. (11)

k
Levando-se isto na equao (10) obtm-se a condio necessria:
(a 1)(c 1) = 0 eq. (12)
As solues a = 1 ou c = 1 so equivalentes no que se refere seqncia de
partculas definida pela equao (9); isso se deve ao fato de que a equao(9)
simtrica em relao a a e c . Escolhendo-se c = d = 1 , a velocidade da partcula,
equao (7), pode ser interpretada como a diferena entre duas posies diferentes da
partcula, equao (8).
18
2.4. Dinmica da Partcula
O comportamento dinmico da partcula pode ser avaliado recorrendo-se teoria
de sistemas dinmicos lineares discretos, (CADZOW, 1970 e LUENBERGER, 1975),
que proporciona mecanismos de anlise do comportamento dinmico de um sistema e
que sero usadas para avaliar o comportamento dinmico de uma partcula.
Considerando-se c = d = 1 , as equaes (7) e (8) podem ser escritas na forma
matricial como a seguir:
y k +1 = Ay k + Bp eq. (13)
onde:
x 1 b a b
yk = k , A= , B= eq. (14)
vk b a b
yk estado da partcula, constitudo da posio e velocidade vigentes.
A matriz dinmica, determina o comportamento temporal da partcula
(assinttico, convergente, oscilatrio, etc.)
p entrada externa, usada para mover a partcula em direo de uma posio
especificada
B matriz de entrada, determina o efeito da entrada externa sobre a partcula.
O ponto de equilbrio de um sistema o ponto atingido pelo sistema em
ausncia de excitao externa (entrada externa p = constante). O ponto de equilbrio, se
existir, deve satisfazer a condio y keq+1 = y keq para qualquer k .
19
Assim, para uma partcula do enxame, a condio de equilbrio dada por:
y eq = [ p 0] , ou seja,
T
x eq = p e v eq = 0 eq. (15)
O que significa que, quando a partcula atinge o ponto de equilbrio, ou seja, no
h melhores posies, ento a partcula deve estar posicionada no ponto de atrao e a
velocidade da partcula deve ser nula.
A anlise de convergncia procura determinar se uma partcula partindo de um
ponto fora de equilbrio ir atingir o equilbrio (convergncia), e como essa partcula se
mover pelo espao de estados na busca de melhores pontos.
De acordo com a teoria dos sistemas dinmicos, (CADZOW, 1970 e
LUENBERGER, 1975), o comportamento temporal de uma partcula depende dos dois
autovalores da matriz dinmica A . Os dois autovalores (reais ou complexos) so
solues da equao:
2 (a b + 1) + a = 0 eq. (16)
2.4.1. Convergncia
A condio necessria e suficiente para que o ponto de equilbrio seja estvel
(isto , o ponto de equilbrio seja um atrator) que os dois autovalores 1 e 2 da
matriz A , calculados segundo a equao (16), tenham valor menor do que 1.
20
Da anlise das razes da equao (16) resultam as seguintes condies:
a < 1, b > 0, 2a b + 2 > 0 eq. (17)
Assim, dada uma posio e velocidade iniciais, a partcula ir convergir para
uma posio de equilbrio, dada pelas equaes (6) e (15), se os parmetros do
algoritmo forem escolhidos dentro da regio triangular do plano (a,b), ver grfico (A) da
figura 2.4, determinada pelas condies definidas pela equao (17).
Figura 2.4. Regies de convergncia
21
2.4.2. Oscilaes Harmnicas
De acordo com a teoria de sistemas lineares, se os autovalores 1 e 2 da matriz
A forem complexos, a partcula ir exibir comportamento oscilatrio harmnico antes
de atingir a convergncia. Da anlise das razes da equao (16) resulta a seguinte
condio:
a 2 + b 2 2ab 2a 2b + 1 < 0 eq. (18)
O grfico (B) da figura 2.4 apresenta a regio do plano (a,b), determinada pela
equao (18), para a qual a partcula apresenta comportamento oscilatrio harmnico.
2.4.3. Movimento Zig-Zag
Se pelo menos um dos autovalores 1 e 2 da matriz A apresentar parte real
negativa, a partcula ir exibir movimento em zig-zag em torno do ponto de equilbrio.
Da anlise das razes da equao (16) resultam as seguinte condies:
a<0 ou a b +1 < 0 eq. (19)
O grfico (C) da figura 2.4 apresenta a regio do plano (a,b), definido pela
equao (19), para o qual a partcula apresenta movimento em zig-zag.
22
2.5. Seleo de Parmetros
O grfico (D) da figura 2.4 mostra as intersees resultantes das diferentes
regies correspondentes s diferentes condies de convergncia.
Escolhendo-se diferentes valores para os parmetros do algoritmo pode-se obter
diferentes comportamentos para a dinmica da partcula.:
- O fator de momento a tem o papel de estabelecer um compromisso entre
diversidade e refinamento da busca. Valores maiores do momento favorecem
buscas abrangentes e valores menores favorecem o refinamento da busca.
- O ajuste adequado dos parmetros b1 e b2 pode produzir uma rpida
convergncia e reduzir a possibilidade de convergncia prematura.
- Os fatores randmicos r1 e r2 permitem manter a diversidade da populao
e so distribudos uniformemente no intervalo [0 1].
A seguir so apresentados grficos com diferentes exemplos de comportamento
dinmico de uma partcula para diferentes escolhas dos parmetros a e b na
otimizao de uma funo unidimensional por meio de um algoritmo com 30 indivduos
e um total de 50 iteraes. Em cada grfico so mostrados o comportamento da funo a
ser otimizada, a evoluo da melhor posio da partcula, a evoluo da melhor posio
do enxame e a evoluo da funo objetivo do enxame.
23
A figura 2.5 apresenta os resultados para valores de a e b escolhidos na regio do plano
(a,b) correspondente ao comportamento convergente no oscilatrio.
Figura 2.5. PSO convergente no oscilatrio

a=0.1 , b=0.1
A figura 2.6 apresenta os resultados para valores de a e b escolhidos na regio do plano
(a,b) correspondente ao comportamento oscilatrio convergente, com convergncia
lenta.
Figura 2.6. PSO, oscilao harmnica , convergncia lenta

a=0.9 e b=0.1
24
A figura 2.7 apresenta os resultados para valores de a e b escolhidos na regio
do plano (a,b) correspondente ao comportamento oscilatrio convergente, com
convergncia rpida.
Figura 2.7. PSO, oscilao harmnica, convergncia rpida

a=0.7 e b=0.3
do plano (a,b) correspondente ao comportamento oscilatrio com zig-zag.
Figura 2.8. PSO, oscilao harmnica com zig-zag

a=0.9 e b=3.0
25
do plano (a,b) correspondente ao comportamento em zig-zag convergente assimtrico.
Figura 2.9 PSO, zig-zag, convergente assimtrico

a= - 0.7 e b=0.5
do plano (a,b) correspondente ao comportamento em zig-zag convergente simtrico.
Figura 2.10 PSO, zig-zag convergente simtrico

a=-0.1 e b=2.1
26
Como pode ser visto pelos exemplos anteriores, no caso do modelo
determinstico do algoritmo, o comportamento oscilatrio e o comportamento em zig-
zag tendem a favorecer uma explorao maior do espao, embora isso seja feito s
custas de um retardo na convergncia. Por outro lado, o comportamento convergente
assimtrico deve ser evitado j que assim apenas uma parte do espao explorada.
A anlise do comportamento dinmico das partculas para o modelo randmico
pode ser realizada, do ponto de vista qualitativo usando as mesmas consideraes
adotadas na anlise do comportamento dinmico do modelo determinstico. O ponto de
atrao equivalente, no caso do modelo randmico do algoritmo dado por:
b1 r1 br
p= p1 + 2 2 p 2 eq. (20)
b1 + b2 b1 + b2
Se p1 p 2 o ponto de atrao muda de iterao para iterao mesmo que no
ocorram melhores solues, ou seja, mesmo que p1 e p 2 permaneam constantes. A
longo prazo, espera-se que p1 e p 2 convirjam para um mesmo ponto na medida em que
todas as partculas da populao convirjam para um mesmo ponto que passar a ser o
nico atrator. A equao (20) garante que o algoritmo converge para p = p1 = p 2
independente da seqncia de nmeros randmicos gerados.
A presena de nmeros randmicos acentua a tendncia de zig-zag e retarda a
convergncia, melhorando a explorao do espao e prevenindo convergncia
prematura para pontos no timos, especialmente quando o ponto de auto atrao p1
est situado distante do ponto de atrao da populao p 2 .
27
CAPTULO 3
OTIMIZAO DO PROJETO DO NCLEO DE UM
REATOR
3.1. Introduo
A fim de verificar e confirmar a eficcia do algoritmo de otimizao por
enxame de partculas, descrevemos neste captulo a aplicao do algoritmo PSO na
otimizao do projeto do ncleo de um reator.
A otimizao do projeto de um reator nuclear um problema complexo que
envolve no linearidades e descontinuidades, e sujeito a um grande nmero de restries
(PEREIRA, SCHIRRU e MARTINEZ, 1998).
A fim de obter uma operao segura e econmica de um reator, o projeto do
ncleo deve obter a melhor configurao de parmetros de projeto relativos
configurao e constituio dos elementos do ncleo e ao mesmo tempo obedecer a um
conjunto de restries relativos aos limites de operao de determinadas variveis bem
como dos limites dos parmetros de configurao e constituio do ncleo
(SILVENNOINEN, 1976).
A obteno de uma soluo exige, como conseqncia, a busca de solues em
um espao de alta dimenso envolvendo funes multimodais. Em (PEREIRA,
SCHIRRU e MARTINEZ, 1998) e (SCHIRRU, MARTINEZ, PEREIRA , DOMINGOS
e MACHADO, 1999) encontramos a aplicao de algoritmos genticos na otimizao
do projeto de um reator experimental.
28
A fim de poder avaliar o resultado obtido na otimizao do projeto do ncleo
com enxame de partculas, utilizaremos os dados de projeto de (PEREIRA, SCHIRRU e
MARTINEZ, 1998) comparando os resultados da aplicao do PSO com os resultados
obtidos com a aplicao de algoritmos genticos.
3.2. Projeto do Ncleo de um Reator Nuclear
O ncleo de reator a ser otimizado, ver figura 3.1, consiste de um ncleo com
trs regies de enriquecimento definidas por R1= 86 cm, R2=38 cm e R3=18 cm.
Figura 3.1 Reator e clula caracterstica
O objetivo da otimizao o de construir um ncleo que minimize o fator de
pico mdio f m e mantenha dentro dos limites, ver tabela 3.1, o fluxo mdio
m = 8.0 x10 5 1% e fator de multiplicao k ef = 1.0 0.01% submoderado. O fluxo
de neutrons normalizado considerando-se a fonte de neutrons de fisso igual a
unidade.
29
Tabela 3.1 Limites operacionais do reator
Varivel Mnimo Mximo
m [cm-2 * sec-1] 7.92 x10 5 8.08 x10 5
k ef 0,99 1.01
A fim de atingir esse objetivo, o raio do combustvel, as espessuras e materiais
do revestimento e moderador, o raio equivalente, bem como o enriquecimento das trs
zonas podem variar obedecendo os limites especificados na tabela 3.2.
Tabela 3.2 Limites dos parmetros do projeto
Parmetro Mnimo Mximo

R f [cm] 0,508 1,27
c [cm] 0,0254 0,254
m [cm] 0,0254 0,762
E1 [%] 2 .0 5 .0
E 2 [%] 2 .0 5 .0
E 3 [%] 2 .0 5 .0
Mf 1= Uranio Metal, 2=Oxido de Uranio
Mc 1=Alumnio 2= Ao Inox 3= Zircaloy
Onde:
Rf Raio do combustvel
c Espessura do revestimento
m
Espessura do moderador
E1 Enriquecimento da regio 1
E2 Enriquecimento da regio 2
E3
Enriquecimento da regio 3
Mf Material do elemento combustvel
Mc Material do revestimento
30
O problema de otimizao expresso como o problema de minimizar:
m (.) m ( R f , c , m , E1 , E 2 , E 3 , Mf , Mc ) eq. (1)
sujeito ao seguinte conjunto de restries:
min < m (.) < max eq. (2)
k ef min < k ef (.) < k ef max eq. (3)
dk ef (.)
>0 eq. (4)
dVm
R f min < R f < R f max eq. (5)
c min < c < c max eq. (6)
m min < m < m max eq. (7)
E1 min < E1 < E1 max eq. (8)
E2 min < E2 < E2 max eq. (9)
E3 min < E3 < E3 max eq. (10)
Mf = {UMetal UO2 } eq. (11)
Mc = { Al AoInox Zircaloy} eq. (12)
onde Vm representa o volume do moderador e os subscritos min e max se referem aos
mnimos e mximos das tabelas 3.1 e 3.2.
31
3.3. Modelagem do problema com o PSO
Cada indivduo do enxame no algoritmo PSO consiste de um vetor n
dimensional, onde n representa a dimenso do espao do problema, que representa uma
soluo do problema .
Para otimizao do ncleo do reator temos 8 dimenses correspondendo aos
parmetros do ncleo R f , c , m , E1 , E 2 , E 3 , Mf , Mc a serem ajustados. Embora o PSO
trabalhe com espaos reais, para os parmetros correspondentes aos materiais do
combustvel e do revestimento ( Mf , Mc ) apenas consideramos a parte inteira dos
nmeros reais.
Cada indivduo do enxame avaliado de acordo com a funo de performance a
ser minimizada a qual depende dos parmetros e das restries do problema do projeto
do ncleo do reator. No caso, a funo a ser minimizada a funo:
!kef
fm se kef 0.01; 0.010 ; >0
Vm
!kef
f m + r1kef se kef > 0.01; 0.010 ; >0
Vm
!kef
f m + r2 se kef 0.01; > 0.010 ; >0
Vm
!kef !kef
f +
m 3 Vr se kef 0.01; 0.010 ; <0
Vm
f = m
f + r k + r !kef
se kef > 0.01; > 0.010 ; >0
m 1 ef 2 Vm

f + r k + r kef !kef
!
se kef > 0.01; 0.010 ; <0

m 1 ef 3 Vm Vm
!k !kef
f m + r2 + r3 ef se kef 0.01; > 0.010 ; <0
Vm Vm
!k !kef
f m + r1kef + r2 + r3 ef se kef > 0.01; > 0.010 ; <0
Vm Vm
eq. (13)
32
onde
k ef = 1.0 k ef eq. (14)
= 0 eq. (15)
!k ef k ef k ef!
= eq. (16)
Vm 0.03 Vm
r1 = r2 = r3 = 10 eq. (17)
As equaes (14) e (15) representam os valores das penalizaes para
configuraes com k ef e fora dos limites de 1%, e a equao (16) representa a
penalizao para a configurao de reator submoderado onde k ef! o fator de
multiplicao obtido com 3% de variao do volume do moderador Vm (enquanto o
Vm
volume do combustvel V f permanece constante, a razo se modifica dentro de
Vf
limites determinados pelos parmetros da tabela 3.2). As constantes da equao (17)
representam os pesos correspondentes s importncias relativas dessas penalizaes.
3.4. Configurao do PSO
Os valores dos limites mximos e mnimos das n=8 dimenses, correspondentes
aos parmetros R f , c , m , E1 , E 2 , E 3 , Mf , Mc do ncleo, so definidos na tabela 3.2. O
modelo de algoritmo PSO adotado para a soluo do projeto do ncleo do reator
corresponde ao modelo cannico do PSO.
33
Os parmetros de configurao utilizados para o algoritmo PSO, escolhidos
iguais para todas as dimenses, esto mostrados na tabela 3.3. Em cada iterao todos
os indivduos da populao so avaliados utilizando para isso o programa HAMMER
(SUICH e HONEC, 1967), para avaliao de configurao do ncleo.
Tabela 3.3 Parmetros de configurao do PSO
Parmetro Descrio Valor
DIM Dimenso de cada indivduo 8

MAX ITER Nmero mximo de iteraes Tabela 3.4
MAX POP Numero de indivduos do enxame Tabela 3.4
a Fator de inrcia 0.73
b1 Coeficiente de fora de atrao individual 1.5
b2 Coeficiente de fora de atrao social 1.5
ced Coeficientes 1.0
O modelo adotado para o algoritmo PSO corresponde ao modelo cannico. De
modo a permitir melhor explorao do espao, os valores de b1 e b2 foram ajustados
com o mesmo valor 1.5 e os valores dos coeficientes c e d so iguais a 1.
3.5. Resultados
As figuras 3.2, 3.3 e 3.4, a seguir, mostram a evoluo e convergncia da fitness
do algoritmo PSO para diferentes populaes (MAX POP) e diferentes nmeros de
iteraes (MAX ITER), conforme tabela 3.4., mas mantendo o nmero total de
avaliaes (MAX ITER * MAX POP = 20000) .
Em todos os grficos o eixo das abcissas representa o nmero de avaliaes e o

34
eixo das ordenadas representa a fitness obtida.
Figura 3.2 Convergncia com 200 Iteraes de 100 partculas
Figura 3.3 Convergncia com 100 Iteraes de 200 partculas
35
Figura 3.4 Convergncia com 50 iteraes de 400 partculas
Como pode se visto pelos resultados mostrados nas tabela 3.4, os melhores
resultados foram obtidos com populaes maiores, mostrando a sensibilidade do PSO ao
tamanho populao inicial.
Tabela 3.4 Resultados do algoritmo PSO
MAX ITER MAX POP FITNESS

200 100 1,3298
100 200 1,3144
50 400 1,2780
Nos trs casos o nmero total de avaliaes (MAX ITER * MAX POP = 20000)
o mesmo. No entanto, a melhor fitness obtida com um maior nmero de indivduos e
um menor nmero de iteraes.
O melhor resultado obtido pelo PSO, obtido com 50 geraes de 400 indivduos
cada, pode ser visto na tabela 3.5 que mostra o resultado obtido com o PSO bem como
o resultado obtido por meio do uso de algoritmo gentico em (SCHIRRU, MARTINEZ,
PEREIRA , DOMINGOS e MACHADO, 1999).
36
Tabela 3.5 Comparao de resultados
Objetivos AG PSO
Mnimo fator de pico mdio ( f m ) 1.2949 1.2781
Fluxo mdio ( m ) 8.023 x 10-05 8.023 x 10-05
Fator de multiplicao ( k ef ) 0.9948 0.99026
Parmetros do Ncleo AG PSO
R f [cm] 0.6280 0.7968
c [cm] 0.1604 0.0706
m [cm] 0.6808 0.7592
E1 [%] 2.7087 2.0000
E 2 [%] 3.0394 2.0993
E 3 [%] 4.7638 3.6207
Mf 1 = U metlico 1 = U metlico
Mc 2 = Ao Inox 2 = Ao Inox
Fitness 1.2949 1.2781
Como pode ser visto o algoritmo PSO obteve uma configurao, ainda dentro
dos limites de 1% para o fluxo e fator de multiplicao, cuja fitness de 1.2780, inferior
ao valor de fitness de 1.2949 da configurao obtida pelo algoritmo gentico. Tanto o
PSO como o algoritmo gentico convergem em torno de 12000 avaliaes, o que mostra
uma eficincia maior do PSO sobre o algoritmo gentico nessa comparao.
O algoritmo por enxame de partculas foi testado com diferentes sementes e
convergiu valores de fitness consistentes com os valores obtidos confirmando sua
robustez.
Uma vez que o que se deseja minimizar o valor da funo objetivo, e dada a
complexidade do problema, conclumos que o algoritmo PSO foi eficaz na soluo
desse problema obtendo resultados consistentes e at mesmo superando o resultado
obtido com o algoritmo gentico.
37
CAPTULO 4
CONTROLE PREDITIVO DA OSCILAO DE XENNIO
4.1. Introduo
Neste captulo apresentamos a aplicao do algoritmo por enxame de partculas
na otimizao de um sistema de controle preditivo aplicado no controle da oscilao de
xennio de um reator PWR.
Durante a operao de um reator nuclear, muitas vezes torna-se necessrio
modificar a distribuio axial de potncia de um certo limiar para outro em um espao
de tempo relativamente curto. Usualmente essas operaes so acompanhadas de uma
mudana do nvel de potncia. O envenenamento do ncleo de um reator nuclear por
produtos de fisso um mecanismo inerente ao processo de fisso e um dos principais
responsveis pela distoro de reatividade do reator (GLASSTONE, 1960 e
LAMARSH, 1966). O xennio 135, um dos principais subprodutos da fisso do urnio,
produzido em pequena parte como subproduto da fisso do urnio do ncleo e em
grande parte como resultado do decaimento do iodo 135 (precursor). O xennio,
devido a sua alta seo de choque de absoro, e como efeito da variao do nvel de
produo de xennio no ncleo, propenso a induzir oscilaes espaciais de potncia
do ncleo (DUDERSTAD e HAMILTON, 1976). Essas oscilaes so no lineares e
so influenciadas por parmetros variantes no tempo tais como: nvel de potncia,
posio das barras e nvel de boro.
38
Devido variao da concentrao de xennio e grande seo de choque de
absoro do xennio, oscilaes de potncia, ver ANEXO 2, so induzidas na potncia
axial do ncleo. A distribuio axial de potncia em um reator PWR funo do
tempo, da posio axial (z) e depende do nvel de potncia, do nvel de queima e da
variao da concentrao de xennio, apresentando oscilaes com ciclos de perodo
entre 20 e 30 horas. O controle da oscilao da potncia axial do reator realizado pela
variao da seo de choque no ncleo do reator por meio da insero e remoo das
barras de controle do reator. O controle deve procurar acompanhar e manter o valor de
potncia da sada atravs da minimizao do erro de potncia e, ao mesmo tempo,
procurando minimizar o tempo de estabilizao, minimizar o overshoot e o
undershoot de potncia e reduzindo o esforo de movimentao das barras de
controle.
O sistema de controle de xennio deve estabelecer uma estratgia de controle da
distribuio de potncia obedecendo aos limites operacionais e de modo a no gerar
qualquer oscilao na concentrao de xennio.
Em (SHIMAZU, Y., 1992 e 1995) encontramos uma proposta de controle da
oscilao axial de xennio com base em trs offsets axiais de potncia calculados a
partir da informao do transiente. O objetivo da estratgia de controle o de
estabelecer uma trajetria que mantenha a distribuio de potncia dentro dos limites
operacionais sem gerar qualquer oscilao de xennio. Nenhuma oscilao de xennio
pode ser gerada se os trs offsets axiais forem iguais. A soluo tima pode ser obtida
por meio de uma estratgia de controle que iguale os trs offsets axiais em um espao
de tempo to curto quanto possvel.
39
(DOMINGOS, R.P., 2003) utiliza programao gentica para o projeto
automtico de um sistema de controle capaz de estabelecer uma estratgia de controle
da oscilao axial de xennio em reatores PWR baseado na estratgia proposta por
(SHIMAZU, 1992). Em (DOMINGOS, R.P., CALDAS, G.H.F., PEREIRA, C.M.N.A,
SCHIRRU, R., 2003) programao gentica aplicada para projeto automtico de um
sistema especialista fuzzy para estabelecer uma estratgia de controle da oscilao axial
de xennio em reatores PWR. A estratgia de controle desenvolvida aprendida a partir
da estratgia proposta por (SHIMAZU, 1992).
Em (NA, G.M., UDADHYAYA., B.R., CHOI, J.I., 2000) encontramos o
desenvolvimento de um algoritmo de controle adaptativo baseado em modelo da planta,
que utiliza um modelo analtico para modelo do reator, aplicado no controle do fluxo
axial em um reator PWR Os parmetros de controle so atualizados on line usando o
mtodo de mnimos quadrados para ajustar as condies operacionais variantes no
tempo a fim de permitir tratar as condies operacionais variantes no tempo.
4.2. Controle Preditivo
Os sistemas de controle preditivo so sistemas de controle baseados no modelo
do sistema controlado (planta) que utilizam o modelo da planta para predizer o seu
comportamento futuro, ver figura 4.1, permitindo assim, estabelecer um esquema de
controle antecipativo a partir da predio do controle futuro da planta. Os sistemas de
controle preditivo possuem um preditor e um otimizador que, considerando um
horizonte de tempo futuro de sada da planta e um horizonte recente da ao de
controle, determina a sada do controlador de modo a otimizar um ndice de
performance do sistema controladorplanta.
40
Figura 4.1 Controle preditivo
A estrutura bsica de um sistema de controle preditivo pode ser vista na figura
4.2, onde podem ser vistos os principais elementos envolvidos.
Figura 4.2 Estrutura de um controlador preditivo
4.2.1. Preditor com Redes Neurais
O preditor do sistema de controle preditivo tem como objetivo, dada uma
seqncia de controle, presente e futuro, determinar o comportamento futuro da planta
considerando um horizonte p :
41
u ( k ), u ( k + 1),..., u ( k + m 1) eq.(1)
y (k + 1 k ), y (k + 2 k ),..., y (k + p k ) eq.(2)
onde :
u (k + m 1) seqncia de controle
y (k + p k ) comportamento futuro da planta
p horizonte de predio
O comportamento futuro da seqncia de sada planta pode ser previsto dentro
de um horizonte p com auxlio de redes neurais (ROJAS,1996). As redes neurais
realizam o mapeamento f () de um conjunto de entrada x em um conjunto de sada y :
y = f ( x) eq. (3)
Por meio de um processo de treinamento supervisionado, as redes neurais, ver
figura 4.3, aprendem o mapeamento f () por atravs do ajuste dos pesos da rede a partir
da apresentao para a rede dos conjuntos de dados de entrada e sada (x,y).
Figura 4.3 Aprendizado supervisionado
42
Com a utilizao de redes neurais, o sistema de controle no requer modelos
analticos da planta; o modelo da planta pode ser aprendido a partir de dados histricos
de operao da planta.
Introduzindo-se linhas de retardo, ver figura 4.4, as redes neurais do tipo feed-
forward podem ser usadas para predizer o estado futuro da planta, ver ANEXO 3.
Figura 4.4 Predio com rede feed-forward e linhas de retardo
4.2.2. Otimizador
O otimizador de um controlador preditivo estabelece a estratgia do controle:
atravs da minimizao de um ndice de performance J as m aes de controle
( m p ), presentes e futuras, so computadas de modo a minimizar uma funo
objetivo quadrtica da forma:
N2 Nu
J= (y
j = N1
r (t + j ) y m (t + j )) + (u (t + j 1) u (t + j 2)) 2
2
j =1
eq. (4)
43
onde:
J ndice de performance
yr valor de referncia
ym predio de sada do modelo
u controle tentativo
N1 horizonte mnimo de custo (N1 = 1)
N2 horizonte mximo de custo ( N 2 = p )
NU horizonte de custo do incremento de controle( N U = m )
ponderao das aes de controle
A estratgia de controle, implementada pelo otimizador, induz a formao de um
mecanismo de controle timo que procura reduzir o tempo de estabilizao, reduzir o
overshoot e undershoot bem como busca minimizar a atuao do controle
estabelecendo para isso uma soluo de compromisso entre esses objetivos.
4.2.3. Algoritmo do Controlador Preditivo
A cada passo de execuo, o algoritmo do controlador preditivo gera
seqncias de referncia para o sinal de controle e determina o comportamento futuro.
da planta. O otimizador, usando as trajetrias de referncia, calcula a performance da
planta, determina a seqncia que minimiza a funo objetivo, e ento utiliza o
primeiro valor da seqncia de controle para controlar a planta.
44
4.3. Configurao e Treinamento do Preditor
A tabela 4.1 mostra os parmetros de configurao da rede neural que
implementa o preditor. A rede neural consiste de uma rede feed-forward de trs
camadas com linhas de retardo para os sinais de entrada conforme mostrado na figura
4.3, considerando um horizonte de predio da sada p=5 e um horizonte de custo do
controle m = 3. Todas as camadas utilizam como funo de transferncia a funo
sigmide (logstica).
Tabela 4.1. Configurao do preditor

p Horizonte de predio da sada da planta 5
m Horizonte de controle 3
NL Numero de camadas 3
S0 Neurnios na camada de entrada 8
S1 Neurnios na camada intermediria 200
S2 Neurnios na camada de sada 1
etraining Erro mximo de treinamento 2x10-4
etest Erro mximo de teste 2x10-4
Para predizer o comportamento futuro da planta, a rede neural deve ser treinada
por um mecanismo de treinamento supervisionado. Para isso, dados de treinamento
foram gerados com auxlio de um simulador da oscilao da potncia axial da planta,
ver ANEXO 2, simulando sinais randmicos na entrada da planta, e obtendo-se atravs
do modelo as correspondentes sadas da planta.
A figura 4.5 mostra os dados simulados: a entrada da planta consiste da variao
da seo de choque e a sada da planta consiste do sinal de fluxo (potncia).
45
Os dados foram simulados, para de variao da seo de choque dentro de
limites impostos pelo modelo da planta, tendo sidos obtidos assim um total de 10000
pontos para treinamento e teste da rede. Os dados simulados para o treinamento da rede
consistem de pares de valores (u(t-1), y(t)).
Figura 4.5. Dados simulados para identificao da planta
Os dados simulados so divididos em trs conjuntos: dados de treinamento,
dados de teste e dados de validao:
- Os dados de treinamento e de teste so utilizados para ajustar os pesos da
rede durante o treinamento a cada poca.
- Os dados de validao so utilizados para verificar a capacidade de
generalizao da rede quando submetida a dados que no foram
apresentados durante o treinamento.
46
A figura 4.6 mostra a resposta da rede e o erro e resultantes da aplicao dos
dados de treinamento.
Figura 4.6 - Dados de treinamento
A figura 4.7, a seguir, mostra a resposta da rede e o erro e resultantes da
aplicao dos dados de teste.
Figura 4.7 - Dados de teste
A figura 4.8, a seguir, mostra a resposta da rede e o erro e resultantes da
47
aplicao dos dados de validao.
A figura 4.9, a seguir, mostra a evoluo do comportamento do ndice de
performance do treinamento (critrio de erros mnimos quadrados - MSE) da rede
neural mostrando a convergncia do processo de aprendizado.
Figura 4.9. Performance de treinamento (MSE)
48
4.4. Otimizador com Enxame de Partculas
O algoritmo de otimizao do controlador preditivo pode ser implementado por
qualquer tcnica de otimizao. As tcnicas descritas na introduo de algoritmos
baseados no gradiente e suas variantes, ver ANEXO 1, so freqentemente utilizadas
para essa finalidade.
Nesta aplicao vamos usar o algoritmo de otimizao baseado em enxame de
partculas para testar a eficcia do mtodo. Os parmetros de configurao do
otimizador esto mostrados na tabela 4.2.
Tabela 4.2. Parmetros do otimizador com PSO
m Horizonte de controle 5
DIM Dimenso do indivduo m
X Min Valores mnimos de cada dimenso do problema 0.0
X Max Valores mximo de cada dimenso do problema 1.0
MAX ITER Nmero mximo de iteraes 50
MAX POP Numero de indivduos do enxame 100
49
4.6. Resultados
A figura 4.10 mostra o comportamento da planta submetida a uma perturbao
da seo de choque de absoro a = 0.001 cm 1 e sem ao do controle. O valor da
perturbao da seo de choque, corresponde a 1% dos limites da seo de choque
absoro cujos limites vo de 1.50 a 1.54 cm 1 .
Figura 4.10 - Perturbao da planta
A figura 4.11 mostra a planta sob ao do controlador preditivo considerando a
rede neural e o otimizador PSO conforme configurado no item anterior.
Figura 4.11- Predio neural e otimizao com PSO
50
Como se v pela figura 4.11, observa-se que embora o controlador preditivo
atue rapidamente, a sada da planta no estabiliza e mantm uma oscilao em torno do
ponto de equilbrio. Isto se deve ao fato de que embora o erro obtido no treinamento da
rede neural seja pequeno, basta uma pequena variao no sinal de controle para
provocar uma alterao na sada da planta. Assim, qualquer erro, por pequeno que seja,
na sada do preditor ir se refletir na ao de controle, provocando assim essa
instabilidade.
A figuras 4.12 e 4.13 mostram o resultado utilizando como preditor um modelo
preciso da planta e o algoritmo PSO como otimizador. A figura 4.12 mostra a ao de
controle do controlador.
Figura 4.12 - Ao do controlador preditivo
A figura 4.13 mostra a sada da planta sob ao do controlador.
Figura 4.13 - Sada da planta sob ao do controlador
51
O resultado obtido mostra que o PSO capaz de otimizar a funo de
performance sem conhecer a priori sua forma analtica e independentemente da
existncia de suas derivadas.
Como pode ser visto, o controlador preditivo atua rapidamente eliminando o
desvio do fluxo fazendo com que a oscilao de xennio seja suprimida. O controlador
preditivo reduz o overshoot e o undershoot, elimina o erro de regime permanente e
o tempo de estabilizao da ordem de 11 horas, , comparvel ao tempo de
estabilizao (10 horas) de um controlador obtido por (DOMINGOS,2003) por meio de
programao gentica..
52
CAPTULO 5
CLASSIFICAO DE ACIDENTES EM USINAS
NUCLEARES
5.1. Introduo
Com o fim de mostrar a capacidade do algoritmo por enxame de partculas na
otimizao de sistemas complexos da rea nuclear, apresentamos neste captulo a
soluo com o algoritmo PSO para o problema de classificao de um conjunto de 3
acidentes postulados dentre os acidentes postulados para a usina nuclear de Angra 2.
Nesta aplicao, alm de corroborar a viabilidade e confirmar a eficincia do algoritmo
como visto nos captulos 3 e 4, foi possvel propiciar uma soluo inovadora e
inesperada para tal problema. Em particular, na busca da soluo do problema de
identificao de acidentes, obteve uma soluo que se aproxima da soluo ideal, um
prottipo por classe, ou seja, os vetores de Voronoi, das classes para a classificao de
acidentes.
O diagnstico de acidentes em usinas nucleares apresenta dificuldades para sua
identificao pelo operador, especialmente em situaes de presso em que a
capacidade cognitiva do operador fica prejudicada. Por essa razo sistemas de
classificao de transientes para apoio operao tem sido desenvolvidos para liberar o
operador de tarefas cansativas e aumentar o tempo disponvel para a tomada de aes
corretivas (JEONG, E., FURUTA K.,KONDO S.,1996).
53
Por essa razo, sistemas de diagnstico de acidentes tem que ser rpidos e prover
uma resposta correta (a melhor possvel), a despeito da relativa insuficincia de
informaes disponveis. Adicionalmente, a identificao deve ser robusta com relao
a rudo nos dados bem como fornecer uma resposta no sei para transientes
desconhecidos, no pertencentes ao conjunto de aprendizado.
Na construo de sistemas de classificao de transientes em usinas nucleares,
diversas tcnicas de inteligncia artificial, envolvendo sistemas especialistas, sistemas
neuro-fuzzy e algoritmos genticos tem sido relatadas na literatura.
Um sistema utilizando redes neurais para diagnsticos de falhas em usinas
nucleares proposto em (BARTLETT e UHRIG, 1992) com o trabalho Nuclear Power
Plant Diagnostics Using an Artificial Neural Network, posteriormente aperfeioado
por (BASU e BARTLETT, 1993) para identificao de transientes em um reator BWR,
considera apenas os valores assumidos pelas variveis escolhidas em um nico instante
de tempo, isto , no levada em considerao a evoluo temporal das variveis
observadas, exigiu um grande nmero de variveis necessrias para alcanar uma
classificao satisfatria (no caso, 97 variveis).
A fim de proporcionar uma resposta no sei quando apresentado a um novo
transiente que no estava contido na base de conhecimento acumulado no sistema,
(BARTAL, LIN e UHRIG, 1995) desenvolveram um classificador baseado em redes
neurais probabilsticas que foi utilizado para classificar 72 cenrios de 13 diferentes
tipos de transientes, a partir dos valores observados de 76 variveis ao longo do tempo.
Eles tambm introduziram um mecanismo denominado acumulao de evidncia
mediante o qual resultados de classificaes obtidos em instantes anteriores so usados
como suporte de evidncia para a classificao final.
54
Usando o mecanismo de acumulao de evidncias, o classificador continua
trabalhando em instantes de tempo independentes, mas a classificao final
computada usando uma votao majoritria dos valores obtidos em cada instante de
tempo.
(FURUKAWA, UEDA E KITAMURA (1995) propuseram um mtodo de
classificao de eventos baseado em um classificador independente para cada varivel
observada. O classificador recebe em sua entrada a srie temporal completa da varivel
selecionada e produz na sada a melhor classificao parcial possvel em conjuntos de
classes ( isto , um evento includo em uma das super classes que so separveis a
partir da informao trazida por uma simples varivel). A interseo dos conjuntos de
classes (super classes) gerada por todos os classificadores produz a classificao final.
Este mtodo tem a vantagem de ser muito robusto, j que a classificao final baseada
em mltiplos classificadores independentes. A dificuldade ocorre nos casos para os
quais a funo discriminao (critrio de classificao) venha a ser muito complexa e
seja necessria uma anlise da interao entre duas ou mais variveis.
JEONG, FURUTA E KONDO (1995) propuseram um modo alternativo para
identificao de transientes usando o que eles chamaram de adaptive template
matching (casamento de molde adaptativo) que utiliza informaes ocorridas no
passado. Este mtodo usa redes neurais do tipo feed-forward (sem realimentaes
internas) para aproximar as trajetrias contnuas que representam os transientes no
espao de estado das variveis, em vez de usar um nmero finito de padres de
treinamento das referidas trajetrias. O algoritmo permite no s identificar transientes
diferentes, como avaliar vrios transientes do mesmo tipo com diferentes nveis de
severidade.
55
ROVERSO (1999) desenvolveu trs mtodos para classificao de eventos
dinmicos representados por sries temporais. Os dois primeiros utilizam algoritmos de
agrupamento de padres (clustering), baseados em conjuntos nebulosos, e redes
neurais artificiais que conseguem avaliar as distncias das amostras s classes do
conjunto de treinamento, no caso, Funes de Base Radial (RBFRadial Basis
Functions) e Mapas de Kohonen. No terceiro mtodo, foi usado um tipo especial de
RNA recorrente (com realimentaes internas) o Classificador de Elman que tem
capacidade de lidar diretamente com sries temporais, dispensando a etapa de
agrupamento dos padres. Os resultados obtidos pelos trs mtodos foram comparados
e o Classificador de Elman apresentou o melhor desempenho.
Em (ALVES, 1993) um sistema de diagnstico utiliza um conjunto de RNA,
do tipo backpropagation, para anlise de algumas variveis da usina, previamente
escolhidas, de tal forma a poder identificar os transientes rapidamente. No caso de
ocorrncia de um evento que no seja reconhecido pelo sistema, um sistema
especialista, com interface amigvel, faz perguntas aos operadores procurando obter
informaes adicionais sobre as condies da usina e, assim, poder completar o
diagnstico.
Em (ALVARENGA, 1998) encontramos um sistema de diagnstico para
acidentes utilizando uma combinao de redes neurais artificiais, algoritmos genticos e
lgica nebulosa. Redes neurais do tipo AVQ (Adaptive Vector Quantization)
serviram para gerar os prottipos (centrides) das classes representativas dos acidentes
postulados. Estes centrides foram utilizados para particionar os eixos das variveis em
conjuntos nebulosos e estabelecer as zonas de influncia de cada acidente.
56
A maneira mais simples e rpida de classificar os eventos temporais da usina
consiste em representar as assinaturas dos transientes por prottipos (usualmente o
centride) e usando uma mtrica, como por exemplo a distncia euclideana, comparar as
distancias dos prottipos do evento aos prottipos dos transientes postulados. Cada
evento ser classificado segundo a classe do transiente a cujo prottipo o prottipo do
evento estiver mais prximo. Esse mtodo de classificao, denominado de Mtodo de
Classificao Simples MCS, embora simples apresenta algumas deficincias de
classificao, ver (SCHIRRU, PEREIRA e MARTINEZ, 1999) e (ALMEIDA, 2001),
como o caso em que as classes so muito prximas ou os centrides so coincidentes.
Para superar as deficincias do MCS (SCHIRRU, PEREIRA e MARTINEZ,
1999) propem o Mtodo do Conjunto Mnimo de Centrides (CMC) que,
particionando o espao segundo o eixo do tempo, procura determinar duas ou mais
subclasses que forneam o melhor conjunto de centrides (subclasses) de modo que o
MCS possa distinguir as classes e classificar os eventos corretamente.
Em (ALMEIDA, 2001), o sistema de classificao prope uma mtodo de
classificao possibilstica como forma de melhorar a separao dos subconjuntos das
classes e assim fornecer a resposta no sei, em caso de eventos no conhecidos no
processo de aprendizado de classificao. Adicionalmente aprimora e utiliza o conceito
de acumulao de evidncias proposto em (BARTAL, LIN e UHRIG, 1995).
Em sua tese de doutorado (MOL, 2002) prope um sistema de identificao de
transientes baseado em redes neurais artificiais para identificao de transientes com
capacidade de resposta no sei na identificao dinmica de eventos desconhecidos, ou
melhor, para eventos no pertencentes ao conjunto de aprendizado utilizados durante
seu treinamento.
57
Nesse mtodo so utilizadas duas redes sendo uma rede responsvel pela
identificao dinmica, de um conjunto recente de valores de entrada, atravs de uma
janela de tempo mvel e a segunda rede responsvel por validar a identificao
realizada pela primeira rede atravs da validao de cada varivel, permitindo assim
uma resposta no sei para eventos desconhecidos. Para aumentar a robustez a rede
treinada acrescentando rudo aos dados de treinamento. Nesse trabalho so consideradas
17 variveis como conjunto mnimo de variveis capazes de caracterizar 16 condies
operacionais de uma usina PWR.
Nos modelos de minimizao do particionamento do espao o que se procura obter
o nmero mnimo de parties sendo cada partio representada por um prottipo, o
centride da partio. Uma vez que nada obriga a que os prottipos para classificao
sejam os centrides resultantes do particionamento, e o que se procura o menor
nmero de parties (menor nmero de parties igual a menor nmero de prottipos)
que maximizem o nmero de acertos, pensou-se em deixar que um algoritmo de busca
resolva o problema atravs de um processo de busca cega desses prottipos sendo o
desempenho de cada prottipo avaliado por uma funo que mede o numero de acertos
para classificao de todos os acidentes para um nmero prefixado de prottipos para
cada acidente.
Para resolver o problema de nmero mnimo de prottipos, usamos aqui o algoritmo
de otimizao por enxame de partculas para o qual fixamos diferentes valores para o
nmero mnimo de prottipos por classe a ser procurado. Esta abordagem estabelece um
modelo de soluo, que corresponde ao processo de busca dos vetores de Voronoi para
separao e identificao das classes, ou seja, o menor nmero de vetores que permitem
classificar essas classes.
58
Os resultados obtidos mostram solues triviais no obtida por outros mtodos e
foram comparados com os resultados obtidos por meio de algoritmos genticos com
base na determinao do nmero mnimo de parties relatados em (ALMEIDA, 2001).
5.2. Diagnstico de Transientes em Usinas Nucleares
A operao segura e econmica de uma central nuclear envolve a monitorao
e atuao de diversos sistemas constitudos por inmeros componentes cuja falha pode
provocar uma evoluo adversa das condies operacionais da usina que, se no for
corretamente diagnosticada, pode ter como resultado conseqncias no s para a
central como tambm para o pblico.
A evoluo das condies operacionais da usina, usualmente, apresenta um
comportamento transiente com padres temporais bem definidos (assinaturas) dessas
medidas para cada situao operacional. Para operar a central, os operadores monitoram
um grande nmero de medidas, obtidas a partir da instrumentao instalada nesses
sistemas, e, em caso de um evento anormal de operao da usina, devem identificar e
diagnosticar a situao da usina a partir da anlise e classificao das medidas
correspondentes ao evento em curso.
O grande nmero de instrumentos e a dinmica de variao de cada grandeza
medida associada ao evento em curso dificultam o processo de identificao e tomada
de deciso por parte do operador que, quando pressionado a tomar uma deciso, reduz
ainda mais a sua capacidade cognitiva aumentando assim a chance de uma tomada de
deciso errada por parte do operador.
59
A fim de reduzir e minimizar a carga cognitiva do operador, e auxiliar o
operador, sistemas de apoio tomada de deciso, tais como sistemas de classificao
de transientes, so incorporados ao sistema de operao da usina com o objetivo de
aumentar o tempo disponvel do operador para a tomada de uma resposta rpida e
correta minimizando o risco de uma identificao errada.
5.3. Assinaturas de Acidentes
O objetivo de um sistema de diagnstico de transientes o de, em caso de um
evento anmalo da usina, identificar dentre um conjunto de transientes postulados para
uma usina, qual transiente melhor caracteriza o evento em curso. Para identificar um
evento, um sistema de diagnstico de transientes utiliza um conjunto de assinaturas de
um conjunto de variveis de operao da usina para cada evento anmalo da usina.
Em (ALVARENGA, 1998) e em (MOL, 2002) encontramos uma lista de
acidentes postulados para uma usina nuclear bem como uma lista das variveis de
processo consideradas como as que mais contribuem para a caracterizao desses
acidentes.
Em (MOL, 2002) encontramos tambm uma descrio da filosofia de projeto e
construo dos sistemas em nveis de segurana para assegurar o controle com
segurana de uma usina nuclear bem como uma descrio da maneira como esses
sistemas se comportam durante a ocorrncia de um conjunto de acidentes postulados
para um reator nuclear PWR e que devem fazer parte de um relatrio final de anlise de
segurana (FSAR).
60
A tabela 5.1 a seguir apresenta a lista de acidentes preconizada em
(ALVARENGA. 1998):
Tabela 5.1 Acidentes Postulados para um reator PWR
Evento Descrio
NORMAL Condio normal de potncia.
BLACKOUT Perda de alimentao eltrica externa.
LOCA Perda de refrigerante do sistema primrio.
SGTR Ruptura de tubos do gerador de vapor.
MFWBR Ruptura da alimentao principal.
TRIPTUR Desligamento da turbina
MEWFWISO Isolamento da alimentao principal e auxiliar
MFWISO Isolamento da alimentao principal
MSTMISO Isolamento da linha de vapor principal
STMLIBR Ruptura da linha de vapor principal
BLACKSEM Perda de alimentao eltrica sem desligamento do reator
MFBRWSEM Perda de alimentao principal sem desligamento do reator
MSTMISEM Isolamento da linha de vapor principal sem desligamento do reator
MEFWISEM Isolamento da alimentao principal/auxiliar sem desligamento do reator
MFWISEM Isolamento da alimentao principal sem desligamento do reator
TRIPTURSEM Desligamento da turbina sem desligamento do reator
A tabela 5.2., a seguir, mostra a lista de variveis de processo consideradas
como necessrias e suficientes para o reconhecimento desses transientes. Todas
variveis so normalizadas no intervalo de 0 a 1.
Tabela 5.2- Lista de variveis de acidentes
Varivel Unidade
Vazo do ncleo %
o
Temperatura da perna quente C
o
Temperatura da perna fria C
Nvel no gerador de vapor Faixa larga %
Nvel no gerador de vapor Faixa estreita %
Presso no gerador de vapor Mpa
Vazo de gua de alimentao Kg/s
61
Tabela 5.2- Lista de variveis de acidentes (continuao)
Varivel Unidade
Vazo de vapor Kg/s
Vazo na ruptura Kg/s
Vazo no circuito primrio Kg/s
Presso no sistema primrio Mpa
Potncia trmica %
Potncia Nuclear %
o
Margem de subresfriamento C
Nvel do pressurizador %
o
Temperatura mdia no primrio C
Os transientes postulados caracterizam as classes de transiente segundo a qual um
determinado evento poder ser classificado. Quando um evento de operao anormal
deve ser identificado, o sistema de diagnstico procura comparar a evoluo das
variveis correspondentes s condies operacionais da usina com a assinatura de
evoluo das variveis para cada um dos eventos anmalos postulados da usina e
classificar o evento em curso pelo evento ao qual o evento est mais prximo usando
para isso uma medida de distncia.
As figuras 5.1 e 5.2, a seguir, mostram a evoluo (assinatura) de cada varivel
para cada um dos 18 acidentes postulados considerando a usina operando a 50% e 100%
da potncia nominal respectivamente.
62
Figura 5.1 Assinaturas de acidentes a 50%
63
Figura 5.2 Assinaturas de acidentes a 100%
64
5.4. Classificao de Eventos
Em (ALMEIDA, 2001) encontramos o mtodo de classificao possibilstica (MCP)
para na classificao de acidentes de uma usina nuclear. Este mtodo mostrou-se
superior aos mtodos anteriormente encontrados na literatura.
Para o treinamento foram usados trs dos 18 transientes postulados para uma usina
nuclear operando a uma potncia de 100%. Cada transiente representado pela
evoluo de 17 variveis, que por hiptese, so assumidas como necessrias e
suficientes para o reconhecimento destes transientes.
Tabela 5.3. Conjunto de transientes para treinamento
1 BLACKOUT Perda de alimentao eltrica externa

2 LOCA Perda de refrigerante do sistema primrio
3 SGTR Ruptura de tubos do gerador de vapor
O MCP utiliza uma funo objetivo que pondera favoravelmente o nmero de
classificaes corretas e penaliza o nmero de parties conforme equao:
f = k A A kC C eq. (1)
onde
f valor da funo objetivo
kA fator de ponderao do numero de acertos
A nmero de acertos
kC fator de penalizao do nmero de parties = 1
C nmero de parties
65
Na fase de treinamento so gerados centrides representativos das subclasses
dos transientes escolhidos; os transientes, com suas respectivas classificaes segundo
uma funo objetivo que calcula o desempenho (fitness) de cada soluo candidata
levando em conta o nmero de classificaes corretas e o nmero de parties usadas na
classificao. Os prottipos assim obtidos so utilizados posteriormente na fase de
operao para classificao instantnea das amostras do evento a ser classificado.
O mtodo de classificao MCP, com resultados superiores ao CMC, obteve NP
= 6 parties, com um ndice de acertos de 98,4% (A=180 acertos em 183
classificaes) no reconhecimento dos padres. A tabela 5.4 a seguir mostra o
particionamento obtido pelo mtodo MCP:
Tabela 5.4. Mtodo MCP com 6 parties

NP A Particionamento GA
6 180 0001100000111111111110000000000000000000000000011111111111111
De acordo com a fitness estabelecida para o mtodo MCP, ver equao 1, a
soluo trivial deveria ser (a menos da soluo de nmero de parties igual a 0 que no
tem sentido) numero de parties igual a 1.
Isto sugere que se utilizssemos o particionamento definido na tabela 5.5
deveramos obter o a melhor fitness. No entanto, como pode ser visto, o mtodo de
classificao possibilstica apresenta como resultado um nmero de acertos 176
inferior aos 180 acertos obtidos com 6 centrides.
66
Tabela 5.5. Mtodo MCP com 1 partio
1 176 0000000000000000000000000000000000000000000000000000000000000
5.5. Mtodo do Nmero Mnimo de Prottipos
No existe na definio de um prottipo nada que obrigue o mesmo a ser o centride
dos pontos da classe que o mesmo representa. A no ser o fato de que o mesmo deve
maximizar o acerto das classificaes, o prottipo ou prottipos que representam uma
classe podem, em tese ser quaisquer vetores que representem bem a classe, isto
permitam a classificao correta da classe.
Uma vez que o que se quer determinar o menor nmero de parties (menor
nmero de parties igual a menor nmero de prottipos) que maximizem o nmero
de acertos, pensou-se em deixar que um algoritmo de busca resolva o problema atravs
de um processo de busca cega desses prottipos.
Cada prottipo consiste de um vetor de dimenso igual ao nmero de variveis de
acidente. Assim, por meio de uma funo objetivo, em que a adequao medida pelo
numero de acertos para classificao de todos os acidentes, resolvemos utilizar um
algoritmo de busca que procure uma soluo que maximize o nmero de acertos para
um nmero prefixado NPC de prottipos para cada acidente.
67
Para resolver o problema de nmero mnimo de prottipos, usamos aqui o algoritmo
de otimizao por enxame de partculas para o qual fixamos diferentes valores para o
nmero mnimo de prottipos por classe NPC a ser procurado. Cada indivduo do
algoritmo PSO consiste de NPC vetores de dimenso igual a NV. Assim, a dimenso de
cada indivduo do algoritmo PSO ento igual a DIM = NPC * NV onde:
DIM dimenso de cada indivduo do algoritmo PSO
NPC nmero de prottipos por classe
NV nmero de variveis de acidente
Uma vez que todas as variveis, ver tabela 5.1, so normalizadas no intervalo
[0,1], os limites das variveis usadas para limites das dimenses dos indivduos do PSO
tambm so definidos nesse intervalo.
A tabela 5.6, a seguir, mostra os principais parmetros de configurao do
algoritmo PSO.
Tabela 5.6. Parmetros do algoritmo PSO

NPC Nmero de prottipos por classe 1,2 e 3
NV Nmero de variveis de acidente 17
DIM Dimenso do indivduo NPC * NV
X Min Valores mnimos de cada dimenso do problema 0.0
X Max Valores mximo de cada dimenso do problema 1.0
68
Tabela 5.6. Parmetros do algoritmo PSO (continuao)
MAX ITER Nmero mximo de iteraes 200

MAX POP Numero de indivduos do enxame 2000
TIPO 1=Canonico 2= Individual 3= Social 4=Determinstico 1

5.7. Resultados
Os resultados obtidos pelo algoritmo PSO acima configurado, esto mostrados na
tabela 5.7 indicando, para cada nmero de prottipos NPC prefixado, o nmero de
acertos obtido
Tabela 5.7. Acertos para diferentes nmeros prottipos
NPC Acertos
3 183 = 100%
2 183 = 100%
1 181 = 98.9%
O nmero de instantes de tempo aps o incio do acidente igual a 60. Como
pode ser visto, o nmero de acertos foi o maior possvel (100%) para NPC = 2 e NPC =
3. Para NPC = 1 o nmero de acertos foi igual a 181 (98.9%).
69
A figura 5.3 a seguir mostra a evoluo da fitness para NPC = 3.
Figura 5.3. Convergncia para NPC=3
Figura 5.4. Convergncia para NPC=2
70
Figura 5.5. Convergncia para NPC = 1
As figuras 5.5 e 5.6 mostram uma convergncia mais lenta, o que se justifica por
serem problemas cuja soluo mais difcil de ser encontrada.
As figuras 5.7, 5.8 e 5.9, a seguir, mostram, para uma das dimenses, a
localizao dos prottipos obtidos com o PSO para diferentes nmeros de prottipos por
classe (NPC).
71
A figura 5.6 a seguir mostra os prottipos obtidos com o PSO correspondentes a um
nmero de prottipos por classe NPC = 3 e nmero de acertos igual a A=183.
Figura 5.6. Prottipos para NPC = 3
A figura 5.7 a seguir mostra os prottipos obtidos com o PSO correspondentes a

um nmero de prottipos por classe NPC = 2, para o qual o nmero de acertos foi igual
a A=183.
Figura 5.7. Prottipos para NPC = 2
A figura 5.8 a seguir mostra os prottipos obtidos com o PSO correspondentes a

72
um nmero de prottipos por classe NPC= 1, para o qual o nmero de acertos foi igual
a A=181.
Figura 5.8 - Centrides para NPC=3
Conforme mostrado nas figuras 5.6 a 5.8, pode-se observar que todos os
prottipos foram localizados na origem. No entanto, outros prottipos poderiam existir
e fornecer os mesmos resultados. Isto sugere que possvel que, se um dos centrides
estivesse na origem e o outro em outra regio, um particionamento possvel para o
mtodo de classificao possibilstica (MCP) poderia ser como o mostrado na tabela
5.8.
Tabela 5.8 Particionamento para o MCP com 2 parties
2 183 1000000000000000000000000000000000000000000000000000000000000
73
De fato avaliando-se esse particionamento pelo mtodo de classificao
possibilstica, obtm-se o nmero mximo de acertos A = 183, o que mostra a
consistncia da soluo proposta com o mtodo de mnimos prottipos.
Analisando os resultados verificamos que para NPC = 3 e NPC = 2 obtemos 183
(100% de) acertos o que sugere que os acidentes podem ser identificados a partir do
instante t = 0. do incio do transiente.
Para NPC = 1 obtemos 181 acertos de um total de 183 possveis acertos, o que
eqivale a 98.9% de acertos, ou seja , prximo do mximo possvel de acertos, que na
realidade caracterizaria os vetores de Voronoi das classes de acidentes.
74
CAPTULO 6
CONCLUSES E RECOMENDAES
6.1. Concluses
Nesta pesquisa exploramos a capacidade do algoritmo de otimizao por enxame
de partculas, mostrando a viabilidade do algoritmo como ferramenta de otimizao na
busca de solues em espaos de busca multimodais complexos e de alta dimenso,
como os problemas encontrados na rea nuclear.
Inicialmente devemos ressaltar a simplicidade do algoritmo cuja implementao
facilmente traduzida a partir das equaes que definem o modelo cannico do
algoritmo. Por outro lado, devido a seu equacionamento, torna-se natural a
representao de modelos de funes reais em espaos reais de qualquer dimenso.
Devido naturalidade e facilidade de representao de espaos reais de qualquer
dimenso, bem como a sua caracterstica de busca do timo global, o algoritmo de
otimizao por enxame de partculas foi aplicado com sucesso na soluo de trs
problemas na rea nuclear e mostrou-se eficaz na busca de solues em espaos de
busca multimodais de alta dimenso sem necessidade de conhecimento prvio sobre a
complexidade dos espaos de busca envolvidos.
Quando aplicado no projeto do ncleo de reatores PWR, o algoritmo de enxame
de partculas resolve com eficincia a otimizao dos parmetros de projeto do ncleo.
75
A aplicabilidade do mtodo a sistemas continuo/discretos fica demonstrada pela
aplicao do algoritmo ao problema de otimizao do projeto do ncleo do reator em
que duas das variveis, material do combustvel e material do revestimento, assumem
valores discretos e as demais podem assumir valores dentro de uma faixa de valores
reais. Nesse caso, o algoritmo PSO adota o artifcio de s utilizar os valores inteiros das
variveis.
Quando aplicado como mdulo de otimizao de um controlador preditivo, o
algoritmo PSO no depende do conhecimento do modelo de representao da planta
nem a obteno do gradiente de variveis da planta o que permite que diferentes
modelos de rede possam ser utilizados para representar a planta sem que seja necessrio,
por isso, reprogramar o otimizador.
O otimizador de um controlador preditivo por algoritmos baseados em gradiente
requer a otimizao de uma funo objetivo cuja maximizao ou minimizao implica
na obteno de derivadas de primeira e de segunda ordem de variveis da planta. Assim,
se no controlador preditivo o modelo de rede utilizado para representar a planta tiver que
ser modificado, o algoritmo de otimizao dever ser modificado tambm. A aplicao
do algoritmo PSO, no entanto, requer, da mesma forma que outros mtodos baseados em
populao, um tempo de execuo maior do que os algoritmos tradicionais. Assim, sua
utilizao s possvel nos caso em que o passo de atualizao do controle em tempo
real maior do que o tempo de execuo da otimizao pelo algoritmo.
Quando aplicado ao problema de classificao de acidentes, o algoritmo PSO foi
utilizado para implementar um modelo de soluo que procura um nmero prefixado de
prottipos por classe sem impor qualquer restrio sobre o que esses prottipos
representam a no ser o de maximizar o nmero de classificaes.
76
Uma vez que nada obriga a que os prottipos para classificao sejam os
centrides resultantes do particionamento do espao de busca, o algoritmo foi utilizado
na busca dos prottipos que maximizam o numero de acertos para classificao de todos
os acidentes. Os resultados obtidos com enxame de partculas mostram solues triviais
no obtidas por outros mtodos usando algoritmos genticos com base na determinao
do nmero mnimo de parties em que se procura obter o nmero mnimo de parties
sendo cada partio representada por um prottipo, o centride da partio. Esta
abordagem corresponde ao processo de busca dos vetores de Voronoi que representam
as classes e maximizam a separao entre as mesmas.
Com base nos resultados obtidos fica evidenciada a viabilidade da aplicao do
mtodo de otimizao baseado em enxame de partculas a problemas de otimizao
complexos de alta dimensionalidade sem a necessidade de conhecimento a priori a
respeito do espao de busca, o que permite a otimizao de problemas sem preocupao
com aspectos de continuidade e existncia de limites e/ou derivadas. Uma vez que o
mtodo no depende da existncia de limites e/ou derivadas o algoritmo pode ser
aplicado a qualquer tipo de problema para o qual se possa representar cada soluo
candidata por um vetor de dimenso n e essas solues possam ser avaliadas por uma
funo objetivo.
Finalmente, verificamos que para os problemas apresentados, o PSO apresentou
solues com resultados compatveis, e at superiores, aos resultados obtidos nas
solues da literatura usada como referencia. Em particular, na soluo do problema de
identificao de acidentes, permitiu um soluo que se aproxima da soluo ideal, um
prottipo por classe, ou seja, os vetores de Voronoi, das classes para a classificao de
acidentes.
77
6.2. Sugestes para Trabalhos Futuros
Apesar dos resultados obtidos na identificao de transientes, o foco do trabalho
se concentrou na minimizao do nmero de prottipos usando trs acidentes.
Uma vez que o nmero mnimo de prottipos se aproxima dos vetores de
Voronoi e uma vez que os mesmos esto localizados na origem, isto significa que os
acidentes podem ser identificados a partir do instante de tempo de incio do transiente.
Por essa razo deve ser possvel obter evidncias que possam ser transformadas em
regras para definir as condies que caracterizam os acidentes.
A fim de estender os resultados recomenda-se aplicar o mtodo a um nmero
maior de transientes e analise da evoluo do nmero mnimo de vetores de referncia
de classificao a fim de estudar a existncia de um limite mnimo para o conjunto de
vetores de classificao no prprio espao dos sinais dos transientes.
Por outro lado pode ser necessrio estabelecer um mecanismo de separao que
permita introduzir o conceito de classificao no sei para classificar eventos no
conhecidos durante o treinamento do sistema de classificao bem como a identificao
de acidentes com introduo de rudo e determinar a sensibilidade da classificao em
presena de rudo.
No caso do controle preditivo, uma vez que o objetivo desta tese o de verificar
a viabilidade do otimizador preditivo, e uma vez que a obteno de um modelo
suficientemente preciso do preditor com a rede neural pode ter outros desdobramentos
que poderiam se desviar o objetivo do trabalho, deixamos como uma sugesto de tarefa
o problema de obteno de uma rede suficientemente precisa para o preditor do
controlador.
78
A viabilidade de aplicao do PSO se concentrou na aplicao do mesmo para
busca de solues em espaos reais. No entanto existem classes de problemas cuja
soluo requer uma modificao do PSO, como no caso de problemas combinatrios.
Assim, a fim de identificar as limitaes do mtodo e obter solues para superar
eventuais deficincias, o mtodo deve ser aplicado na soluo dessas classes de
problemas.
79
ANEXO 1
ALGORITMOS DE OTIMIZAO BASEADOS EM GRADIENTE
A1.1. Otimizao Numrica
Os mtodos de otimizao numrica, (LUENBERGER, 1986) e (KAYLATH,
1980), encontram inmeras aplicaes em diversas aplicaes envolvendo sistemas de
inteligncia artificial como por exemplo, o treinamento de redes neurais artificiais, a
otimizao de sistemas de controle adaptativo e otimizao em sistemas de
classificao. O problema de otimizao consiste em determinar o valor de um ponto
(vetor) x = [ x1 , x 2 ,..x n ) de um espao dimensional n que otimize (minimize ou
maximize) um benefcio medido por uma funo objetivo J : n muitas vezes
sujeito a restries de igualdade e/ou desigualdade sobre x do tipo x S onde
S n :
min J (x) eq. (1)
x = [ x1 , x 2 ,..x n ] R n eq. (2)
sujeito a restries do tipo
<= = [ g1 , g 2 ,..., g ng ] eq. (3)
= = [h1 , h2 ,..., hnh ] eq. (4)
O problema de otimizao consiste em determinar o valor de x R n que

80
produza um valor mximo (ou mnimo) para a funo objetivo J ( ) e que atenda as
condies de desigualdade definidas pelas funes e .
Os mtodos de otimizao analticos necessitam que a funo a ser otimizada
seja explicitamente conhecida e derivvel, ou que possa ser aproximada por alguma
funo derivvel. Para encontrar o ponto de mximo (ou de mnimo) no espao de
busca, devem ser resolvidas as equaes que surgem quando se iguala a zero o gradiente
da prpria funo, ou da funo aproximante utilizada.
A1.2. Mtodos de Busca por Enumerao
Os mtodos de otimizao de funes baseados em busca por enumerao
procuram gerar e testar pontos do espao em busca dos pontos que otimizem a funo
desejada. O mtodo de busca uniforme divide cada direo do espao de maneira
uniforme e gera todos os pontos do espao correspondentes ao produto cartesiano dos
conjuntos de pontos em cada direo.
Os mtodos de bisseo (mtodo de busca binria e mtodo da seo urea) so
uma alternativa que procura acelerar o processo de busca e dividem cada direo do
espao em duas sees e procuram estimar em que seo se encontra o ponto de
mnimo. O processo repetido a cada passo dividindo-se sucessivamente a seo em
que se encontra o ponto de mnimo.
De qualquer forma, a enumerao do espao requer conhecimento prvio do
espao de busca e em espaos de busca muito grandes, estes mtodos no so eficazes.
81
A13. Mtodos de Busca Baseados no Gradiente
Os mtodos de mxima declividade, baseados no gradiente podem ser usados
nos casos em que se pode determinar o gradiente da funo objetivo em torno de cada
ponto.
O mtodo gradiente descendente um mtodo da mxima declividade que parte
de um ponto inicial e busca o ponto de condio tima como o ponto em que o
gradiente nulo. A cada passo do algoritmo, o gradiente calculado e se for nulo, ou
bastante prximo de zero, ento o algoritmo termina. Seno, o ponto movido na
direo contrria ao vetor gradiente. O procedimento continua at que a condio de
gradiente nulo ou prximo de nulo seja obtida:
O mtodo de Newton utiliza uma aproximao quadrtica do hessiano para
acelerar a velocidade da convergncia. O mtodo utiliza uma expanso do ndice de
performance em srie de Taylor at segunda ordem em torno de cada ponto x e requer
o clculo de derivadas de segunda ordem para clculo do hessiano e inverso da matriz
hessiano.
A1.3.1. Mtodo Gradiente Descendente
- Estabelecer uma tolerncia >0
- Estabelecer uma tolerncia (0..1)
- Iniciar a partir de um ponto x = x0
Se J ( x) ento exit
- v = J ( x )
- x = x+v
82
A1.3.2. Mtodo de Newton
J(x + h) = J(x) + [J ( x)]T h + (1/2) h T (x) h + o(h 3 )
2 J(w)
[ ]
O hessiano a matriz H( x ) = H i, j onde cada elemento H i, j =
xi xj
O mnimo J(x + h) se d em h = - H -1 (x)J ( x)
A1.3.3. Mtodo de Newton
Estabelecer uma tolerncia >0
Iniciar a partir de um ponto x = x 0
Calcular J ( x) e 2 J ( x)
Se J ( x) ento exit
v = 2 J ( x0 ) 1 J ( x)
x = x+v
A1.3.4. Mtodo de Newton - Funes Convexas
J ( x ) = 0. e 2 J ( x) = pos. def .
J ( x ) = J ( x0 ) + 2 J ( x )( x x0 ) = 0
v = x 0 2 J ( x 0 ) 1 J ( x )
x = x+v
83
A1.3.5. Mtodo de Newton com Backtracking
Estabelecer (0,1 / 2)
Se J ( x) ento exit
Se J ( x + tv) > J ( x) + t J ( x) T v ento t = t/2
v = 2 J ( x0 ) 1 J ( x)
x = x + tv
A1.3.6. Mtodo de Newton - Funes No Convexas
Se J ( x) ento exit
Se 2 J ( x) = pos def
o ento v = 2 J ( x) 1 J ( x)
o seno v = J ( x)
Se J ( x + tv) > J ( x) + t J ( x) T v ento t = t / 2
x = x + tv
84
A1.3.7. Mnimos Quadrados No Lineares
m m
J ( x) = ri ( x) 2 = (ai x b) 2
T

i =1 i =1
m m
J ( x) = rLIN ,i ( x) 2 = (ri ( x0 ) + ri ( x)T ( x x0 )) 2
i =1 i =1
ri ( x) rLIN ,i ( x) = ri ( x0 ) + ri ( x)T ( x x0 )
x = x0 2 J ( x0 ) 1 J ( x)
J ( x ) = J ( x0 ) + 2 J ( x )( x x0 ) = 0
x = x+v
A1.3.7.1. Mtodo de Newton
m
J ( x ) = 2 r ( x)r ( x)
i =1
i i
m
2 J ( x) = 2 (r ( x) r ( x) + r ( x)
i =1
i
2
i i
T
ri ( x))
A1.3.7.2 .Mtodo de Gauss-Newton
m
J ( x) = rLIN ,i ( x) 2 = Ax b
2

i =1
85
r1 ( x)T r1 ( x)T x r1 ( x)

r2 ( x)T r2 ( x)T x r2 ( x)
A= , b= = Ax r
... ...
T
rm ( x) rm ( x) x rm ( x)
T
m
J ( x ) = 2 r ( x)r ( x) = 2 A r
i =1
i i
T
A1.3.7.3. Mtodo de Gauss-Newton
Iniciar a partir de um ponto x = x0
Avaliar
o ri ( x) e ri ( x) i = 1,2,...m
r1 ( x) r1 ( x)T
r ( x)
2 r2 ( x)T
o r= , A= , b = Ax r
... ...
T
rm ( x) rm ( x)
Se J ( x) = 2 AT r ento exit
2
x = arg(min( Ax b )) = ( AT A) 1 AT b
A1.3.7.4. Mtodo de Gauss-Newton com Backtracking
Iniciar a partir de um ponto x = x0
Avaliar
86
o ri ( x) e ri ( x ) i = 1,2,...m
o [
r = [ri ( x)] , A = ri ( x)T ]
Se J ( x) = 2 AT r ento exit
2
v = arg(min( Ax b )) = ( AT A) 1 AT b
r ( x + tv)
2
Se i
2
> r + t ( 2 AT Av ) ento t = t / 2
i =1
x = x + tv
87
ANEXO 2
OSCILAO DA POTNCIA AXIAL DE UM REATOR
A2.1 Modelo de oscilao axial da potncia do reator
O modelo de reator considerado consiste em um modelo a dois pontos sendo o
reator dividido em duas sees idnticas no sentido axial (eixo z), ver figura A2.1. O
modelo descrito por equaes no lineares de balano da produo de xennio e de
iodo e por meio da equao de difuso de neutros a uma dimenso e um grupo de
energia.
Figura A2.1 Modelo de reator a 2 pontos
As oscilaes axiais de xennio, de iodo e de potncia so funes do tempo e
da posio axial.
( z, t ) = 0 ( z , t ) eq. (1)
X ( z , t ) = 0 x( z , t ) eq. (2)
I ( z, t ) = I 0 y( z, t ) eq. (3)
88
onde
Fluxo
X Concentrao de xennio
I Concentrao de iodo
A equao de difuso unidimensional a um grupo dada por :
2 ( z, t ) f
D + a ( z ) ( z, t ) X X 0 x( z , t ) ( z, t ) F a 0 2 ( z, t ) = 0
z 2
k
eq. (4)
As equaes de balano de xennio e de iodo so definidas por:
y ( z , t )
= I f 0 ( z, t ) I y ( z, t ) eq. (5)
t I0
y ( z , t ) I
= I f 0 ( z, t ) I 0 y ( z, t ) X x( z, t ) X 0 x( z , t ) ( z , t )
t I0 X0
eq. (6)
As equaes para as distribuies de fluxo, xennio e iodo so obtidas a partir
de sries harmnicas espaciais a 2 termos:
( z , t ) = cos(z / H ) + A(t ) sin( 2z / H ) eq. (7)
x( z , t ) = cos(z / H ) + B (t ) sin( 2z / H ) eq. (8)
y ( z , t ) = cos(z / H ) + C (t ) sin( 2z / H ) eq. (9)
89
A seo de choque nas metades inferior e superior dada por:
H
a1 , z ( ,0)
a ( z) = 2 eq. (10)
H
a 2 , z (0, )
2
Da equao da amplitude A(t) obtida a soluo de:
2 A 2 + 2( 1 3 ) A + 2 = 0 eq. (11)
1
2
1 32
1 = 4 D + ( a1 + a 2 ) + ( X X 0 + 3 F 0 a ) eq. (12)
f H 2 15
1 8 64
2 = ( a1 + a 2 ) + X X 0 B(t ) eq. (13)
f 3 15
1 2 1 8
3 = D + ( a1 + a 2 ) + ( X X 0 + F 0 a ) eq. (14)
f H 2 3
I f 0
I0 = eq. (15)
I
( I + X ) f 0
I0 = eq. (16)

X + X 0
4
90
As equaes das Amplitudes B(t) e C(t)
dC (t )
= I f 0 A(t ) I C (t ) eq. (17)
dt I0
dB(t ) I 2
= I f 0 A(t ) + I 0 C (t ) X B(t ) X 0 [ A(t ) + B(t )] X 0 [ A(t ) B (t )]
dt X0 X0 3 4
eq. (18)
A mdia esspacial do fluxo nas metades inferior e superior dada,
respectivamente por:
1 (t ) =
H / 20
( z , t )dz
=
2
[1 A(t )] eq. (19)
0

H / 2
dz
H /2
2 (t ) =
0
( z, t )dz
=
2
[1 + A(t )] eq. (20)
H /2

0
dz
A mdia espacial das concentraes de xennio x(t) e iodo y(t) nas metades
inferior e superior dada por:
2 2
x 1 (t ) = [1 B(t )] e x 2 (t ) = [1 + B(t )] eq. (21)

2 2
y 1 (t ) = [1 C (t )] e y 2 (t ) = [1 C (t )] eq. (22)

91
A2.2. Simulao da oscilao axial da potncia
A simulao do reator foi realizada, considerando o reator a 100% e a
concentrao de xennio em regime permanente, atravs de uma perturbao da seo
de choque provocando assim oscilaes de fluxo xennio e iodo.
Tabela A2.1 - Parmetros do reator
Parmetro Valor
0 [cm-2 * sec-1] 2.1 1013
X [cm2] 2.6 10 18
F [cm2 * sec] 3.4 10 16
I 0.061
X 0.003
I [sec-1] 2.87 10 5
X [sec-1] 2.09 10 5
D [cm] 0.375
H [cm] 365.81
f [cm-1] 0.651
f [cm-1] 1.56
a [cm-1] 1.523
Os parmetros do reator esto mostrados na tabela A2.1. onde:
0 fluxo nominal do reator
X seo de choque microscpica do xennio

f constante de decaimento de fisso
I frao de iodo
X frao de xennio
I constante de decaimento do iodo 135
X constante de decaimento do xennio 135
92
D dimetro do reator
H altura do reator
f seo de choque macroscpica de fisso
f seo de choque macroscpica de fisso
a seo de choque macroscpica de absoro
Como pode ser visto pela figura A2.2, na ausncia de uma ao de controle, a
amplitude das oscilaes aumenta com o tempo.
FLX
IOD
XEN
Figura .A2.2 Oscilao de potncia do reator
As oscilaes de fluxo, xennio e iodo podem ser expressas por meio das
diferenas axiais de fluxo, iodo e xennio definidas por:
( P1 P 2)
AOP = eq. (23)
( P1 + P 2)
( I1 I 2)
AOI = eq. (24)
( I1 + I 2)
93
( I + X ) f ( X 1 X 2 )
AOX = eq. (25)
( I + X ) 2 X ( X 1 X 2 )
Na condio de equilbrio, em regime permanente, devemos ter:
AOP = AOI AOX eq. (26)
No espao de estados definido por: daoix = AOI-AOX e daopx = AOPAOX,
ver figura A2.3, o ponto de equilbrio est no centro. A oscilao do reator pode ser
vista graficamente onde se pode ver o comportamento divergente a partir do centro do
espao de estado.
Figura A2.3 Diferenas axiais
94
ANEXO 3
REDES NEURAIS ARTIFICIAIS
A3.1 Neurnios Artificiais
As redes neurais artificiais so modelos de computao inspirados no
funcionamento do processamento de informao pelo crebro. O neurnio artificial, ver
figura A3.1, a unidade de processamento de informao, constituinte fundamental das
redes neurais artificiais.
Figura A3.1 Neurnio bsico
Cada neurnio recebe em sua entrada o vetor de sinais x e aplica um peso
w k,i a cada entrada x i do vetor de entrada. As entradas do neurnio, assim ponderadas,
so somadas constituindo assim o argumento k de entrada de funo de ativao ()
que produz a sada y k do neurnio :
k = Wx + bk eq. (1)
y k = ( k ) = ( Wx + bk ) eq. (2)
95
onde
W = [w k,1 w k,2 , ,...., w k, P ] eq. (3)
x = [x 1 x 2 , ,...., x P ]T eq. (4)
A3.2 Funes de Ativao
A funo de transferncia da funo de ativao () pode ser qualquer funo.
A funo produz em sua sada um valor y k resultante da aplicao de uma funo de
transferncia ao argumento k recebido como entrada.
A seguir so exemplificados alguns tipos de funes de transferncia
comumente utilizadas. As funes de transferncia mais utilizadas so as funes linear,
funo degrau e funo sigmide.
Funo Limitador
1 se k 0
( k ) = eq. (5)
1 se k 0
Funo Degrau
1 se k 0
( k ) = eq. (6)
0 se k 0
Funo Linear
( k ) = m k , k eq. (7)
Funo Sigmide (logstica)
1
( k ) = , k , eq. (8)
1 + exp( k )
96
A3.3 Camada de Neurnios
Figura A3.2 Camada de neurnios
Os neurnios, conforme pode ser visto na figura A3.2, podem ser organizados
formando uma rede neural de uma camada de neurnios. As entradas da rede so
aplicadas a todos os neurnios e cada neurnio produz a sua prpria sada:
y = (Wx + b) eq. (9)
onde
y = [ y1 , y 2 ,.., y S ]T eq. (10)
w 1,1 w 1,2 , ,...., w 1,P

w w , ,...., w
W=
2,1 2,2 2, P
eq. (11)
....

w S,1 w S,2 , ,...., w S,P
x = [x 1 x 2 , ,...., x P ]T eq. (12)
b = [b1 , b2 ,.., bS ]T eq. (13)
97
A3.4 Redes de Mltiplas Camadas de Neurnios
As redes neurais artificiais podem ser constitudas por vrias camadas de
neurnios conectadas em cascata em que as sadas de uma camada constituem a entrada
da prxima camada. Cada camadas pode ter nmero de neurnios diferente das outras
camadas bem como funes de ativao diferentes. As redes assim constitudas so
conhecidas como redes multicamadas feed-forward.
Assim para uma rede constituda por trs camadas, teramos para:
primeira camada: y 1 = 1 (IW11 x + b1 ) eq. (14)
segunda camada: y 2 = 2 (LW 21 y1 + b 2 ) eq. (15)
terceira camada: y 3 = 3 (LW31 y 2 + b 3 ) eq. (16)
ou y 3 = 3 (LW31 2 (LW21 1 (IW11 x + b 1 ) + b 2 ) + b 3 ) eq. (17)
onde:
IW11 matriz de pesos da entrada para a primeira camada
LW21 matriz de pesos da primeira para a segunda camada
LW32 matriz de pesos da segunda para a terceira camada
98
A3.5 Aprendizado
Redes neurais podem realizar o mapeamento S (.) de um conjunto de entrada
x em um conjunto de sada y :
y = S ( x) eq. (18)
As redes aprendem o mapeamento S (.) por meio de um processo de treinamento
supervisionado, ver figura A3.3, no qual os pesos da matriz de pesos W da rede so
ajustados a partir da apresentao para a rede dos conjuntos de dados de entrada e sada
( x, y ) .
Figura A3.3 Aprendizado supervisionado
Figura A3.3. Treinamento supervisionado
A3.6 Algoritmo de Aprendizado Backpropagation
O algoritmo de aprendizado backpropagation, utilizado em redes neurais
multicamadas feed-forward, um algoritmo de treinamento supervisionado em que
pares de valores de entrada e sada ( x, y ) .so apresentados rede neural.
99
Para cada par de valores, comeando da primeira camada, a rede calcula os
valores de sada das diversas camadas at atingir a camada de sada, a rede neural avalia
o valor de sada da rede y n . O erro e = y y n entre o valor esperado e o valor
determinado pela rede calculado e usado por um algoritmo de ajuste dos pesos para
ajustar os pesos da matriz de pesos:
W = W + dw eq. (19)
O algoritmo de correo retropropaga o erro, camada por camada, at atingir a
camada de entrada. Em cada passo da retropropagao, os pesos de um camada so
ajustados de modo a minimizar a funo de erro definida pela superfcie:
1
J= E[y - y n ] eq. (20)
2
Vrios mtodos de minimizao, ver ANEXO 1, podem ser usados, como por
exemplo o mtodo gradiente descendente. A cada passo do algoritmo, os pesos da rede
so atualizados no sentido contrrio ao do gradiente grad(J) = ( J) :
W = W - ( J ) eq. (21)
at atingir a condio tima dada por (J) = 0 . A constante de aprendizado regula a
intensidade da atualizao dos valores da matriz de pesos, acelerando ou retardando a
convergncia.
100
A3.7 Predio com Redes Neurais
Usando-se uma linha de retardo com derivaes na entrada de uma rede neural,
pode-se construir um modelo de predio com redes neurais. Uma linha de retardo com
derivaes, consiste de um conjunto de elementos de retardo em que se a entrada do
elemento x(t ) ento a sua sada x (t 1) .
Figura A4.4 Filtro linear com rede neural
A figura A3.4 apresenta uma rede neural de uma nica camada com uma linha
de retardo com uma entrada e trs derivaes, correspondendo a diferentes estgios de
retardo do sinal, aplicadas rede neural. Usando-se uma funo de ativao linear e
ajustando-se os pesos da rede de modo a minimizar o valor da sada da rede quando o
valor de x(t ) for aplicado, teremos construdo um filtro preditor capaz de calcular o
valor de x(t ) em funo dos valores de x(t 2) e x (t 1) .
101
REFERNCIAS BIBLIOGRFICAS
ALMEIDA, J. C. S., 2001, Mtodo de Identificao de Transientes com Abordagem
Possibilstica, Otimizado por Algoritmo Gentico, Tese de Mestrado, Universidade Federal do
Rio de Janeiro, COPPE/UFRJ, Engenharia Nuclear.
ALVARENGA M.A.B., 1998, Diagnstico do Desligamento de um Reator Nuclear Atravs de
Tcnicas Avanadas de Inteligncia Artificial. Tese de Doutorado, COPPE/UFRJ, Rio de
Janeiro, Brasil.
BARTLETT, E. B., AND UHRIG R. E., 1992, Nuclear Power Plant Status Diagnostics Using
an Artificial Neural Network, Nuclear Technology, Vol. 97, (Mar), pp. 272-281.
BASU, A, AND BARTLETT E. B., 1994, Detecting Faults in a Nuclear Power Plant by Using
a Dynamic Node Architecture Artificial Neural Network, Nuclear Science and Engineering,
Vol. 116, pp. 313-325.
CADZOW, J.A, MARTENS, H.R., 1970, Discrete Time and Computer Controls Systems,
Prentice-Hall, Computer Applications in Electrical Engineering Systems.
CAMACHO, E. F., BORDONS, C., 1995, Model Predictive Control in The Process Industry,
Springer, London.
102
CLARKE, D. W., MOHTADI, C., TUFSS, P.S., 1987, Generalized Predictive Control, Part 1,
Part 2. Automatica 24, 137-169.
DOMINGOS, R.P., 2003, Sistemas de Computao Flexvel Aplicados ao Controle e
Identificao de Processos em Engenharia Nuclear[Rio de Janeiro], vol 140, (COPPE/UFRJ, d.
Sc., Engenharia Nuclear), Tese, Universidade Federal do Rio de Janeiro.
DOMINGOS, R.P., CALDAS, G.H.F., PEREIRA, C.M.N.A, SCHIRRU, R., 2003, PWR Xenon
Oscillation Control through a Fuzzy Expert System Automatically Designed by Means of
Genetic Programming, Applied Soft Computing, pp 317-323.
DOMINGUES, R.P., 1997, Modelos No Lineares da Engenharia Nuclear como uma Aplicao
de Programao Gentica, Tese de Doutorado, Universidade Federal do Rio de Janeiro,
COPPE/UFRJ, Engenharia Nuclear.
DUDERSTAD, J., HAMILTON, L. H., 1976, Nuclear Reactor Analysis, U.S.A., John Wiley &
Sons, Inc.
FURUKAWA H., UEDA T. AND KITAMURA M., 1995, Use of Self-Organizing Neural
Networks for Rational Definition of Plant Diagnostic Symptoms, Proceedings of the
International Topical Meeting on Computer-Based Human Support Systems, pp. 441-448.
103
GLASSTONE, S., 1960, Principles o Nuclear Reactor Engineering, Mc Milan & CO Ltd, London.
GOLDBERG, D., E., 1989, Genetic Algorithms in Search Optimization and Machine Learning,
Addison Wesley.
HAYKIN, S., 1994, Neural Networks A Compreensive Foundation, Prentice Hall.
HAYKIN, S., 1996, Adaptive Filter Theory, Third Edition, Prentice Hall Information And
Sciences Series.
HOLLAND, J. H., 1975, Adaptation in Natural and Artificial Systems, University of Michigan
Press.
JEONG E., FURUTA K., KONDO S., 1996, Identification of Transient in Nuclear Power Plant
Using Adaptive Template Matching with Neural Network, Proceedings of the International
Topical Meeting on Nuclear Plant Instrumentation, Control and Human Machine Interface
Technologies, pp.243-250.
JEONG E., FURUTA K., KONDO S., 1996, Identification of Transient in Nuclear Power Plant
Using Adaptive Template Matching with Neural Network, Proceedings of the International
Topical Meeting on Nuclear Plant Instrumentation, Control and Human Machine Interface
Technologies, pp.243-250.
104
KAYLATH, T., 1980, Linear Systems, Prentice-Hall Information and System Sciences Series.
KENNEDY, J., EBERHART, R. C., 1995, Particle Swarm Optimization, Proceedings IEEE, IV
Conference on Neural Networks, 1995, pp. 1942-1948.
KENNEDY, J., EBERHART, R. C., SHI, Y., 2001, Swarm Intelligence, Morgan Kaufmann
Publishers, CA, USA.
LAMARSH, J. R., 1966, Introduction to Nuclear Reactor Theory, Addison-Wesley Publishing
Company, Reading, Massachussets, U.S.A.
LUENBERGER, D. G., 1979, Introduction to Dynamic Systems Theory, Models and
Applications, John Whiley and Soons.
LUENBERGER, D. G., 1986, Linear and Non Linear Programming, 2nd Edition, New York
Addison Wesley Publishing Company.
MOL, A.C.A., 2002, Um Sistema de Identificao de Transientes com Incluso de Rudos e
Indicao de Eventos Desconhecidos, Tese de Doutorado, COPPE/UFRJ, Rio de Janeiro, Brasil.
MOL, A.C.A., MARTINEZ, A.S., SCHIRRU, R., 2002, A New Approach for Transient
Identification with Dont Know Response Using Neural Networks. Power Plant Surveillance
and Diagnostics _ Applied Research with Artificial Intelligence, Springer Verlag.
105
MOL, A.C.A., MARTINEZ, A.S., SCHIRRU, R., 2002, Sistema de Identificao de Transientes
com Incluso de Rudos e Indicao de Eventos Desconhecidos, XIII ENFIR National
Meeting of Reactor Physics and Termal Hydraulics, Rio de Janeiro, Agosto, 2002.
NA, G. M., UDADHYAYA., B.R., CHOI, J.I., 2000, Adaptive Control for Axial Power
Distribution in Nuclear Reactors, magyna@ic21a.chosun.ac.kr.
PEREIRA, C. M. N. A, SCHIRRU R, MARTINEZ A.S, 1998, Basic Investigations Related to
Genetic Algorithms in Core Designs, Annals of Nuclear Energy, 26 173-179, Pergamon Press.
PEREIRA, C.M.N.A, SCHIRRU, R., 2002, Genetic Based Identification System Design With
Automatic Selection of Meaningful Variables, World Scientific.
ROJAS, R., 1996, Neural Networks A Systematic Introduction, Springer Verlag.
ROVERSO, D., 1998, A Neural Model for Event Identification in Dynamic Processes. In:
Report HWR-516, OECD HALDEN REACTOR PROJECT, Institutt for Energiteknikk,
Norway.
ROVERSO, D., 1998, A Neural Model for Event Identification in Dynamic Processes. In:
Report HWR-516, OECD HALDEN REACTOR PROJECT, Institutt for Energiteknikk,
Norway.
106
RUSSELL, S., NORVIG, P., 1995, Artificial Intelligence A Modern Approach, Prentice Hall
Series in Artificial Intelligence.
SCHIRRU, R., MARTINEZ, A. S., PEREIRA, C. M. N. A., 1999, DOMINGOS R. P.,
MACHADO, M. D. and MACHADO, L., 1999, Intelligent Soft Computing In Nuclear Energy
in Brazil, Progress in Nuclear Energy, Vol 35, No 3-4, pp 367-391, Pergamon Press Ltd.
SHIMAZU, Y., 1992, Direct Method of Search for Optimal Xenon Oscillation Control Based
On New Concept of Axial Offsets, Journal of Nuclear Science and Tecnology, 29[10], pp. 966-
971.
SHIMAZU, Y., 1995, Continuous Guidance Procedure for Xenon Oscillation, Journal of
Nuclear Science and Tecnology, 29[10], pp. 966-971.
SILVENNOINEN, P., 1976, Reactor Core Fuel Management, Pergamon Press Ltd., First
Edition.
SUICH, J. E. and HONEC, H. C, 1967, The Hammer System Heterogeneous Analysis by
Multigroup Methods of Exponentials and Reactors, Savannah River Laboratory, Aiken South
Carolina.
107
TRELEA, I. C., 2002, The Particle Swarm Optimization Algorithm: Convergence Analysis and
Parameter Selection, INA P-G, UMR Gmie et Microbiologie des Procds Alimentaries, PB01,
78850 Thiverval-Grignon, France, September, ELSEVIER, www.ComputerScienceWeb.com.
TSOUKALAS, L., H., UHRIG, R., E., 1997, Fuzzy and Neural Approaches in Engineering,
John Wiley & Sons, Inc., 1997
108

Tese Final Canedo-PSO

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Tese Final Canedo-PSO

Transféré par

Droits d'auteur :

Formats disponibles

ENXAME DE PARTCULAS COMO FERRAMENTA DE OTIMIZAO EM

PROBLEMAS COMPLEXOS DE ENGENHARIA NUCLEAR

Jose Antonio Carlos Canedo Medeiros

TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAO DOS

RIO DE JANEIRO, RJ - BRASIL

MRIO CANEDO LOPEZ E

TERESA MEDEIROS DE CANEDO

LUIZA CASTELLAN CANEDO MEDEIROS E

FABIO CASTELLAN CANEDO MEDEIROS

Ao amigo, professor e orientador, Dr. Roberto Schirru, no s pela sua orientao e o

tambm pela sua ajuda e incentivo no plano profissional.

Ao professor e amigo Cludio M N A Pereira, pela inestimvel colaborao em diversas

fases do trabalho, com discusses e idias sobre o tema da tese.

otimizao, em parte responsvel pelo aumento de meu interesse e direcionamento de

meus esforos para essa rea.

dos sistemas computacionais essenciais para a elaborao da tese.

com idias a respeito de temas desta tese.

Aos amigos e colegas do LMP e da COPPE e a todos, que, de alguma forma

contriburam para a realizao deste trabalho.

para a obteno do grau de Doutor em Cincias (D Sc.)

ENXAME DE PARTCULAS COMO FERRAMENTA DE OTIMIZAO EM

PROBLEMAS COMPLEXOS DE ENGENHARIA NUCLEAR

Jose Antonio Carlos Canedo Medeiros

Orientador: Roberto Schirru

Programa: Engenharia Nuclear

Devido ao seu baixo custo computacional, tcnicas de busca baseadas no

PARTICLE SWARM AS OPTIMIZATION TOOL IN COMPLEX NUCLEAR

Jose Antonio Carlos Canedo Medeiros

Advisor: Roberto Schirru

Department: Nuclear Engineering

Due to its low computational cost, gradient-based search techniques associated

2. OTIMIZAO POR ENXAME DE PARTCULAS 13

3. OTIMIZAO DO PROJETO DO NCLEO DE UM REATOR 28

4. CONTROLE PREDITIVO DA OSCILAO DE XENNIO 38

ANEXO 1 ALGORITMOS DE OTIMIZAO BASEADOS EM GRADIENTE 80

ANEXO 2 OSCILAO DE POTNCIA AXIAL 88

ANEXO 3 REDES NEURAIS ARTIFICIAIS 95

REFERNCIAS BIBLIOGRFICAS 102

Figura 2.1. Enxame de partculas 14

Figura 2.2. Atualizao de uma partcula 15

Figura 2.3. Convergncia do PSO 16

Figura 2.4. Regies de convergncia 21

Figura 2.5. PSO convergente no oscilatrio 24

Figura 2.6. PSO, oscilao harmnica, convergncia lenta 24

Figura 2.7. PSO, oscilao harmnica, convergncia rpida 25

Figura 2.8. PSO, oscilao harmnica, com zig-zag 25

Figura 2.9. PSO, zig-zag convergente assimtrico 26

Figura 2.10. PSO, zig-zag convergente simtrico 26

Figura 3.1. Reator e clula caracterstica 29

Figura 3.2. Convergncia com 200 iteraes de 100 partculas 35

Figura 3.3. Convergncia com 100 iteraes de 200 partculas 35

Figura 3.4. Convergncia com 50 iteraes de 400 partculas 36

Figura 4.1. Controle preditivo 41

Figura 4.2. Estrutura de um controlador preditivo 41

Figura 4.3. Aprendizado supervisionado 42

Figura 4.4. Predio com rede feed-forward e linhas de retardo 43

Figura 4.5. Dados simulados para identificao da planta 46

Figura 4.6. Dados de treinamento 47

Figura 4.7. Dados de teste 47

Figura 4.8. Dados de validao 48

Figura 4.9. Performance de treinamento (MSE) 48

Figura 4.11. Predio neural e otimizao com PSO 50

Figura 4.12. Ao do controlador preditivo 51

Figura 4.13 Sada da planta sob ao do controlador 51