Académique Documents
Professionnel Documents
Culture Documents
Resumo— A maior parte dos derivados produzidos em uma pelo método crisp, fuzzy e simulação de Monte Carlo.
refinaria de petróleo são obtidos a partir de misturas de Finalmente, a seção VI apresenta algumas conclusões e a
produtos intermediários. Neste cenário, o problema de mistura aplicabilidade da metodologia apresentada.
assume um papel fundamental para que as refinarias consigam
alcançar a melhor margem de refino. Esse problema é
normalmente resolvido por meio de modelos de otimização II. PROBLEMA DE MISTURA PARA PRODUÇÃO DE BUNKER
linear ou não linear, sem contudo levar em consideração a A produção de bunker é realizada através da mistura de
variação das propriedades dos produtos intermediários. Nesse RASF (resíduo asfáltico), LCO (light cycle oil) vindos
trabalho será apresentada uma metodologia para o tratamento
diretamente das unidades de processo e do querosene
das variações das propriedades dos produtos intermediários
para produção óleo combustível marítimo (bunker) em uma armazenado em tanques, tal como apresentado
refinaria de petróleo através de uma abordagem por esquematicamente na figura 1.
programação linear fuzzy.
I. INTRODUÇÃO
A. Otimização Fuzzy
Modelos de programação matemática convencionais são B. Programação Linear Fuzzy
construídos com o objetivo de maximizar ou minimizar uma
Um problema de programação linear fuzzy pode ser
função objetivo sujeita a um conjunto de restrições,
descrito da seguinte forma:
usualmente denominado região viável do problema. Em
aplicações práticas, na maioria dos casos, tanto a função
n
objetivo quanto as restrições não podem ser determinadas de
forma precisa. O trabalho pioneiro para abordagem desse
min Z = ∑ ~c x
i =1
i i
figura 2. n (III.5)
∑ a~
~
ij xj ≤ bj
j =1
x1 , x 2 ,..., x n ≥ 0
n n
min Z α = ∑ [~c ]α x
i i
∑ ∑ wa
i =1
Onde, N = a ijc x j e EN = NM = ij x j n (III.10)
∑ [a~ij ]α x j ≤ [b j ]α
j =1 j =1 ~
j =1
n x 1 , x 2 ,..., x n ≥ 0
Pela figua 3, para que Nec
∑
a~ij x j ≤ b lj ≥ p os pontos
j =1
da distribuição de possibilidade F j devem estar abaixo da Seja [Z 1
α
]
, Z 2α , o intervalo ótimo solução de (III.10),
linha l, o que é equivalente a dizer que t não é maior que b lj . através das propriedades dos conjuntos de fuzzy α − cut ,
tem-se o seguinte teorema.
Por similaridade de triângulos, pode-se escrever:
Teorema 1. Se 0 ≤ α 1 ≤ α 2 ≤ 1 , então:
t−N p
= ⇒ t = N + p.NM [Z α1
] [
, Z 2α 1 ⊇ Z 1α 2 , Z 2α 2 ]
NM 1 1
n 0 ≤ α 1 ≤ α 2 ≤ ... ≤ α n −1 ≤ α n ≤ 1
t= ∑ (a c
ij )
+ pwij x j ≤ b lj (III.7)
j =1
Pode-se ter uma sequência de intervalos ótimos
correspondentes,
Resultado semelhante pode ser mostrado para o caso de
resrições de maior ou igual.
> REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 4
[Z α1
1 ] [ ] [ α α
] [ α α
, Z 2α 1 ⊇ Z 1α 2 , Z 2α 2 ⊇ ... ⊇ Z 1 n −1 , Z 2 n −1 ⊇ Z 1 n , Z 2 n ] V. ESTUDO DE CASO
TABELA III
SOLUÇÃO POR PROGRAMAÇÃO LINEAR POSSIBILÍSTICA
Grau de percRASF percLCO percQuero Func.
necessidade Objetivo
D. Simulação de Monte Carlo
0,00 0,5833 0,1581 0,2585 7,9185
0,05 0,5834 0,1081 0,3084 8,4377 Para fins de comparação com as outras técnicas para o
0,10 0,5833 0,0596 0,3570 8,9485 tratamento das incertezas dos parâmetros do modelo, foi
0,15 0,5830 0,0123 0,4045 9,4509
0,16 0,5830 0,0030 0,4138 9,5505
implementado um programa para simulação do modelo.
P > 0,16 Inviável Os valores das variáveis na simulação são obtidos a partir
de números pseudo-randômicos, podendo assumir qualquer
valor dentro do intervalo de variação definido para cada
parâmetro.
C. Programação Linear Robusta
A tabela seguinte apresenta um resumo comparativo de
De acordo com a teoria de programação linear intervalar todos os métodos de solução apresentados.
[6], o modelo (III.10) pode ser resolvido da seguinte forma:
TABELA V
min Z 1α = [( 2 − 0 ,1α ) percRASF + ( 10 − 0 ,5α ) percLCO + COMPARAÇÃO DAS TÉCNICAS DE SOLUÇÃO
variável Crisp Possibilística Robusta Simulação *
( 20 − 1,0α ) percQuero]
s .a , percRASF 0,58 [0,58; 0,58] [0,56;0,58] [0,86;0,46]
percLCO 0,16 [0,16; 0,00] [0,36;0,00] [0,14;0,06]
( 0 ,992 + 0 ,1α ) percRASF + ( 0 ,470 + 0 ,04α ) percLCO + percQuero 0,26 [0,26 ;0,41] [0,07;0,41] [0,00;0,47]
( 0 ,441 + 0 ,03α ) percQuero ≤ 0 ,767 + 0 ,1α F. Objetivo 7,92 [7,92 ;9,55] [6,18;9,55] [3,10;11,54]
( 0 ,992 − 0 ,1α ) percRASF + ( 0 ,470 − 0 ,04α ) percLCO + * Os resultados da simulação foram obtidos com 10000
( 0 ,441 − 0 ,03α ) percQuero ≤ 0 ,767 − 0 ,1α iterações