03 - CERPCH - Unifei
03 - CERPCH - Unifei
03 - CERPCH - Unifei
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
ARTIGOS TÉCNICOS<br />
postas nos pontos do espaço de projeto para medir a influência na<br />
resposta exata, ou para reduzir o número de coeficientes do polinômio<br />
de referência, e desde que seja feita antes da metamodelização.<br />
O método que responde a este objetivo é a análise da variância<br />
(ANOVA)[3]. Análises gráficas como o gráfico de probabilidade<br />
normal ou (gráfico de Daniel) e o gráfico de Pareto, conforme<br />
fig. (2), também podem ser usados nesta colocação [2].<br />
2.3 Superfícies de resposta clássicas (RSM).<br />
Nesta seção a formulação da RSM é resumida, com base nos desenvolvimentos<br />
originalmente feitos por Myers et al. [2]. Considerando<br />
um fenômeno físico obtido, o qual não tem efeito de memória<br />
(as respostas obtidas dependem somente das entradas naquele<br />
instante), a entrada, x, e a saída, y, são relacionamentos que podem<br />
matematicamente ser definido por uma função: y=f(x). Se<br />
não for possível modelar precisamente o fenômeno físico, a estratégia<br />
é usar técnicas de aproximação de funções no qual o objetivo<br />
é criar uma nova função conhecida g(x) a partir de uma função exata<br />
f(x), que pelo menos, representará um determinado espaço.<br />
Considerando que a função f(x) é desconhecida a priori, o erro quadrático,<br />
eq = ||f(x)-g(x)||2 não pode ser calculado com precisão. O<br />
conceito principal das técnicas de aproximação é usar um conjunto<br />
de medidas (xk,yk=f(x)) do fenômeno físico para calcular o seguinte<br />
erro médio quadrático (MSE) [4].<br />
ne<br />
1<br />
2<br />
� � � yk<br />
� g�p,<br />
xk<br />
�<br />
ne k �1<br />
Onde ne é o número de experiências, e p é o vetor que contém<br />
os coeficientes dos polinômios, g(p,xk) a ser determinado pela<br />
aproximação.<br />
De acordo com Eq. (2), o interesse é gerar g(x) que minimiza ε,<br />
e para isto, são requeridos dois passos: treinando e validação. O<br />
processo de treinamento é a escolha dos dados para executar a<br />
aproximação e deve representar as evoluções da função exata. Na<br />
validação, o conjunto de dados deve ser distinto dos dados de treinamento,<br />
e é usado para conferir a aproximação. Pode-se escolher<br />
usar polinômios, assim o problema de aproximação se torna um<br />
problema de otimização paramétrica para determinar o vetor p que<br />
contém os coeficientes dos polinômios que minimizam a função ε.<br />
Neste sentido, é possível usar a metodologia de superfície de resposta<br />
(RSM) para aproximar as soluções exatas pela relação<br />
y=g(x). A família de polinômios normalmente usada para gerar o<br />
RSM é a de primeira ordem (linear) e a de segunda ordem. Os modelos<br />
de 1ª ordem podem ser divididos em modelos sem interações,<br />
modelos que contêm todas as interações, e os modelos que<br />
contêm só as interações de ordem 1, representadas, respectivamente,<br />
pelas seguintes expressões:<br />
yˆ � �0��1x1��2x2��3x3�� yˆ ��0��1x1��2x2��3x3��12x1x 2 ��<br />
13x1x<br />
3 ��<br />
23 x2<br />
x3<br />
��<br />
123 x1x<br />
2 x3<br />
��<br />
yˆ<br />
� �0��1x1��2x2��3x3��12x1 x2<br />
��<br />
13 x1x<br />
3 ��<br />
23x<br />
2x<br />
3 ��<br />
Os modelos de 2a ordem, composto pelos termos quadráticos<br />
são expressos como:<br />
2<br />
yˆ<br />
� �0���ixi���ij xi<br />
x j � ��<br />
ii xi<br />
��<br />
��<br />
2<br />
Onde este modelo requer pelo menos, (k +3k+2)/2 para pode<br />
ser completamente definido. As equações (2) e (3) podem ser definidas<br />
como uma notação matricial, como: ˆy �X�ˆ�ε 20<br />
�1<br />
�<br />
1<br />
X � �<br />
��<br />
�<br />
��<br />
1<br />
x<br />
x<br />
x<br />
1,<br />
1<br />
2,<br />
1<br />
�<br />
ne<br />
, 1<br />
1,<br />
nc<br />
�1<br />
1,<br />
nc<br />
�1<br />
ne<br />
, nc<br />
�1<br />
Onde nc é o número de coeficientes a serem determinados; xi;j<br />
representa as variáveis e interações; �Rn e �Rn<br />
são vetores que<br />
contem os coeficientes e os erros aleatórios a serem obtidos, respectivamente.<br />
XRnxn Representa a matriz de experiências. Se ne<br />
> nc e XTX é não singular, o Método dos Mínimos Quadrados [4]<br />
possibilita o calculo do vetor de coeficientes α=(XTX)-1XTy.<br />
Então,<br />
a resposta assume a seguinte forma:<br />
2.4 Validação: Plano Fatorial Completo e Anova:<br />
Exemplo: Meio nutritivo para chrysogenum de pénicillium. Nesta<br />
aplicação, explora se resultados de experiências que seguem o<br />
uso de um plano fatorial completo para determinar os fatores mais<br />
influentes na resposta.<br />
Deseja-se obter a influência de cinco fatores: Concentração em<br />
licor de milho, em lactose, em precursor, em nitrato de sódio, e em<br />
glicose. A produção de penicilina é expressa em peso.<br />
A tabela 1 representa o plano de experiências fatorial à 25 testes<br />
é 32, e os efeitos de cada parâmetro e sua interação.<br />
2.5 Função de Base Radial<br />
Aproximações por funções de base radial (FBR) pertencem a<br />
uma classe de modelos lineares generalizados. Diferem da metodologia<br />
clássica por permitir a escolha das funções de base. Foi originalmente<br />
desenvolvida por Hardy [5], para reconstruir uma de-<br />
�<br />
�<br />
�<br />
�<br />
T<br />
�1<br />
T �XX� X Y ε<br />
y � X �<br />
x<br />
x<br />
x<br />
�<br />
�<br />
�<br />
�<br />
�<br />
�<br />
��<br />
Figura 1 – Diagrama de Pareto dos Efeitos<br />
Fonte de Variação SS DF MS Ftest Contribuição<br />
x 1<br />
38,56 1 38,56 84,92 23,18<br />
x 3<br />
32,25 1 32,25 71,<strong>03</strong> 19,39<br />
x 5<br />
54,47 1 54,47 120 32,76<br />
1 2<br />
4,407 1 4,407 9,706 2,65<br />
4,594 1 4,594 10,12 2,763<br />
3,125 1 3,125 6,883 1,879<br />
2,461 1 2,461 5,421 1,48<br />
1,125 1 1,125 2,478 0,6765<br />
13,78 1 13,78 30,35 8,287<br />
1,<strong>03</strong>3 1 1,<strong>03</strong>3 2,276 0,6213<br />
1,32 1 1,32 2,908 0,794<br />
2 1 2 4,405 1,2<strong>03</strong><br />
2,192 1 2,192 4,827 1,318<br />
4,981 1 4,981 10,97 2,995<br />
Resíduos 7.718.750 17 0.4540441<br />
Total 1.740.151 31<br />
x x<br />
1 3 x x<br />
1 4 x x<br />
2 3 x x<br />
2 5 x x<br />
3 5 x x<br />
Tabela2–Análise de Variância obtida do programa RSM em Fortran<br />
x 1 x 2 x 4<br />
x 1 x 3 x 5<br />
x 1 x 2 x 3 x 4<br />
x 1 x 3 x 4 x 5<br />
x 1 x 2 x 3 x 4 x 5