FAMAT em Revista - Nmero 11 - Outubro de 2008

231

PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAO DE SISTEMAS MISTOS

Simone P. Saramago e Valder Steffen Jr
UFU, Universidade Federal de Uberlndia, Curso de Engenharia Mecnica Av. Joo Naves de vila, 2160, Santa Mnica, CEP 38.408-100, Uberlndia, MG E-mail: simone.saramago@netsite.com.br / vsteffen@mecanica.ufu.br

Jefferson Duarte Silva

Villares Metals SA, Alfredo Dumont Villares, 155, Jd. Santa Carolina, CEP 13.178-902 Sumar - SP E-mail: e.jefferson.silva@villaresmetals.com.br

Sezimria de Ftima Pereira Saramago

UFU, Universidade Federal de Uberlndia, Faculdade de Matemtica Av. Joo Naves de vila, 2160, Santa Mnica, CEP 38.408-100, Uberlndia, MG E-mail: saramago@ufu.br

1. INTRODUO Em processos industriais, comum a existncia de muitos fatores ou variveis que afetam a qualidade global do produto final. Neste contexto, alguns pesquisadores vm estudando, desde a dcada de 1970, a Metodologia de Superfcies de Resposta (SR). Em essncia, esta metodologia consiste em estimar coeficientes de regresso polinomial para a gerao de um modelo emprico que aproxime uma relao (inicialmente desconhecida ou at mesmo conhecida, porm complexa) entre os fatores e as respostas de um processo. A tcnica de superfcie de resposta est se tornando popular e sendo usada em conjunto com tcnicas de otimizao. A primeira etapa desta metodologia consiste na modelagem, que feita ajustando-se modelos polinomiais a resultados experimentais, obtidos por meio de planejamentos fatoriais com ou sem ampliao (Barros Neto et al., 1995). Aps essa etapa, possvel deslocar-se sobre a superfcie de resposta ajustada, a fim de localizar regies que satisfaam condies de interesse, calculando-se seus pontos extremos. A superfcie de resposta til quando o pesquisador no conhece a relao exata entre os fatores. Dentre as vantagens da metodologia, a principal que seus resultados so robustos influncia de condies no ideais, tais como erros aleatrios e pontos influentes. Outra vantagem a simplicidade analtica da superfcie de resposta obtida, pois normalmente trabalha-se com funes polinomiais. No desenvolvimento de produtos e processos, encontram-se, com freqncia, variveis qualitativas como: cor da embalagem, forma do equipamento, tipo de sabor/aroma, tipo de ferramenta, presena ou no de lubrificao e muitas outras. Na terminologia empregada em anlise de regresso, tais variveis so conhecidas como variveis indicadoras (dummy). Os mtodos de otimizao, que so tcnicas j consagradas pelo uso, apresentam, porm, uma limitao, qual seja, sua utilizao com variveis qualitativas. Alguns trabalhos mais recentes (Cao et al., 2000) sugerem alternativas para a otimizao seqencial direta desses sistemas. O objetivo deste trabalho apresentar planejamentos para sistemas mistos, com variveis

232

FAMAT em Revista - Nmero 11 - Outubro de 2008

qualitativas (indicadoras) e quantitativas, bem como a otimizao dos modelos construdos, aplicando algoritmos genticos. Tcnicas evolutivas de otimizao tm-se mostrado uma alternativa interessante, pois permitem trabalhar com modelos no-lineares, descontnuos, e convivem bem na presena de mnimos locais. A metodologia desenvolvida aplicada em dois estudos especficos. No primeiro caso, considera-se o problema estudado por Bona et al.(2002), que trata do planejamento e otimizao de queijo Minas frescal com adio de leite reconstitudo. Devido natureza de sazonalidade da produo leiteira, durante certo perodo do ano, ocorre uma queda na oferta e uma elevao no preo do queijo. Assim, o uso de leite reconstitudo, misturado ao leite, poderia ser uma alternativa para a estabilizao da oferta do produto no mercado. Por se tratar de um produto largamente consumido no Brasil, vrios estudos vm sendo realizados visando promover melhorias na tcnica de fabricao. Uma das opes a adio de cido ltico com finalidade de aumentar o rendimento (Furtado et al., 1980). A segunda aplicao, por sua vez, refere-se otimizao dos parmetros de corte, durante a fabricao de vlvulas de motores de combusto interna. No planejamento do processo, as tcnicas de otimizao so adaptadas, possibilitando trabalhar tanto com variveis qualitativas quanto com variveis quantitativas. Como respostas do processo, realizam-se medies de dureza superficial. Aps a execuo de todos os experimentos, os mtodos numricos possibilitam obter a melhor condio de corte, que corresponde ao menor valor possvel de dureza superficial. 2. METODOLOGIA Superfcie de Resposta (SR) Um dos problemas mais comuns que um pesquisador pode enfrentar a determinao da influncia de uma ou mais variveis sobre outra varivel de interesse. Por exemplo, no estudo do volume do espao de trabalho de um rob manipulador interessante verificar como este volume afetado ao se variar o ngulo entre as juntas do rob, os dados dimensionais, quando se considera a presena de pontos singulares.

Figura 1 Representao de um sistema.

Esse problema um caso particular da situao geral mostrada esquematicamente na Figura 1, em que certo nmero de fatores, F1, F2,... ,Fk, atuando sobre o sistema em estudo, produz as respostas R1, R2, ...,Rj. O sistema pode ser uma funo desconhecida que se deseja determinar ou at mesmo uma funo conhecida, porm de formulao analtica complexa. Os fatores (ou variveis de projeto), isto , as variveis controladas durante os testes tanto podem ser qualitativas (como a presena ou no de pontos singulares, como no exemplo anterior) como quantitativas (como os dados dimensionais do rob). Dependendo do problema, pode haver mais de uma resposta de interesse. Eventualmente essas respostas tambm podem ser qualitativas.

FAMAT em Revista - Nmero 11 - Outubro de 2008

233

Existem muitas reas nas quais no se conhece a relao exata entre as respostas e as variveis de projeto, mas se deseja saber como a relao entre elas. Neste caso muito til usar um modelo emprico apropriado da forma y=f(z1, z2,,zn). Esta funo f geralmente um polinmio de primeira ou segunda ordem. Tal modelo emprico chamado de superfcie de resposta. Quando o modelo polinomial usado, os coeficientes do polinmio podem ser estimados usando o Mtodo dos Mnimos Quadrados. necessrio conhecer os valores das respostas para algumas combinaes das variveis de projeto (ou fatores) para construir a superfcie de resposta (SR). Cada combinao das variveis de projeto pode ser vista como um ponto no espao de projeto n-dimensional, onde n o nmero total de variveis de projeto. Um arranjo particular de pontos no espao de projeto conhecido como um projeto experimental ou projeto de experimentos (DOE design of experiments). O projeto experimental chamado de planejamento fatorial. Para executar um planejamento fatorial necessrio em primeiro lugar especificar os nveis em que cada fator ser estudado, isto , os valores dos fatores (ou as verses, nos casos qualitativos) que sero empregados. Um planejamento fatorial requer a execuo de experimentos para todas as possveis combinaes dos nveis dos fatores. Em geral, se houver n1 nveis do fator 1, n2 do fator 2,..., e nk do fator k, o planejamento ser um fatorial n1x n2 x ...x nk de experimentos. Este o nmero mnimo para se ter um planejamento fatorial completo. Pode-se desejar repetir ensaios para se ter uma estimativa do erro experimental e, nesse caso, o nmero total de experimentos ser maior. Havendo k fatores, isto , k variveis controladas pelo experimentador, o planejamento de dois nveis h de exigir a realizao de 2x2x...x2 = 2k ensaios diferentes, sendo chamado por isso de planejamento fatorial 2k (Barros, 1995). No planejamento experimental com n variveis, o modelo emprico usado para aproximar a relao entre os fatores e as respostas um polinmio de grau um ou de grau superior. A expresso usada para calcular esse polinmio dada por:
Y = f (X) + e (1)

sendo que f(X) = f(x1,..., xn) um polinmio de grau um ou de grau superior. O vetor coluna Y contm as respostas observadas e o vetor coluna e contm os resduos. O polinmio f(X) pode ser representado na forma matricial:
f ( X) = [X ][b ] (2)

sendo que o vetor coluna [b] contm os coeficientes desconhecidos e [X] a matriz formada pelos valores observados no planejamento fatorial. Denotando por N o nmero total de pontos no espao experimental, o processo para calcular os coeficientes [b] envolve a minimizao da soma dos quadrados dos resduos:

min Sr = min (y i f i )
i =1

(3)

Os resultados deste processo so as equaes normais, que podem ser expressas na forma matricial como:

234

FAMAT em Revista - Nmero 11 - Outubro de 2008

[X]T [X][b] = [X]T [Y]

(4)

Assim, os coeficientes podem ser calculados usando uma simples multiplicao de matrizes:

[b] = {[X]T [X]}1[X]T [Y]

(5)

A Equao 5 utilizada na determinao da superfcie que se aproxima dos pontos do planejamento no espao do experimento, denominada como Superfcie de Resposta (SR). A vantagem de usar a Equao 5 o baixo custo computacional necessrio para determinar os coeficientes da superfcie de resposta. importante notar que para se calcular os coeficientes necessrio um nmero de pontos maior do que o nmero de termos no polinmio. A anlise dos resduos fundamental na avaliao da qualidade da superfcie ajustada (ou modelo). Um modelo que deixe resduos significativos obviamente um modelo inadequado. J o modelo ideal no deixaria nenhum resduo, ou seja, todas as suas previses coincidiriam com os resultados observados. Procedimentos de teste de significncia so teis para aferir a qualidade da aproximao gerada a partir de um conjunto de dados. Tais testes so baseados na anlise de varincia e requerem a obteno de parmetros estatsticos (Montgomery, 1984).

2.2. Algoritmos Genticos

A fundamentao dos Algoritmos Genticos baseada na gentica natural. Desta forma, comum o uso dos termos: indivduos de uma populao, cromossomos, genes e alelos. Nos Algoritmos Genticos, a populao de indivduos um conjunto de pontos do domnio da funo a ser maximizada ou minimizada. A quantidade de pontos depende do nmero de variveis de projeto do problema em questo. Algoritmos genticos so algoritmos iterativos, em que a cada iterao a populao modificada, usando as melhores caractersticas dos elementos da gerao anterior e submetendo-as aos trs tipos bsicos de operadores, para produzir melhores resultados (Goldberg, 1989). Para atingir estes objetivos so usados os seguintes processos:

Reproduo: um processo no qual cada cadeia copiada levando em conta os valores da funo de adaptao f. A probabilidade ou aptido de cada indivduo um valor que representa o grau de adaptabilidade deste, ou seja, o quo prximo o indivduo est da soluo do problema em relao aos indivduos da populao. Esta probabilidade medida com auxlio da funo objetivo e pode ser dada pela seguinte expresso:
pi = f c (X) , sendo pi =1 f c (X) (6)

Este processo denominado seleo por roleta. Existem outras formas, tais como torneio e elitista. Para se calcular o valor da funo de adaptao fc, deve-se primeiro converter a seqncia binria (base 2) para a base 10, ou seja, deve-se decodificar um cromossomo, conforme a expresso:

FAMAT em Revista - Nmero 11 - Outubro de 2008

235

x i = b ij 2 j
j= 0

m i 1

(7)

Em seguida, calcula-se o valor real da varivel xi, dentro da regio vivel, atravs da relao:
u l xi xi l xi = xi + xi mi

(8)

Cruzamento: um processo no qual a combinao em partes de cada um de dois cromossomos gera um novo descendente. Mutao: a modificao aleatria ocasional (de baixa probabilidade) do valor de um alelo da cadeia.

De modo geral, suponha que se deseja otimizar uma funo f qualquer de n variveis,
f(X) = f(x1, x2,..., xn)

(9)

sujeita a xil < xi < xiu i = 1, 2, ... , n (10)

Ento cada seqncia de n variveis denominada de cromossomo ou indivduo (Haupt & Haupt, 1998) e cada uma das n variveis um gene. Cada gene representado no sistema binrio; os bits 0 e 1 so denominados alelos. O comprimento de cada gene depende da preciso requerida para o problema e da amplitude do intervalo onde ele est definido. O domnio de definio do gene xi o intervalo (xil, xiu). Admitindo que a preciso do problema de p casas decimais, ento o intervalo ( xil, xiu ) deve ser dividido em (xiu - xil)10p subintervalos iguais. Portanto, o gene xi dever ter pelo menos mi bits, pois:
u l 2 m i 1 < ( x i xi )10 P < 2 m i

(11)

Em outras palavras, o comprimento do gene xi a menor potncia de 2 dentre aquelas em que 2M supera (xiu - xil)10p. Assim, cada cromossomo tem um total de m1 + m 2 + L + m n bits (alelos) e representado por:
1 2 2 2 2 n n n n C k = b1 b1 L b1 1b 0 b m 2 1b m 2 2 L b1 b 0 L b m n 1b m n 2 L b1 b 0 m1 1 m1 2

(12)

Em que b i i (que tem valor 0 ou 1) o (mi j)-simo alelo correspondente ao i-simo gene.

236

FAMAT em Revista - Nmero 11 - Outubro de 2008

O procedimento consiste em criar, aleatoriamente, uma populao inicial de indivduos {C1, C2,..., Cn}. Em seguida, todos os indivduos dessa populao so modificados, submetendo-os aos operadores genticos; reproduo, cruzamento e mutao. Considerando estas definies, segundo Saramago (2003), o processo de otimizao utilizando algoritmos genticos representado pelo fluxograma da Figura 2.
xisup xiinf mi = log 2 preciso
1 1 0 1 0 1 1 0 0 1 0 1 1 0 Decodificao xi = xiinf + decimal (genei )2 Avaliar o custo xisup xiinf 2 mi 1

Incio

Codificao

Criar a populao

Critrio de parada satisfeito?

No

Sim

Fim

Seleo

Cruzamento 1 1 0 0 1 1 0 1 1 0 1 1 1 0

Mutao

Figura 2 - Fluxograma bsico de um algoritmo gentico binrio.

2.3. Planejamento de sistemas mistos contendo variveis qualitativas e quantitativas

Os sistemas mistos podem ser modelados atravs da adio de uma varivel indicadora z e o respectivo coeficiente , sendo seu valor estimado de modo anlogo aos coeficientes de regresso. Se a varivel possui dois nveis (A e B), ao termo z atribudo 0 (zero) para o nvel A e 1 (um) para o B. Quando existem trs nveis (A, B e C), so atribudos -1 (um negativo) para o nvel A, 0 (zero) para o nvel B e 1 (um) para o C. Neste trabalho, a anlise estatstica da matriz de dados foi realizada atravs de um cdigo computacional de Regresso Mltipla desenvolvido pelos autores utilizando o software Matlab.

FAMAT em Revista - Nmero 11 - Outubro de 2008

237

A otimizao por meio dos algoritmos genticos utiliza a sub-rotina GAOT do MATLAB (Grace, 1992). Esta realiza os clculos normalmente dentro desse intervalo padro. Porm, os valores obtidos so arredondados para nmeros inteiros, por meio de uma funo interna e s ento so substitudos no modelo para a estimativa da resposta. Esse procedimento, no caso da varivel qualitativa possuir dois nveis, exige a incluso de uma restrio, dada pela expresso: 0<z<1 (13)

No entanto, quando a varivel qualitativa possui 3 nveis, a restrio includa considera o fato de que o valor absoluto de z deve sempre ser menor ou igual a 1: |z| 1
3. APLICAES 3.1. Planejamento e otimizao na obteno de queijo Minas frescal com adio de leite reconstitudo

(14)

O objetivo a maximizao do rendimento na produo do queijo Minas frescal com adio de leite reconstitudo e a verificao da influncia da adio de cido ltico durante o processo. Os resultados obtidos, que sero otimizados utilizando algoritmos genticos, sero posteriormente comparados com os encontrados por Bona et al. (2002) atravs de tcnicas seqenciais do programa otplex. Como foram controlados apenas trs fatores (um qualitativo e dois quantitativos), Gacula (1993) sugeriu um delineamento fatorial 22 com ponto central, para eventual teste da curvatura. Este fatorial foi repetido duas vezes para acomodar a varivel qualitativa (Tabela 1). Considerase a varivel qualitativa relacionada presena (z=1) ou ausncia de cido ltico (z=0) e as variveis quantitativas referem-se porcentagem de leite reconstitudo e quantidade de CaCl2 presente no leite. No processo de obteno de queijo com acidificao direta adicionou-se 0,9 mL de cido ltico 85% a 4,0 L de leite tipo C homogeneizado (Furtado et al., 1980). Como agente coagulante foi utilizada a quimosina (3 mL) e a temperatura de coagulao foi mantida em 37 1C. Todos os queijos foram produzidos conforme o fluxograma proposto por Saboya et al. (1998). Nesta aplicao, sero utilizados dados do trabalho apresentado por Bona et al. (2002), conforme mostrado na Tabela 1. Por meio da anlise dos resultados experimentais de cada tratamento (Tabela 1), Bona et al. (2002) elaboraram um modelo de regresso linear para o rendimento atravs do software STATISTICA (1998). Neste trabalho, as superfcies de resposta obtidas, utilizando Regresso Polinomial Mltipla (Montgomery, 1984), so dadas pelas seguintes expresses:
rendimento = 64,946 1,991x1 + 0,411x2 2,342z

(15)

rendimento = 65,071 1,9912 x1+0,4112 x2 2,3420 z -0,1562 x12-0,1562 x22 +0,1813 x1 x2 (16)

238

FAMAT em Revista - Nmero 11 - Outubro de 2008

A superfcie de resposta linear obtida neste estudo foi coincidente com a apresentada por Bona et al. (2002) e dada de acordo com a Equao 15. O modelo encontrado apresenta razovel capacidade preditiva (R2 = 0,784) e baixa variabilidade (C.V. = 2,3%). Elaborou-se ainda um modelo de regresso quadrtico para o rendimento. A superfcie de resposta representada pela Equao 16. Este modelo apresenta capacidade preditiva e variabilidade um pouco maiores que as correspondentes superfcie de resposta linear (R2= 0,793 e C.V. = 2,8%).

Tabela 1 Delineamento experimental com os nveis de variao dos fatores, segundo Bona et al. (2002) Variveis Variveis Rendimento codificadas Originais Nmero do experimental experimento Presena Leite CaCl2 (%) z x1 x2 de cido Reconstitudo (%) (g/100 L de leite) 0 -1 -1 ausente 10 10 68,33 1 0 1 -1 ausente 40 10 60,95 2 0 -1 1 ausente 10 30 67,36 3 0 1 1 ausente 40 30 64,13 4 0 0 0 ausente 25 20 63,96 5 1 -1 -1 presente 10 10 62,68 6 1 1 -1 presente 40 10 61,37 7 1 -1 1 presente 10 30 64,57 8 1 1 1 presente 40 30 60,56 9 1 0 0 presente 25 20 63,84 10 z= (0) cido ltico ausente e (1) cido ltico presente; x1 = (leite reconstitudo 25)/15; x2 = (CaCl2 20)/10

Para cada aplicao do algoritmo gentico, foi utilizada uma populao de 80 indivduos e 100 geraes, sendo executadas 40 iteraes do mtodo, escolhendo-se ento o melhor valor. Aps 1759 iteraes realizadas ao longo de 18,24 s, encontrou-se como ponto timo da superfcie de resposta linear condies idnticas ao 3 experimento (rendimento = 67,36 %). Bona et al. (2002), atravs do programa otplex, obtiveram o mesmo resultado. O ponto timo obtido para uma superfcie de reposta quadrtica, aps 1975 iteraes e 18,21 s, tambm equivale s condies do terceiro experimento, mas, neste caso, o rendimento previsto um pouco inferior ao apresentado pelo modelo linear (rendimento = 66,98 %). Atravs dos modelos obtidos possvel construir as superfcies de resposta linear e quadrtica para o rendimento com ou sem adio de cido ltico (Figuras 3 e 4, respectivamente).

FAMAT em Revista - Nmero 11 - Outubro de 2008

239

Figura 3 Superfcie de Resposta Linear para o rendimento na produo de queijo minas frescal com ou sem adio de cido ltico.

Figura 4 Superfcie de Resposta Quadrtica para o rendimento na produo de queijo minas frescal com ou sem adio de cido ltico.

As Figuras 3 e 4 confirmam os resultados das otimizaes e fica evidente que o processo com melhor rendimento aquele em que cido ltico est ausente. Essa concluso, porm, no deve ser generalizada para a produo nas condies onde no h adio de leite reconstitudo (Furtado et al., 1980).

240

FAMAT em Revista - Nmero 11 - Outubro de 2008

3.2. Planejamento e otimizao dos parmetros de corte durante a fabricao de vlvulas

O objetivo obter a melhor condio de corte durante a fabricao de vlvulas de motores de combusto interna, que corresponde ao menor valor possvel de dureza superficial. Na otimizao dos parmetros de corte, so controlados quatro fatores (dois qualitativos e dois quantitativos), cujos nveis de parmetros so mostrados na Tabela 2. Observe que as variveis quantitativas so: x1 que representa a velocidade de corte Vc (m/min) e x2 que est relacionada com o avano linear f (m/min). As variveis qualitativas so dadas por: x3 que permite a escolha entre dois tipos de leo de corte a ser usado na usinagem e x4 representa a escolha entre trs tipos de inserto para a ferramenta de corte. Para a obteno de dados que permitissem a aproximao do fenmeno por uma superfcie de resposta foi utilizado um planejamento fatorial completo, resultando em 54 ensaios (27 ensaios (33) para fluido de corte da Iorga + 27 ensaios (33) para fluido de corte da Blaser), conforme apresentado na Tabela 3. Superfcies de resposta foram obtidas utilizando regresso polinomial mltipla (Montgomery, 1984). Para a soluo do problema de otimizao, que visa minimizao da dureza, foi utilizado o mtodo de algoritmo gentico. Em cada aplicao do mtodo considerou-se uma populao de 80 indivduos e 100 geraes, sendo executadas 40 iteraes do mtodo, escolhendo-se o melhor valor.
Tabela 2 Valores e Nveis dos Parmetros. Nvel dos Parmetros -1 0 1 . Tabela 3 Projeto experimental: nveis de variao dos fatores e respostas para cada teste. Planejamento Fatorial Completo Vc f Dureza leo de Corte Inserto [HB] 0 -1 -1 -1 358,2 0 -1 -1 0 353,1 0 -1 -1 1 357,7 0 -1 0 -1 362,2 0 -1 0 0 364,6 0 -1 0 1 352,1 0 -1 1 -1 362,9 leo de Corte (x3) Blaser Swissluble Iorga Inserto (x4) Saar Hartmetal Boehlerit Hetran Vc (x1) 40,0 50,0 60,0 f (x2) 2,0 3,0 4,0

Teste 1 2 3 4 5 6 7

FAMAT em Revista - Nmero 11 - Outubro de 2008

241

8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

-1 -1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

1 1 -1 -1 -1 0 0 0 1 1 1 -1 -1 -1 0 0 0 1 1 1 -1 -1 -1 0 0 0 1 1 1 -1 -1 -1 0 0 0 1 1 1 -1 -1 -1 0 0 0 1 1 1

0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1

367,1 344,9 353,5 356,0 356,2 360,4 368,5 380,2 373,4 383,9 387,4 353,4 357,3 367,0 370,2 378,1 366,9 367,9 367,5 373,7 353,7 356,5 360,2 361,7 361,8 361,0 387,5 378,0 366,2 364,1 365,9 369,2 371,9 388,8 388,9 373,6 361,3 355,4 361,3 357,4 362,5 377,1 374,5 374,9 384,4 379,5 386,7

242

FAMAT em Revista - Nmero 11 - Outubro de 2008

Por meio da anlise dos resultados experimentais de cada tratamento (Tabela 3), dois modelos de regresso para a dureza foram elaborados: um linear e um quadrtico. As superfcies de resposta encontradas, utilizando regresso polinomial mltipla (Montgomery, 1984), equivalem s seguintes expresses: Dureza = 369.7778+6.6139 x1+ 0.3806 x2-5.1741 x3 + 4.1917 x4 (17)

Dureza = 376.1056 +6.6139 x1-0.5722 x2 -5.1741 x3 + 3.9833 x4 - 4.5306 x12 - 0.8639 x225.1741 x32-4.0972 x42 - 2.6667 x1 x2+6.6139 x1 x3 +1.4000 x1 x4 +1.4000 x2 x3+ 2.5625 x2 x4 + 0.4167 x3 x4 (18) A superfcie de resposta linear encontrada neste estudo dada de acordo com a Equao 17. O modelo apresenta baixa variabilidade (C.V. = 2,55%). A superfcie de resposta quadrtica obtida para a dureza representada pela Equao 18. Esta superfcie possui variabilidade um pouco maior que a correspondente superfcie de resposta linear (C.V. = 2,83%). Em cada aplicao do mtodo de algoritmos genticos, para minimizao da dureza, foi utilizada uma populao de 80 indivduos e 100 geraes, sendo executadas 40 iteraes do mtodo, escolhendo-se o menor valor. Encontrou-se como ponto timo da superfcie de resposta linear condies idnticas ao 28 experimento com uma dureza mnima menor que a experimental (dureza = 353,4175). O ponto timo obtido para a superfcie de reposta quadrtica, tambm equivale s condies do 28 experimento, mas, neste caso, a dureza prevista ainda menor que as obtidas no teste e no modelo linear (dureza = 338,6003).

leo de corte Iorga Tipo de inserto: Saar Condies do 28 experimento : Vc: 40 m/min
f: 2 m/ min

Dureza (HB): 353,7

Atravs dos modelos obtidos possvel construir as superfcies de resposta linear e quadrtica para anlise da presena do leo de corte e escolha do inserto (Figuras 5 e 6, respectivamente).

FAMAT em Revista - Nmero 11 - Outubro de 2008

243

Figura 5 Anlise da presena do leo de corte e escolha do inserto Modelo linear.

Figura 6 Anlise da presena do leo de corte e escolha do inserto Modelo quadrtico.

As Figuras 5 e 6 confirmam os resultados das otimizaes e mostram que o processo em que as vlvulas fabricadas tero menor dureza superficial aquele em que o leo de corte Iorga est presente e no qual o inserto escolhido o Saar.

244

FAMAT em Revista - Nmero 11 - Outubro de 2008

4. CONCLUSES

Na rea de desenvolvimento de sistemas, durante a otimizao de projetos, comum encontrar-se sistemas mistos, ou seja, que dependem de variveis qualitativas e quantitativas. O trabalho props uma metodologia alternativa, baseada em tcnica de superfcie de resposta usada em conjunto com mtodos de otimizao, para o planejamento e otimizao destes sistemas. As superfcies de resposta apresentadas neste estudo foram aproximadas por funes polinomiais de 1 e 2 graus. Estimaram-se os coeficientes desses polinmios usando o Mtodo dos Quadrados Mnimos. Por meio da adaptao do algoritmo de otimizao foi possvel a simulao e otimizao de sistemas mistos, considerando a incluso de restries. A metodologia desenvolvida foi aplicada em dois estudos especficos. O primeiro refere-se maximizao do rendimento na produo do queijo Minas frescal com adio de leite reconstitudo e na verificao da influncia da adio de cido ltico durante o processo. Neste experimento, que envolvia um fator qualitativo e dois quantitativos, todos com 2 nveis, construiu-se um modelo a partir de um planejamento fatorial (22) mais o ponto central, com a simples incluso da varivel qualitativa. Foram desenvolvidos dois modelos, sendo um linear e outro quadrtico. O modelo linear se mostrou um pouco mais eficiente que o quadrtico. Com a construo das superfcies de resposta, verificou-se que o processo com melhor rendimento aquele em que cido ltico est ausente. Comparou-se o modelo linear obtido com aquele elaborado por Bona et al. (2002),e observou-se que os resultados so idnticos. J o segundo estudo considera o caso da otimizao dos parmetros de corte, durante a fabricao de vlvulas de motores de combusto interna, cujo objetivo minimizar a dureza superficial. Ao planejar experimentos especficos para dois fatores qualitativos (um com 2 nveis e o outro com 3 nveis) e dois quantitativos (ambos com 3 nveis) foi construdo um modelo misto a partir de um delineamento fatorial completo (23). Repetiu-se o fatorial a fim de acomodar a varivel qualitativa com 2 nveis, resultando em 54 ensaios. Foram desenvolvidos dois modelos: um linear e um quadrtico. Apesar dos dois terem encontrado o ponto timo sobre as mesmas condies, o modelo quadrtico se mostrou mais eficiente que o linear. Vale ressaltar, ainda, que os dois modelos apresentaram resultados melhores que o encontrado no teste com essas condies. Construindo-se as superfcies de resposta possvel verificar que o processo em que as vlvulas fabricadas tero menor dureza superficial aquele em que o leo de corte Iorga est presente e no qual o inserto escolhido o Saar. Os resultados, no caso das duas aplicaes, so considerados satisfatrios e mostraram que a modelagem proposta uma ferramenta eficiente para a otimizao de sistemas com vrios nveis de complexidade.

5. AGRADECIMENTOS

O primeiro autor agradece o CNPq por conceder suporte financeiro atravs da bolsa de estudos no C-028/2008.

FAMAT em Revista - Nmero 11 - Outubro de 2008

245

6. REFERNCIAS BIBLIOGRFICAS

Barros Neto, B., Scarminio, I. S. and Bruns, R. E., Planejamento e Otimizao de Experimentos, Editora Unicamp, Campinas, SP, 278p.,1995. Barros Neto, B. et al., Como fazer experimentos: pesquisa e desenvolvimento na cincia e na indstria, Editora Unicamp, Campinas, SP, 2001. Bona, E. et al., Aplicativo para otimizao empregando o mtodo simplex seqencial, Acta Scientiarum, Maring, PR, v.22, n.5, p.1201-1206, 2000. Bona, E., Borsato, D., da Silva, R. S. S. F. , Benetasso, D. L., Souza, D. A.,Planejamento e otimizao de sistemas mistos controlados por variveis qualitativas e quantitativas, Acta Scientiarum, Maring, PR, v.24, n.6, p.1843-1850, 2002. Box, G. E. P., Draper, N. R, Empirical Model-Building and response surfaces, John Wiley & Sons, New York, 1987. Cao, Y. J. et al., An evolutionary programming approach to mixed-variable optimization problems, Applied Mathematical Modelling, Orlando, v.24, p.931-942, 2000. Draper, N. R., Smith, H, Applied Regression Analysis. John Wiley & Sons, Inc., New York, 1966. Furtado, M. M. et al., Estudo conclusivo a respeito da fabricao do queijo minas frescal por diferentes processos, Revista do Instituto de Laticnios Cndido Tostes, Juiz de Fora, MG, v.35, n.208, p.13-16, 1980. Gacula, Jr. M. C., Design and analysis of sensory optimization, Food & Nutrition Press Inc., Connecticut, 1993. Goldberg, D. E., Genetic Algorithms in Search, Optimization, and Machine Learning. Reading, MA: Addison-Wesley, 1989. Grace, A., Optimization Toolbox- For use with Matlab, The Math Works Inc., Natick, 1992. Haupt, R. L., Haupt, S. E., Practical Genetic Algorithms, Wiley-Interscience Publication, New York, 2004. Montgomery, D.C., Design and analysis of experiments, John Wiley & Sons, New York, 2 ed., 537p., 1984. Saboya, L. V. et al., Efeitos fsico-qumicos da adio de leite reconstitudo na fabricao de queijo minas frescal, Cienc. Tecnol. Aliment., Campinas, SP, v.18, n.4, p.368-376, 1998. Saramago, S. F. P., Mtodos de otimizao Randmica: Algoritmos Genticos e Simulated Annelaing, So Carlos: SBMAC, v. 6, 35 p., 2003. Statistica, Statistica for Windows, StatSoft Inc., Tulsa, 1998.

246

FAMAT em Revista - Nmero 11 - Outubro de 2008