OTIMIZAÇÃO ESTRUTURAL MEDIANTE PROGRAMAÇÃO SEMIDEFINIDA. Elmer Giovanni Bazán Córdova
|
|
- Caio Galvão Canela
- 6 Há anos
- Visualizações:
Transcrição
1 OTIMIZAÇÃO ESTRUTURAL MEDIANTE PROGRAMAÇÃO SEMIDEFINIDA Elmer Giovanni Bazán Córdova Dissertação de Mestrado apresentada ao Programa de Pós-graduação em Engenharia Mecânica, COPPE, da Universidade Federal do Rio de Janeiro, como parte dos requisitos necessários à obtenção do título de Mestre em Engenharia Mecânica. Orientador: José Herskovits Norman Rio de Janeiro Junho de 2012
2 OTIMIZAÇÃO ESTRUTURAL MEDIANTE PROGRAMAÇÃO SEMIDEFINIDA Elmer Giovanni Bazán Córdova DISSERTAÇÃO SUBMETIDA AO CORPO DOCENTE DO INSTITUTO ALBERTO LUIZ COIMBRA DE PÓS-GRADUAÇÃO E PESQUISA DE ENGENHARIA (COPPE) DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE MESTRE EM CIÊNCIAS EM ENGENHARIA MECÂNICA. Examinada por: Prof. José Herskovits Norman, Dr.Ing. Prof. Fernando Pereira Duda, D.Sc. Prof. Antonio André Novotny, D.Sc. RIO DE JANEIRO, RJ BRASIL JUNHO DE 2012
3 Córdova, Elmer Giovanni Bazán Otimização estrutural mediante programação semidefinida/elmer Giovanni Bazán Córdova. Rio de Janeiro: UFRJ/COPPE, XI, 64 p.: il.; 29, 7cm. Orientador: José Herskovits Norman Dissertação (mestrado) UFRJ/COPPE/Programa de Engenharia Mecânica, Referências Bibliográficas: p Otimização estrutural. 2. Programação semidefinida. 3. Algoritmo do ponto interior. I. Norman, José Herskovits. II. Universidade Federal do Rio de Janeiro, COPPE, Programa de Engenharia Mecânica. III. Título. iii
4 A meus pais, Elmer e María, pelo carinho e constante apoio iv
5 Agradecimentos Ao Prof. José Herskovits, pela orientação, apoio e conhecimentos transmitidos ao longo da realização deste trabalho. Ao Prof. Nelson Maculan, pelo apoio e motivação para fazer o curso de Mestrado na UFRJ. Ao Prof. Miguel Aroztegui, pela amizade e apoio na realização deste trabalho. Aos colegas e amigos do Laboratório OptimizE: Arminda, Henry, Jorge, Mario, Helena e Elielson. Agradeço à Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) pelo suporte financeiro. v
6 Resumo da Dissertação apresentada à COPPE/UFRJ como parte dos requisitos necessários para a obtenção do grau de Mestre em Ciências (M.Sc.) OTIMIZAÇÃO ESTRUTURAL MEDIANTE PROGRAMAÇÃO SEMIDEFINIDA Elmer Giovanni Bazán Córdova Junho/2012 Orientador: José Herskovits Norman Programa: Engenharia Mecânica As técnicas de programação semidefinida (SDP) são muito eficientes na solução de problemas de otimização estrutural [1]. Um problema clássico em otimização estrutural consiste em minimizar o peso da estrutura sob certas restrições que podem ser as frequências naturais assim como a complacência. Apresenta-se, neste trabalho, uma reformulação do algoritmo FDIPA-SDP para resolver problemas de otimização estrutural, sem mudar a estrutura das matrizes empregadas na análise estrutural pelo método dos elementos finitos (MEF). O algoritmo apresentado baseia-se no algoritmo de pontos interiores proposto por Aroztegui [2], que resolve as condições de otimalidade de Karush-Kuhn-Tucker para SDP, empregando-se iterações tipo Newton. Finalmente, são apresentados exemplos numéricos em aplicações de otimização estrutural. vi
7 Abstract of Dissertation presented to COPPE/UFRJ as a partial fulfillment of the requirements for the degree of Master of Science (M.Sc.) SEMIDEFINITE PROGRAMMING FOR STRUCTURAL OPTIMIZATION Elmer Giovanni Bazán Córdova June/2012 Advisor: José Herskovits Norman Department: Mechanical Engineering The Semidefinite Programming Techniques (SDP) are very efficient in solving structural optimization problems. A classic problem in structural optimization consists on minimizing the weight of the structure under certain constraints that may be related to the natural frequencies as well as the compliance. In this work, a reformulation of the algorithm FDIPA-SDP to solve structural optimization problems is presented without changing the structure of the matrices used in structural analysis by the finite element method (FEM). The algorithm presented is based on the interior point algorithm proposed by Aroztegui [1] that solves the Karush-Kuhn-Tucker SDP optimality conditions employing Newton-like iterations. Finally, numerical examples are presented in structural optimization applications. vii
8 Sumário Lista de Figuras Lista de Tabelas x xi Introdução 1 1 Preliminares Notações Programação matemática Matrizes SDP Funções Vetores e Matrizes Produto de Kronecker Produto de Kronecker Produto Simétrico de Kronecker Transformação linear Complacência Complemento de Schur Programação Matemática Método dos Elementos Finitos Formulação do problema de Otimização Estrutural Introdução Componentes de um problema de Otimização Estrutural Identificação e definição das variáveis de projeto Definição da função objetivo (função custo) Identificação e definição das restrições Tipos de problemas de Otimização Estrutural Otimização Dimensional Otimização de Forma Otimização Topológica Problema de otimização não linear viii
9 2.4.1 Notações e Definições Condições de otimalidade de primeira ordem (KKT) Programação semidefinida (SDP) Formulação tradicional do problema de volume mínimo Problema de autovalores Propriedades do λ min Formulação SDP do problema de volume mínimo Algoritmo de pontos interiores e direções viáveis (FDIPA) Introdução Descrição do algoritmo FDIPA Hipóteses e Definições Cálculo da direção de busca Direção viável Busca Linear Algoritmo FDIPA Algoritmo de pontos interiores e direções viáveis para programação semidefinida (FDIPA-SDP) Introdução Notações e definições Condições de otimalidade de primeira ordem de KKT Descrição do algoritmo FDIPA-SDP Matriz do sistema linear Cálculo da direção de busca Direção viável Busca linear Atualização Algoritmo FDIPA-SDP Testes Numéricos Exemplo 1 - Problema Exemplo 2 - Treliça de 10 barras Exemplo 3 - Treliça de 10 barras sujeita a restrições de deslocamento 57 6 Conclusões 60 Referências Bibliográficas 62 ix
10 Lista de Figuras 1 Processo de Otimização Estrutural Função convexa Função semi-contínua superiormente Exemplo de uma função semi-contínua superiormente Padrão esparso do produto de Kronecker das matrizes A e I Padrão esparso do produto simétrico de Kronecker das matrizes A e I Uma treliça bidimensional Definição do elemento barra bidimensional Co-senos diretores Condições de KKT do problema Possível descontinuidade do λ min Direção de busca do algoritmo FIDPA Busca Linear de Armijo Convergência do algoritmo FDIPA-SDP para o Exemplo Treliça de 10 barras com carregamento simples Otimização da treliça de 10 barras do Exemplo Convergência do algoritmo FDIPA-SDP para o Exemplo Otimização da treliça de 10 barras para o Exemplo Convergência do algoritmo FDIPA-SDP da treliça de 10 barras do exemplo x
11 Lista de Tabelas 5.1 Otimização do exemplo Evolução da redução do volume da estrutura do Exemplo Estrutura ótima obtida para a treliça de 10 barras do exemplo Evolução da redução do volume da estrutura do Exemplo Estrutura ótima obtida para a treliça de 10 barras do exemplo xi
12 Introdução Neste trabalho, apresenta-se um modelo de otimização estrutural para minimizar o peso de estruturas de treliças mediante a implementação da programação semidefinida ao algoritmo FDIPA (Feasible Direction Interior Point Algorithm), considerando como restrições as frequências naturais da estrutura, a complacência e os deslocamentos dos nós. A otimização estrutural tem como objetivo a busca de uma estrutura viável que minimize uma função custo e verifique um conjunto de restrições. A função custo mais comumente utilizada na engenharia é o peso total da estrutura sob restrições mecânicas impostas, sejam elas estáticas ou dinâmicas [3]. A otimização de forma e tamanho de estruturas com restrições de frequência natural é muito útil quando se deseja melhorar o comportamento dinâmico destas [4]. Um problema de programação semidefinida linear (SDP) é um problema de minimização de uma função linear sobre restrições lineares tais que as variáveis são matrizes semidefinidas positivas [1]. Se a função ou as restrições são não lineares o problema se denomina programação semidefinida não linear (NL-SDP) [2]. Uma aplicação da programação semidefinida, que recebeu menos atenção foi o projeto estrutural, onde os problemas mais conhecidos são problemas de otimização estrutural [5]. Neste caso, existem duas variantes: Minimizar o peso da estrutura tal que sua frequência natural permanece acima de um valor crítico; Minimizar a complacência (trabalho feito pelas forças externas) da treliça, sujeita a um conjunto de forças que a estrutura tem que suportar. Recentemente, tem-se encontrado algumas aplicações no campo da otimização estrutural. Para estruturas tais como treliças, placas com deformação plana, pórticos planos, placas com seção transversal sanduíche, etc., as matrizes de rigidez e massa são funções lineares das variáveis de projeto e os problemas de otimização com restrições de frequências naturais e complacência podem ser formuladas por SDP [1]. 1
13 A otimização estrutural tem que seguir um esquema coerente, definido por CASTELEIRO [6], nos seguintes termos: Formulação do problema de Otimização A otimização estrutural pode ser definida como um problema geral de programação matemática, como a minimização de uma certa função objetivo (peso estrutural, concentração de tensões, custo, etc.), sujeita a restrições que devem ser respeitadas, expressas geralmente como desigualdades em função das variáveis de projeto que definem o comportamento estrutural (esforços, tensões, deslocamentos inferiores a certos valores admissíveis, limitações geométricas, etc.). Geração de um modelo de Otimização Definição da estrutura através de um conjunto de variáveis de projeto que determinam suas propriedades, de modo que se possa realizar sua análise mediante um determinado procedimento de cálculo estrutural e assim obter a informação necessária para o planejamento do problema de otimização (tensões, deslocamentos, etc.). Novos métodos de solução de problemas Desenvolvimento e aplicação de novos métodos de solução de problemas de programação matemática. A estrutura apresentada na Figura 1 é utilizada para ilustrar o processo de otimização estrutural descrito por CASTELEIRO [6]. Trata-se de uma treliça de três barras, onde a função objetivo é o peso da estrutura, com peso inicial W i, e as variáveis de projeto são as áreas das barras A 1, A 2 e A 3 e o ângulo α. A estrutura está sujeita a uma carga P dada e considera-se como restrição a tensão máxima admissível σ máx. Depois da realização do processo de otimização, mediante alguma técnica de programação matemática, os resultados mostraram que as áreas das barras 1 e 3, na configuração final da estrutura, são maiores que na configuração inicial e o valor da área da barra 2 tornou-se nulo, portanto, o peso final da estrutura foi reduzido em 10%, ou seja, W f = 0, 9W i. Estado da arte WEI et al. [4] utilizaram algoritmos genéticos paralelos para otimizar as dimensões e forma das estruturas de treliças com restrições de frequência natural e minimizaram o peso da estrutura evitando os efeitos da ressonância causada por excitações externas. 2
14 Função Objetivo: Variáveis do projeto: Dados: Dados: Figura 1: Processo de Otimização Estrutural 3
15 AROZTEGUI [2] utilizou uma técnica de programação semidefinida não linear na otimização estrutural de materiais lineares elásticos e propôs um novo modelo de otimização de estruturas planas, no qual minimiza-se o volume de estruturas planas com restrições definidas sobre o tensor de elasticidade e restrições locais de tensão ou deslocamento. ACHTZINGER e KOCVARA [7] formularam diferentes problemas de otimização topológica de estruturas discretas, mediante a programação semidefinida: o problema de minimização do peso da estrutura para diferentes casos de carregamento, o problema de maximização do autovalor mínimo da estrutura e, o problema de minimização da complacência (maximização da rigidez) estrutural. BEN-TAL e NEMIROSKI [8] apresentaram uma formulação SDP para o projeto topológico robusto de estruturas com restrições de complacência. OHSAKI et al. [9] mostraram que as treliças ótimas com multiplicidade de frequências naturais podem ser obtidas sem dificuldades através da técnica de programação semidefinida, e o método pode ser estendido a restrições de flambagem. Objetivos Este trabalho ter como objetivos: Otimizar uma estrutura de treliças fazendo uso da técnica de programação semidefinida; Reduzir o peso de uma estrutura de treliças tendo como restrições as frequências naturais e os deslocamentos; Implementar o algoritmo de pontos interiores e direções viáveis para programação semidefinida (FDIPA-SDP); Mostrar resultados numéricos para o problema de otimização estrutural. Organização do trabalho O trabalho está organizado em seis capítulos, distribuídos da forma que sigue: No capítulo 1, apresentam-se algumas notações e definições matemáticas necessárias ao desenvolvimento dos conceitos para a formulação de problemas de programação semidefinida não linear, e também, uma introdução ao método dos elementos finitos para a solução da análise estrutural de treliças. No capítulo 2, apresenta-se a formulação do problema de otimização estrutural, em duas versões: a formulação tradicional e a formulação para programação semidefinida. 4
16 No capítulo 3, apresenta-se o algoritmo FDIPA para resolver problemas de otimização não linear da forma: minimizar f (x) x R n sujeito a: g (x) 0 onde, x R n é o vetor das variáveis de projeto, f : R n R é a função objetivo e, g : R n R m é a função das restrições de desigualdade. Neste capítulo, são definidos os conceitos de programação matemática não linear e o fundamento teórico necessário para a compreensão do método, que é a base do algoritmo de programação semidefinida. forma: No capítulo 4, apresenta-se o algoritmo FDIPA-SDP para resolver problemas da minimizar f (x) x R n sujeito a: G (x) 0 onde, x R n é o vetor das variáveis de projeto, f : R n R é a função objetivo e, G : R n S m é um mapeamento de R n no espaço S m das matrizes reais simétricas m m. A partir da implementação do algoritmo FDIPA-SDP apresentam-se, no capítulo 5, exemplos numéricos que mostram a utilização prática da formulação de problemas SDP em comparação com a formulação tradicional. Os exemplos numéricos mostrados são os seguintes: um problema teste algébrico da coleção de problemas teste de Schittkowski [10] e, dois problemas de otimização estrutural nos quais consideram-se restrições de complacência, frequência natural e deslocamentos. Finalmente, no capítulo 6, são apresentadas as conclusões e as sugestões para trabalhos futuros. 5
17 Capítulo 1 Preliminares Neste capítulo, apresentam-se algumas notações e definições que serão utilizadas ao longo deste trabalho. 1.1 Notações Programação matemática Um problema de otimização não linear sujeito a restrições de desigualdade pode ser formulado da seguinte maneira: minimizar f (x) x R n sujeito a: g (x) 0 (1.1) onde, a função f : R n R é chamada a função objetivo e, g : R n R m é a função das restrições de desigualdade. Denote-se por n o número de variáveis de projeto e m o número de restrições de desigualdade. O vetor das variáveis de projeto é denotado por x = [ x 1,..., x n ] T e o vetor de restrições é denotado por g (x) = [ g 1 (x),..., g m (x)] T. O vetor gradiente de uma função f : R n R é denotado por: [ f (x) f (x) =,..., x i ] T f (x) R n (1.2) x n As derivadas parciais de g i em relação a x i são agrupadas na matriz g (x) R n m denotada por: g (x) = [ ] g 1 (x),..., g m (x) (1.3) 6
18 A Hessiana de f em x é denotada por: 2 f (x)... x f (x) = f (x)... x n x 1 2 f (x) x 1 x n. 2 f (x) x 2 n (1.4) onde as componentes 2 f(x) x i x j, i, j = 1,..., n são as derivadas parciais de segunda ordem da função f Matrizes SDP Para matrizes definidas (ou semidefinidas) positivas, o conjunto de matrizes simétricas de ordem n n é denotado por S n. A matriz A é chamada semidefinida positiva se x T Ax 0 para todo x R n e é chamada definida positiva se x T Ax > 0 para todo x 0 R n. O conjunto de matrizes semidefinidas positivas denota-se por S+ n e o conjunto de matrizes definidas positivas denota-se por S++. n 1.2 Funções Definição (Conjunto Convexo). Seja C um subconjunto de R n. C é um conjunto convexo se, para qualquer par de pontos x, y C, e para qualquer λ [0, 1], o ponto λx + (1 λ) y pertence também a C. Definição (Função Convexa). Uma função f : C R definida em um conjunto convexo C é convexa se, e somente se, para todo x, y C e para λ [0, 1], se verifica que: f (λx + (1 λ)y) λf (x) + (1 λ) f (y) (1.5) Se para todo λ (0, 1) e x y e λ (0, 1) vale que: f (λx + (1 λ)y) < λf (x) + (1 λ) f (y) (1.6) diremos que f é estritamente convexa. Definição (Função quasiconvexa). Uma função f é quasiconvexa se, e somente se, para qualquer x e y, e para qualquer λ [0, 1], a seguinte desigualdade é satisfeita: f (λx + (1 λ)y) max {f (x), f (y)} (1.7) 7
19 Figura 1.1: Função convexa Definição (Função semi-contínua superiormente). Uma função f : X R diz-se semi-contínua superiormente (scs) [11] no ponto a X quando, para cada c > f (a) dado, existe δ > 0 tal que x X, x a < δ implica f (x) < c. Figura 1.2: Função semi-contínua superiormente Exemplo Seja a função: 1, x < 0 f (x) = 1, x 0 semi-contínua superiormente em x 0 = 0, como mostra-se na Figura
20 Figura 1.3: Exemplo de uma função semi-contínua superiormente 1.3 Vetores e Matrizes Definição (Matriz Identidade). Uma matriz identidade é uma matriz diagonal onde seus elementos são todos iguais a um, isto é: I n =..... (1.8) Definição (Matriz Simétrica). Uma matriz quadrada A R n n é chamada simétrica se a matriz e sua transposta são iguais, isto é: A T = A (1.9) Definição (Matriz esparsa). Uma matriz é esparsa quando o número de elementos nulos é muito maior que o número de elementos não nulos. Definição (Menores principais de uma matriz). Seja uma matriz quadrada A R n n. Define-se M i como uma submatriz de A formada por as i-primeiras filas e as i-primeiras colunas de A. Os menores principais de A são os determinantes das submatrizes M 1, M 2,..., M n. Exemplo Seja a matriz A: A =
21 Definem-se as submatrizes de A como: M 1 = ( 1), M2 = , M 3 = Portanto, os menores principais da matriz A são: M 1 = 1, M 2 = 3, M 3 = 0 Definição (Matriz Definida Positiva). Uma matriz M R n n é definida positiva quando: v T Mv > 0 (1.10) para qualquer v 0 R n. Teorema (Propriedades de uma matriz definida (ou semidefinida) positiva). Seja X S n. Os seguintes enunciados são equivalentes: 1. X S+ n ou X 0 (X é semidefinida positiva); 2. z T Xz 0, z R n ; 3. λ min (X) 0, onde λ min é o menor autovalor da matriz X; 4. Todos os menores principais do X são não negativos; 5. X = LL T para algum L R n n é chamada descomposição de Cholesky da matriz X. Demonstração. Ver [12]. Definição Para toda matriz simétrica U de ordem n n, o vetor vec (U) R n2 define-se como: vec (U) = (u 11,..., u n1, u 12,..., u n2, u 1n,... u nn ) T (1.11) Exemplo Seja a matriz A = Logo vec (A) = [ ] T 1, 1, 2, 1, 2, 4, 2, 4, 3 10
22 Definição Para toda matriz simétrica U de ordem n n, o vetor svec (U) R 1 2 n(n+1) define-se como: svec (U) = ( u 11, 2u 21,..., 2u n1, u 22, 2u 32,..., 2u n2,..., u nn ) T (1.12) tal que: svec (U) T svec (U) = tr ( U T U ) = vec (U) T vec (U) (1.13) Exemplo Seja a matriz A do exemplo anterior, logo: svec (A) = [ 1, 2, 2 2, 2, 4 ] T 2, 3 Definição (Traça de uma matriz). Para uma matriz quadrada A de ordem n, define-se a traça da matriz A como a soma dos elementos da diagonal de A, isto é: tr (A) = n a ii (1.14) i=1 Teorema Sejam A R n n e B R n n. Os seguintes enunciados são equivalentes: n 1. tr (A) = λ i (A) i=1 2. tr (A) = tr(a T ) 3. tr (AB) = tr (BA) 4. tr(ab T ) = vec (A) T vec (B) = n a ij b ij i,j=1 Demonstração. Ver [5]. Definição (Produto interno de matrizes). O produto interno entre matrizes em R m n define-se a partir do produto, a transposta e a traça de matrizes, isto é: A B = A, B = tr ( A T B ) n m = a ij b ij, A, B R m n (1.15) i=1 j=1 Exemplo Sejam as matrizes: A = 1 3, B = o produto interno é: A, B = tr ( A T B ) = 2 11
23 Definição (Norma de uma matriz). Define-se a norma Frobenius em R m n da matriz A, denotada por A F como: 1/2 m n A F = (a ij ) 2 i=1 j=1 (1.16) onde A R m n. interno como: A norma de Frobenius em R n n define-se através do produto A = A, A = tr (AA T ) (1.17) a qual satisfaz as seguintes condições: 1. A > 0 se A O, e O = 0, onde O é a matriz com todos seus elementos nulos; 2. ca = c A, para todo c R; 3. A + B A + B ; 4. AB A B. Demonstração. Ver [13]. Definição (Valores próprios e vetores próprios). Um problema de valor próprio (ou autovalor) é definido como: Ay = λy (1.18) onde, A R n n. Deseja-se encontrar uma solução não trivial, ou seja, quer se encontrar um vetor próprio (ou autovetor) não nulo e o correspondente valor próprio λ que satisfaz a Equação A Equação 1.18 pode ser escrita como: (A λi) y = 0 (1.19) Uma solução não nula para y poderá ser obtida quando A λi seja uma matriz singular, ou seja: det (A λi) = 0 (1.20) A Equação 1.20 é chamada Equação característica. Pode-se encontrar as n raízes ou valores próprios λ 1, λ 2,..., λ n. Denote-se por λ min = λ 1 o menor autovalor e λ max = λ n o maior autovalor. Para cada valor próprio λ i, o vetor próprio associado y i pode ser obtido da Equação 1.19, isto é: (A λ i I) y i = 0 (1.21) 12
24 1.4 Produto de Kronecker Produto de Kronecker Define-se o produto de Kronecker [5] de duas matrizes G R m n e K R r s, pela matriz bloco de ordem mr ns, da forma: G K = [g ij K], i = 1,..., m, j = 1,..., n (1.22) Teorema Sejam K, L, G e H matrizes reais: 1. (G K) vec (H) = vec ( KHG ) T ; 2. (G K) T = G T K T ; 3. (G K) 1 = G 1 K 1 ; 4. (G K) (H L) = (GH) (KL). Demonstração. Ver [12]. Exemplo Sejam as matrizes A e B, tais que: A = 1 2, B = O produto de Kronecker é: C = A B = Produto Simétrico de Kronecker O produto simétrico de Kronecker [5] de duas matrizes G R n n e K R n n (não necessariamente simétricas), é uma aplicação (G s K) definida por: (G s K) u = 1 2 svec ( KUG T + GUK T ) (1.23) onde, u é um vetor tal que u = svec(u), sendo U uma matriz simétrica n n. Note que (G s K) é um operador linear definido implicitamente na Equação Considerando a matriz ortogonal Q R 1 2 n(n+1) n2 com a propriedade seguinte: Qvec (U) = svec (U) e Q T svec (U) = vec (U), U S n, (1.24) 13
25 a representação matricial de G s K pode ser caracterizada como no seguinte resultado. Teorema Seja Q R 1 2 n(n+1) n2 a única matriz ortogonal que satisfaz a Equação Para qualquer G R n n e K R n n tem-se: G s K = 1 2 Q (G K + K G) QT (1.25) Demonstração. Ver [5]. No próximo exemplo apresentaremos uma comparação entre o produto de Kronecker e o produto simétrico de Kronecker. Exemplo Sejam as matrizes A e I, onde a matriz A é uma matriz em banda e a matriz I é uma matriz identidade, com as formas seguintes: A = e I = As Figuras 1.4 e 1.5 abaixo, mostram o padrão esparso do produto de Kronecker e do produto simétrico de Kronecker das matrizes A e I respectivamente. Observando a distribuição dos elementos em cada uma das figuras, pode-se concluir que o custo computacional, no caso do produto de Kronecker é menor do que no caso do produto simétrico de Kronecker. 14
26 O padrão esparso foi obtido pelo comando spy do MATLAB nz = 580 Figura 1.4: Padrão esparso do produto de Kronecker das matrizes A e I nz = 535 Figura 1.5: Padrão esparso do produto simétrico de Kronecker das matrizes A e I. 15
27 1.5 Transformação linear Uma transformação (ou mapeamento) T é uma aplicação, que satisfaz: 1. T (u + v) = T (u) + T (v), para todo u, v no domínio de T ; 2. T (cu) = ct (u), para todo u e todo escalar c. Demonstração. Ver [12]. 1.6 Complacência Define-se a complacência W [1] como o trabalho externo equivalente à energia de deformação: ( W = p T u = u T Ku = 2 p T 1 ) 2 ut Ku = p T K 1 p (1.26) 1.7 Complemento de Schur Teorema Seja a matriz: M = A B T B (1.27) C onde A é uma matriz definida positiva é C é uma matriz simétrica, então a matriz: D = C B T A 1 B (1.28) é chamada o complemento de Schur de A em M. equivalentes: Os seguintes enunciados são M é definida (ou semidefinida) positiva. D é definida (ou semidefinida) positiva. Demonstração. Ver [5]. 1.8 Programação Matemática Definição (Região viável). Define-se Ω o conjunto de pontos viáveis do problema (1.1) como: Ω = {x R n : g (x) 0} (1.29) 16
28 Definição (Conjunto de restrições ativas). Dado um ponto x Ω, o conjunto de restrições de desigualdade ativas é: I (x) := {g i : g i (x) = 0, x Ω, i = 1,..., m} (1.30) Definição (Direção viável). Um vetor d R n é uma direção viável em x Ω se existe θ > 0 tal que x + td Ω para todo t [0, θ). Definição (Direção de descida). Um vetor d R n é uma direção de descida para uma função suave φ : R n R em x R n se existe ψ > 0 tal que φ (x + td) < φ (x) para todo t (0, ψ). Se d T φ (x) < 0, então d é uma direção de descida para φ em x. Definição (Mínimo local). O ponto x Ω é um mínimo local de f, se existe um ɛ > 0 tal que f (x ) f (x) para todo x Ω B (x, ɛ). Onde B (x, ɛ) é a bola aberta de centro x e raio ɛ. Definição (Mínimo local estrito). O ponto x Ω é um mínimo local estrito de f, se existe um ɛ > 0 tal que f (x ) < f (x) para todo x Ω B (x, ɛ). Definição (Ponto regular). Um ponto x é dito ponto regular das restrições do problema (1.1) se o conjunto { g i (x) : i I (x)} é linearmente independente. Definição (Espaço tangente). O espaço tangente no ponto regular x é dado por: T (x) := { d : gi T d = 0, i I (x) } (1.31) 1.9 Método dos Elementos Finitos A análise estrutural usa três equações básicas, chamadas equações de compatibilidade, de equilíbrio e constitutivas, também chamadas de relação tensãodeformação. O Método dos Elementos Finitos usa os conceitos de discretização do contínuo e de matriz de interpolação, que fornece os deslocamentos em um ponto, no interior do elemento, em função de seus deslocamentos nodais. O análise de estruturas de treliças pode ser obtido pelo método dos elementos finitos. Na Figura 1.6 [14] mostra-se uma treliça plana típica. Uma estrutura de treliças só tem membros sujeitos a duas forças, tração ou compressão. Em uma treliça, os carregamentos e as reações são aplicadas somente nos nós, e todos os membros estão conectados nos extremos por meio de articulações sem fricção. No caso de uma treliça, os eixos das barras têm sentidos diferentes, portanto existem dois tipos de coordenadas, as coordenadas locais s e as coordenadas globais (x, y). 17
29 Nó Elemento barra Força nodal Figura 1.6: Uma treliça bidimensional. Sistema local de coordenadas Sistema global de coordenadas Figura 1.7: Definição do elemento barra bidimensional. A Figura 1.7 [15] mostra um elemento barra bidimensional de uma estrutura de treliças. Os nós 1 e 2 são, respectivamente, o nó inicial e o nó final de um elemento barra bidimensional e. Cada nó tem dois graus de liberdade no sistema global de coordenadas. O ângulo φ define a rotação do eixo da barra em relação ao sistema global de coordenadas. O sistema local de coordenadas consiste no eixo s que encontra-se alinhado ao longo do elemento do nó 1 até o nó 2. O sistema global de coordenadas está fixo e não depende da orientação do elemento. 18
30 O elemento barra é unidimensional no sistema local de coordenadas, assim os vetores deslocamento e força nodal são definidos como: u (e) = [ u (e) s1 f (e) = [ f (e) 1s u (e) s2 f (e) 2s ] T (1.32) ] T (1.33) No sistema global de coordenadas, a força nodal tem duas componentes, similarmente, cada deslocamento nodal tem duas componentes, assim pode-se definir os vetores deslocamento e força nodal como: u (e) = [ ] u (e) 1 v (e) 1 u (e) 2 v (e) T 2 (1.34) f (e) = [ f (e) 1x f (e) 1y f (e) 2x f (e) 2y ] T (1.35) O comprimento do elemento barra pode ser determinado através de seus nós 1 e 2, segundo: L (e) = (x (e) 2 x (e) ) 2 ( (e) 1 + y 2 y (e) ) 2 1 (1.36) Figura 1.8: Co-senos diretores. Tomando-se como referência a Figura 1.8, definem-se os valores l (e) e m (e) como: Define-se a matriz de transformação T como: l (e) = cos φ (e) = x(e) 2 x (e) 1 (1.37) L (e) m (e) = sin φ (e) = y(e) 2 y (e) 1 (1.38) L (e) T (e) = l(e) m (e) 0 0 (1.39) 0 0 l (e) m (e) Pode-se relacionar os vetores deslocamentos e forças nodais do elemento barra 19
31 e nos sistemas local e global, mediante a matriz de transformação, assim: u (e) = T (e) u (e) (1.40) T (e)t f (e) = f (e) (1.41) Como o elemento barra é unidimensional no sistema de coordenadas local, então a matriz de rigidez, referida ao sistema local de coordenadas s, é definida como: K (e) = A(e) E (e) L (e) 1 1 (1.42) 1 1 Podem-se relacionar as matrizes de rigidez nos sistemas global e local mediante a matriz de transformação, assim: K (e) = T (e)t K (e) T (e) (1.43) Substituindo-se a Equação 1.39 na Equação 1.43 temos que: K (e) = A(e) E (e) L (e) l 2 (e) l (e) m (e) l 2 (e) l (e) m (e) l (e) m (e) m 2 (e) l (e) m (e) m 2 (e) l 2 (e) l (e) m (e) l 2 (e) l (e) m (e) l (e) m (e) m 2 (e) l (e) m (e) m 2 (e) (1.44) Da Equação 1.44, pode-se observar que a matriz de rigidez do elemento barra depende do comprimento L, da rigidez axial EA, e do ângulo de orientação φ. A matriz de rigidez é simétrica e semidefinida positiva e os elementos da diagonal da matriz são zeros ou maiores que zero. A partir da matriz de rigidez e das forças nodais de cada elemento e no sistema global, é feita então a montagem da matriz de rigidez K e das forças nodais f globais da estrutura em função da conexão entre os elementos [16], obtendo-se a Equação de equilíbrio global da estrutura: Ku = f (1.45) A matriz de massa do elemento barra é dada por: M = L 0 ρann T dv (1.46) sendo ρ a densidade do elemento, N o vetor das funções de forma, e V o volume do elemento. 20
32 O vetor das funções de forma para o elemento barra é dado por: N T = [ N 1 (x) ] N 2 (x) (1.47) sendo as funções de forma: N 1 (x) = x x 2 L N 2 (x) = x x 1 L (1.48) (1.49) Usando-se as funções de forma e substituindo-se na Equação 1.46 temos que a matriz de massa do elemento barra no sistema local de coordenadas é dada por: M (e) = ρ(e) A (e) L (e) (1.50) 1 2 A matriz de massa no sistema global de coordenadas é dada por: M (e) = ρ(e) A (e) L (e) (1.51) A montagem da matriz de massa global M é feita da mesma maneira que a montagem da matriz de rigidez. 21
33 Capítulo 2 Formulação do problema de Otimização Estrutural 2.1 Introdução A otimização estrutural busca selecionar uma configuração ótima de um conjunto de possíveis candidatos. Um importante passo na otimização é transcrever as afirmações verbais de um problema de otimização em uma bem definida afirmação matemática. Na afirmação verbal, o objetivo de um problema de otimização é encontrar o projeto ótimo que minimize (ou maximize) uma função objetivo (ou função custo) sujeita a certas restrições dadas. Exemplos de funções objetivo em análise estrutural são o peso, a rigidez ou a complacência, a fadiga, o nível de ruído, a amplitude e a frequência natural, a segurança, etc [17]. 2.2 Componentes de um problema de Otimização Estrutural Para formular um problema de otimização estrutural [17] é importante definir três componentes do problema: as variáveis de projeto, a função objetivo e a função de restrições Identificação e definição das variáveis de projeto As variáveis de projeto em um problema de otimização estrutural podem ser: o tamanho dos elementos, os parâmetros de configuração e, os parâmetros de propriedades físicas e mecânicas [18]. O tamanho de cada elemento, que é a variável de projeto mais simples, pode representar a área da seção transversal de uma barra, 22
34 o momento de inércia de um elemento em flexão, ou a espessura de uma placa. A i-ésima variável de projeto denota-se por x i onde i = 1,..., n e o conjunto de variáveis são armazenadas em um vetor coluna, tal como visto na Equação 2.1: x = [ x 1,..., x n ] T (2.1) sendo n o número de variáveis de projeto. independentes. As variáveis de projeto devem ser Definição da função objetivo (função custo) Uma vez definidas as variáveis de projeto, o passo seguinte é definir a função objetivo do problema. A função objetivo depende das variáveis de projeto. A função objetivo é a função a minimizar (ou maximizar) em um processo de otimização, e, constitui a base para selecionar um projeto aceitável. A função objetivo é uma função escalar das variáveis de projeto e, denota-se por f (x), e, representa a propriedade mais importante de um projeto, como o custo ou o peso, mas é possível representar a função objetivo como uma função de várias das propriedades desejáveis. O peso é a propriedade mais empregada como função objetivo Identificação e definição das restrições Uma restrição, em qualquer tipo de problema, é uma limitação que deve ser satisfeita para que o projeto seja aceitável. A limitação poder ser imposta diretamente em uma variável ou grupo de variáveis (restrição explícita), ou pode ainda representar uma limitação sobre quantidades cuja dependência com as variáveis de projeto não é possível definir diretamente (restrição implícita). Existem dois tipos de restrições: igualdade e desigualdade. As restrições de igualdade fornecem relações entre as variáveis do projeto ou podem impor condições que deve satisfazer a um projeto viável. Quando a relação é linear, é possível eliminar do processo de otimização uma das variáveis de projeto, e, assim, reduzir o número de dimensões do problema. As restrições de desigualdade são mais utilizados em problemas estruturais e fornecem os limites de rendimento. Por exemplo, o esforço máximo no projeto deve ser menor que o esforço admissível do material. Algumas restrições limitam por cima ou por baixo as variáveis de projeto. A ideia de uma restrição de desigualdade é importante no projeto estrutural ótimo, para visar a otimalidade é essencial permitir projetos nos quais nem todas as restrições são satisfeitas diretamente [18]. 23
35 2.3 Tipos de problemas de Otimização Estrutural Existem três classes de otimização, e na concepção do projeto deve-se escolher qual delas utilizar: otimização dimensional, otimização geométrica e otimização topológica [3] Otimização Dimensional A otimização dimensional utiliza como variável de projeto um parâmetro de um elemento estrutural. No caso de uma estrutura de treliças, a variável de projeto pode ser a área da seção transversal da barra, e para uma placa, a variável de projeto é a sua espessura, e, necessita utilizar técnicas de discretização do domínio para possibilitar a obtenção de uma solução numérica via método dos elementos finitos Otimização de Forma A otimização de forma tem como objetivo definir a melhor fronteira de um sólido com relação a uma função custo e restrições mecânicas de projeto. O domínio deste problema necessita ser discretizado para existir um número finito de pontos ao longo da fronteira e, assim, possibilitar uma solução numérica via método dos elementos finitos Otimização Topológica A otimização topológica tem como objetivo definir, da melhor forma possível, a distribuição de material em um domínio pré-determinado, considerando-se uma função custo e as restrições mecânicas. A variável de projeto, neste caso, é o próprio domínio, no qual se pode retirar o material, ou seja, criar furos. O domínio do problema da topologia necessita ser discretizado para se trabalhar apenas com um número finito de pontos para se obter uma solução numérica aproximada das equações diferencias parciais do problema. 2.4 Problema de otimização não linear Um problema de otimização não linear diferenciável sujeito a restrições de desigualdade pode ser formulado da seguinte maneira: minimizar f (x) x R n sujeito a: g (x) 0 (2.2) 24
36 onde, x R n é o vetor das variáveis de projeto, f : R n R é a função objetivo e, g : R n R m é a função das restrições de desigualdade, sendo f e g, funções de classe C 1, e, pelo menos uma delas é não linear Notações e Definições Denota-se por x = [x 1,..., x n ] T o vetor das variáveis de projeto, g (x) = [g 1 (x),..., g n (x)] T o vetor de restrições, f (x) R n o vetor gradiente de f, g (x) R n m a matriz dos gradientes de g. G (x) é uma matriz diagonal tal que G ii (x) = g i (x) e λ R m é uma variável auxiliar chamada o multiplicador de Lagrange. Definição (Função Lagrangiana). Define-se a função Lagrangiana L : R n R m R, associada ao problema 2.2, como: m L (x, λ) = f (x) + λ T g (x) = f (x) + λ i g i (x) (2.3) i=1 Definição (Gradiente da função Lagrangiana). Define-se o gradiente da função Lagrangiana em relação a x, associada ao problema 2.2, como: m x L (x, λ) = f (x) + λ i g i (x) (2.4) i=1 Definição (Hessiana da função Lagrangiana). Define-se a Hessiana da função Lagrangiana H : R n R m R n m, associada ao problema 2.2, como: m H (x, λ) = 2 f (x) + λ i 2 g i (x) (2.5) i=1 Definição (Restrição ativa). Uma restrição de desigualdade é chamada ativa, se g i (x) = 0, e, inativa, se g i (x) < Condições de otimalidade de primeira ordem (KKT) As condições de otimalidade de primeira ordem de Karush-Kuhn-Tucker, correspondentes ao problema 2.2, podem ser escritas da seguinte maneira: f(x ) + g(x )λ = 0 (2.6) G(x )λ = 0 (2.7) λ 0 (2.8) g(x ) 0 (2.9) 25
37 Definição (Par de KKT). Um vetor (x, λ ) satisfazendo as Equações 2.6 e 2.7 é chamado um par estacionário do problema 2.2 e um par KKT, se este satisfizer as condições de KKT Definição (Ponto de KKT). Um vetor x é um ponto estacionário se existe λ tal que as igualdades 2.6 e 2.7 são verdadeiras, e, será um ponto de KKT, se todas as Equações forem confirmadas. Curvas de nível de Figura 2.1: Condições de KKT do problema 2.2. A Figura 2.1 mostra uma interpretação geométrica destas condições [13]. Note-se que o ponto x é um mínimo da função f. Temos somente restrições de desigualdade com duas variáveis de projeto. A restrição g 3 (x) 0 é inativa, isto é g 3 (x ) < 0; daí λ 3 = 0. Pela primeira condição de otimalidade de KKT, temos: f(x ) + g 1 (x )λ 1 + g 2 (x )λ 2 = 0, (2.10) que é equivalente à: f(x ) = g 1 (x )λ 1 g 2 (x )λ 2, (2.11) onde, λ 1 > 0 e λ 2 > 0. Portanto, f (x ) deve ser uma combinação linear dos vetores g 1 (x ) e g 2 (x ) com coeficientes positivos. Neste caso, os coeficientes são os multiplicadores KKT. 26
38 2.5 Programação semidefinida (SDP) A programação semidefinida (SDP) é um tipo de problema de otimização convexa com muitas propriedades numéricas atrativas [5]. YAMASHITA et al. [19] formulam um problema de programação semidefinida não linear (NL-SDP) da seguinte maneira: minimizar f (x) x R n sujeito a: h (x) = 0 X (x) 0 (2.12) onde f : R n R, h : R n R p e X : R n S m são funções suáveis e de classe C 2, S m denota o conjunto de matrizes reais simétricas de ordem m m, a matriz X (x) é semidefinida positiva. O problema 2.12 é uma extensão de um problema SDP linear. Para o caso de problemas SDP lineares, as funções f e g são lineares e a matriz X (x) é definida como: X (x) = onde A i S m, i = 1,..., n e B S m. n x i A i B (2.13) i=1 Os problemas SDP lineares incluem problemas de programação linear, problemas de programação quadrática convexa e problemas de programação cone de segunda ordem, todos eles com diversas aplicações. Um problema SDP linear pode ser formulado segundo: minimizar tr C, X sujeito a: A i X = b i, i = 1,..., m (2.14) X 0 onde C, A i S n e a matriz X S n é semidefinida positiva. 2.6 Formulação tradicional do problema de volume mínimo Nesta seção, considera-se uma estrutura de treliças elástica linear de dimensão finita, discretizada pelo método dos elementos finitos. Assumem-se pequenas deformações. Denotem-se por m o número de membros da estrutura, n o número de graus de liberdade (gdl), x R m o vetor das variáveis de projeto, K (x) S n a matriz de rigidez, M (x) S n a matriz de massa, s o número de casos de carregamentos, 27
39 f R n s a matriz que contém os vetores casos de carregamentos f l R n, e u R n s a matriz que contém os vetores deslocamentos u l R n. As variáveis de projeto são os volumes das barras e as restrições são a Equação de equilíbrio, as frequências naturais e a complacência. Define-se Equação de equilíbrio ao seguinte sistema linear: K (x) u l = f l, l = 1,..., s (2.15) O vetor deslocamento u l pode ser obtido através da resolução do sistema linear dado pela Equação O objetivo de um problema de otimização estrutural é encontrar uma estrutura com o menor peso possível que satisfaça à equação de equilíbrio e certas restrições. Na solução do problema, algumas das possíveis barras podem ficar com volume de material nulo. Para estruturas tais como treliças, assume-se que as matrizes de rigidez e massa são funções lineares das variáveis de projeto [1]. Dessa forma, pode-se definir tais matrizes como: m K (x) = x i K i (2.16) i=1 m M (x) = x i M i (2.17) i=1 onde K i S n e M i S n são matrizes constantes, sendo x i K i e x i M i as matrizes de rigidez e massa dos elementos. Assume-se que x i 0, para i = 1,..., m, o que implica que K (x) 0 e M (x) 0. Como as matrizes de rigidez e massa reduzidas K i e M i são constantes, então pode-se calcular a derivada das matrizes em relação a x i como: Problema de autovalores K (x) = K i x i (2.18) M (x) = M i x i (2.19) A equação diferencial do movimento de uma estrutura para vibrações livres é: M (x) ü + K (x) u = 0 (2.20) Assume-se que a solução da Equação 2.20 tem a forma: u = Φe jωt (2.21) 28
40 Substituindo a Equação 2.21 na Equação 2.20, temos: ω 2 M (x) Φe jωt + K (x) Φe jωt = 0 (2.22) A Equação 2.22 pode ser escrita como: [ ω 2 M (x) Φ + K (x) Φ ] e jωt = 0 (2.23) Como e jωt 0, então tem-se o seguinte problema de autovalores: K (x) Φ = λm (x) Φ (2.24) onde, os autovalores λ são o quadrado das frequências naturais do sistema, ou seja, λ = ω 2 e os autovetores associados Φ representam os modos de vibração da estrutura. Para garantir a existência de uma solução não trivial da Equação 2.24, verifica-se que: det (K (x) λm (x)) = 0 (2.25) O desejável em uma estrutura sob carregamentos dinâmicos é que todas suas frequências naturais sejam bem maiores do que a máxima frequência possível dos carregamentos. Para garantir isto, precisa-se impor apenas que a menor das frequências naturais da estrutura seja maior do que um valor previamente conhecido que considere a maior frequência possível dos carregamentos multiplicada por um coeficiente de segurança. Com isto, impede-se que a estrutura falhe sob carregamentos dinâmicos. Assim, a restrição das frequências naturais para um problema de autovalores [20] pode ser escrita como: λ min (x) λ (2.26) Define-se a função λ min (x) como o menor autovalor do problema (2.24), como: λ min (x) = min {λ : Φ 0 R n : K (x) Φ = λm (x) Φ} (2.27) Propriedades do λ min Define-se o conjunto X como: X := {x R n : x 0} (2.28) Agora, podem ser definidas algumas propriedades do λ min (x) [8]: 1. λ min ( ) é finito e não negativo em X ; 29
41 2. Para todo x X, λ min (x) = sup {λ : K (x) λm (x) 0} (2.29) 3. Para todo x X, λ min (x) = inf u:m(x)u 0 u T K (x) u u T M (x) u (2.30) 4. λ min ( ) é semi-contínua superiormente em X ; 5. λ min ( ) é quasiconvexa em X. Na formulação tradicional do problema de otimização topológica, minimiza-se o volume ou peso da estrutura, sujeita a condições de equilíbrio e restrições da menor frequência natural [7]. Levando-se em consideração as afirmações descritas anteriormente, o problema de volume mínimo na formulação tradicional é definido como: minimizar x R m,u R n s sujeito a: m x i i=1 ( m ) x i K i u l = f l, l = 1,..., s i=1 f T l u l γ, l = 1,..., s x i 0, i = 1,..., m λ min (x) λ (2.31) sendo u R n s a matriz dos vetores deslocamentos, x i K i a matriz de rigidez dos elementos da estrutura, γ o limite superior da complacência, λ o valor limite da frequência natural. (x, u) x i. A função objetivo para o problema de mínimo volume é A dificuldade desta formulação está na função λ min (x). Esta função pode ser descontínua [7] quando certas componentes do vetor x são nulos, como é mostrado no exemplo seguinte. Exemplo Considere a treliça de quatro barras mostrada na Figura 2.2. A treliça é simétrica com respeito ao eixo x, e somente são consideradas duas variáveis de projeto x 1 e x 2. As matrizes de rigidez e massa, que dependem das variáveis de projeto x 1 e x 2, 30
42 Figura 2.2: Possível descontinuidade do λ min são as seguintes: x x K (x) = x 2 1, x 2 0, 32 e x 1 2, x M (x) = 1 2, x 2 4, x 2 4, 47 Usando-se a Equação 2.25, os autovalores são: ( ) 2 x 1 2 x 1 1, 28 x 2 0, 32 x 2 (λ 1, λ 2, λ 3, λ 4 ) =,,, 2, 83 x 1 2, 83 x 1 4, 47 x 2 4, 47 x 2 Logo, a função λ min (x) tem os seguintes valores: λ min (x) = 0, 32 4, 47 0, 07, para x 2 > 0, x 1 > 0 λ min (x) = 2 2, 83 0, 71, para x 2 = 0, x 1 > 0 e, portanto, tem-se uma descontinuidade em x 2 = 0, pelo fato do autovalor ser indefinido e λ min (x) salta ao segundo menor autovalor. 0, 32 4, 47 x 2 x 2 31
43 2.7 Formulação SDP do problema de volume mínimo OHSAKI e KANNO [1] estabelecem que, para estruturas tais como treliças, as matrizes de rigidez e massa são funções lineares das variáveis do projeto, e os problemas de otimização com restrições de complacência e frequência natural podem ser formulados por SDP. Para reformular um problema de otimização tradicional é necessário definir o seguinte resultado auxiliar mostrado por ACHTZINGER [7]. Proposição Sejam x R m e x 0 sendo fixos γ R n e l = {1,..., s}. Então existem u l R n que satisfaz: K (x) u l = f l (2.32) e f T l u l γ (2.33) se e somente se: γ fl T f l 0 (2.34) K (x) Demonstração. Ver [7]. Portanto, a formulação do problema de volume mínimo para programação semidefinida é: minimizar x R m sujeito a: m x i i=1 γ fl T f l 0 K (x) x i 0, i = 1,..., m K (x) λm (x) 0 (2.35) m Neste problema, γ e λ são dados e, minimiza-se o volume das barras x i. Nesta i=1 formulação, o problema é convexo e as funções objetivo e restrições são suaves em relação à variável de projeto x. Pode-se observar que a restrição de igualdade reverte para a seguinte forma: ( m ) x i K i u l = f l i=1 fl T u l γ γ f T l f l 0 (2.36) K (x) 32
44 Além disso, a equivalência entre as restrições do menor autovalor [7] nas formulações tradicional e SDP é: λ min (x) λ K (x) λm (x) 0 (2.37) 33
45 Capítulo 3 Algoritmo de pontos interiores e direções viáveis (FDIPA) 3.1 Introdução Neste capítulo, apresenta-se o algoritmo de pontos interiores e direções viáveis (FDIPA) proposto por HERSKOVITS [21], para lidar com problemas de otimização não linear diferenciável com restrições de igualdade e desigualdade. Neste caso em particular, consideram-se somente restrições de desigualdade, portanto, um problema de otimização não linear diferenciável sujeito a restrições de desigualdade pode ser formulado como se segue: minimizar f (x) x R n sujeito a: g (x) 0 (3.1) onde, x R n é o vetor das variáveis de projeto, x = [x 1,..., x n ] T, f : R n R é a função objetivo, g : R n R m é a função das restrições de desigualdade, g (x) = [g 1 (x),..., g n (x)] T, f e g são funções de classe C 1 delas é não linear. e pelo menos uma O algoritmo FDIPA converge globalmente para pontos de Karush-Kuhn-Tucker. O algoritmo requer um ponto inicial x, no interior da região definida pelas restrições de desigualdades, gerando uma sequência de pontos no interior desta região. Quando temos somente restrições de desigualdades, a função objetivo é reduzida em cada iteração. O método requer somente a solução de dois sistemas de equações lineares, com a mesma matriz em cada iteração, seguida de uma busca linear inexata. No algoritmo FDIPA, o esquema das iterações é definido como segue: Primeiro estágio: define uma direção de descida por meio de resolução de um sistema linear nas variáveis primal e dual; 34
Álgebra Linear Teoria de Matrizes
Álgebra Linear Teoria de Matrizes 1. Sistemas Lineares 1.1. Coordenadas em espaços lineares: independência linear, base, dimensão, singularidade, combinação linear 1.2. Espaço imagem (colunas) - Espaço
Leia mais)XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD
)XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD,QWURGXomR A grande maioria dos problemas de engenharia pode ser solucionado de diferentes formas, uma vez que um número muito grande de soluções atende aos critérios
Leia maisDEPARTAMENTO DE ENGENHARIA MECÂNICA
DEPARTAMENTO DE ENGENHARIA MECÂNICA Otimização: Algoritmos e Aplicações na Engenharia Mecânica ENG1786 & MEC2403 Ivan Menezes 2018-2 1 EMENTA 1. Introdução 1.1 Definições Básicas 1.2 Classificação dos
Leia mais1 Álgebra linear matricial
MTM510019 Métodos Computacionais de Otimização 2018.2 1 Álgebra linear matricial Revisão Um vetor x R n será representado por um vetor coluna x 1 x 2 x =., x n enquanto o transposto de x corresponde a
Leia mais5 Formulação Dinâmica Não Linear no Domínio da Frequência
129 5 Formulação Dinâmica Não Linear no Domínio da Frequência No Capítulo 2, foram apresentadas as formulações para a análise dinâmica de estruturas reticuladas no domínio do tempo, sendo uma informação
Leia maisNoções de Álgebra Linear
Noções de Álgebra Linear 1. Espaços vetoriais lineares 1.1. Coordenadas 2. Operadores lineares 3. Subespaços fundamentais 4. Espaços normados 5. Espaços métricos 6. Espaços de Banach 7. Espaços de Hilbert
Leia maisOTIMIZAÇÃO DE MATERIAL DE ESTRUTURAS ELÁSTICAS MEDIANTE UMA TÉCNICA DE PROGRAMAÇÃO SEMIDEFINIDA. Andrés Giovanny Zúñiga Restrepo
OTIMIZAÇÃO DE MATERIAL DE ESTRUTURAS ELÁSTICAS MEDIANTE UMA TÉCNICA DE PROGRAMAÇÃO SEMIDEFINIDA Andrés Giovanny Zúñiga Restrepo Dissertação de Mestrado apresentada ao Programa de Pós-graduação em Engenharia
Leia maisMétodo do Lagrangiano aumentado
Método do Lagrangiano aumentado Marina Andretta ICMC-USP 23 de novembro de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 23 de novembro de 2010 1 / 17 Problema com restrições gerais Vamos
Leia maisBCC465 - TÉCNICAS DE MULTI-OBJETIVO. Gladston Juliano Prates Moreira 22 de novembro de 2017
BCC465 - TÉCNICAS DE OTIMIZAÇÃO MULTI-OBJETIVO Aula 04 - Otimização Não-linear Gladston Juliano Prates Moreira email: gladston@iceb.ufop.br CSILab, Departamento de Computação Universidade Federal de Ouro
Leia maisLOM Teoria da Elasticidade Aplicada
Departamento de Engenharia de Materiais (DEMAR) Escola de Engenharia de orena (EE) Universidade de São Paulo (USP) OM3 - Teoria da Elasticidade Aplicada Parte 4 - Análise Numérica de Tensões e Deformações
Leia maisAlgebra Linear. 1. Ortonormalização. 2. Sistema de Equações Lineares. pag.1 Teoria de Sistemas Lineares Aula 6. c Reinaldo M.
Algebra Linear 1. Ortonormalização 2. Sistema de Equações Lineares pag.1 Teoria de Sistemas Lineares Aula 6 Ortonormalização Um vetor x é dito estar normalizado se sua norma Euclidiana é igual a 1, ie,
Leia mais3 Implementação Computacional
3 Implementação Computacional Neste trabalho considerou-se o estudo da instabilidade elástica e inelástica de estruturas planas como vigas, colunas, pórticos e arcos. No estudo deste tipo de estruturas
Leia maisUM ALGORITMO DE NEWTON DE PONTO INTERIOR E APLICAÇÕES NA FUNDIÇÃO ELETROMAGNÉTICA DE METAIS. Alfredo Canelas Botta
COPPE/UFRJ UM ALGORITMO DE NEWTON DE PONTO INTERIOR E APLICAÇÕES NA FUNDIÇÃO ELETROMAGNÉTICA DE METAIS Alfredo Canelas Botta Tese de Doutorado apresentada ao Programa de Pós-graduação em Engenharia Mecânica,
Leia maisAndré Francisco Coêlho Castro
Universidade Federal da Paraíba Centro de Informática Programa de Pós-graduação em Modelagem Matemática e Computacional OTIMIZAÇÃO DE ESTRUTURAS ATRAVÉS DE UMA TÉCNICA DE PROGRAMAÇÃO SEMIDEFINIDA DE GRANDE
Leia maisModelagem Computacional. Parte 7 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 7 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 7] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisDepartamento de Matemática da Universidade de Coimbra. Licenciatura em Matemática. e B =
Departamento de Matemática da Universidade de Coimbra Optimização Numérica Licenciatura em Matemática Ano lectivo 2006/2007 Folha 1 1. Considere as matrizes A = [ 1 1 1 2 ] e B = [ 1 3 1 2 (a) Verifique
Leia maisEngenharia Biomédica EN2310 MODELAGEM, SIMULAÇÃO E CONTROLE APLICADOS A SISTEMAS BIOLÓGICOS. Professores: Ronny Calixto Carbonari
Engenharia Biomédica EN310 MODEAGEM, SIMUAÇÃO E CONTROE APICADOS A SISTEMAS BIOÓGICOS Professores: Ronny Calixto Carbonari Janeiro de 013 Método de Elementos Finitos (MEF): Elementos de Treliça Objetivo
Leia maisEXAME DE QUALIFICAÇÃO em Álgebra - Mestrado
Programa de Pós-Graduação em Matemática Instituto de Matemática e Estatística - IME Universidade Federal de Goiás - UFG EXAME DE QUALIFICAÇÃO em Álgebra - Mestrado Aluno: 1) Seja G um grupo e a, b G tais
Leia maisUniversidade Federal de Alagoas UFAL Centro de Tecnologia - CTEC Programa de Pós-Graduação em Engenharia Civil - PPGEC
Universidade Federal de Alagoas UFAL Centro de Tecnologia - CTEC Programa de Pós-Graduação em Engenharia Civil - PPGEC Introdução à Mecânica do Contínuo Tensores Professor: Márcio André Araújo Cavalcante
Leia maisAnálise Matricial de Estruturas com orientação a objetos
Análise Matricial de Estruturas com orientação a objetos Prefácio... IX Notação... XIII Capítulo 1 Introdução... 1 1.1. Processo de análise... 2 1.1.1. Modelo estrutural... 2 1.1.2. Modelo discreto...
Leia maisAutovalores e Autovetores
Autovalores e Autovetores Maria Luísa B. de Oliveira SME0300 Cálculo Numérico 24 de novembro de 2010 Introdução Objetivo: Dada matriz A, n n, determinar todos os vetores v que sejam paralelos a Av. Introdução
Leia mais. (1) Se S é o espaço vetorial gerado pelos vetores 1 e,0,1
QUESTÕES ANPEC ÁLGEBRA LINEAR QUESTÃO 0 Assinale V (verdadeiro) ou F (falso): (0) Os vetores (,, ) (,,) e (, 0,) formam uma base de,, o espaço vetorial gerado por,, e,, passa pela origem na direção de,,
Leia maisPrograma de Pós-graduação em Engenharia Mecânica da UFABC. Disciplina: Fundamentos de Mecânica dos Sólidos II. Lista 2
Programa de Pós-graduação em Engenharia Mecânica da UFABC Disciplina: Fundamentos de Mecânica dos Sólidos II Quadrimestre: 019- Prof. Juan Avila Lista 1) Para as duas estruturas mostradas abaixo, forneça
Leia maisUniversidade Federal do Espírito Santo - UFES
Universidade Federal do Espírito Santo - UFES Centro Universitário Norte do Espírito Santo - CEUNES Departamento de Matemática Aplicada - DMA Prof. Isaac P. Santos - 2018/1 Aula: Métodos Iterativos Para
Leia maisParte 3 - Produto Interno e Diagonalização
Parte 3 - Produto Interno e Diagonalização Produto Escalar: Sejam u = (u 1,..., u n ) e v = (v 1,..., v n ) dois vetores no R n. O produto escalar, ou produto interno euclidiano, entre esses vetores é
Leia maisProgramação Linear M É T O D O S : E S T A T Í S T I C A E M A T E M Á T I C A A P L I C A D A S D e 1 1 d e m a r ç o a 2 9 d e a b r i l d e
Programação Linear A otimização é o processo de encontrar a melhor solução (ou solução ótima) para um problema. Existe um conjunto particular de problemas nos quais é decisivo a aplicação de um procedimento
Leia mais2 Análise do Colapso de Estruturas através do Método dos Elementos Finitos
2 Análise do Colapso de Estruturas através do Método dos Elementos Finitos Neste capítulo, através do método dos elementos finitos baseado em deslocamentos, são apresentadas três técnicas de análise do
Leia maisJosé Miguel Aroztegui Massera
COPPE/UFRJ TÉCNICAS DE PROGRAMAÇÃO SEMIDEFINIDA E APLICAÇÕES EM OTIMIZAÇÃO DE MATERIAL José Miguel Aroztegui Massera Tese de Doutorado apresentada ao Programa de Pós-graduação em Engenharia Mecânica, COPPE,
Leia maisAlgoritmos Numéricos 2 a edição
Algoritmos Numéricos 2 a edição Capítulo 2: Sistemas lineares c 2009 FFCf 2 2.1 Conceitos fundamentais 2.2 Sistemas triangulares 2.3 Eliminação de Gauss 2.4 Decomposição LU Capítulo 2: Sistemas lineares
Leia maisMatrizes e Linearidade
Matrizes e Linearidade 1. Revisitando Matrizes 1.1. Traço, Simetria, Determinante 1.. Inversa. Sistema de Equações Lineares. Equação Característica.1. Autovalor & Autovetor 4. Polinômios Coprimos 5. Função
Leia maisPrefácio... Notação... XIII
Sumário Prefácio... IX Notação... XIII Capítulo 1 Introdução... 1 1.1. Processo de análise... 2 1.1.1. Modelo estrutural... 2 1.1.2. Modelo discreto... 3 1.1.3. Modelo computacional... 1.2. Organização
Leia mais2 ANÁLISE LIMITE NUMÉRICA
AÁLISE LIMIE UMÉRICA O objetivo principal da Análise Limite é determinar a carga que leva uma estrutura ao colapso (carga de colapso). As formulações existentes na Análise Limite para o cálculo da carga
Leia mais4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
Leia maisParte 1 - Matrizes e Sistemas Lineares
Parte 1 - Matrizes e Sistemas Lineares Matrizes: Uma matriz de tipo m n é uma tabela com mn elementos, denominados entradas, e formada por m linhas e n colunas. A matriz identidade de ordem 2, por exemplo,
Leia mais3 IMPLEMENTAÇÃO DO ELEMENTO FINITO
3 IMPLEMEAÇÃO DO ELEMEO FIIO este capítulo apresentam-se as considerações mais importantes para a implementação do elemento finito generalizado com funções spline. 3.1. Hipóteses Cinemáticas a formulação
Leia maisProgramação Linear - Parte 5
Matemática Industrial - RC/UFG Programação Linear - Parte 5 Prof. Thiago Alves de Queiroz 1/2016 Thiago Queiroz (IMTec) Parte 5 1/2016 1 / 29 Dualidade Os parâmetros de entrada são dados de acordo com
Leia maisMétodo de Newton truncado
Método de Newton truncado Marina Andretta ICMC-USP 8 de outubro de 2018 Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright. Marina Andretta (ICMC-USP) sme5720 - Otimização não-linear
Leia maisDou Mó Valor aos Autovalores
1. Definições Preliminares Dou Mó Valor aos Autovalores 21ª Semana Olímpica Maceió, AL Prof. Davi Lopes Nível U Dada uma matriz quadrada A n n de entradas complexas, podemos definir os conceitos a seguir,
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Não Linear Aula 7: Programação Não-Linear - Funções de Várias variáveis Vector Gradiente; Matriz Hessiana; Conveidade de Funções e de Conjuntos; Condições óptimas de funções irrestritas; Método
Leia maisRepresentação de poliedros
Representação de poliedros Marina Andretta ICMC-USP 8 de novembro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 -
Leia maisMétodo dos gradientes (ou método de máxima descida)
Método dos gradientes (ou método de máxima descida) Marina Andretta ICMC-USP 14 de setembro de 2010 Marina Andretta (ICMC-USP) sme5720 - Otimização não-linear 14 de setembro de 2010 1 / 16 Método dos gradientes
Leia maisMatrizes positivas definidas, semidefinidas, etc.
Matrizes positivas definidas, semidefinidas, etc. Amit Bhaya, Programa de Engenharia Elétrica COPPE/UFRJ Universidade Federal do Rio de Janeiro amit@nacad.ufrj.br http://www.nacad.ufrj.br/ amit Funções
Leia maisMÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA
MÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA Marlon Luiz Dal Pasquale Junior, UNESPAR/FECILCAM, jr.marlon@hotmail.com Solange Regina dos Santos (OR), UNESPAR/FECILCAM, solaregina@fecilcam.br
Leia maisINTRODUÇÃO À ANÁLISE CONVEXA E APLICAÇÕES INTRODUCTION TO CONVEX ANALYSIS AND APLICATIONS
X CONGRESSO DE INICIAÇÃO CIENTÍFICA DA UNIVERSIDADE FEDERAL DE CAMPINA GRANDE PIBIC/CNPq/UFCG-2013 INTRODUÇÃO À ANÁLISE CONVEXA E APLICAÇÕES João Paulo Formiga de Meneses 1, Jefferson Abrantes dos Santos
Leia maisÁLGEBRA LINEAR I - MAT0032
UNIVERSIDADE FEDERAL DA INTEGRAÇÃO LATINO-AMERICANA Instituto Latino-Americano de Ciências da Vida e Da Natureza Centro Interdisciplinar de Ciências da Natureza ÁLGEBRA LINEAR I - MAT32 12 a Lista de exercícios
Leia maisProf. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística
f : A B, significa que f é definida no conjunto A (domínio - domain) e assume valores em B (contradomínio range). R é o conjunto dos reais; R n é o conjunto dos vetores n-dimensionais reais; Os vetores
Leia mais2. DESIGUALDADES MATRICIAIS LINEARES
11 2. DESIGUALDADES MARICIAIS LINEARES Neste capítulo, introduziremos alguns conceitos básicos relacionados às Desigualdades Matriciais Lineares. Na seção 2.1, apresentamos uma introdução às LMI s; na
Leia maisSumário e Objectivos. Mecânica dos Sólidos não Linear Capítulo 2. Lúcia Dinis 2005/2006
Sumário e Objectivos Sumário: Deformações. Sólido Uniaxial. Descrição Lagrangeana e Euleriana. Gradiente de Deformação. Decomposição Polar. Tensores das Deformações de Green e Lagrange. Deformação de Corte.
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Seção 2.1: Álgebra Linear e Matrizes Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José
Leia maisCones e raios extremos
Cones e raios extremos Marina Andretta ICMC-USP 7 de novembro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia maisResolução de Sistemas Lineares. Ana Paula
Resolução de Sistemas Lineares Sumário 1 Introdução 2 Alguns Conceitos de Álgebra Linear 3 Sistemas Lineares 4 Métodos Computacionais 5 Sistemas Triangulares 6 Revisão Introdução Introdução Introdução
Leia maisElementos Finitos 2014/2015 Colectânea de trabalhos, exames e resoluções
Curso de Mestrado em Engenharia de Estruturas 1. a Edição (014/015) Elementos Finitos 014/015 Colectânea de trabalhos, exames e resoluções Lista dos trabalhos e exames incluídos: Ano lectivo 014/015 Trabalho
Leia maisUtilização de Algoritmos Genéticos para Otimização de Altura de Coluna da Matriz de Rigidez em Perfil no Método dos Elementos Finitos
Utilização de Algoritmos Genéticos para Otimização de Altura de Coluna da Matriz de Rigidez em Perfil no Método dos Elementos Finitos André Luiz Ferreira Pinto Pontifícia Universidade Católica do Rio de
Leia maisPontos extremos, vértices e soluções básicas viáveis
Pontos extremos, vértices e soluções básicas viáveis Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta
Leia maisOPTIMIZAÇÃO NÃO LINEAR EM REDES
OPTIMIZAÇÃO NÃO LINEAR EM REDES Luis Ernesto Torres Guardia Departamento de Engenharia de Produção Universidade Federal Fluminense Rua Passo da Pátria 156, São Domingos 24210-240, Niterói, R.J., Brasil
Leia maisCONTEÚDOS PROGRAMADOS. (Análise Computacional de Tensões EEK 533)
(Análise Computacional de Tensões EEK 533) - AULAS POR UNIDADE 1 - Princípios Variacionais 1.1 - Princípio dos Trabalhos Virtuais 1.2 - Princípios da Mínima Energia Total e da Mínima energia complementar.
Leia maisÁLGEBRA LINEAR I - MAT0032
UNIVERSIDADE FEDERAL DA INTEGRAÇÃO LATINO-AMERICANA Instituto Latino-Americano de Ciências da Vida e Da Natureza Centro Interdisciplinar de Ciências da Natureza ÁLGEBRA LINEAR I - MAT0032 11 a Lista de
Leia maisMétodos Numéricos. MEI - Logística e distribuição Optimização não linear com restrições de igualdade 2004/2005
Métodos Numéricos MEI - Logística e distribuição Optimização não linear com restrições de igualdade 2004/2005 Métodos Numéricos - MEI 1 Apresentação - Docentes Aulas teóricas: A. Ismael F. Vaz - aivaz@dps.uminho.pt
Leia maisModelagem Matemática de Problemas de Programação Linear
Capítulo 1 Modelagem Matemática de Problemas de Programação Linear 1.1. Introdução Neste Capítulo analisamos brevemente a estratégia usada para encontrar a modelagem matemática de um problema de programação
Leia maisMétodo Simplex dual. Marina Andretta ICMC-USP. 24 de outubro de 2016
Método Simplex dual Marina Andretta ICMC-USP 24 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia maisLigianne Nascimento Barros
Universidade Federal da Paraíba Centro de Informática Programa de Pós-graduação em Modelagem Matemática e Computacional TÉCNICA DE PROGRAMAÇÃO SEMIDEFINIDA POR ARCO VIÁVEL E APLICAÇÃO À MAXIMIZAÇÃO DA
Leia maisFUNDAMENTOS DE SISTEMAS LINEARES PARTE 1
FUNDAMENTOS DE SISTEMAS LINEARES PARTE 1 Prof. Iury V. de Bessa Departamento de Eletricidade Faculdade de Tecnologia Universidade Federal do Amazonas Revisão O que é um corpo (campo)? O que é um espaço
Leia maisCálculo Numérico BCC760
Cálculo Numérico BCC760 Resolução de Sistemas de Equações Lineares Simultâneas Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ 1 Introdução! Definição Uma equação é dita
Leia maisCálculo Diferencial e Integral 2 Formas Quadráticas
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Cálculo Diferencial e Integral 2 Formas Quadráticas 1 Formas quadráticas Uma forma quadrática em R n é um polinómio do
Leia mais(b) A não será diagonalizável sobre C e A será diagonalizável sobre R se, e
Q1. Sejam A M 6 (R) uma matriz real e T : R 6 R 6 o operador linear tal que [T ] can = A, em que can denota a base canônica de R 6. Se o polinômio característico de T for então poderemos afirmar que: p
Leia maisMétodo de Newton modificado
Método de Newton modificado Marina Andretta ICMC-USP 14 de setembro de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 14 de setembro de 2010 1 / 36 Método de Newton Como já vimos, o método
Leia maisMATRIZES POSITIVAS DEFINIDAS
MATRIZES POSITIVAS DEFINIDAS Álgebra Linear (MAT-27) Ronaldo Rodrigues Pelá IEFF-ITA 7 de novembro de 2011 Roteiro 1 2 3 Roteiro 1 2 3 Por que saber se uma matriz é definida positiva? Importância do sinal
Leia maisÁlgebra Linear. Professor Alessandro Monteiro. 1º Sábado - Matrizes - 11/03/2017
º Sábado - Matrizes - //7. Plano e Programa de Ensino. Definição de Matrizes. Exemplos. Definição de Ordem de Uma Matriz. Exemplos. Representação Matriz Genérica m x n 8. Matriz Linha 9. Exemplos. Matriz
Leia maisAula 04 MÉTODO DAS FORÇAS. Classi cação das estruturas quanto ao seu equilíbrio estático. ² Isostática:
Universidade Federal do Ceará Centro de Tecnologia Departamento de Engenharia Estrutural e Construção Civil Disciplina: Análise Matricial de Estruturas Professor: Antônio Macário Cartaxo de Melo Aula 04
Leia mais6 MÉTODO DE ELEMENTOS FINITOS - MEF
6 MÉTODO DE ELEMENTOS FINITOS - MEF O Método de Elementos Finitos é uma técnica de discretização de um problema descrito na Formulação Fraca, na qual o domínio é aproximado por um conjunto de subdomínios
Leia maisTeoria de dualidade. Marina Andretta ICMC-USP. 19 de outubro de 2016
Teoria de dualidade Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia maisOtimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana
Otimização Linear Profª : Adriana Departamento de Matemática adriana@fc.unesp.br wwwp.fc.unesp.br/~adriana Forma geral de um problema Em vários problemas que formulamos, obtivemos: Um objetivo de otimização
Leia maisG3 de Álgebra Linear I
G3 de Álgebra Linear I 2.2 Gabarito ) Considere a matriz 4 N = 4. 4 Observe que os vetores (,, ) e (,, ) são dois autovetores de N. a) Determine uma forma diagonal D de N. b) Determine uma matriz P tal
Leia maisMarina Andretta. 17 de setembro de Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright.
Métodos de regiões de confiança Marina Andretta ICMC-USP 17 de setembro de 2014 Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright. Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia mais1 Otimização com restrições I: Condições de Primeira Ordem
Otimização com restrições I: Condições de Primeira Ordem Teorema 8: Seja f e h funções C de duas variáveis Suponha x = (x, x 2 ) é uma solução do problema: max f (x, x 2 ) sa h(x, x 2 ) = c Suponha também
Leia maisUniversidade de Coimbra Faculdade de Ciências e Tecnologia 2001/02 Estruturas II (aulas teóricas)
Sumário da 1ª lição: Sumário da 2ª lição: - Apresentação. - Objectivos da Disciplina. - Programa. - Avaliação. - Bibliografia. - Método dos Deslocamentos. - Introdução. - Grau de Indeterminação Cinemática.
Leia maisOptimização. Carlos Balsa. Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança
Optimização Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática Aplicada - Mestrados Eng. Química e Industrial Carlos Balsa Matemática Aplicada
Leia maisCapítulo 4 - Valores e Vectores Próprios
Capítulo 4 - Valores e Vectores Próprios Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática I - 1 o Semestre 2011/2012 Matemática I 1/ 17
Leia maisProf. Dr. Eduardo Lenz Cardoso
Introdução ao Método dos Elementos Finitos Prof. Dr. Eduardo Lenz Cardoso lenz@joinville.udesc.br Breve Curriculo Dr. Eng Mecânica UFRGS/DTU Prof. Subst. UFRGS (Mecânica dos Sólidos I/ MEF/ Mecânica dos
Leia maisOtimização Aplicada à Engenharia de Processos
Otimização Aplicada à Engenharia de Processos Aula 4: Programação Linear Felipe Campelo http://www.cpdee.ufmg.br/~fcampelo Programa de Pós-Graduação em Engenharia Elétrica Belo Horizonte Março de 2013
Leia maisIntrodução à Otimização de Processos. Prof. Marcos L Corazza Departamento de Engenharia Química Universidade Federal do Paraná
Introdução à Otimização de Processos Prof. Marcos L Corazza Departamento de Engenharia Química Universidade Federal do Paraná Otimização Não-Linear Algumas definições e conceitos preliminares: 1. Derivadas
Leia maisControle Ótimo - Aula 8 Equação de Hamilton-Jacobi
Controle Ótimo - Aula 8 Equação de Hamilton-Jacobi Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos O problema de controle ótimo Considere
Leia maisFOLHAS DE PROBLEMAS DE MATEMÁTICA II CURSO DE ERGONOMIA PEDRO FREITAS
FOLHAS DE PROBLEMAS DE MATEMÁTICA II CURSO DE ERGONOMIA PEDRO FREITAS Maio 12, 2008 2 Contents 1. Complementos de Álgebra Linear 3 1.1. Determinantes 3 1.2. Valores e vectores próprios 5 2. Análise em
Leia maisη η < η j + η 0 de outro modo η η η η φ φ φ δ = δ φ, η [ η, η ]
BASE TEÓRICA Este capítulo apresenta a formulação teórica do elemento finito utilizando funções spline. Com este objetivo descrevem-se primeiro as funções que definem os deslocamentos no elemento. A partir
Leia maisRevisão de Álgebra Linear
Introdução: Revisão de Álgebra Linear Antonio Elias Fabris Instituto de Matemática e Estatística Universidade de São Paulo Map 2121 Aplicações de Álgebra Linear Antonio Elias Fabris (IME-USP) Revisão de
Leia maisUN ALGORITMO DE PUNTO INTERIOR PARA LA RESOLUCIÓN DE PROBLEMAS DE CONTACTO
UN ALGORITMO DE PUNTO INTERIOR PARA LA RESOLUCIÓN DE PROBLEMAS DE CONTACTO Sandro Rodrigues Mazorche Universidade Federal de Juiz de Fora - UFJF, Dep. de Matemática - ICE, Campus Universitário - CEP 36036-330
Leia maisÁlgebra Linear /2 Turma EM1 (unificada)
Álgebra Linear 2 2013/2 Turma EM1 (unificada) Planejamento preliminar (última revisão: 3/4/2013) Os exercícios correspondentes a cada aula serão discutidos na aula seguinte e não valem nota Este planejamento
Leia maisComparação de Desempenho entre o Método dos Elementos de Contorno com Integração Direta e o Método dos Elementos Finitos em problemas de Poisson
Trabalho apresentado no III CMAC - SE, Vitória-ES, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Comparação de Desempenho entre o Método dos Elementos de Contorno
Leia maisMétodo Simplex. Marina Andretta ICMC-USP. 19 de outubro de 2016
Método Simplex Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização linear
Leia maisficha 6 espaços lineares com produto interno
Exercícios de Álgebra Linear ficha espaços lineares com produto interno Exercícios coligidos por Jorge Almeida e Lina Oliveira Departamento de Matemática, Instituto Superior Técnico o semestre 011/1 Notação
Leia maisINSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 2007/2008 Semestre: 1 o
INSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 27/28 Semestre: o MATEMÁTICA COMPUTACIONAL Exercícios [4 Sendo A M n (C) mostre que: (a) n A 2 A n A 2 ; (b)
Leia maisProfessor João Soares 20 de Setembro de 2004
Teoria de Optimização (Mestrado em Matemática) Texto de Apoio 2A Universidade de Coimbra 57 páginas Professor João Soares 20 de Setembro de 2004 Optimização Linear Considere o problema (1) abaixo, que
Leia maisDisciplina que estuda métodos analíticos para auxiliar na tomada de decisões.
Edgard Jamhour Disciplina que estuda métodos analíticos para auxiliar na tomada de decisões. Procura encontrar soluções ótimas ou próximo de ótimas para problemas de engenharia industrial, economia e finanças,
Leia maisUm algoritmo sem derivadas para otimização restrita
Um algoritmo sem derivadas para otimização restrita Paulo Domingos Conejo Elizabeth Wegner Karas UNIOESTE - Dep. Matemática UFPR - Dep. Matemática 85819-110, Cascavel, PR 81531-990, Curitiba, PR pconejo33@gmail.com
Leia mais2 Propagação de ondas elásticas em cilindros
2 Propagação de ondas elásticas em cilindros 2.1 Elastodinâmica Linear As equações que governam o movimento de um corpo sólido, elástico e isotrópico são: τ ij,j + ρf i = ρ ü i (2-1) τ ij = λ ε kk δ ij
Leia maisexercícios de álgebra linear 2016
exercícios de álgebra linear 206 maria irene falcão :: maria joana soares Conteúdo Matrizes 2 Sistemas de equações lineares 7 3 Determinantes 3 4 Espaços vetoriais 9 5 Transformações lineares 27 6 Valores
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisESTRUTURAS PARA LINHAS DE TRANSMISSÃO 6 MÉTODO DOS ELEMENTOS FINITOS
LINHAS DE 6 MÉTODO DOS ELEMENTOS FINITOS Método de Rayleigh - Ritz É um método de discretização, ou seja, a minimização de um conjunto restrito π = (a 1, a 2,... a n ), que depende de um número finito
Leia mais