Upload
docong
View
230
Download
0
Embed Size (px)
Citation preview
UNIVERSIDADE FEDERAL FLUMINENSE
ESCOLA DE ENGENHARIA
DEPARTAMENTO DE ENGENHARIA QUÍMICA E DE PETRÓLEO
CURSO DE ENGENHARIA DE PETRÓLEO
THALITA MONGARDE DAER
OTIMIZAÇÃO EVOLUTIVA DE UMA REDE NEURAL APLICADA NO SISTEMA
DE ANCORAGEM DE PLATAFORMAS FLUTUANTES
MONOGRAFIA DE GRADUAÇÃO EM ENGENHARIA DE PETRÓLEO
Niterói
2017
THALITA MONGARDE DAER
OTIMIZAÇÃO EVOLUTIVA DE UMA REDE NEURAL APLICADA NO SISTEMA
DE ANCORAGEM DE PLATAFORMAS FLUTUANTES
Monografia apresentada ao Curso de
Engenharia de Petróleo da Universidade
Federal Fluminense, como requisito parcial
para a obtenção do título de Engenheira de
Petróleo.
Orientadora: Juliana Souza Baioco
Coorientador: Bruno da Fonseca Monteiro
Niterói
2017
THALITA MONGARDE DAER
OTIMIZAÇÃO EVOLUTIVA DE UMA REDE NEURAL APLICADA NO SISTEMA
DE ANCORAGEM DE PLATAFORMAS FLUTUANTES
Trabalho de Conclusão de Curso apresentado
ao Curso de Graduação em Engenharia de
Petróleo da Escola de Engenharia da
Universidade Federal Fluminense, como
requisito parcial para obtenção do Grau de
Bacharel em Engenharia de Petróleo
Aprovado em 23 de Novembro de 2017.
BANCA EXAMINADORA
NITERÓI, RJ - BRASIL
NOVEMBRO DE 2017
AGRADECIMENTOS
Agradeço, primeiramente, a Deus, que sempre está ao meu lado me guiando e me dando
forças para enfrentar quaisquer obstáculos que vieram e possam a vir na minha vida. O meu
eterno muito obrigada!
Ao meu pai, Mirales, por ser meu melhor amigo e meu maior exemplo de vida. Por
sempre confiar em mim, e nos momentos mais difíceis ser capaz de me erguer. Por ter me
tornado uma pessoa humana.
À minha mãe, Rosa Maria, pelo amor e preocupação incondicional, por não medir
esforços para realizar todos os meus sonhos, e sempre lutar pelo meu sucesso.
Ao meu irmão, Thales, por sempre compartilhar comigo momentos felizes e conversas
sábias.
Aos meus avós, em especial, vovó Lurdinha, exemplo de simplicidade, religiosidade e
humildade.
Aos meus familiares em geral, por serem meu alicerce, em especial, minha tia Simone,
pelas orações e pelo carinho imensurável.
Aos meus orientadores, Juliana Baioco e Bruno Monteiro, pelos conhecimentos
transmitidos, por depositarem em mim total credibilidade para o desenvolvimento desse
projeto, e que sempre estiveram disponíveis para eventuais dúvidas.
Ao professor Geraldo, que além de um grande mestre, se tornou um grande amigo.
Muito obrigada por ter me conduzido nos momentos em que eu estava sem foco e desmotivada,
acreditar na minha capacidade e despertar em mim o interesse de sempre ir além.
Ao meu colega de pesquisa, Edvaldo, pela atenção, disponibilidade e paciência em cada
momento em que eu solicitava ajuda, muitas das vezes inconvenientes.
Às minhas roommates, Rafa e Lari, por terem dividido comigo todas as emoções durante
a realização desse projeto, desde as alegrias, até as tristezas. Vocês são especiais, e tem grande
importância na minha vida, por ajudarem a fazer da nossa república, um lar.
À UFF, que me proporcionou nesses 6 anos um conhecimento acadêmico indescritível.
Por fim, agradeço a todos os meus amigos e professores que contribuíram direta ou
indiretamente para a realização desse projeto. Todos os que passaram na minha vida tiverem
importância para o meu crescimento tanto profissional quanto pessoal.
A todos, meu muito obrigada!
“Comece fazendo o que é necessário, depois
o que é possível, e de repente você estará
fazendo o impossível. ”
São Francisco de Assis
RESUMO
As plataformas flutuantes de produção de petróleo offshore estão sujeitas à ação de
cargas ambientais, como as ondas, o vento e as correntes, em diferentes direções e intensidades.
O sistema de ancoragem é responsável pela integridade da plataforma em sua vida útil, além de
limitar os deslocamentos provocados pelas cargas ambientais a níveis convenientes. Uma
maneira de analisar a eficiência desse sistema é feita por uma ferramenta numérica
computacional baseada em elementos finitos, a qual define as tensões resultantes a partir de
termos de séries temporais. Porém, essa ferramenta requer a execução de análises estáticas e
dinâmicas que possuem alto custo computacional. Além disso, a matriz de casos de
carregamento pode incluir centenas de combinações. Com o intuito de reduzir os custos e o
tempo de análise, este trabalho sugere a aplicação de uma rede neural artificial (RNA) para
estimar os offsets (passeios) e a tração máxima nas linhas de ancoragem, admitindo como
entrada a combinação dos principais parâmetros que configuram um sistema de ancoragem
(raios, ângulos, tração aplicada, e o diâmetro da linha). Após treinar a rede neural, iremos
otimizá-la através do algoritmo de Evolução Diferencial (DE), modelado no software
MATLAB, a fim de obter resultados com melhores propriedades de convergência e, assim,
exigindo um menor número de avaliações das soluções candidatas, comparados aos resultados
do treinamento da RNA.
Palavras-chave: RNA, Sistema de Ancoragem, Evolução Diferencial, Sistemas Flutuantes.
ABSTRACT
Floating production systems (FPS) for oil exploitation are subject to the action of
environmental loads, such as waves, wind, and currents in different directions and intensities.
The mooring system is responsible for the integrity of the platform throughout its useful life, as
well as limiting the displacements caused by environmental loads at convenient levels. One
way of evaluating the efficiency of a system is by means of a numerical tool based on finite
elements, which defines the resultant tensions from terms of time series. However, this tool
requires the execution of static and dynamic analyses that have a high computational cost.
Moreover, an array of load cases may include hundreds of combinations. In order to reduce the
cost and time of analysis, this work suggests an artificial neural network (ANN) to estimate
displacements (offsets) and tension in the mooring lines, admitting as input a combination of
the main parameters that configure a mooring system (radius, angles, applied tension, and the
mooring line diameter). After training the neural network, we are going to optimize it through
the Differential Evolution algorithm (DE), modeled using the MATLAB software, with the
purpose of obtaining results with better convergent properties and therefore demanding a lower
number of evaluations of the candidate solutions, compared to the results of ANN training.
Keywords: ANN, Mooring System, Differential Evolution, Floating Production Systems.
SUMÁRIO
1 INTRODUÇÃO ..................................................................................................................... 14
1.1. Contexto e Motivação ................................................................................................ 14
1.2. Objetivo ..................................................................................................................... 15
1.3. Metodologia ............................................................................................................... 16
1.4. Organização do Texto ................................................................................................ 17
2 SISTEMA DE ANCORAGEM DE PLATAFORMAS FLUTUANTES ............................. 18
2.1. Plataformas Flutuantes ............................................................................................... 19
2.1.1. Semissubmersível .............................................................................................. 19
2.1.2. Unidades FPSO baseadas em navios ............................................................... 23
2.2. Tipos de Configuração das Linhas de Ancoragem .................................................... 26
2.2.1. Ancoragem Convencional ................................................................................ 26
2.2.2. Ancoragem “Taut-Leg” .................................................................................... 27
2.2.3. Ancoragem Vertical .......................................................................................... 28
2.3. Tipos de Sistemas de Ancoragem .............................................................................. 29
2.3.1. Ancoragem com ponto único ........................................................................... 29
2.3.2. Ancoragem Distribuída .................................................................................... 33
2.3.3. Ancoragem com Posicionamento Dinâmico ................................................... 34
3 REDES NEURAIS ................................................................................................................ 35
3.1. Neurônios Artificiais e Função de Ativação .............................................................. 35
3.2. Camadas ..................................................................................................................... 37
3.3. Treinamento ............................................................................................................... 39
4 EVOLUÇÃO DIFERENCIAL .............................................................................................. 41
4.1. População Inicial ........................................................................................................ 41
4.2. Mutação ..................................................................................................................... 42
4.3. Cruzamento (Crossover) ............................................................................................ 43
4.4. Seleção ....................................................................................................................... 44
5 ESTUDO DE CASO ............................................................................................................. 47
5.1. Janela Inicial para a RNA .......................................................................................... 47
5.2. Treinamento e Validação da Rede ............................................................................. 48
5.3. Variáveis de Decisão e Função Objetivo ................................................................... 50
5.4. Critério de Parada ...................................................................................................... 53
5.5. Parâmetros do Algoritmo Evolução Diferencial ........................................................ 53
5.6. Metodologia de Otimização do Modelo de Substituição do Sistema de Ancoragem 55
6 RESULTADOS ..................................................................................................................... 59
6.1. Análise da Evolução do MSE pelo Algoritmo DE .................................................... 59
6.2. Análise dos Resultados da RNA e do Algoritmo DE ................................................ 65
7 CONCLUSÃO ....................................................................................................................... 76
8 REFERÊNCIAS BIBLIOGRÁFICAS .................................................................................. 78
LISTA DE FIGURAS
Figura 1 - Plataforma Semissubmersível .................................................................................. 20
Figura 2 - Semissubmersível Convencional ............................................................................. 21
Figura 3 - Semissubmersível "Taut-Leg" ................................................................................. 21
Figura 4 - MODU Convencional .............................................................................................. 22
Figura 5 - MODU "Taut-Leg" .................................................................................................. 22
Figura 6 - Unidade FPSO ......................................................................................................... 23
Figura 7 - Navio com ancoragem convencional ....................................................................... 24
Figura 8 - Navio com ancoragem "Taut-Leg" .......................................................................... 25
Figura 9 - Navio com Sistema DICAS de ancoragem .............................................................. 25
Figura 10 - Sistema de ancoragem “Taut-Leg” x Convencional .............................................. 28
Figura 11 - Plataforma TLP com ancoragem vertical .............................................................. 29
Figura 12 - Turret interno ......................................................................................................... 30
Figura 13 - Turret externo ........................................................................................................ 31
Figura 14 - CALM com ligação por meio de cabos ................................................................. 32
Figura 15 - CALM com ligação por meio de estrutura fixa ..................................................... 32
Figura 16 - SALM com riser pré-tracionado ............................................................................ 32
Figura 17 - SALM conectados à boia ....................................................................................... 32
Figura 18 - Ancoragem distribuída em plataformas semissubmersíveis .................................. 33
Figura 19 - Ancoragem distribuída em unidades FPSO ........................................................... 33
Figura 20 - Ancoragem com posicionamento dinâmico .......................................................... 34
Figura 21 - Neurônio de McCulloch-Pittsk .............................................................................. 36
Figura 22 - Representação gráfica de diferentes funções de ativação: (a) função sigmoidal; (b)
função linear; (c) função escada ............................................................................................... 37
Figura 23 - Tipos de Alimentação de RNA's: (a) propagação para frente; (b) redes
realimentadas ............................................................................................................................ 38
Figura 24 - RNA com camada única (a) e RNA multicamadas (b) .......................................... 38
Figura 25 - Arquitetura de uma RNA multicamadas ................................................................ 39
Figura 26 - Evolução do MSE pelo algoritmo DE para o offset1 ............................................. 60
Figura 27 - Evolução do MSE pelo algoritmo DE para o offset2 ............................................. 60
Figura 28 - Evolução do MSE pelo algoritmo DE para o offset3 ............................................. 61
Figura 29 - Evolução do MSE pelo algoritmo DE para o offset4 ............................................. 61
Figura 30 - Evolução do MSE pelo algoritmo DE para o offset5 ............................................. 62
Figura 31 - Evolução do MSE pelo algoritmo DE para o offset6 ............................................. 62
Figura 32 - Evolução do MSE pelo algoritmo DE para o offset7 ............................................. 63
Figura 33 - Evolução do MSE pelo algoritmo DE para o offset8 ............................................. 63
Figura 34 - Evolução do MSE pelo algoritmo DE para a tração máxima................................ 64
Figura 35 - Comparação entre o resultado da RNA e do FE para o offset1 ............................. 66
Figura 36 - Comparação entre o resultado do DE e do FE para o offset1 ................................ 66
Figura 37 - Comparação entre o resultado da RNA e do FE para o offset2 ............................. 67
Figura 38 - Comparação entre o resultado do DE e do FE para o offset2 ................................ 67
Figura 39 - Comparação entre o resultado da RNA e do FE para o offset3 ............................. 68
Figura 40 - Comparação entre o resultado do DE e do FE para o offset3 ................................ 68
Figura 41 - Comparação entre o resultado da RNA e do FE para o offset4 ............................. 69
Figura 42 - Comparação entre o resultado do DE e do FE para o offset4 ................................ 69
Figura 43 - Comparação entre o resultado da RNA e do FE para o offset5 ............................. 70
Figura 44 - Comparação entre o resultado do DE e do FE para o offset5 ................................ 70
Figura 45 - Comparação entre o resultado da RNA e do FE para o offset6 ............................. 71
Figura 46 - Comparação entre o resultado do DE e do FE para o offset6 ................................ 71
Figura 47 - Comparação entre o resultado da RNA e do FE para o offset7 ............................. 72
Figura 48 - Comparação entre o resultado do DE e do FE para o offset7 ................................ 72
Figura 49 - Comparação entre o resultado da RNA e do FE para o offset8 ............................. 73
Figura 50 - Comparação entre o resultado do DE e do FE para o offset8 ................................ 73
Figura 51 - Comparação entre o resultado da RNA e do FE para a tração máxima ................ 74
Figura 52 - Comparação entre o resultado do DE e do FE para a tração máxima ................... 74
LISTA DE TABELAS
Tabela 1 - Esquema simplificado do algoritmo de Evolução Diferencial ................................ 45
Tabela 2 – Inputs: Parâmetros de configuração do sistema de ancoragem .............................. 47
Tabela 3 – Outputs: Offsets e tração máxima aplicada à linha de ancoragem .......................... 48
Tabela 4 - Procedimentos para o treinamento da rede.............................................................. 49
Tabela 5 - Constantes das Funções Objetivo ............................................................................ 50
Tabela 6 - Variáveis de Decisão ............................................................................................... 51
Tabela 7 - Parâmetros do Algoritmo Evolução Diferencial ..................................................... 54
Tabela 8 - Resultados para o offset1 com o uso de diferentes valores para os parâmetros ...... 56
Tabela 9 - Resultados para o MSE obtidos pelo treinamento da RNA e pelo algoritmo DE ... 57
LISTAS DE ABREVIATURAS E SIGLAS
ANN - Artificial Neural Network
CALM – Catenary Anchor Leg Mooring
C1 – coeficiente para o controle da componente social
C2 – coeficiente para o controle da componente cognitiva
Cr – taxa de cruzamento
DE – Differential Evolution, Evolução Diferencial
DP – Dynamic Positioning
F – fator de mutação ou permutação
FE – Finite Element, Elementos Finitos
FPS – Floating Production Systems
FPSO – Floating Production Storage and Offloading
Ger – número máximo de gerações
MAE – Mean Absolute Error
MBL – Minimum Breaking Load
MSE – Mean Squared Error
MODU – Mobile Offshore Drilling Unit
NI – número total de indivíduos em uma população
PSO – Particle Swarm Optimization
RNA – Rede Neural Artificial
SALM – Single Anchor Leg Mooring
SM – Spread Mooring
SPM – Single Point Mooring
TLP – Tension Leg Platform
VLA – Vertical Load Anchor
w – coeficiente de inércia
14
1 INTRODUÇÃO
1.1. Contexto e Motivação
Atualmente, o avanço das pesquisas voltadas à sistemas offshore tem permitido uma
crescente produção de petróleo em águas cada vez mais profundas. Devido à extrema
complexibilidade e elevados custos de exploração nesses campos, altos investimentos são
previstos para o setor de pesquisa e estudo, em busca do desenvolvimento de projetos que
tornem a produção desses campos mais segura e economicamente viável.
Nesses campos offshore, as principais bases de operações são os sistemas de produção
flutuante (FPS – Floating Production Systems), que podem ser unidades flutuantes baseadas
em navios ancorados ou plataformas semissubmersíveis, conectadas a risers que transportam
óleo, gás e outros fluidos do fundo do mar até a plataforma. Tais sistemas devem atender a
alguns limites operacionais seguros com base em parâmetros de sua resposta estrutural (como
deslocamentos, tensões, etc.); esses parâmetros são definidos em termos de séries temporais,
geralmente obtidos a partir de ferramentas complexas de elementos finitos (FE).
Em um método tradicional para a simulação numérica de FPS, emprega-se uma
formulação desacoplada, onde o comportamento hidrodinâmico do casco não é influenciado
pelos movimentos dinâmicos não-lineares da linha de amarração e risers. Neste caso, existem
duas etapas de análise: a primeira análise é uma avaliação do movimento do casco, onde as
linhas de ancoragem e os risers são representados como coeficientes escalares, submetidos a
cargas ambientais (ondas, correntes e ventos); na segunda análise, para cada riser, os
movimentos do casco são prescritos no topo dos modelos de elementos finitos (FE) e o
comportamento estrutural dos risers é analisado por meio de uma dinâmica não-linear de
domínio do tempo de simulação (DELGADO et al., 2015).
No entanto, devido ao desenvolvimento da indústria offshore e suas tecnologias, os
cenários foram alterados e o desafio é diferente. Os campos de óleo de águas ultra profundas
do pré-sal no Sudeste do Brasil estão sendo explorados, e para esses desafios que vão surgindo
à medida que a profundidade aumenta, uma formulação desacoplada não é apropriada. As
aplicações em águas profundas e ultraprofundas com um grande número de risers devem ter
uma abordagem de projeto diferente em termos de ferramentas de simulação, neste caso,
ferramentas baseadas em formulações acopladas.
15
Nesta formulação, o sistema de ancoragem e os risers são avaliados como um sistema
integrado real, que engloba a interação entre o comportamento estrutural hidrodinâmico de
todas as linhas de ancoragem e o comportamento hidrodinâmico do casco.
As análises juntas são mais precisas e revelam com detalhes o comportamento global
do sistema. Nesta metodologia, todas as não-linearidades envolvidas na resposta dinâmica do
sistema são consideradas em um domínio de tempo integral (análise), e as linhas são
rigorosamente representadas por modelos de elementos finitos. No entanto, a simulação
acoplada tem um alto custo computacional ao ser executada pela ferramenta FE, incentivando
o desenvolvimento de modelos de substituição, como o uso de otimizadores evolucionários
aliados às Redes Neurais Artificiais – RNA’s, que irão ser estudados nesse trabalho, os quais
proporcionam um custo computacional menor ao mesmo tempo em que geram resultados
adequados.
Nessa perspectiva, esse trabalho concerne no desenvolvimento do método de Evolução
Diferencial para a otimização dos resultados obtidos através do treinamento da RNA, a fim de
minimizar o erro de treinamento da rede e estimar os deslocamentos da plataforma e as trações
aplicadas nas linhas de ancoragem, usando parâmetros de configuração dos sistemas de
ancoragem, como raio, ângulo, pre-tração e diâmetro da linha de ancoragem.
1.2. Objetivo
O foco desse trabalho está direcionado no desenvolvimento de uma metodologia
construtiva e eficaz de otimização simultânea dos pesos das funções objetivo geradas após o
treinamento da RNA, e dos deslocamentos e trações aplicados às linhas de ancoragem, por meio
do uso da Evolução Diferencial. O objetivo principal é aplicar o algoritmo de Evolução
Diferencial para obter pesos “ótimos” no treinamento da RNA, a fim de encontrar resultados
tão concretos quanto os conseguidos pela exaustiva ferramenta computacional FE, porém com
um menor custo computacional.
A aplicação do algoritmo evolutivo conjugado à utilização da RNA, tem a finalidade de
determinar os valores adequados para as variáveis de decisão que possibilitem a minimização
das funções objetivo, o que nesse trabalho traduz à busca por menores erros desnormalizados
para os deslocamentos (offsets) e para a tração máxima.
16
Em busca por um método que possa substituir o atual processo exaustivo de simulação
dos deslocamentos e tração máxima aplicados às linhas de ancoragem feitas pelo FE, esse
estudo propôs o uso do método de Evolução Diferencial, como forma de averiguar sua eficácia
e viabilidade em aplicações de problemas nos sistemas de ancoragem.
1.3. Metodologia
O problema de otimização do sistema de ancoragem proposto nesse presente trabalho,
utiliza de uma metodologia baseada na busca por um algoritmo de evolução que encontre
resultados melhores aos obtidos pelo treinamento da RNA ao simular os deslocamentos e a
tração máxima nas linhas de ancoragem. Inicialmente, foi utilizado o método do enxame de
partículas (PSO, acrônimo do nome original em inglês Particle Swarm Optimization), porém
os resultados encontrados utilizando uma combinação de parâmetros sugerida por Trelea
(2002), C1 e C2 estáticos e o coeficiente de inércia (w), onde C1=C2=1,7 e w=0,6, não
apresentaram um resultado satisfatório, incentivando a busca por outros algoritmos de
otimização.
Com base em estudos anteriores, devido aos bons resultados apresentados em diversos
problemas de difícil otimização, além de possuir ótimas propriedades de convergência e fácil
aplicação, foi utilizado o método de Evolução Diferencial, o qual foi aplicado em sua forma
original. Os testes foram conduzidos com o propósito de otimizar os resultados obtidos pelo
treinamento da RNA.
O processo de otimização sucedeu-se da seguinte maneira: uma RNA foi treinada no
software MATLAB, utilizando uma janela inicial de dados obtida pela ferramenta numérica
FE; após o treinamento foram gerados pesos a serem otimizados pelo algoritmo DE, a fim de
minimizar as funções objetivo encontradas pela RNA. Definidas as funções objetivo, o próximo
passo foi encontrar valores adequados aplicados aos parâmetros do algoritmo DE que
direcionassem a uma boa minimização das funções.
O algoritmo de Evolução Diferencial se mostrou eficaz quanto aos resultados
otimizados, obtendo uma sensível melhora em relação aos resultados alcançados pelo
treinamento da RNA, e mostrando similaridade quanto aos resultados obtidos pela ferramenta
FE, conduzindo, assim, a valores otimizados admissíveis para o deslocamento e a tração
máxima aplicados no sistema de ancoragem de plataformas flutuantes.
17
1.4. Organização do Texto
Esse trabalho está estruturado em oito capítulos, a incluir esta introdução que apresentou
a motivação e o objetivo desse.
O capítulo 2 apresenta uma breve descrição dos principais tipos de plataformas
flutuantes de produção de petróleo offshore e seus respectivos sistemas de ancoragem.
O capítulo 3 apresenta o conceito de uma RNA, bem como suas unidades básicas, os
neurônios artificiais, e sua arquitetura para a resolução de problemas complexos.
Já o capítulo 4 aborda detalhadamente o método de Evolução Diferencial, como ocorre
o processo de otimização, os parâmetros a serem ajustados e a rotina do algoritmo.
No capítulo 5 temos o estudo de caso aplicado ao sistema de ancoragem. Este capítulo
apresenta a metodologia desenvolvida, explicando a integração da Evolução Diferencial como
um método paralelo de otimização dos pesos e das funções objetivo encontradas pela RNA. Por
fim, são mostrados os detalhes do funcionamento da rotina, a escolha dos valores para os
parâmetros de otimização, destacando as estratégicas aplicadas.
O capítulo 6 é a continuação do capítulo 5, nele são apresentados os resultados, além de
serem feitas análises para provar a eficiência do método de Evolução Diferencial.
Para finalizar, o capítulo 7 apresenta as considerações finais, dissertando de forma breve
as características, inovações, vantagens e desvantagens desse estudo, finalizando com sugestões
para trabalhos futuros, objetivando dar continuidade e complemento ao trabalho.
18
2 SISTEMA DE ANCORAGEM DE PLATAFORMAS FLUTUANTES
A decisão de ampliar as prospecções de petróleo para o litoral marítimo ocorreu devido
à crescente necessidade de se produzir cada vez mais para atender a uma demanda maior que
vinha surgindo, o que levou à busca e à exploração de novos campos petrolíferos em lâminas
d’água cada vez mais profundas.
Atualmente, a máxima perfuração de poços exploratórios situa-se na faixa de 3.000
metros, e a máxima explotação ocorreu a uma profundidade de 2.990 metros (produção
econômica), alcançada em 2015, no poço de Sergipe-Alagoas, em Aracaju
(PETROBRAS, 2015). Deste modo, é imprescindível buscar soluções que viabilizem a
explotação destes campos petrolíferos, como a utilização dos sistemas flutuantes de produção,
visto que os sistemas fixos do tipo jaqueta apresentam um limite técnico-econômico em torno
de 410 m (ELLWANGER, 2004).
Os sistemas flutuantes são estruturas flexíveis, pois caracterizam-se por manifestar
grandes deslocamentos sob ação de cargas ambientais (ação das ondas, correntes e ventos);
sendo assim, é crucial a aplicação de um sistema de ancoragem adequado, que limite tais
deslocamentos a níveis convenientes (LACERDA, 2005).
O sistema de ancoragem abrange um conjunto de linhas de ancoragem confeccionadas
por diferentes tipos de materiais (cabos de poliéster, cabos de nylon, cabos de aço, amarras e
etc), e estacas ou âncoras, que transmitem os esforços que atuam sobre a plataforma para o solo.
De acordo com a disposição geométrica das linhas de ancoragem, elas adotam diferentes
tipos de configurações: ancoragem convencional (linhas de ancoragem assumindo
configurações em catenária), ancoragem “Taut-Leg”, e a ancoragem vertical empregando
tendões.
Existe ainda uma outra classificação do sistema de ancoragem, quanto à disposição das
linhas em relação à unidade, e são classificadas em: ancoragem com ponto único, ancoragem
distribuída e ancoragem com posicionamento dinâmico.
19
2.1. Plataformas Flutuantes
As plataformas de petróleo são rotuladas como onshore, quando estão localizadas na
terra, e offshore quando se encontram no mar. Nas plataformas offshore é necessária uma grande
infraestrutura, tanto para abrigar os operários, quanto para acomodar os equipamentos para
extração de petróleo e gás natural.
De acordo com a finalidade e a profundidade de perfuração, existem 7 tipos de
plataformas offshore:
Plataforma fixa;
Plataforma autoelevável;
Plataforma semissubmersível;
FPSO (Floating Production Storage and Offloading);
FPSO Monocoluna;
Plataforma TLP;
Spar Buoy.
Contudo, apenas iremos abordar as duas mais usadas no Brasil: as plataformas
semissubmersíveis e as unidades FPSO baseadas em navios.
2.1.1. Semissubmersível
São compostas de uma estrutura de um ou mais converses, apoiada em flutuadores,
denominados pontoons, compartimentados em tanques com finalidade de proporcionar lastro e
flutuação à plataforma, como ilustrada na Figura 1 (MONTEIRO, 2014). As plataformas
semissubmersíveis podem ser de produção ou de perfuração.
As plataformas de produção são fixas numa locação, por volta de vinte anos, e não
armazenam óleo. Já as plataformas de perfuração ficam por um período determinado numa
locação, comumente chamadas de MODU (Mobile Offshore Drilling Unit). As plataformas
semissubmersíveis podem ter sistema de ancoragem do tipo convencional ou “Taut-Leg”.
20
Figura 1 - Plataforma Semissubmersível
Fonte: Repositório Digital da PetroGasNews1
a) Semissubmersível Convencional
As plataformas semissubmersíveis do tipo convencional (Figura 2) são unidades
flutuantes de produção que possuem sistema de ancoragem operando como catenária,
constituído por trechos em cabos de aço, amarras ou a combinação entre eles.
Geralmente empregado em plataformas de perfuração e de produção que operam em
profundidades por volta de 500 metros, consiste de linhas de ancoragem presas ao solo marinho
por âncoras convencionais que conferem resistência apenas na direção horizontal.
1 Disponível em: <https://petrogasnews.wordpress.com/2011/03/06/tipos-de-plataformas-de-petroleo/>. Acesso
em 12 de junho de 2017
21
Figura 2 - Semissubmersível Convencional
Fonte: Lacerda (2005)
b) Semissubmersível “Taut-Leg”
As unidades flutuantes de produção cujo sistema de ancoragem é do tipo “Taut-Leg”
são formadas por linhas esticadas, capazes de resistir a carregamentos tanto com componentes
horizontais quanto verticais, exemplificada na Figura 3. Estas linhas são constituídas em seus
extremos por cabos de aço ou amarras, como na do tipo convencional, mas diferem por possuir
em seu trecho intermediário cabos de poliéster.
As linhas de ancoragem são presas no solo marinho através estacas de sucção, estacas
torpedo ou as VLAs (Vertical Load Anchor).
Em 1997, o Brasil teve sua primeira aplicação deste tipo de plataforma, reduzindo
radicalmente o raio de ancoragem em lâminas d’água na faixa de 700 metros
(LACERDA, 2005).
Figura 3 - Semissubmersível "Taut-Leg"
Fonte: Lacerda (2005)
22
c) MODU Convencional
São plataformas flutuantes de perfuração que possuem o sistema de ancoragem
convencional, como ilustra a Figura 4.
Figura 4 - MODU Convencional
Fonte: Lacerda (2005)
d) MODU “Taut-Leg”
São plataformas flutuantes de perfuração que possuem o sistema de ancoragem do tipo
“Taut-Leg”, o mesmo empregado nas semissubmersíveis “Taut-Leg”. A Figura 5 mostra a
estrutura da plataforma.
Figura 5 - MODU "Taut-Leg"
Fonte: Lacerda (2005)
23
2.1.2. Unidades FPSO baseadas em navios
A grande procura por reservas de petróleo em lâminas d’água cada vez mais profundas,
e a necessidade de escoar tal produção, levando em conta as grandes distâncias da costa,
impulsionaram o desenvolvimento de plataformas baseadas em navios adaptados.
Este tipo de unidade estacionária com a finalidade de explorar, armazenar e escoar
petróleo, conhecida como FPSO pode ser vista na Figura 6, consiste de um navio ancorado,
capaz de suportar em seu convés uma estrutura de processamento de óleo, além de armazenar
o óleo produzido e permitir o escoamento da produção para outro navio, denominado aliviador,
o qual é conectado à FPSO e transporta o óleo até os terminais petrolíferos.
Figura 6 - Unidade FPSO
Fonte: Repositório Digital do Diário do Pré-Sal2
2 Disponível em: < https://diariodopresal.wordpress.com/tag/plataforma-fpso/>. Acesso em 01 de junho de 2017
24
a) Navio com Ancoragem Convencional
As FPSO com ancoragem convencional possuem um Ponto Simples de Ancoragem
“SPM” (Single Point Mooring) do tipo Turret. Esse sistema permite que a embarcação gire
livremente ao redor das linhas de ancoragem e risers, e se posicione na direção das cargas
ambientais, reduzindo, assim, a ação destas na estrutura. A Figura 7 ilustra essa estrutura.
Figura 7 - Navio com ancoragem convencional
Fonte: Repositório Digital da Engenharia Naval e Oceânica da UFRJ3
b) Navio com Ancoragem “Taut-Leg”
Semelhante ao sistema convencional, estes navios possuem um Ponto Simples de
Ancoragem “SPM” do tipo Turret, que lhe proporciona mobilidade e permite que se alinhem
com o carregamento, porém diferem-se dos navios com ancoragem convencional quanto à
configuração das linhas de ancoragem (possuem as linhas de ancoragem esticadas –
“Taut-Leg”). A Figura 8 destaca essa diferença.
3 Disponível em:
<http://www.deno.oceanica.ufrj.br/deno/prod_academic/relatorios/2011/NathalieThiago/relat1/Conteudo.htm>.
Acesso em 29 de maio de 2017.
25
Figura 8 - Navio com ancoragem "Taut-Leg"
Fonte: Lacerda (2005)
c) Navio com Sistema DICAS de Ancoragem
O DICAS é um sistema de ancoragem desenvolvido pela PETROBRAS, formado
sobretudo por um sistema de amarração com diferentes resistências, disperso na proa e na popa
do navio, isto é, um sistema de ancoragem com complacência diferenciada (SCIENTIFIC
AMERICAN BRASIL, 2004). Esse esquema pode ser observado na Figura 9.
Figura 9 - Navio com Sistema DICAS de ancoragem
Fonte: Repositório Digital da PUC-RIO4
4 Disponível em: < https://www.maxwell.vrac.puc-rio.br/8242/8242_3.PDF>. Acesso em 29 de maio de 2017.
26
A principal diferença entre o sistema DICAS e um SPM é que este último se arranja de
acordo com a direção resultante das cargas ambientais, ao passo que o DICAS desempenha isso
parcialmente, tendo, portando, casos em que fica com o mar incidindo de través, ou seja, a 90°
com o eixo do navio (AGUIAR, 2005).
O sistema DICAS por dispensar o turret é um sistema mais simples no aspecto de
construção, e mais econômico. Outro benefício desse sistema é que ele facilita uma maior
liberdade para conexão dos risers na plataforma, uma vez que com a utilização do turret, a
região fica limitada para definição do arranjo dos risers e ancoragem.
2.2. Tipos de Configuração das Linhas de Ancoragem
2.2.1. Ancoragem Convencional
No sistema de ancoragem do tipo convencional, a unidade flutuante conecta-se ao fundo
do mar por meio de cabos de aço e/ou amarras (SANCHES, 1996). Tais conexões são chamadas
de linhas de ancoragem, as quais devem estar trabalhando como catenárias simples ou
compostas, apresentando trecho apoiado ao solo, assegurando, assim, apenas a transmissão de
esforços horizontais para o solo.
Este fato deve-se à utilização de âncoras convencionais, as quais não possuem eficiência
para transmitir esforços verticais. A garantia da eficiência do sistema de ancoragem do tipo
convencional requer trechos apoiados ao solo com comprimentos consideráveis, de tal forma
que, uma parte do carregamento transmitido para a unidade flutuante seja dissipada por meio
do efeito do atrito linha-solo (KAWASAKI, 2010).
O emprego de linhas de ancoragem com comprimentos elevados reflete um acréscimo
de peso na unidade flutuante, tornando o sistema de ancoragem do tipo convencional complexo
e custoso, logo, pouco eficiente; comumente, menos da metade das linhas de ancoragem
contribuem para manter a unidade flutuante na locação, do qual somente uma ou duas linhas
sustentam parcialmente toda a carga (LACERDA, 2005).
Acrescenta-se ainda, a desvantagem de que as âncoras convencionais necessitam de um
elevado raio de ancoragem (distância horizontal do centro da unidade flutuante ao solo), posto
que pode haver uma aglomeração entre as linhas de ancoragem e os sistemas submarinos de
unidades flutuantes ao redor.
27
2.2.2. Ancoragem “Taut-Leg”
No tipo de ancoragem “Taut-Leg”, as linhas de ancoragem apresentam uma
configuração em que não possuem trechos apoiados no leito marinho, visto que se encontram
mais tracionados do que nos sistemas de ancoragem convencional.
Nesse tipo de ancoragem, o ângulo formado entre as linhas e leito marinho é diferente
de zero, fazendo com que a fundação seja capaz de resistir a carregamentos com componentes
horizontais e verticais. Como a resistência requisitada é maior, a utilização de âncoras
convencionais se torna inviável, fazendo-se necessário utilizar outros tipos de elementos de
fundação, como as estacas de sucção, as estacas torpedo e as VLAs, as quais conferem
tenacidade a altas cargas verticais. Além disso, as linhas de ancoragem possuem segmentos de
poliéster, que apresentam uma boa resistência à fluência e fadiga.
Atualmente, as plataformas que estão sendo desenvolvidas para elevadas profundidades
empregam a ancoragem do tipo “Taut-Leg”, que proporciona uma maior rigidez ao sistema,
com passeios da embarcação limitados a offsets menores (distâncias menores) comparados aos
da configuração convencional.
Outra vantagem, é a redução do raio de ancoragem com um ângulo de topo de
aproximadamente 45° com a vertical, o que acarreta a uma diminuição do comprimento total
da linha. Em um sistema convencional, o valor do raio de ancoragem possui a ordem de
grandeza em torno de duas a três vezes a profundidade da lâmina d´água, ao passo que em um
sistema “Taut-Leg” este pode ser bem próximo do valor da profundidade da lâmina d’água,
como pode ser comparado na Figura 10.
28
Figura 10 - Sistema de ancoragem “Taut-Leg” x Convencional
Fonte: Repositório Digital da Engenharia Naval e Oceânica da UFRJ5
2.2.3. Ancoragem Vertical
Nesta configuração, as linhas de ancoragem estão trabalhando como tendões verticais,
que precisam estar constantemente tracionados em função da parcela do empuxo proveniente
da parte submersa da unidade flutuante.
Os tendões proporcionam ao sistema uma alta rigidez no plano vertical, em
contrapartida, no plano horizontal há uma baixa rigidez. A força de restauração no plano
horizontal é garantida pela componente horizontal da força de tração nos tendões
(AGUIAR, 2005).
A ancoragem vertical é usada principalmente em plataformas do tipo TLP (Tension Leg
Platform), como mostra a Figura 11, mas também pode ser empregada em ancoragens de boias
e monoboias.
5Disponível em:
<http://www.deno.oceanica.ufrj.br/deno/prod_academic/relatorios/2010/Debora_LuizFernando/relat1/Relatorio1
.htm>. Acesso em 10 de junho de 2017.
29
Devido aos reduzidos movimentos verticais (heave) e rotacionais (roll e pitch) neste
tipo de plataforma, as árvores de natal são posicionadas no corpo do flutuante, de uma forma
semelhante às jaquetas (árvore de natal seca).
Figura 11 - Plataforma TLP com ancoragem vertical
Fonte: Kawasaki (2010)
2.3. Tipos de Sistemas de Ancoragem
2.3.1. Ancoragem com ponto único
A ancoragem com ponto único, também designada como SPM, é caracterizada pela
concentração das linhas de ancoragem em uma única posição da embarcação
(MONTEIRO, 2014).
Este tipo de ancoragem é mais utilizado em navios do tipo FPSO e FSO, permitindo que
a unidade flutuante esteja livre para rotacionar em torno de suas linhas, alinhando-se com os
carregamentos ambientais e, consequentemente, minimizando os esforços atuantes na mesma.
30
De acordo com a recomendação prática API RP 2SK (2005), existem três tipos de
configuração predominantes: ancoragem com turret (interno e externo), CALM (Catenary
Anchor Leg Mooring), e SALM (Single Anchor Leg Mooring).
a) Ancoragem com Turret
O sistema de ancoragem com turret é caracterizado pela ligação de um conjunto de
linhas de ancoragem a uma torre, a qual pode estar posicionada na proa, na popa (turret externo)
ou dentro da embarcação (turret interno), permitindo a livre rotação da mesma em torno das
linhas. Exemplos de cada um desses sistemas é mostrado na Figura 12, que representa o turret
interno, e na Figura 13, o turret externo.
Turret é uma estrutura composta por um corpo central cilíndrico, ligado ao casco de
uma embarcação por meio de rolamentos e uniões rotativas (swivel). Manifolds,
lançadores/recebedores de pig, swivel, suporte dos risers, medição fiscal, injeção química e de
controle compõem o turret.
Figura 12 - Turret interno
Fonte: Repositório Digital da Engenharia Naval e Oceânica da UFRJ6
6 Disponível em:
<http://www.deno.oceanica.ufrj.br/deno/prod_academic/relatorios/2011/NathalieThiago/relat1/Conteudo.htm>.
Acesso em 10 de junho de 2017
31
Figura 13 - Turret externo
Fonte: Repositório Digital da Aukevisser7
b) CALM
O sistema de ancoragem CALM é formado por uma boia de grandes dimensões que
comporta um determinado número de linhas de ancoragem em catenária. A ligação entre a boia
e a unidade flutuante é feita por um cabo (Figura 14), comumente composto de material
sintético, ou por meio de uma estrutura fixa (Figura 15).
Em virtude das cargas ambientais, o sistema apresenta empecilhos, visto que a boia e a
unidade flutuante apresentam respostas diferentes sob a influência das ondas. Logo, em
condições marítimas severas é imprescindível que a boia e a embarcação sejam desconectadas.
Objetivando a solução desse problema, estruturas rígidas de acoplamento dotadas de
articulações são empregadas para conectar a boia à unidade, minimizando movimentos
horizontais entre os mesmos (KAWASAKI, 2010). Existe a possibilidade, ainda, de usar uma
7 Disponível em: <http://www.aukevisser.nl/supertankers/FPSO-FSO/id525.htm>. Acesso em 20 de junho de
2017
32
configuração com a estrutura de ligação submersa, ligada à unidade por meio de amarras, de
forma menos rígida que a anterior.
Figura 14 - CALM com ligação por meio de cabos
Fonte: Kawasaki (2010)
Figura 15 - CALM com ligação por meio de
estrutura fixa
Fonte: Kawasaki (2010)
c) SALM
O sistema SALM usa um riser vertical que possui uma elevada capacidade de flutuação
na superfície ou, em determinadas situações, é mantido por um riser pré-tracionado, ilustrado
na Figura 16. Emprega-se um riser tubular articulado com uma forquilha rígida de acoplamento.
Pode-se, ainda, aplicar uma configuração alternativa com amarras conectadas a uma boia, a
qual é acoplada à unidade através de cabos, como apresentada na Figura 17.
O mecanismo de funcionando do sistema permite que, quando a unidade se desloca
lateralmente, a força restauradora procedente dos flutuadores tende a alinhá-la, colocando-a de
volta à posição original.
Figura 16 - SALM com riser pré-tracionado
Fonte: Kawasaki (2010)
Figura 17 - SALM conectados à boia
Fonte: Kawasaki (2010)
33
2.3.2. Ancoragem Distribuída
O sistema de ancoragem distribuída, também conhecido como SM (Spread Mooring), é
formado por linhas distribuídas em torno da embarcação, tornando-se capaz de resistir a
carregamentos ambientais atuantes em qualquer direção.
Este tipo de amarração é utilizado por plataformas semissubmersíveis (Figura 18) em
operações de perfuração e produção, porém tem sido aplicado, recentemente, em unidades
FPSO (Figura 19).
Uma concepção recente de ancoragem para FPSO, desenvolvida pela PETROBRAS,
conhecida como DICAS, vista na seção 2.1.2, consiste na adoção de linhas distribuídas, apesar
dos navios sofrerem maior influência em relação às cargas ambientais.
Figura 18 - Ancoragem distribuída em plataformas semissubmersíveis
Fonte: Monteiro (2014)
Figura 19 - Ancoragem distribuída em unidades FPSO
Fonte: Monteiro (2014)
34
2.3.3. Ancoragem com Posicionamento Dinâmico
O sistema de ancoragem com posicionamento dinâmico, ilustrado na Figura 20, também
conhecido como DP (Dynamic Positioning), utiliza propulsores e impulsionadores laterais
(thrusters) para manter a posição de navios e plataformas através do acionamento dos mesmos,
de forma que corrijam os efeitos dos carregamentos ambientais atuantes.
Este sistema pode ser utilizado de forma isolada ou como auxílio para um sistema já
ancorado. A adoção de um sistema de posicionamento dinâmico é adequada para unidades que
possuem grande mobilidade, isto é, que se estabilizam em um determinado local por pouco
tempo, como por exemplo, unidades que realizam atividades de perfuração e intervenção em
poços de petróleo.
Figura 20 - Ancoragem com posicionamento dinâmico
Fonte: Kawasaki (2010)
35
3 REDES NEURAIS
As Redes Neurais Artificiais (RNA’s) são ferramentas computacionais que apresentam
uma expressiva utilização na resolução de problemas complexos do mundo atual, tais como:
reconhecimento de padrões, classificação, agrupamento, previsão de séries temporais, função
de aproximação, otimização, processamento de sinais, telecomunicações, robótica, dentre
outros (WIDROW et al., 1994).
Na indústria de petróleo, tem sido aplicadas em problemas de engenharia oceânica e
offshore, incluindo a previsão das características do estado do mar (YASSERI et al., 2010), a
estimativa dos passeios da plataforma sob ação de cargas ambientais
(MAZAHERI e DOWNIE, 2005), e muitas outras aplicações offshore (OK et al., 2007).
A atratividade das RNA’s vem do notável processamento de informações característico
do sistema biológico, como a não linearidade, alto paralelismo, robustez, falhas e tolerância às
falhas, capacidade de aprendizagem, habilidade de lidar com informações imprecisas e difusas,
e a capacidade de generalização (JAIN et al., 1996). Tais características são desejáveis porque
(i) a não-linearidade permite melhor o ajuste de dados, (ii) o alto paralelismo implica um rápido
processamento e tolerância a falhas de hardware, (iii) a aprendizagem e a flexibilidade
permitem que o sistema atualize sua estrutura interna em resposta à mudança do ambiente, e
(iv) a generalização permite a aplicação do modelo para dados não-conhecidos.
3.1. Neurônios Artificiais e Função de Ativação
As RNA’s são compostas por complexas redes de unidades simples (neurônios)
interconectadas. Cada unidade recebe várias entradas e gera apenas uma saída, a qual pode se
tornar uma das entradas de outra unidade. No sistema biológico, os neurônios são células
responsáveis pela recepção, transmissão e processamento de sinais. Individualmente, realizam
operações relativamente simples; contudo, as conexões entre eles geram uma enorme
diversidade de tarefas. A Figura 21 ilustra um modelo artificial de neurônio – o neurônio de
McCulloch-Pitts (MCCULLOCH et al., 1943).
36
Figura 21 - Neurônio de McCulloch-Pittsk
Ao receber um dado número de entradas xi, x = 1, m, primeiramente ele calcula uma
combinação linear dessas entradas usando pesos sinápticos wk (a cada entrada está associada a
um peso wk que corresponde a importância da entrada xi) para gerar a entrada ponderada uk.
𝑢𝑘 = ∑ 𝑤𝑘𝑥𝑖 𝑚𝑖=1 (t) (1)
Em seguida, fornece uma saída yk através de uma função de ativação - f(uk), que deve
apresentar um comportamento monotônico crescente sobre uma determinada faixa de valores
para uk, e assumir um valor constante fora dessa faixa. Vários tipos de função ativação podem
ser usadas (HAYKIN, 2001), incluindo a função logística definida pela seguinte expressão (com
um parâmetro α que modifica a derivada da vizinhança de uk=0, para ajustar a “velocidade” de
transição):
𝑦𝑘 = 𝑓(𝑢𝑘) =1
1+ 𝑒−𝛼𝑢𝑘 (2)
A função de ativação acima, não é a única maneira de produzir o valor de saída do
neurônio. Existem outros diversos tipos de função ativação, como retrata a Figura 22, e
exemplificadas a seguir:
função linear, a qual produz uma saída contínua;
função escada, com uma saída binária (não-linear discreta);
função sigmoidal (a mais comum é a função logística, apresentada anteriormente), que
apresenta uma saída não-linear contínua.
37
A função sigmoidal é uma função de ativação contínua amplamente usada em aplicações
de RNA’s, por apresentar características que são muito úteis nos cálculos relacionados à
aprendizagem dos pesos e ao mapeamento feito pela rede:
Não-linear;
Contínua e diferenciável em todo o domínio de IR;
Derivada tem forma simples e é expressa pela própria função:
𝑓′(𝑢𝑘) = 𝑓(𝑢𝑘)(1 − 𝑓(𝑢𝑘)) (3)
Estritamente monótona: 𝑢𝑘1 ≤ 𝑢𝑘2 ⬄ 𝑓(𝑢𝑘1) ≤ 𝑓(𝑢𝑘2).
Figura 22 - Representação gráfica de diferentes funções de ativação: (a) função sigmoidal; (b) função
linear; (c) função escada
3.2. Camadas
A potencialidade e flexibilidade dos cálculos baseados em redes neurais vêm da criação
de conjuntos de neurônios que estão interligados entre si. O paralelismo de elementos com o
processamento local cria o “engenho” global da rede.
38
A disposição dos neurônios pode ser feita em relação ao método de propagação da
informação recebida, conforme mostrado na Figura 23. Pode-se diferenciar entre redes de
propagação para frente (feedforward) e redes realimentadas (recurrent). No caso das redes de
propagação para frente, o fluxo de informações é unidirecional. Os neurônios que recebem a
informação conjuntamente organizam-se em camadas.
Figura 23 - Tipos de Alimentação de RNA's: (a) propagação para frente; (b) redes realimentadas
Embora mais complexas, as redes multicamadas apresentam melhores resultados. A
maioria das aplicações de RNA utiliza redes de 2 camadas; apenas uma camada oculta, com um
número adequado de neurônios, pode ser suficiente para aproximar funções contínuas; com
duas camadas, até mesmo funções descontínuas podem ser representadas (CYBENKO, 1989).
A Figura 24 faz uma comparação entre a estrutura da RNA com camada única e multicamadas.
Figura 24 - RNA com camada única (a) e RNA multicamadas (b)
Fonte: Pina et al. (2013)
Exemplos desse tipo de rede são o perceptron (ROSENBLATT, 1958), e o perceptron
multi-camada (RUMELHART et al., 1986).
Já as redes realimentadas possuem ligações entre os neurônios sem restrições. Oposta
às redes sem alimentação, o comportamento dinâmico desempenha o papel fundamental desse
39
modelo. Em alguns casos, os valores de ativação da rede passam por um processo de relaxação
até alcançarem um estado estável.
Na aplicação considerada neste trabalho, a configuração básica implementada da RNA
foi a rede de propagação para frente, com uma camada intermediária (ou camada oculta), e uma
camada de saída, correspondente ao resultado desejado. A Figura 25 ilustra a arquitetura da
RNA adotada neste trabalho. Vale ressaltar que a primeira camada (com as unidades de entrada)
não são contabilizadas, visto que não é realizado nenhum cálculo.
Figura 25 - Arquitetura de uma RNA multicamadas
3.3. Treinamento
Após determinar a topologia da rede neural, a mesma tem que ser treinada, ou seja, os
graus de liberdade que a rede dispõe para solucionar a tarefa em questão têm que achar um
valor ótimo.
O treinamento da rede neural refere-se ao processo iterativo de ajustes aplicado aos
pesos – wk da eq. (1), de modo que, a escolha de um conjunto de entradas produz um conjunto
desejado de saídas. Isso depende da disponibilidade de um conjunto de treinamento, isto é, um
conjunto de pares entrada-saída conhecidos, que é apresentado à rede várias vezes
(PINA et al., 2013).
O treinamento de uma rede neural artificial dá-se por meio de um conjunto de regras
bem definidas, chamado de algoritmo de aprendizagem. De acordo como os pesos são
modificados, existem diferentes tipos de algoritmos de aprendizagem para determinados
modelos de RNA.
40
O método de treinamento por retropropagação (backpropagation) é o mais comum para
redes neurais de multicamadas. Consiste em usar os erros das saídas para atualizar todos os
pesos, a partir do fim para o início da rede (PINA et al., 2013). Cada iteração na retropropagação
consiste em 2 etapas: no passo ascendente (ou para frente), uma entrada é aplicada à rede neural
e o efeito é propagado através das conexões entre os neurônios, até o momento que uma resposta
é produzida; no passo descendente, a resposta obtida é comparada com a saída desejada, o erro
é calculado e retropropagado da saída para a entrada, ajustando os pesos de conexão. O
procedimento é repetido até que um critério de parada seja atingido, normalmente quando o
ajuste de pesos leve a rede a um estado cujo o erro seja aceitavelmente pequeno para a função,
ou quando um número máximo de avaliação da função é pré-estabelecido.
Os neurônios no método de retropropagação podem estar total ou parcialmente
interconectados. Essas redes, devido à sua grande versatilidade, podem ser aplicadas para
modelagem de dados, classificação, previsão, controle, compressão de dados e reconhecimento
de padrões (HASSOUN, 1995).
41
4 EVOLUÇÃO DIFERENCIAL
A Evolução Diferencial (DE, acrônimo do nome original em inglês Differential
Evolution) é um poderoso algoritmo de otimização numérica na busca de uma solução ótima
global, sendo aplicado com sucesso em problemas de difícil otimização, principalmente por
apresentar ótimas propriedades de convergência e fácil aplicação. Introduzido por Rainer Storn
e Kenneth Price (1995), o DE surgiu a partir das tentativas de Price para resolver um problema
de ajuste polinomial de Chebychev.
O DE é um dos melhores algoritmos do tipo genético para resolver problemas com
variáveis representadas por um número real, ser eficaz para funções objetivo que não são
diferenciáveis ou convexas, precisar de poucos parâmetros para serem ajustados, e ter grande
facilidade na busca do ótimo com populações pequenas (CHENG e HWANG, 2001).
Diante desse contexto, e devido à sua simples estrutura, velocidade, robustez, e
facilidade de uso, isto é, são poucas as variáveis de controle que são exigidas como dados de
entrada para realizar a otimização, este método tem sido empregado em várias aplicações na
engenharia para descobrir soluções eficazes sem utilizar algoritmos complexos.
4.1. População Inicial
Algoritmos de pesquisa evolutiva, incluindo o DE, tentam imitar a evolução natural de
uma população de indivíduos com meios de seleção de modo organizado, fundamentados na
aptidão dos indivíduos e operadores de mutação e cruzamento.
Para a geração da população inicial, o DE utiliza uma população de soluções candidatas
para o equacionamento do problema, a fim de cobrir todo o intervalo de busca. Após o
equacionamento do problema, o DE gera uma população de NI indivíduos representados como
um vetor das variáveis de decisão (PAIVA, 2011). A população inicial (G = 0) é então formada,
aleatoriamente, dentro dos limites definidos pelo usuário, obedecendo à seguinte distribuição
uniforme:
𝑥𝑖𝑜 = 𝐿𝑖𝑚𝐼𝑛𝑓(𝑥𝑖) + 𝑟𝑎𝑛𝑑(𝐿𝑖𝑚𝑆𝑢𝑝(𝑥𝑖) − 𝐿𝑖𝑚𝐼𝑛𝑓(𝑥𝑖)) (4)
42
Onde:
𝑥𝑖𝑜 é o i-ésimo indivíduo da população inicial, i = 1, 2, 3, ... NI, sendo NI o número total de
indivíduos em uma população;
G é a geração corrente;
𝐿𝑖𝑚𝐼𝑛𝑓(𝑥𝑖) são os valores dos limites inferiores de cada variável de decisão;
𝐿𝑖𝑚𝑆𝑢𝑝(𝑥𝑖) são os valores dos limites superiores de cada variável de decisão;
𝑟𝑎𝑛𝑑𝑖 é um número gerado aleatoriamente com distribuição uniforme entre 0 e 1.
Gerada a população inicial, a função objetivo de cada indivíduo da população inicial é
avaliada e armazenada para comparações futuras.
4.2. Mutação
No processo de mutação escolhe-se, aleatoriamente, três vetores distintos dentro da
população corrente de NI indivíduos e, combina-os para gerar um vetor de mutação. Este
operador é um dos mais importantes na convergência do processo evolucionário, pois ocorre
em alta probabilidade, ou seja, para cada indivíduo e em todas gerações.
Um vetor, 𝑋𝑎𝐺 , sofre uma perturbação resultante da diferença vetorial entre os dois
outros vetores diferentes, 𝑋𝛽𝐺 e 𝑋𝛾
𝐺 , multiplicados por um fator de perturbação F. Para cada
indivíduo da população corrente, um vetor de mutação 𝑉𝐺+1 é formado de acordo com a
seguinte equação:
𝑉𝑖,𝑗𝐺+1 = 𝑋𝑎,𝑗
𝐺 + 𝐹(𝑋𝛽,𝑗𝐺 − 𝑋𝛾,𝑗
𝐺 ) (5)
Onde:
G é o número da geração;
i = 1, 2, 3,... NI, NI é o número total de indivíduos em uma população;
j = 1, 2, 3,... Nvar, Nvar é o número total de variáveis de decisão;
𝑉𝑖,𝑗𝐺 é a j-ésima variável de decisão do i-ésimo indivíduo da G-ésima geração;
𝑋𝑎,𝑗, 𝑋𝛽,𝑗 e 𝑋𝛾,𝑗 são as j-ésimas variáveis de decisão de três indivíduos da população (𝑥𝑎, 𝑥𝛽,
𝑥𝛾) escolhidos aleatoriamente;
43
𝐹 é uma constante real chamada de fator de mutação (ou perturbação), e é responsável
por controlar a amplitude da diferença entre os dois vetores. Altos valores de F resultam em
uma maior diversidade na população gerada e mais rápido o algoritmo chega a um ótimo,
enquanto valores muito baixos faz com que o algoritmo tenha um tempo maior de convergência
e consiga refinar minuciosamente o espaço de busca, porém as chances de que o indivíduo fique
estagnado em um ótimo local são maiores. Logo, a escolha ideal do fator de mutação é
imprescindível para a busca de uma solução ótima global. Geralmente é usado um valor no
intervalo [0; 0,2] (STORN e PRICE, 1997).
4.3. Cruzamento (Crossover)
Após o processo de mutação, é gerado um vetor de teste 𝑈𝐺+1, obtido pela operação de
crossover, substituindo componentes do vetor alvo 𝑋𝑡𝐺 , escolhido aleatoriamente e diferente de
𝑋𝑎𝐺 , 𝑋𝛽
𝐺 e 𝑋𝛾𝐺 , por componentes do vetor de mutação 𝑉𝐺+1. O processo é descrito pela seguinte
equação:
𝑢𝑖,𝑗𝐺+1 = {
𝑣𝑖,𝑗𝐺+1, 𝑠𝑒 𝑟 ≤ 𝐶𝑟 , 𝑜𝑢 𝑠𝑒𝑗𝑎, 𝑎 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒 𝑑𝑜 𝑣𝑒𝑡𝑜𝑟 é 𝑜𝑟𝑖𝑢𝑛𝑑𝑎 𝑑𝑜 𝑣𝑒𝑡𝑜𝑟 𝑑𝑒 𝑚𝑢𝑡𝑎çã𝑜
𝑥𝑖,𝑗𝐺 , 𝑠𝑒 𝑟 > 𝐶𝑟, 𝑜𝑢 𝑠𝑒𝑗𝑎, 𝑎 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒 𝑑𝑜 𝑣𝑒𝑡𝑜𝑟 é 𝑜𝑟𝑖𝑢𝑛𝑑𝑎 𝑑𝑜 𝑣𝑒𝑡𝑜𝑟 𝑎𝑙𝑣𝑜
(6)
Onde:
r = número gerado aleatoriamente no intervalo [0; 1] seguindo uma distribuição uniforme, para
cada componente j do vetor;
Cr = taxa de cruzamento, que controla a fração de valores do vetor mutante que será usada,
fornecida pelo usuário;
𝑣𝑖,𝑗𝐺+1 = componentes do vetor de mutação;
𝑥𝑖,𝑗𝐺 = componentes do vetor alvo.
A taxa de cruzamento Cr define quando um parâmetro deve ser substituído (CHENG e
HWANG, 2001). Quanto maior for a taxa de cruzamento, maior a probabilidade de se ter mais
componentes do vetor de mutação no vetor de teste. Geralmente, a taxa é escolhida no intervalo
44
de [0,8; 1] (STORN e PRICE, 1997), uma alta taxa de cruzamento aumenta a diversidade da
população, e assim obtém-se melhores resultados.
4.4. Seleção
O processo de seleção é encarregado por decidir qual vetor (vetor alvo ou vetor teste)
irá avançar para a próxima geração G + 1 de acordo com o valor da sua função objetivo. No
caso de problemas de minimização, adotado nesse trabalho para a otimização da função
objetivo, a seleção é feita da seguinte maneira:
𝑥𝑖𝑡+1 = {
𝑢𝑖𝑡 , 𝑠𝑒 𝑓(𝑢𝑖
𝑡) ≤ 𝑓(𝑥𝑖𝑡)
𝑥𝑖𝑡 , 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
(7)
O algoritmo repete as operações anteriores para cada indivíduo da população por um
determinado número de iterações, iterações estas limitadas por um critério de parada.
O critério de parada escolhido foi de um número máximo de gerações (Ger). Todavia,
existem outros critérios de parada, que pode ser quando a diferença absoluta entre as funções
objetivo dos melhores indivíduos não ultrapassa um determinado valor estabelecido pelo
usuário, dentre outros. Após realizar todas as iterações, é escolhido o indivíduo com a melhor
função objetivo.
Diante dos conceitos abordados anteriormente, a Tabela 1 retrata de forma simplificada
o algoritmo de Evolução Diferencial.
45
Tabela 1 - Esquema simplificado do algoritmo de Evolução Diferencial
1. Início da rotina
2. Geração da População Inicial
3. Geração da função objetivo para cada indivíduo da População Inicial
4. Executa rotina de Otimização da População Inicial até que o número de gerações proposto seja atingido
5. Seleciona indivíduos da População Inicial aleatoriamente
6. Realiza operação de Mutação
7. Realiza operação de Crossover (cruzamento)
8. Geração de população teste a partir dos dados obtidos da Mutação e Crossover
9. Geração da função objetivo para cada indivíduo da população teste
10. Geração da população final a partir dos melhores indivíduos da comparação
11. Fim da rotina de Otimização da população corrente
12. Seleciona o melhor indivíduo da população final
46
A técnica do algoritmo de Evolução Diferencial faz uso de uma população de soluções
candidatas para o equacionamento do problema, a fim de explorar todo o espaço de busca. Uma
vez gerada a população inicial, a função objetivo de cada indivíduo da população inicial é
calculada e armazenada para futuras comparações com as novas gerações formadas através dos
operadores de: mutação, cruzamento e seleção. A sequência de operações do algoritmo de
Evolução Diferencial pode ser representada pela Tabela 1.
No problema em questão, a meta é minimizar a função objetivo, ou seja, encontrar o
mínimo global para o erro obtido através da função objetivo, e, para alcançarmos tal propósito,
usaremos a técnica do DE sem restrições, onde o critério de parada adotado foi o de um
determinado número máximo de gerações (no caso, 2000 gerações). Analisando a Tabela 1, ao
final da 11ª etapa o algoritmo retorna para a 4ª etapa até que todas as 2000 gerações sejam
realizadas, e por fim, obter um resultado com melhores padrões de otimização.
Na aplicação do método DE apenas 3 parâmetros precisam ser ajustados: tamanho da
população (NI), fator de perturbação (F), e taxa de cruzamento (Cr). Segundo Storn (1996), a
taxa de cruzamento Cr ϵ [0, 1], caso a convergência não seja alcançada, utilizar um fator entre
0,8 e 1, o que tornará conveniente. Em relação ao número de indivíduos da população, quanto
maior for, menor deve ser o fator de perturbação. O fator de perturbação F não deve ser menor
que um certo valor para conter a convergência prematura, sendo este dependente da função
objetivo; e que elevados valores de F conduzem a um maior risco de escapar de um ótimo local.
47
5 ESTUDO DE CASO
Visando demonstrar a potencialidade e permitir uma avaliação entre os métodos
explicitados anteriormente, iremos abordar primeiramente os resultados encontrados na RNA
treinada e, por conseguinte, a evolução através do método de Evolução Diferencial, o qual irá
utilizar como dados iniciais os resultados encontrados na RNA. Ambos os algoritmos foram
modelados no software MATLAB.
Para o problema de otimização, serão definidos a função objetivo (obtida através do
treinamento da RNA) a ser minimizada e os parâmetros do DE, estabelecer as variáveis de
projeto que irão ser otimizadas, assim como o procedimento de implementação do algoritmo de
evolução e a metodologia empregada no processo de otimização.
5.1. Janela Inicial para a RNA
Os dados iniciais para o treinamento da RNA foram obtidos através de uma análise de
movimento acoplado realizada pela ferramenta de elementos finitos no programa não comercial
SITUA-PROSIM (2006), que gera uma matriz de 19 colunas e 8249 linhas, sendo as 10 colunas
iniciais compostas pelo conjunto de inputs (parâmetros de configuração dos sistemas de
ancoragem, como o raio, ângulo, tração média e diâmetro da linha de ancoragem) como
mostrado na Tabela 2; e as outras 9 colunas, os outputs, compostas pelos offsets (passeios) e a
tração máxima aplicada à linha de ancoragem, representadas na Tabela 3.
Tabela 2 – Inputs: Parâmetros de configuração do sistema de ancoragem
Coluna Parâmetro Mínimo Máximo
01 - 04 Ângulo por corner -3° 3°
05 – 08 Raio por corner -500 m 500 m
09 Tração média 1000 kN 3000 kN
10 Material (diâmetro) 0,122 m 0,262 m
O SITUA-PROSIM (2006) incorpora ferramentas numéricas para definir os dados de
entrada: cargas ambientais, dados de base batimétrica, configurações das linhas de ancoragem
e propriedades do casco.
48
Tabela 3 – Outputs: Offsets e tração máxima aplicada à linha de ancoragem
As simulações estáticas são realizadas sob a ação de cargas ambientais atuando em 8
direções de incidência (N, NE, E, SE, S, SW, W, NW), para fornecer as saídas (offsets e tração
sob as linhas de ancoragem) que compõem o conjunto de dados de treinamento da RNA.
5.2. Treinamento e Validação da Rede
Na aplicação considerada neste trabalho, a configuração básica implementada na RNA
foi a rede de propagação para frente, com uma camada intermediária (ou camada oculta), e uma
camada de saída, correspondente ao resultado desejado. Vale ressaltar que, a primeira camada
com as unidades de entrada não é contabilizada, visto que não é realizado nenhum cálculo.
O procedimento para os estágios de treinamento e validação da rede podem ser feitos
após a janela inicial dos parâmetros desejados for coletada pela ferramenta FE. Uma vez que a
rede é treinada, para obter as saídas, a rede precisa de novos parâmetros. Esse mecanismo pode
ser sintetizado pela Tabela 4.
Coluna Parâmetro - Direção Mínimo Máximo
11 Offset 1 – N 0,122 0,262
12 Offset 2 – NE 92,709 297,147
13 Offset 3 – E 90,32 259,924
14 Offset 4 – SE 87,066 204,363
15 Offset 5 – S 106,842 269,241
16 Offset 6 – SW 117,028 303,542
17 Offset 7 – W 96,864 194,09
18 Offset 8 – NW 106,121 163,849
19 𝑇𝑟𝑎çã𝑜 𝑀á𝑥𝑖𝑚𝑎
𝑀𝐵𝐿
0,164 0,963
49
Tabela 4 - Procedimentos para o treinamento da rede
Na 2ª etapa, treinamos diferentes quantidades de indivíduos (200, 1000, 1500 e 2000),
todas as RNA’s formadas por 10 neurônios, executadas em 20 rodadas, nas quais obtivemos 4
conjuntos de dados (um para cada quantidade diferente de indivíduos), com diferentes erros
desnormalizados para a melhor rodada das 20 realizadas para cada offset e para a tração
máxima.
O processo de treinamento fornece os pesos da RNA, que podem então ser aplicados
para analisar novas configurações do sistema de ancoragem, além de formarem a função
objetivo que será otimizada pelo DE.
Além dos pesos, o MATLAB gera alguns parâmetros que iremos considerá-los
constantes do problema, já que são utilizados nas equações sem sofrerem alterações para cada
diferente rodada. Na Tabela 5 são listados os parâmetros e seus respectivos valores encontrados
através do treinamento da RNA.
É importante frisarmos que, por se tratar de uma rede neural com duas camadas, são
formadas duas funções objetivo (uma para cada respectiva camada), e assim, ao final da
segunda iremos obter o resultado final da otimização global.
1. Execute análises estáticas pela ferramenta FE (com diferentes quantidades
de indivíduos) para obter um conjunto de inputs e um conjunto de outputs (offsets e
tração na linha de ancoragem).
2. Use esse conjunto de dados para treinar e validar a rede.
3. Use a rede treinada para prever os offsets e a tração máxima aplicada à linha
de ancoragem.
50
Tabela 5 - Constantes das Funções Objetivo
Função Objetivo
Constantes
Tamanho
Valor
Função Objetivo 1
x1_step1.ymin 1x9 [-3;- 3;-3;- 3;-500;- 500;-500;-500;1000]
x1_step1.gain
1x9
[0.333;0.333;0.333;0.333;0.002;
0.002;0.002;0.002;0.001]
x1_step1.xoffset 1x1
-1
Função Objetivo 2
y1_step1.ymin 1x1 -1
y1_step1.gain 1x1 0.0213
y1_step1.xoffset 1x1 variável para cada offset e tração
máxima
5.3. Variáveis de Decisão e Função Objetivo
A maioria dos problemas de otimização abordam funções objetivo a serem minimizadas
ou maximizadas, as quais estão relacionadas com as variáveis de projeto que irão definir um
ponto ótimo, por isso chamadas de variáveis de decisão.
As variáveis de decisão são variáveis que podem ser controladas e modificadas para se
alcançar o ponto ótimo da função objetivo. Os possíveis valores para essas variáveis estão
delimitados por um conjunto de restrições, os quais foram formados a partir do treinamento da
RNA, gerando assim um conjunto de soluções viáveis para um determinado problema.
Neste caso, são avaliadas quatro variáveis de decisão, duas para cada função objetivo
gerada em cada camada. Posteriormente, serão discutidas as funções objetivo consideradas para
a resolução do problema.
Na Tabela 6 são evidenciadas as variáveis e o intervalo em que se encontra cada qual,
estabelecido através do treinamento da RNA. Os valores assumidos para essas variáveis estão
dentro de uma faixa admissível de operação da RNA, gerando offsets e tração máxima factíveis
para a operação em sistemas de ancoragem.
51
Tabela 6 - Variáveis de Decisão
O método de otimização por Evolução Diferencial, usado no presente trabalho, depende
de uma função objetivo, de tal forma que se faz necessário desenvolver uma formulação
matemática que modele os objetivos do problema em questão. A função objetivo é em função
das variáveis de decisão e estabelece o problema de otimização a ser minimizado ou
maximizado, visando obter os melhores valores para estas variáveis (PAIVA, 2011).
Assim sendo, o problema de otimização a ser solucionado nesse estudo é definido pelas
equações (8) a (11), estabelecidas através do treinamento da RNA.
Os dados de entrada, destacados na seção 5.1, ao entrarem na camada oculta (primeira
camada contabilizada) são normalizados, estabelecendo os valores mínimos e máximos para
cada linha, ou seja, para cada parâmetro de entrada do treinamento da RNA. Esse processo é
representado pela equação (8).
𝑥𝑝1 = 𝑚𝑎𝑝𝑚𝑖𝑛𝑚𝑎𝑥_𝑎𝑝𝑝𝑙𝑦(𝑥1, 𝑥1_𝑠𝑡𝑒𝑝1 ) (8)
Onde:
𝑥1 = matriz de dados de entrada definida na seção 5.1
𝑥1_𝑠𝑡𝑒𝑝1 = x1_step1.xoffset, determinada na Tabela 5
Dentro da primeira camada ocorre a função de transferência neural, representada pela
equação (9), responsável por calcular a saída de uma camada através da sua entrada líquida.
𝑎1 = 𝑡𝑎𝑛𝑠𝑖𝑔_𝑎𝑝𝑝𝑙𝑦(𝑟𝑒𝑝𝑚𝑎𝑡(𝑏1,1, 𝑄) + 𝐼𝑊_1 ∗ 𝑥𝑝1) (9)
Função
Objetivo
Variáveis
de
Decisão
Tamanho Intervalo
Função
Objetivo 1
Pesos 1ª Camada
(IW1_1)
20x10 [-50; 50]
Bias 1ª Camada
(b1)
20x1 [-20; 20]
Função
Objetivo 2
Pesos 2ª Camada
(LW2_1)
1x20 [-50; 50]
Bias 2ª Camada
(b2)
1x1 [-5; 5]
52
Onde:
𝑏1 = Bias 1ª Camada
Q = valor numérico escalar que indica a quantidade de pares [mínimo, máximo] dentro do 𝑥1
𝑟𝑒𝑝𝑚𝑎𝑡 = rotina que chama as matrizes
𝐼𝑊_1 = Pesos 1ª Camada
𝑥𝑝1 = matriz com os dados de entrada (𝑥1) normalizados
Já dentro da segunda camada ocorre o processo estabelecido pela equação (10):
𝑎2 = 𝑟𝑒𝑝𝑚𝑎𝑡(𝑏2,1, 𝑄) + 𝐿𝑊2_1 ∗ 𝑎1 (10)
Onde:
𝑏2 = Bias 2ª Camada
𝐿𝑊2_1 = Pesos 2ª Camada
𝑎1 = resultados obtidos pela equação (9)
Ao final do treinamento é gerada a função (11), encarregada por minimizar o resultado
final do processo de treinamento da RNA.
𝑦1 = 𝑚𝑎𝑝𝑚𝑖𝑛𝑚𝑎𝑥_𝑟𝑒𝑣𝑒𝑟𝑠𝑒(𝑎2, 𝑦1_𝑠𝑡𝑒𝑝1 ) (11)
Onde:
𝑎2 = resultados obtidos pela equação (10)
𝑦1_𝑠𝑡𝑒𝑝1 = y1_step1.xoffset determinada na Tabela 5
𝑦1 = resultado final do treinamento da RNA
O objetivo do problema de otimização em questão é a minimização das funções objetivo,
as quais irão fornecer, ao final de todo processo de otimização, um valor satisfatório para o erro
desnormalizado para cada offset e para a tração máxima.
As equações (9) e (10) ao serem minimizadas, irão ser encontrados os menores valores
possíveis para os erros desnormalizados, atribuindo valores às variáveis de decisão que não
fujam do intervalo estabelecido no problema.
53
5.4. Critério de Parada
O critério de parada é um mecanismo usado na Evolução Diferencial, e também em
outros algoritmos de otimização, que estabelece um critério pré-definido no processo
evolucionário para que a busca por um ótimo seja suspendida. Como dito da seção 4.4, existem
diversos critérios de parada (ex: quando a diferença absoluta entre as funções objetivo dos
melhores indivíduos não ultrapassa um determinado valor estabelecido pelo usuário, número
máximo que a rotina chama a função fitness, tempo de execução, etc.) e o que iremos utilizar
nesse trabalho é o número máximo de gerações.
Durante o processo evolucionário, para evitar que a otimização seja estagnada e a que
rede não esteja mais generalizando, é necessário observar a partir de que ponto essa estagnação
evolucionária começa a ocorrer, e estabelecer como critério de parada um número de gerações
menor do que no ponto em que ocorre esse fato, de tal forma que o teste não fique exaustivo e
viciado.
Analisando os resultados dos experimentos, os erros dos dados (MSE - mean squared
error, MAE - mean absolute error) que avaliam a aptidão de cada indivíduo começam a não
sofrerem mudanças significativas a partir da 2000ª geração, o que torna desfavorável continuar
o processo evolucionário. Logo, foi estabelecido que o critério de parada para este caso seria o
número máximo de gerações igual a 2000, onde a partir desse valor, a rotina para.
5.5. Parâmetros do Algoritmo Evolução Diferencial
Definidas as variáveis de decisão e as funções objetivo, a próxima etapa foi encontrar
os parâmetros da Evolução Diferencial empregados na otimização dos erros desnormalizados
dos offsets do sistema de ancoragem. Dentro dos intervalos recomendados pela literatura, foi
feita uma série de testes, com diferentes valores para os parâmetros, analisando os resultados
da otimização obtida para escolher o melhor valor para cada qual e com menor custo
computacional.
Porém, é importante que se adquira um maior conhecimento a respeito da escolha dos
valores de ajuste dos parâmetros, pois para um determinado tipo de problema a estratégica pode
funcionar perfeitamente, mas para outro não tão bem (STORN e PRICE, 1995).
54
Diante disso, a primeira escolha para os valores de F e Cr foi baseada em uma tabela
desenvolvida por Pedersen (2010), onde os valores para os parâmetros foram meta-otimizados
para funcionarem satisfatoriamente em vários problemas de otimização pelo método DE, de
diferentes dimensões e avaliações da função objetivo. A escolha para o valor de F, o fator de
perturbação que define a mutação, igual a 0,4717, e para Cr (fator que define o cruzamento), o
valor de 0,8803, foi correlacionado com o valor mais próximo do tamanho da população; pelo
fato do tamanho máximo da população estudada pela tabela terem sido 75 indivíduos, e o do
presente trabalho são 200, iremos usar os dados da população igual a 75, com a correspondência
mais próxima.
Como os resultados não superaram os obtidos pela RNA, o valor de F foi diminuído
para 0,2, tendo o cuidado para não diminuir de tal forma que ocorra a convergência prematura.
Quanto ao Cr, não houve grandes mudanças, estabelecemos o valor de 0,8, pois segundo a
literatura, valores entre 0,8 e 1 são ideais para conseguir a convergência.
Em relação ao número máximo de gerações (Ger), o qual foi adotado como critério de
parada, assumiu-se 2000 gerações, um valor ótimo para conseguir a convergência e, ao mesmo
tempo, não acarretar em um aumento do tempo computacional devido à complexibilidade dos
testes, conduzindo aos mesmos resultados finais.
A Tabela 7 apresenta, de forma resumida, os parâmetros e seus valores finais após serem
realizados os testes.
Tabela 7 - Parâmetros do Algoritmo Evolução Diferencial
Para muitas aplicações, o tamanho da população (NI) deve ser entre NI=3*D e
NI=10*D, sendo D igual a dimensão do número de variáveis (STORN, 1996). Embora
populações maiores direcionam a um mínimo global da função objetivo, estas envolvem um
número maior de avaliações da função objetivo e, consequentemente, a um maior custo
computacional. Logo, um valor conveniente para este caso seria NI=200 indivíduos,
PARÂMETROS
F 0,2
Cr 0,8
NI 200
Ger 2000
55
respeitando o intervalo proposto pela literatura, e também os resultados obtidos pelos testes dos
parâmetros do DE.
A representação dos 200 indivíduos que compõem a população é feita através de um
vetor formado pelas variáveis de decisão do problema de otimização, ou seja:
Xn =(𝑥(𝐼𝑊1_1)𝑛
𝑥(𝑏1)𝑛) para a função objetivo 1, e Xn =(
𝑥(𝐿𝑊2_1)𝑛
𝑥(𝑏2)𝑛) para a função objetivo 2, onde
n = 1, 2, 3, ...200. Isto é, 𝑥(𝐼𝑊1_1)1 e 𝑥(𝑏1)1 são os valores das variáveis de decisão do vetor X1
para a função objetivo 1, 𝑥(𝐿𝑊2_1)1e 𝑥(𝑏2)1 são os valores das variáveis de decisão do vetor X1
para a função objetivo 2, e assim sucessivamente, aplicando para todos os 200 indivíduos da
população.
Ao logo do processo da Evolução Diferencial, a população inicial sofre modificações,
sendo substituída por uma nova população de mesmo tamanho, formando assim uma nova
geração, ininterruptamente, até que o critério de parada seja atingido. Os indivíduos gerados
pelo processo de mutação e crossover são selecionados pelo operador seleção, onde os melhores
indivíduos irão formar a próxima geração.
O objetivo é formar uma população melhorada, com indivíduos mais aptos, onde o
indivíduo mais evoluído corresponda à solução ótima do problema, sendo sua aptidão avaliada
pelo valor da função objetivo (PAIVA, 2011). A função objetivo é rodada até que se obtenha
um valor ótimo.
Ao final da otimização, após serem otimizadas as duas funções objetivos, teremos
valores ótimos para os Pesos da 1ª Camada (IW_1), Bias 1ª Camada (b1), Pesos 2ª Camada
(LW2_1), e Bias 2ª Camada (b2) que irão minimizar o erro desnormalizado para cada offset e
para a tração máxima.
5.6. Metodologia de Otimização do Modelo de Substituição do Sistema de
Ancoragem
Para o desenvolvimento dos experimentos da RNA, as bases de dados foram criadas
através do programa SITUA-PROSIM (2006) e, em seguida, a rotina de treinamento da rede,
assim como todo o procedimento de cálculo da função objetivo, foram modelados na ferramenta
MATLAB. Ao final da rotina, são fornecidos os pesos da RNA, que irão ser otimizados pelo
56
método de Evolução Diferencial, as funções objetivo, e o erro desnormalizado para cada offset
e tração máxima.
No processo de treinamento e validação da RNA foi escolhida uma população de 200
indivíduos, para que se alcance resultados próximos dos obtidos pela ferramenta de elementos
finitos.
Com o objetivo de avaliar e verificar a performance dos métodos, foi feita a análise do
erro quadrático médio (MSE) da melhor rodada de cada offset e da tração máxima.
Tabela 8 - Resultados para o offset1 com o uso de diferentes valores para os parâmetros
Nº de
Indivíduos Gerações
Média
(DE)
Melhor
Rodada
(DE) F Cr
25 2000 8,85 8,85 0,4717 0,8803
50 2000 4,17 4,16 0,4717 0,8803
75 2000 2,62 2,62 0,4717 0,8803
100 2000 3,28 3,17 0,4717 0,8803
200 2000 2,16 2,16 0,2 0,8
200 2000 2,78 2,74 0,7 0,8
300 2000 2,16 2,16 0,2 0,8
A Tabela 8 mostra o resultado da série de testes feita para o caso do offset1, a fim de
encontrar os melhores valores para os parâmetros de otimização do DE. Os valores iniciais para
F=0,4717 e Cr=0,8803 foram escolhidos dentro dos valores recomendados por Pedersen (2010).
A taxa de mutação F, como dita na seção 4.4, influencia diretamente na velocidade de
convergência e na diversidade da população. Se o valor do parâmetro é muito baixo, a
convergência é alcançada rapidamente, porém a diversidade diminui, prejudicando a busca por
um ótimo local (ZARTH, 2010). Posto isso, esses testes foram realizados com o propósito de
analisar a influência da taxa de mutação F sobre o erro de otimização.
Pelos valores obtidos para o erro da Melhor Rodada do offset1, apresentados na
Tabela 8, nota-se que em altas taxas (F=0,7), o erro desnormalizado aumenta, enquanto que,
com F=0,2 obtém-se um menor erro. Em conformidade com a literatura, de que valores
57
mínimos restringem o processo evolutivo, a taxa de mutação escolhida para a execução dos
experimentos com os outros offsets e com a tração máxima foi F=0,2.
Em relação à taxa de cruzamento Cr, para encontrar uma boa convergência foi adotado
o valor de 0,8, conveniente ao proposto por Storn e Price (1997), que propõe um valor no
intervalo de [0,8; 1].
Para o número de indivíduos, verificando a qualidade da resposta utilizando diversas
quantidades, os experimentos indicam que melhores resultados foram encontrados para uma
população de 200 indivíduos. Aumentou-se para 300 indivíduos com a intenção de melhorar o
erro desnormalizado, porém obteve o mesmo resultado que para 200 indivíduos, o que torna
conveniente adotar NI=200 indivíduos, pois um aumento da população iria apenas elevar o
custo computacional, aumentando o número de análises das funções objetivo, e tornando o
processo exaustivo e sem ganho em termo de resposta.
Após os parâmetros de otimização serem estabelecidos para a implementação em todos
os offsets e na tração máxima, uma série de experimentos foram realizados no software
MATLAB com o propósito de comparar, ao final dos experimentos, os resultados obtidos pelo
treinamento da RNA e pelo método de Evolução Diferencial.
Tabela 9 - Resultados para o MSE obtidos pelo treinamento da RNA e pelo algoritmo DE
RESULTADOS
MSE – Média
RNA
MSE – Média
DE
MSE – Melhor
Rodada RNA
MSE –
Melhor
Rodada DE
Offset1 3,06 2,16 2,179 2,16
Offset2 5,07 4,02 4,05 4,02
Offset3 4,81 3,36 4,36 3,35
Ofsset4 3,90 2,67 2,94 2,67
Offset5 5,32 4,18 4,23 4,18
Offset6 6,76 4,76 5,05 4,76
Offset7 5,19 4,31 4,57 4,31
Offset8 3,31 2,59 2,81 2,59
Tração Máxima 6,34x10-2 1x10-2 3,39x10-2 1x10-2
58
Analisando os resultados da Tabela 9, percebe-se que o com o uso do algoritmo de
Evolução Diferencial conseguiu-se uma sensível melhora na qualidade do erro desnormalizado
em relação ao obtido pela RNA. Essa comparação permite avaliar a superioridade de um
modelo sobre o outro, uma vez que, com o emprego da otimização pelo método DE, os valores
para o erro desnormalizado foram minimizados.
Vale frisar que, para validar a performance dos métodos apresentados, eles devem
possuir configurações semelhantes, o uso dos mesmos parâmetros, no caso estudado, o mesmo
número de indivíduos, que foi determinado como NI=200 indivíduos, para que assim pudessem
ser comparados.
59
6 RESULTADOS
Neste item são apresentados os resultados dos testes de otimização dos erros dos offsets
e da tração máxima através uso do algoritmo de Evolução Diferencial aplicado nas funções
objetivo definidas por meio do treinamento de uma RNA.
A abordagem proposta foi desenvolvida no software MATLAB, onde foi modelado um
algoritmo de Evolução Diferencial empregando os parâmetros já determinados nos capítulos
anteriores. A performance da otimização pelo método DE e do treinamento da RNA são
apresentados, nessa seção, na forma de gráficos, assim como os resultados obtidos pela
ferramenta de elementos finitos. A análise dos gráficos permite uma comparação do
desempenho entre os métodos usados para otimização e a ferramenta de elementos finitos.
Com o intuito de fazer uma análise mais crítica e precisa, os resultados foram agrupados
em dois conjuntos. O primeiro reúne a evolução do erro quadrático médio ao longo das 2000
gerações para os offsets e para a tração máxima. O segundo conjunto compreende os gráficos
que fazem uma relação entre os resultados alcançados pelo método DE e pela RNA com os do
FE. Nesse último grupo, é feito um estudo sobre a convergência dos pontos no gráfico, que
representam os offsets e a tração máxima, para avaliar se o método proposto para a otimização
(no caso o DE) apresenta resultados satisfatórios comparados aos da RNA.
6.1. Análise da Evolução do MSE pelo Algoritmo DE
Durante a execução da rotina do método de otimização, é gerado ao final do processo
erros de treinamento, no caso, o MAE (acrônimo do nome original em inglês mean absolute
error) e o MSE (acrônimo do nome original em inglês mean squared error), os quais avaliam
a qualidade de cada indivíduo.
A eficiência do método de otimização DE pode ser analisada através da interpretação
da evolução do MSE ao longo das 2000 gerações. Foi escolhido para a avaliação da aptidão de
cada indivíduo o MSE, o qual permitiu qualificar quão bom foi o processo de minimização da
função objetivo realizado pela implementação do algoritmo de evolução.
As figuras a seguir ilustram os 9 casos estudados, considerando que há diferenças nos
gráficos, pois, mesmo que os offsets e a tração máxima apresentem as mesmas funções objetivo
60
a serem minimizadas, o valor da constante “y1_step1.xoffset” varia para cada qual. Diante disso,
temos diferentes erros desnormalizados para cada caso.
Figura 26 - Evolução do MSE pelo algoritmo DE para o offset1
Figura 27 - Evolução do MSE pelo algoritmo DE para o offset2
61
Figura 28 - Evolução do MSE pelo algoritmo DE para o offset3
Figura 29 - Evolução do MSE pelo algoritmo DE para o offset4
62
Figura 30 - Evolução do MSE pelo algoritmo DE para o offset5
Figura 31 - Evolução do MSE pelo algoritmo DE para o offset6
63
Figura 32 - Evolução do MSE pelo algoritmo DE para o offset7
Figura 33 - Evolução do MSE pelo algoritmo DE para o offset8
64
Figura 34 - Evolução do MSE pelo algoritmo DE para a tração máxima
Durante o processo de otimização, a função objetivo de cada indivíduo é chamada pela
rotina do algoritmo DE 2000 vezes até que se alcance um valor ótimo para o erro MSE. A
Figura 26 até a Figura 34 mostram a evolução do algoritmo para alcançar um conjunto de
variáveis de decisão ótimas que conduzam à minimização das funções objetivo, e no final um
menor erro.
A respeito do número de gerações, nota-se que a partir da 1000ª geração não há mais
mudanças bruscas no MSE, não alterando significativamente o valor do erro. Porém, se forem
analisados os números obtidos pelo MATLAB, a convergência do erro MSE da melhor rodada
e o MSE da média das rodadas só é alcançada, pela maioria dos 9 casos estudados, ao final das
2000 gerações, havendo algumas exceções (offset1, offset7 e tração máxima) que atingiram a
convergência antes da execução das 2000 iterações. Logo, para ter a mesma base de número de
gerações, foi estabelecido que somente a partir da 2000ª geração a rotina deve ser encerrada.
65
Para esse problema de otimização, após fazer a análise dos gráficos, verifica-se que, a
partir da 2000ª geração o processo torna-se desvantajoso, pois a execução do algoritmo fica
exaustiva depois que o valor do MSE – Melhor Rodada e MSE – Média se convergem, não há
mais evolução nos resultados, sua continuidade apenas irá demandar tempo e alto custo
computacional, sem otimizações significativas para o processo de minimização da função
objetivo.
6.2. Análise dos Resultados da RNA e do Algoritmo DE
Os gráficos adiante exibem os resultados gerais obtidos pelo treinamento da RNA e pela
evolução do algoritmo DE, onde ambos usaram uma população de 200 indivíduos na execução
da rotina, para que assim pudessem ser comparados.
O objetivo é verificar qual método conduz a uma maior convergência dos pontos
próxima à reta vermelha que corta cada um dos gráficos, onde uma maior proximidade à reta
significa que os resultados alcançaram valores satisfatórios, ou seja, os offsets e a tração
máxima gerados por meio do algoritmo DE e pelo treinamento da RNA apresentaram valores
admissíveis tanto quanto os gerados pela ferramenta FE.
A seguir são apresentados os resultados para cada offset e para a tração máxima.
66
Figura 35 - Comparação entre o resultado da RNA e do FE para o offset1
Figura 36 - Comparação entre o resultado do DE e do FE para o offset1
67
Figura 37 - Comparação entre o resultado da RNA e do FE para o offset2
Figura 38 - Comparação entre o resultado do DE e do FE para o offset2
68
Figura 39 - Comparação entre o resultado da RNA e do FE para o offset3
Figura 40 - Comparação entre o resultado do DE e do FE para o offset3
69
Figura 41 - Comparação entre o resultado da RNA e do FE para o offset4
Figura 42 - Comparação entre o resultado do DE e do FE para o offset4
70
Figura 43 - Comparação entre o resultado da RNA e do FE para o offset5
Figura 44 - Comparação entre o resultado do DE e do FE para o offset5
71
Figura 45 - Comparação entre o resultado da RNA e do FE para o offset6
Figura 46 - Comparação entre o resultado do DE e do FE para o offset6
72
Figura 47 - Comparação entre o resultado da RNA e do FE para o offset7
Figura 48 - Comparação entre o resultado do DE e do FE para o offset7
73
Figura 49 - Comparação entre o resultado da RNA e do FE para o offset8
Figura 50 - Comparação entre o resultado do DE e do FE para o offset8
74
Figura 51 - Comparação entre o resultado da RNA e do FE para a tração máxima
Figura 52 - Comparação entre o resultado do DE e do FE para a tração máxima
75
Observa-se através da comparação entre os resultados da otimização pelo algoritmo DE
e pelo treinamento da RNA, que o emprego do método DE proporciona uma melhora nos
resultados, uma vez que há maior convergência dos pontos próximos à reta vermelha.
O melhor desempenho obtido pelo método DE foi alcançado devido a uma escolha ideal
dos valores para os parâmetros de otimização, tais como: F, Cr, número de gerações e tamanho
da população. Uma escolha inadequada para esses parâmetros poderia resultar em soluções
insatisfatórias para serem empregadas no sistema de ancoragem.
Por meio de uma avaliação de cada offset e da tração máxima, nota-se que, há uma
semelhança na disposição com que os pontos se distribuem ao longo da reta vermelha nos
gráficos dos resultados do treinamento da RNA e da otimização pelo método DE, isso se deve
ao fato de que a otimização feita pelo algoritmo DE utiliza os dados obtidos pelo treinamento
da RNA para obter as funções objetivo, para assim ocorrer o processo de evolução.
No gráfico da tração máxima a evolução não está visivelmente clara devido aos baixos
valores obtidos pela RNA e pelo DE, ambos na casa de 10-2, porém o bom desempenho do DE
pode ser comprovado pela análise da Tabela 9.
Por fim, a metodologia proposta de otimização pelo método DE apresentou resultados
relativamente bons comparados aos da RNA, devido à proximidade dos resultados alcançados
pelo DE com os obtidos pela ferramenta FE, fundamentados na convergência dos pontos
próximos à reta vermelha do gráfico.
Entretanto, os bons resultados do método DE foram alcançados sob o custo de uma lenta
convergência, precisando, em média, cerca de 30 horas para que ocorresse a evolução de cada
offset e tração máxima, enquanto o treinamento da RNA durou na faixa de 10 minutos. Mas,
em comparação à análise feita pela ferramenta FE, ainda assim o custo computacional do
método DE é bem mais baixo; mesmo que demore um pouco mais em relação à RNA, o método
irá fornecer resultados mais precisos.
76
7 CONCLUSÃO
Para a otimização de uma rede neural aplicada no sistema de ancoragem de plataformas
flutuantes, o presente trabalho propôs o uso do método de Evolução Diferencial, o qual teve
como propósito minimizar as funções objetivo obtidas pelo treinamento da RNA. Tanto o
treinamento da rede neural, quanto a evolução do DE foram modelados e executados no
software MATLAB.
O foco principal deste estudo está contextualizado na integração entre o uso de uma rede
neural e o algoritmo de evolução DE para a busca de valores para os offsets e para a tração
máxima próximos aos encontrados pela ferramenta numérica computacional baseada em
elementos finitos, porém com um menor custo computacional.
No modelo proposto, considerou-se o tempo de execução da rotina de otimização como
a medida da velocidade de convergência, enquanto que para a RNA o tempo foi medido pela
velocidade em que se gera as variáveis de decisão e a função objetivo ao final da rede. De
acordo com essa medida de desempenho, o DE foi mais lento em todos os experimentos
comparados à RNA. Entretanto, a técnica do DE ainda apresentou um tempo de execução
satisfatório quando comparado ao FE, tornando sua aplicação nos sistemas de ancoragem
bastante viável.
Além de um menor custo computacional, nota-se também que com a evolução do
procedimento de execução do DE há um decaimento nos valores dos erros MSE e uma maior
convergência dos pontos no gráfico dos resultados comparados ao FE, indicando valores
factíveis para os offsets e para a tração máxima.
A escolha pelo algoritmo de otimização DE, como dito dos capítulos anteriores, deve-
se pela sua facilidade de desenvolvimento e aplicação em problemas de engenharia, e de acordo
com esse trabalho, mostrou-se também de fácil implementação e uso simples e conciso, em
virtude de possuir poucos parâmetros de controle a serem ajustados, além de apresentar uma
boa convergência dos resultados, atestando a sua eficácia.
Em relação aos valores adotados pelos parâmetros do DE, a escolha de um conjunto
ótimo de valores que permitissem uma boa otimização exigiu o teste da rotina do algoritmo
diversas vezes até que se achassem valores cabíveis, indicados pela literatura, e que ao mesmo
tempo proporcionassem benefícios para a minimização das funções objetivo.
77
De fato, a análise dos resultados evidencia o quão eficaz é o método de otimização pelo
algoritmo DE, no entanto, para sua aplicação real nos sistemas de ancoragem, deve ser feita
uma avaliação mais crítica sobre a viabilidade da implantação do algoritmo evolutivo DE no
lugar da ferramenta computacional dos elementos finitos. Deve-se levar em conta também a
existência de fatores externos que inviabilize a validação dos resultados, os quais podem sempre
estarem sujeitos a restrições.
Neste contexto, a aplicação do método DE como técnica de otimização apresenta-se
como uma ferramenta útil no meio tecnológico aliado à indústria de petróleo. Embora ainda
não muito usada na área offshore, o uso do DE em problemas de otimização tem grande
potencial, por ser capaz de auxiliar na análise da eficiência dos sistemas de ancoragem de forma
rápida e apropriada.
Para futuros trabalhos, sugere-se a pesquisa por novos métodos que acelerem a
convergência, e que ao mesmo tempo diminuam o custo computacional ainda mais em relação
ao obtido pelo DE, sem que possam influenciar negativamente a otimização do processo; o
desenvolvimento de meta-modelos para serem usados no processo de otimização do sistema de
ancoragem, que além de proporcionarem a redução do custo computacional, podem facilitar o
processo de otimização combinado ao algoritmo de Evolução Diferencial; e por fim,
recomenda-se o teste de outros critérios de parada para o método DE, uma vez que a escolha
pelo número máxima de gerações (Ger = 2000 gerações) demandou elevado tempo de execução.
78
8 REFERÊNCIAS BIBLIOGRÁFICAS
AGUIAR, C.S. Análise de Vibrações Livres em Estruturas Offshore com Ênfase em Linhas de
Ancoragem, Projeto Final de Graduação, EP/UFRJ, Rio de Janeiro, RJ, Brasil, 2005.
API, API RP 2SK Recommended Practice for Planning, Designing and Analysis of
Stationkeeping Systems for Floating Structures, 2 ed., Washington, USA, American Petroleum
Institute, 2005.
CHENG, S. L., HWANG, C. Optimal approximation of linear systems by a differential
evolution algorithm, IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems
and Humans, v. 31, n. 6, pp. 698-707, 2001.
CYBENKO, G. Approximation by superpositions of a sigmoidal function. Mathematics of
Control, Signals and Systems; 2:303–14, 1989
ELLWANGERll, G.B. Apostila do Curso de Offshore Mestrado, MBP, MSO, 2004.
DELGADO, E.R., de PINA, A.A., MONTEIRO, B.F., ALBRECHT, C.H., JACOB, B.P.
Artificial Neural Networks meta-models for prediction of vessel offsets and mooring lines
tensions of floating production systems. In: Proceedings of the 36st Iberian Latin-American
Congress on Computational Methods in Engineering, Rio de Janeiro, RJ, Brazil, 2015.
JAIN, A.K., MAO, J., MOHIUDDIN, K.M. Artificial neural networks: a tutorial. Comput.
IEEE March 31–44, 1996.
HASSOUN, M.H. Fundamentals of Artificial Neural Networks. MIT Press, Cambridge, MA,
1995.
HAYKIN, S. Neural networks – a comprehensive foundation. New Jersey: Prentice Hall; 2001.
KAWASAKI, P.Y. Análise de Linhas de Ancoragem de Plataformas Oceânicas considerando
diversos Tramos e o Trecho enterrado da Linha, Projeto Final de Graduação, EP/UFRJ, Rio de
Janeiro, RJ, Brasil, 2010.
LACERDA, T. A.G. Análise de Sistemas de Ancoragem de Plataformas Flutuantes, Projeto
Final de Graduação, EP/UFRJ, Rio de Janeiro, RJ, Brasil, 2005.
MAZAHERI, S., DOWNIE, M.J. Response-based method for determining the extreme
behaviour of floating offshore platforms. Ocean Eng; 32:363–93, 2005.
MCCULLOCH, W.S., PITTS W. A logical calculus of the ideas immanent in nervous activities.
Bull Math Biophys; 5:115–33, 1943.
MONTEIRO, B.F. Otimização de Sistemas de Ancoragem através do Método do Enxame de
Partículas com base em uma Metodologia de Projeto Integrado, Tese de Doutorado,
COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, 2014.
OK D., PU Y., INCECIK A. Artificial neural networks and their application to assessment of
ultimate strength of plates with pitting corrosion. Ocean Eng; 34:2222–30, 2007.
79
PAIVA, A. L. O. Aplicação do Método de Evolução Diferencial à Otimização de um Ciclo de
Refrigeração por Compressão de Vapor de Dois Estágios através da Análise Exergética,
Dissertação de Mestrado, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, 2011.
PEDERSEN, M. E. H. Good parameters for Differential Evolution, Techinal Report HL1001,
Hvass Laboratories, 2010.
PETROBRAS, Batemos novo recorde de profundidade d’água na perfuração de poço da Bacia
de Sergipe-Alagoas, Disponível em:
< http://www.petrobras.com.br/fatos-e-dados/batemos-recorde-de-profundidade-em-poco-da-
bacia-se-al.htm>. Acesso em 15 de junho de 2017.
PINA, A.C., de PINA, A.A., ALBRECHT, C.H., de LIMA, B.S.L.P., JACOB, B.P., ANN-based
surrogate models for the analysis of mooring lines and risers, Appl Ocean Research, 2013,
41:76-86, <http://dx.doi.org/10.1016/j.apor.2013.03.003>.
ROSENBLATT, F. The perceptron: A probabilistic model for information storage and
organization in the brain, Psychological Review, vol. 65, pp. 386-408, 1958.
RUMELHART, D. E., HINTON, G. E., WILLIMS, R. J. Learning internal representations by
error propagation, in Rumelhart, D. E., and McClelland, J. L. (eds.), Parallel Distributed
Processing: Explorations in the Microstructure of Cognition I, pp. 318-362, MIT Press,
Cambridge MA, 1986.
SANCHES, L.C.C. A Utilização de Navios na Produção de Petróleo – FPSO’s, Engenharia
em Revista, pp. 24-26, Ano 109, Maio, No. 10,Clube de Engenharia, R.J. Brasil, 1996.
STORN, R.; PRICE, K. Differential evolution - a simple and efficient adaptive scheme for
global optimization over continuous spaces, Berkeley, University of California, 1995,
Technical Report TR-95-012, ICSI, <http://http.icsi.berkeley.edu/~storn/litera.html>.
STORN, R. On the Usage of Differential Evolution for Function Optimazation,
In: Biennal Conference of the North American Fuzzy Information Processing Society
(NAFIPS), Berkeley, pp. 519 – 523, 1996.
STORN, R., PRICE, K. Differential Evolution – A Simple and Efficient Heuristic for Global
Optimization over Continuous Spaces, Journal of Global Optimization, n. 11, pp. 341-359,
1997.
TRELEA, I. C. The particle swarm optimization algorithm: convergence analysis and
parameter selection. Elsevier Science, 2002.
WIDROW, B., RUMELHART, D.E., LEHR, M.A. Neural networks: applications in Industry
Bus Sci Commun ACM;37(3):93–105, 1994.
YASSERI, S.F., BAHAI, H., BAZARGAN, H., AMINZADEH, A. Prediction of safe sea-state
using finite element method and artificial neural networks. Ocean Eng;37:200–7, 2010.
80
ZARTH, A. M. F. Otimização evolucionária multimodal de redes neurais artificiais com
evolução diferencial, Dissertação de Mestrado, UFPE, Recife, 2010.