A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Algoritmos Evolucionários para Otimização Multi-objetivo no Projeto de Sistemas Térmicos (Evolutionary Algorithms for Multi-objective Energetic and Economic.

Apresentações semelhantes


Apresentação em tema: "Algoritmos Evolucionários para Otimização Multi-objetivo no Projeto de Sistemas Térmicos (Evolutionary Algorithms for Multi-objective Energetic and Economic."— Transcrição da apresentação:

1 Algoritmos Evolucionários para Otimização Multi-objetivo no Projeto de Sistemas Térmicos (Evolutionary Algorithms for Multi-objective Energetic and Economic Optimization in Thermal Systems Design) DAS Tópicos Especiais em Informática: Inteligência Computacional Eduardo Wulff Hirano Luis Alberto Galaz Mamani

2 Introdução Projeto de Sistemas Térmicos: – Definição Estrutural – Definição de Parâmetros de Projeto – Otimização da Operação Objetivos de projeto de sistemas térmicos: – Termodinâmicos (Eficiência) – Econômicos ($/W, $/kg/s) – Ambientais (Emissão)

3 Defini ç ão Estrutural Ex: Ciclo Rankine Condensador Turbina a Vapor Bomba combustível Caldeira

4 Defini ç ão Estrutural Ex: Ciclo Brayton Turbina Gás Compressor Câmara de Combustão Ar 1 2 combustível 3 4 exaustão

5 Defini ç ão Estrutural Ex: Ciclo Combinado Condensador QLQL Bomba C Ar QHQH 1 2 combustível 3 4 Caldeira de Recuperação Calor recuperado 5 TV TG 6

6 Defini ç ão Estrutural Ex: Cogeração Calor recuperado Condensador QLQL Bomba C Ar QHQH 1 2 combustível 3 4 Caldeira de Recuperação 5 TV TG processo

7 Definição Estrutural Ex: Setor Terciário

8 Defini ç ão Estrutural Ex: Cogeração Distrital

9 Defini ç ão Estrutural Ex: Cogeração com Biomassa

10 Defini ç ão de Parâmetros de Projeto Ex: Diagrama T-s (Ciclo Rankine) T [ºC] 01,02,03,04,05,06,07,08,09,010,0 p2p2 p1p1 s [kJ/kg K]

11 Defini ç ão de Parâmetros de Projeto Ex: Diagrama T-s (ciclo Brayton) T s p = cte = cte

12 Defini ç ão de Parâmetros de Projeto Ex: Diagrama T-s (ciclo combinado) Ciclo Brayton Ciclo Rankine 6

13 Aplicação de Algoritmos Evolucionários a Sistemas Térmicos Problemas com funções objetivo complexas: – Integração de equacionamento termodinâmico, econômico, dados de equipamentos, e heurísticas inseridas como restrições. Funções descontínuas. Integração com Banco de Dados. Máximos e Mínimos Locais. Problemas combinatórios. Problemas Multi-critério.

14 Algoritmos Evolucionários Multi-objetivo (MOEAs) Utilizados quando há interesse em mais de um objetivo. Baseados no conceito de dominância de Pareto. Não há ponto ótimo global, mas um conjunto de pontos otimizados.

15 Para um vetor de variáveis de decisão: existe um vetor de funções objetivo Algoritmos Evolucionários Multi-objetivo (MOEAs) Dominância de Pareto

16 Fronteira na qual não é possível melhorar um dos objetivos sem provocar uma degradação em outro objetivo de otimização.

17 Vantagens de MOEA A curva de dominância de Pareto é obtida em procedimento único, ao contrário dos demais algoritmos. Devido a possibilidade de introduzir um mecanismo de preservação de diversidade, as soluções encontradas varrem toda a fronteira de dominância. Isso possibilita maior conhecimento das soluções ótimas. É preciso introduzir um mecanismo de preservação da diversidade dado que os algoritmos com um objetivo (elitistas) tendem a convergir para uma única solução ou uma faixa restrita de soluções.

18 Mecanismos de Preservação da Diversidade Fitness sharing (niching): – Baseado em um procedimento de degradação da função objetivo dos indivíduos que estão dentro de um raio determinado de um nicho. O centro do nicho é definido a partir do indivíduo com maior valor na função objetivo. Restricted Mating: – Procedimento que restringe a reprodução por não permitir a combinação de indivíduos que possuem uma distância mínima entre si. Distância definida sobre seu código.

19 Fluxograma do MOEA

20 Sistema Otimizado

21 Parâmetros de Otimização

22 Modelos – Funções Objetivo Modelos Termodinâmicos.

23 Modelos – Funções Objetivo Modelos Termodinâmicos.

24 Modelos – Funções Objetivo Modelos Econômicos.

25 Modelos – Funções Objetivo Modelos Econômicos.

26 Modelos – Funções Objetivo Modelos Ambientais

27 Modelos – Funções Objetivo Restrições.

28 Resultados

29 Resultados

30 Resultados

31 Resultados

32 Resultados

33 Resultados

34 Resultados

35 Resultados

36 Conclusões Algoritmo adequado para a complexidade matemática do problema: – Variáveis de decisão: 5 – Funções objetivo: 3 – Modelos com naturezas diferentes. – Número de Restrições: Várias (inclui limites de propriedades termodinâmicas e limites operacionais de equipamentos.) Permite conhecer as relações de compromisso entre objetivos diferentes.

37 Referências Deb, K. Multi-objective optimization using evolutionary algorithms. New York: John Wiley and Sons Inc; Zitzler, E., Thiele, L., Multiobjective Evolutionary Algorithms: A Comparative Case Study and the Strength Pareto Approach, IEEE Transactions on Evolutionary Computation, Vol. 3, No. 4, November Deb, K., Multi-objective Genetic Algorithms: Problem Difficulties and Construction of Test Problems, Evolutionary Computation 7(3): , Toffolo, A., Lazzaretto, A., Evolutionary algorithms for multi-objective energetic and economic optimization in thermal system design, Energy 27, 549–567, Toffolo, A., Lazzaretto, A., Energy, economy and environment as objectives in multi-criterion optimization of thermal systems design, Energy 29, 1139–1157, 2004.


Carregar ppt "Algoritmos Evolucionários para Otimização Multi-objetivo no Projeto de Sistemas Térmicos (Evolutionary Algorithms for Multi-objective Energetic and Economic."

Apresentações semelhantes


Anúncios Google