Luis Alberto Galaz Mamani

Apresentação em tema: "Luis Alberto Galaz Mamani"— Transcrição da apresentação:

1 Luis Alberto Galaz Mamani
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 Definição Estrutural Ex: Ciclo Rankine
Condensador Turbina a Vapor Bomba 3 4 1 2 combustível Caldeira

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

5 Definição Estrutural Ex: Ciclo Combinado
Condensador QL Bomba 9 10 7 8 C Ar QH 1 2 combustível 3 4 Caldeira de Recuperação Calor recuperado 5 TV TG 6

6 Definição Estrutural Ex: Cogeração
Calor recuperado Condensador QL Bomba 9 10 7 8 C Ar QH 1 2 combustível 3 4 Caldeira de Recuperação 5 TV TG 6 11 12 13 processo

7 Definição Estrutural Ex: Setor Terciário
Caldeira de recuperação Reservatório de água quente Motor Gerador Tanque HOSPITAL Chiller absorção Torre de Resf. Trocador de calor

8 Definição Estrutural Ex: Cogeração Distrital

9 Definição Estrutural Ex: Cogeração com Biomassa

10 Definição de Parâmetros de Projeto Ex: Diagrama T-s (Ciclo Rankine)
1 2 3 4 700 650 600 550 500 450 400 350 300 250 200 150 100 50 T [ºC] 0 1,0 2,0 3,0 4,0 5,0 6,0 7,0 8,0 9,0 10,0 p2 p1 s [kJ/kg K]

11 Definição de Parâmetros de Projeto Ex: Diagrama T-s (ciclo Brayton)
2 1 3 4 p = cte  = cte

12 Definição de Parâmetros de Projeto Ex: Diagrama T-s (ciclo combinado)
2 3 1 5 4 9 10 8 7 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 Algoritmos Evolucionários Multi-objetivo (MOEAs) Dominância de Pareto
Para um vetor de variáveis de decisão: existe um vetor de funções objetivo

16 Algoritmos Evolucionários Multi-objetivo (MOEAs) Dominância de Pareto
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 Toffolo, A., Lazzaretto, A., Evolutionary algorithms for multi-objective energetic and economic optimization in thermal system design, Energy 27, 549–567, 2002. Toffolo, A., Lazzaretto, A., Energy, economy and environment as objectives in multi-criterion optimization of thermal systems design, Energy 29, 1139–1157, 2004. 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 1999. Deb, K., Multi-objective Genetic Algorithms: Problem Difficulties and Construction of Test Problems, Evolutionary Computation 7(3): , 1999. Deb, K. Multi-objective optimization using evolutionary algorithms. New York: John Wiley and Sons Inc; 2001.