Professional Documents
Culture Documents
discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/35468168
CITATION READS
1 475
3 authors, including:
Some of the authors of this publication are also working on these related projects:
Water availability and quality threats in a Guarani Aquifer System outcrop zone - FAPESP grant
2015/03806-1 View project
REDE LENHS (Cluster of Brazilian Research Labs about Hydraulic and Energy Efficient) View project
All content following this page was uploaded by Luisa Fernanda Ribeiro Reis on 08 May 2015.
So Carlos
2004
Thelma Lucchese, mulher que tanto amo,
Recognizing the importance of water as a limited natural resource and considering the
prospect of continued population growth, it is important to investigate water distribution
systems which are common to all urban infrastructures. Planning of the water
distribution network rehabilitation becomes additionally important given economic
constraints and operational behavior these systems which modifies in time due to
deterioration of water networks. The present work is an effort to consider the multiple
objectives in the water network rehabilitation analyses. Four objectives were
considered: cost minimization, benefit maximization, leakage minimization and
reliability maximization. In addition, it presents some contributions to multiobjective
optimization methodology by genetic algorithms, offering an improvement of
Multiobjective Genetic Algorithm (MOGA). A detailed investigation is conducted on
genetic operators (recombination and mutation) comparing some existing multiobjective
optimization methods (Multiobjective Genetic Algorithm MOGA, Non-dominated
Sorting Genetic Algorithm NSGA, Strength Pareto Evolutionary Algorithm SPEA
and Elitist Non-Dominated Sorting Genetic Algorithm NSGA II). As regards the
hydraulic analysis, this work introduces both leakages and pressure dependent demands
in the simulations, providing a more realistic representation of actual field situations.
The present study employs hypothetical networks and a real network obtaining
satisfactory solutions. Further, dynamic programming concept is also incorporated into
the multiobjective optimization framework.
Figura 5.7 Classificao realizada pelo NSGA para o problema exemplo (5.9) ................... 107
Figura 5.8 Procedimento geral do SPEA .............................................................................. 111
Figura 5.9 Ilustrao do algoritmo de cluster ........................................................................ 114
Figura 5.10 Esquema do procedimento evolutivo do NSGA II (adaptado de DEB, 2001) ... 116
Figura 5.11 Clculo da distncia de multido do NSGA II ................................................... 117
Figura 5.12 Procedimento geral do NSGA II ........................................................................ 120
Figura 5.13 Distribuio das solues ................................................................................... 131
Figura 5.14 Convergncia da frente....................................................................................... 131
Figura 5.15 Comparao ideal ............................................................................................... 131
Figura 5.16 Comparao complexa ....................................................................................... 131
Figura 5.17 Procedimento proposto para otimizao multiobjetivo dinmica....................... 140
Figura 5.18 Rede Exemplo 1 ................................................................................................. 141
Figura 5.19 Rede exemplo 2 .................................................................................................. 144
Figura 5.20 Rede exemplo 3 (modelo simplificado do sistema RF-1)................................... 146
Figura 6.1 Organograma das simulaes realizadas .............................................................. 148
Figura 6.2 Vetor soluo referente ao problema de GESSLER (1985) ................................. 150
Figura 6.3 Simulaes da rede exemplo 1 com diferentes pesos ........................................... 152
Figura 6.4 Grfico comparativo das presses da rede para cenrio 1 .................................... 155
Figura 6.5 Grfico comparativo das presses da rede para cenrio 2 .................................... 155
Figura 6.6 Grfico comparativo das presses da rede para cenrio 3 .................................... 155
Figura 6.7 Solues obtidas pelos AGs considerando diferentes pesos................................. 156
Figura 6.8 Solues obtidas pelos AGs considerando diferentes pesos................................. 156
Figura 6.9 - Fluxograma do programa desenvolvido para reabilitao de redes considerando dois
objetivos (custo e dficit de presso) utilizando o MOGA como mtodo de otimizao
multiobjetivo ............................................................................................................................. 163
Figura 6.10 Diferentes populaes produzidas pelo MOGA ................................................. 165
Figura 6.11 Comparao de Frentes Pareto obtidas pelo MOGA.......................................... 165
Figura 6.12 Esquema explicativo de construo de um BOXPLOT ...................................... 167
Figura 6.13 Valores da mtrica C (A,B), descrita no item (5.6.1), para quatro mtodos
multiobjetivo (MOGA, NSGA, SPEA e NSGA II) .................................................................. 168
Figura 6.14 Mtrica de distribuio considerando a dimenso da populao igual a 100 ..... 169
Figura 6.15 Mtrica de distribuio considerando a dimenso da populao igual a 200 ..... 170
Figura 6.16 Mtrica de distribuio considerando a dimenso da populao igual a 300 ..... 170
Figura 6.17 Frente Pareto MOGA.......................................................................................... 171
Figura 6.18 Frente Pareto NSGA........................................................................................... 171
Figura 6.19 Frente Pareto SPEA ............................................................................................ 171
Figura 6.20 Frente Pareto NSGA II ....................................................................................... 171
viii
Figura 6.21 - Valores da mtrica C (A,B) para SPEA considerando vrios operadores genticos
.................................................................................................................................................. 171
Figura 6.22 Mtrica de distribuio do SPEA considerando diferentes operadores genticos
(configuraes de 1 a 9)............................................................................................................ 172
Figura 6.23 Mtrica de distribuio do SPEA considerando apenas configuraes de 4 a 9 172
Figura 6.24 Frente Pareto SPEA (7) ...................................................................................... 174
Figura 6.25 Frente Pareto SPEA (8) ...................................................................................... 174
Figura 6.26 Frente Pareto produzida pelo SPEA considerando um problema com trs objetivos
.................................................................................................................................................. 174
Figura 6.27 Demanda total (FUJIWARA e LI, 1998) e vazamentos (TUCCIARELLI,
CRIMINISI e TERMINI, 1999) durante o processo iterativo .................................................. 180
Figura 6.28 Porcentagem de vazamentos e demandas para diferentes modelos de presso-
demanda .................................................................................................................................... 182
Figura 6.29 Confiabilidade hidrulica para diferentes modelos de presso-demanda ........... 182
Figura 6.30 Comparao das presses nos ns da rede exemplo 2 considerando simulaes
hidrulicas convencional e com vazamentos ............................................................................ 183
Figura 6.31 Comparao das presses nos ns da rede exemplo 2 considerando as simulaes
hidrulicas convencional e com modelo presso-demanda de WAGNER, SHAMIR e MARKS
(1988)........................................................................................................................................ 184
Figura 6.32 Setores do modelo simplificado real .................................................................. 185
Figura 6.33 Pontos de amostragem do modelo simplificado (rede exemplo 3)..................... 185
Figura 6.34 Vazo abastecida da rede exemplo 3 .................................................................. 187
Figura 6.36 Frente Pareto obtida atravs da otimizao multiobjetivo esttica para estudo de
caso real .................................................................................................................................... 203
Figura 6.37 Autovalores contra nmero de fatores - otimizao esttica .............................. 206
Figura 6.38 Grfico de auxlio tomada de deciso utilizando Anlise de Componentes
Principais .................................................................................................................................. 206
Figura 6.40 Curva custo contra benefcio .............................................................................. 213
Figura 6.41 Curva benefcio contra vazamento ..................................................................... 213
Figura 6.42 Curva vazamento contra confiabilidade ............................................................. 213
Figura 6.43 Curva confiabilidade contra custo ...................................................................... 213
Figura 6.44 Autovalores contra nmero de fatores - otimizao dinmica ........................... 214
Figura 6.45 Grfico de auxlio tomada de deciso utilizando Anlise de Componentes
Principais .................................................................................................................................. 214
Figura 6.47 Grfico de deciso para cenrio otimista otimizao dinmica....................... 218
Figura 6.48 Planos alternativos de reabilitao para rede real (rede exemplo 3)................... 220
Figura a.1 Algoritmo de busca de solues que dominam determinada soluo i.................. 242
ix
Tabela 6.10 Presses e vazamentos obtidos utilizando o modelo de Fujiwara e Li............... 179
Tabela 6.11 Presses e vazamentos obtidos utilizando o modelo de Tucciarelli et............... 179
Tabela 6.12 Desvio absoluto referentes s presses nodais................................................... 181
Tabela 6.13 Confiabilidade hidrulica ................................................................................... 181
Tabela 6.14 Demandas nodais da rede exemplo 3 ................................................................. 186
Tabela 6.15 Presses nos ns monitorados (simulada e observada) ...................................... 188
Tabela 6.16 Parmetros do modelo presso-vazamento referente ao modelo simplificado real
(rede exemplo 3) ....................................................................................................................... 190
Tabela 6.17 Presses nos ns monitorados (observadas e calibradas)................................... 190
Tabela 6.18 Erro absoluto referente s presses calibradas ................................................... 190
Tabela 6.19 Parmetros do modelo presso-vazamento da rede exemplo 3 para diferentes
cenrios de consumo (valores mdios de cinco populaes iniciais)........................................ 192
Tabela 6.20 Ajuste das manobras para os diferentes cenrios de consumo ............................ 192
Tabela 6.21 Presses nos ns monitorados (observadas e calibradas considerando manobras e
parmetros de vazamento diferenciados para cada padro de consumo).................................. 192
Tabela 6.22 Manobras calibradas considerando cenrios de consumo distintos ................... 193
Tabela 6.23 Parmetros do modelo de vazamentos global .................................................... 194
Tabela 6.24 Presses calibradas considerando parmetros de vazamentos globais............... 195
Tabela 6.25 Presses calibradas considerando parmetros de vazamentos globais............... 196
Tabela 6.26 Vazes abastecidas calibradas e observadas considerando parmetros de
vazamentos globais ................................................................................................................... 197
Tabela 6.27 Erro relativo da vazo calibrada......................................................................... 197
Tabela 6.28 Anlise detalhada da soluo de menor desvio absoluto total (simulao 2)
considerando parmetros de vazamento globais ....................................................................... 197
Tabela 6.29 Parmetros de vazamento utilizados nas anlises de reabilitao ...................... 199
Tabela 6.30 Estimativa das perdas fsicas do setor RF-1 no perodo diurno ......................... 199
Tabela 6.31 - Estimativa das perdas fsicas do setor RF-1 no perodo noturno........................ 199
Tabela 6.32 Demanda efetivamente atendida e confiabilidade hidrulica do setor RF-1
(modelo simplificado real rede exemplo 3) ........................................................................... 200
Tabela 6.33 Autovalores da matriz de dados referentes aos resultados da otimizao esttica
.................................................................................................................................................. 205
Tabela 6.34 Funes objetivo de solues da otimizao esttica......................................... 207
Tabela 6.35 Decises de reabilitao representativas dos trs cenrios obtidas na otimizao
esttica ...................................................................................................................................... 208
Tabela 6.36 Autovalores da matriz de dados referentes a frente inicial da otimizao dinmica
.................................................................................................................................................. 213
Tabela 6.37 Solues escolhidas da frente Pareto inicial otimizao dinmica ................. 214
xiii
Tabela 6.38 Decises de reabilitao para o primeiro perodo de planejamento em relao aos
cenrios da otimizao dinmica .............................................................................................. 215
Tabela 6.39 Solues da anlise de reabilitao dinmica .................................................... 216
Tabela 6.40 Trechos a serem reabilitados no segundo perodo de planejamento .................. 216
Tabela 6.41 Solues da anlise de reabilitao dinmica .................................................... 218
Tabela 6.42 Decises de reabilitao para o ltimo perodo de planejamento em relao aos
cenrios da otimizao dinmica .............................................................................................. 219
Tabela 7.1 Modelos para anlise de reabilitao de redes de distribuio de gua e a
contribuio original do presente trabalho................................................................................ 229
Tabela A1.1 Demandas nos ns para modelo real simplificado ............................................ 252
Tabela A1.2 Pontos de monitoramento de presso ................................................................ 254
Tabela A2.1 Dados da rede exemplo 3 (setor RF-1).............................................................. 267
LISTA DE SMBOLOS
NB - Nmero de bombas
NPD - Nmero de padres de demanda
NR - Nmero de reservatrios
NT - Nmero de trechos
NTp - Nmero de trechos de projeto (reabilitao)
NTr - Nmero de trechos a serem reabilitados (limpeza ou duplicao)
NTO - Nmero de ns total (conhecido e no conhecido)
NV - Nmero de vlvulas
Niter - Nmero de iteraes
Nmax - Nmero mximo de iteraes
nb - Nmero de quebras
POP - Dimenso do conjunto populao (AGs)
R - Varivel de deciso de aes de reabilitao; Confiabilidade hidrulica do sistema
Rt - Conjunto de solues (NSGA II)
W - Coeficiente penalidade (AGs)
wh - Peso referente ao benefcio capacidade hidrulica
wf - Peso referente ao beneficio fsico
wo - Peso referente ao beneficio operacional
wq - Peso referente ao benefcio qualidade de gua
r - Constante de perda de carga de tubulaes; Taxa de juros; Rank; Nmero aleatrio
S - Coeficiente de ajuste dos modelos de vazamentos (rede no modelada); Strength (SPEA);
Mtrica de diversidade da frente Pareto
Sh - Funo de compartilhamento (Sharing Function)
t - Operador de transposio; Idade de tubulaes; Tempo
T - Tempo de substituio;
TS - Vazo total de abastecida (modelo proposto por SOARES, 2003)
ref
TS - Somatrio da vazo total de referncia (modelo proposto por SOARES, 2003)
TD - Vazo total efetivamente abastecida (modelo proposto por SOARES, 2003)
TDP - Demanda total potencial de referncia (modelo proposto por SOARES, 2003)
V - Vazamento total; Varivel de deciso referente ao ajuste de vlvulas redutoras de presso
Vperdas - Volume de perdas de gua
Vconsumido - Volume de gua consumida
Vtotal - Volume total de gua fornecida
L
X - Limite inferior da varivel de deciso
U
X - Limite superior da varivel de deciso
c
x - Varivel de deciso codificada (planejamentos fatoriais)
Z - Cota topogrfica
x1,x2,...,x7 - Variveis de deciso
i, j, k, m - Sub ndices
AGRADECIMENTOS.....................................................................................................iii
RESUMO .........................................................................................................................iv
ABSTRACT........................................................................................................................v
LISTA DE FIGURAS ......................................................................................................vi
LISTA DE TABELAS .....................................................................................................xi
LISTA DE SMBOLOS.................................................................................................xiv
SUMRIO ...................................................................................................................xviii
1 INTRODUO .......................................................................................................1
1.1 Objetivos ...........................................................................................................3
2 MODELOS HIDRULICOS.................................................................................5
2.1 Anlise de redes em regime permanente...........................................................5
2.1.1 Formulao do problema...................................................................................7
2.2 Perdas em sistemas de abastecimento de gua................................................10
2.2.1 Formulao matemtica de vazamentos atravs de orifcio............................12
2.2.2 Modelao matemtica de vazamentos atravs de seo varivel ..................13
2.3 Demandas dependentes da presso .................................................................17
3 MODELOS DE REABILITAO .....................................................................28
3.1 Consideraes gerais.......................................................................................28
3.2 Modelos de estatsticos ...................................................................................31
3.3 Modelos baseados nas tcnicas de anlise de sistemas...................................38
3.3.1 Algoritmos genticos aplicados a sistemas de abastecimento ........................42
3.3.2 Modelos de otimizao multiobjetivo.............................................................52
4 MODELOS DE OTIMIZAO MULTIOBJETIVO ......................................63
4.1 Consideraes gerais.......................................................................................63
4.2 Otimizao multiobjetivo................................................................................66
4.3 Algoritmos evolucionrios ..............................................................................72
4.3.1 Exemplo de evoluo dos algoritmos genticos .............................................75
4.3.2 Algoritmos evolucionrios multiobjetivo .......................................................77
xix
Do ponto de vista hidrulico, o presente trabalho introduz tanto perdas por vazamentos
como demanda varivel com a presso, possibilitando uma anlise mais realstica do
problema. A literatura oferece duas possibilidades para incorporao dos modelos
presso-vazamento e presso-demanda nas anlises hidrulicas de redes, explcita
(interveno direta sobre o cdigo) ou iterativa (sem interveno direta sobre o cdigo).
Neste trabalho, as duas formas foram desenvolvidas e analisadas. A considerao
explcita propiciou um aperfeioamento do mtodo gradiente implementado no Epanet
2, originalmente proposto para anlise dirigida pela demanda.
Finalmente, a terceira fase do modelo, denominada etapa de deciso, tem como objetivo
apresentar as solues timas, identificadas na etapa de avaliao e transform-las em
planos alternativos de reabilitao.
1.1 Objetivos
Com o advento dos computadores essas anlises passaram a ser realizada com auxlio
de tcnicas numricas, sendo os sistemas de distribuio de gua representados atravs
de modelos matemticos1. SOUZA (1994) classifica os modelos matemticos para
anlise de redes, tambm denominados simuladores hidrulicos, em dois principais
grupos: modelos de ajuste simples (analogia eltrica, Hardy-Cross, comprimento
equivalente, proporcionalidade das vazes) e modelos de ajuste simultneo (teoria
linear, Newton-Raphson e gradiente). Nos modelos de ajuste simples, as incgnitas
(vazes e presses) so obtidas independentemente, j nos mtodos de ajuste
simultneo, essas incgnitas (variveis de estado) so encontradas simultaneamente.
Cabe destacar que grande parte dos pacotes computacionais existentes (WADISO,
KYPIPE, H20NET, EPANET, WATERCAD, dentre outros) utiliza o ajuste simultneo
1
Segundo DENN apud GARCIA (1997), um modelo matemtico um sistema de equaes cuja soluo, dado um
conjunto de dados de entrada, representativa da resposta do processo.
6
10 D
10 D
5D 5D
Q Q
i j =q (2.1)
h
i
pi + h
i
bi = E (2.2)
2
A definio de circuitos (abertos ou fechados) apresentada por Walski (1992) em seu livro texto
Analysis of Water Distribution Systems publicado pela Krieger Publishing Company.
8
n 1
A11 (k , k ) = r Q ij + m Q ij (2.4)
n
Q ij
2 (h 0 r )
A11 (k , k ) = (2.5)
Q ij
a 2
A11 (k , k ) = 0 + b 0 + c 0 Q ij (2.6)
Q ij
t
sendo que A 12 = A 21 .
Para resolver o sistema de equaes no lineares (eq. 2.3) atravs da tcnica de Newton-
Raphson, diferenciam-se ambos os lados da eq.(2.3) em relao a Q e H, obtendo-se
dessa forma a eq.(2.8).
NA11 A 12 dQ dE
= (2.8)
A 21 0 dH dq
com N sendo uma matriz diagonal quadrada de ordem NT, cujos elementos representam
os expoentes de perda de carga da respectivas tubulaes. A soluo do problema ,
portanto, obtida iterativamente resolvendo o seguinte sistema de equaes lineares a
cada passo:
1
dQ NA 11 A 12 dE
= (2.9)
dH A 21 0 dq
dQ = Q k Q k +1 (2.10)
dH = H k H k +1 (2.11)
dE = A 11Q k + A 12 H k +1 + A 10 H 0 (2.12)
dq = A 21 Q k q (2.13)
10
H k +1 = (A 21 N 1A11
1
A12 ) 1[A 21 N 1 (Q k + A11
1
A10 H 0 ) + (q A 21Q k )] (2.14)
Q k +1 = (I N 1 )Q k N 1A11
1
(A12 H k +1 + A10 H 0 ) (2.15)
Perdas
Fsicas No Fsicas
Perdas na Aduo
Ligaes Clandestinas
(gua Bruta)
Perdas na Aduo
Ligaes Inativas Reabertas
(gua Tratada)
Figura 2.2 Perdas nos sistemas de abastecimento de gua (adaptado de SILVA e CONEJO,
1998)
Vperdas
Np = x 100% (2.18)
Vtotal
PORTO (1998) define orifcio como sendo uma abertura de permetro fechado, de
forma geomtrica definida (circular, retangular, triangular, etc.), realizada na parede ou
fundo de um reservatrio ou na parede de um canal ou conduto em presso, pela qual o
lquido em repouso ou movimento escoa em virtude da energia potencial e/ou cintica
que possui. A expresso geral (lei dos orifcios) para a vazo descarregada atravs de
um orifcio de rea A, de pequenas dimenses e parede fina, sujeito a uma carga H
apresentada conforme eq.(2.19).
Q = C d A 2gH (2.19)
3
Essa informao foi obtida atravs de entrevistas realizadas com engenheiros de diversas companhias
(SANESUL, GUAS GUARIROBA, SAAE Piracicaba) de saneamento no Brasil.
13
QL j = i H ia (2.20)
JOWITT (1989) apresentam uma relao (no linear) entre vazamentos e presso mdia
de servio conforme eq.(2.21).
QL ij = L ij [(H Z) i (H Z) j ] a (2.21)
Modelos de Vazamentos
Explcitos Iterativos
Germanopoulos e Jowitt
National Water Counsil (1980) Hernndez et al. (1991)
(1989)
Tucciarelli, Criminisi e
Lambert et al. (2000)
Termini (1999)
Burrows, Tanymboh e Tabesh Martnez, Conejos e Vercher
(2000) (1999)
1
Q
j i
ij + qi +
2 j i
QLij = 0 i = 1, 2, K , NN (2.22)
15
i
QLi = (H i Zi ) a 2D L
j=1
ij ij ij (2.23)
N b = KLD d e a (2.24)
tcnica clssica para anlise de redes denominada anlise dirigida pela demanda
(ADD) desde a proposio de Hardy Cross, em 1930. As demandas nos ns so
consideradas fixas, e cabe ao modelo determinar as vazes nas tubulaes e presses
nos ns, hidraulicamente consistente com atendimento pleno dessas demandas,
considerando que os sistemas so fechados e o escoamento ocorre sob presso.
hr
H1 kQn
hd
Z1
H2
2
Z2
Plano de Referncia
H 2 =Z 2 +h d (2.27)
H 2 = H min = Z 2 + P min
(2.28)
H 2 = H des = Z 2 + P des
qreq
0
H
min des
H2 H min
H H2 H des
H2 H
totalmente atendida. Para a situao onde a demanda (q) parcialmente atendida, esse
pesquisador apresenta uma relao conforme eq.(2.29).
1
H j H min n
q j = q req j (2.29)
j
Hj Hj
des min
Uma outra situao a ser considerada quando a demanda nodal torna-se excessiva em
algum ponto da rede devido a uma condio extrema, por exemplo, demanda de
incndio ou quando uma bomba falha ou uma tubulao quebra. Assim, o sistema de
distribuio de gua torna-se deficiente por no satisfazer todas demandas nodais. Essa
situao dificilmente pode ser simulada em modelos dirigidos pelas demandas onde
todas as demandas so concentradas nos ns, presumindo que, as demandas nodais
sempre sejam satisfeitas. Com base nessas discusses, GUPTA e BHAVE (1996)
realizaram uma comparao dos mtodos existentes que levam em considerao o no
atendimento das demandas nodais devido a uma deficincia de presso na rede.
Segundo esses pesquisadores BHAVE (1981) apud GUPTA e BHAVE (1996) foi um
dos pioneiros na introduo da demanda dependente da presso simultaneamente nas
anlises hidrulicas. A relao proposta por esse pesquisador apresentada conforme
eq.(2.30).
q j = q req
j se H j H min
j
qj = 0 se H j H min
j
que sugere uma relao presso-demanda em funo dos parmetros j citados na eq.
(2.30) e de dois novos parmetros (K e Hdes), sendo K uma constante nodal e Hdes a
energia necessria para o atendimento integral da demanda requerida (qreq). Essa
formulao apresentada atravs da eq.(2.31).
( H j H min
K j des min
j )
req
( H j H j )
q j = q j 1 10
(2.31)
q j = q req
j se H j H des
j
1
H j H min n
q j = q req j se H min < H j < H des (2.32)
j
H des H min j j
j j
qj = 0 se H j H min
j
Outra observao que deve ser ressaltada a relao apresentada por BHAVE (1981)
apud GUPTA e BHAVE (1996) que apresenta uma funo em forma de degrau, ou seja,
ou h atendimento integral ou no h atendimento. J a formulao apresentada de
WAGNER, SHAMIR e MARKS (1988) e de CHANDAPILLAI (1991) prope uma
funo mais suave (relao parablica) para as os ns com energias entre a mnima e a
desejvel (eq. 2.31). Essa proposio, fisicamente, mais real, pois, se h energia no n
alguma parcela de demanda est sendo abastecida.
Incorporar demanda varivel com a presso nos modelos de simulao hidrulica para
avaliar a confiabilidade hidrulica dos sistemas de distribuio de gua tem sido uma
23
tendncia recente, pois estabelece uma situao mais real em termos das variveis de
estado (energias e vazes). Por exemplo, alguns pesquisadores (TUCCIARELLI,
CRIMINISI e TERMINI, 1999; SOARES, 2003) vm considerando tais anlises na
calibrao de modelos de redes hidrulicas.
q j = q req
j se H j H des
j
qj = q req
(H j H min
j ) (3H
2 des
j 2H j H min
j ) se H min < H j < H des (2.33)
j
( ) j j
3
H des
j H min
j
qj = 0 se H j H min
j
q j = q req
j se H j H des
j
Hj Zj
2
q j = q req
j sen se 0 < H j H des (2.34)
2H des
j
qj = 0 se Hj 0
Por exemplo, CALIMAN (2002) props uma metodologia para calibrao do modelo
presso-vazamento e aplicou essa metodologia em uma rede real da cidade de So
Carlos, SP. SILVA (2003) props um modelo de calibrao em dois passos cujo
primeiro passo calibrava as rugosidades absolutas e o segundo passo calibrava os
parmetros de vazamentos, atravs da rotina computacional, proposta por CALIMAN
(2002).
25
Por fim, SOARES (2003) desenvolveu uma metodologia de calibrao que inclua tanto
a relao presso-vazamento quanto relao presso-demanda. Os parmetros
calibrados nesse modelo foram: rugosidades absolutas, demandas, dimetros, cotas
topogrficas e parmetros do modelo de vazamentos alm de localizar singularidades
hidrulicas na rede.
A Figura 2.6 apresenta o algoritmo iterativo proposto por SOARES (2003) para as
avaliaes hidrulicas considerando demanda e vazamentos dependentes da presso.
Esse pesquisador investigou vrias formulaes da relao presso-demanda e conclui
que a formulao (eq. 2.34) apresentada por TUCCIARELLI, CRIMINISI e TERMINI
(1999) consumiu menor tempo computacional e para efeito de modelao a melhor.
Em relao formulao de vazamentos, a eq.(2.23) apresenta vantagens por considerar
vazamentos por rea de superfcie de tubo, ao contrrio de outras formulaes
(GERMANOPOULOS e JOWITT, 1989) que consideram perdas por comprimento.
TS = TD + V (2.36)
Incio
k=1
TS
FTk =
TSref
q = q . FTk
Presses e Vazes
Clculo das novas demandas Avaliao dos vazamentos (v) - (eq. 2.23) FTk + FTk +1
FT =
q = FT k.q + V Avaliao das demandas (q) - (eq. 2.34) 2
1 = max| |
No
Convergncia
Fim Algoritmo
Figura 2.6 Algoritmo iterativo de avaliao hidrulica (proposto por SOARES, 2003)
TS + PDNA V
FT = (2.39)
TS ref
27
sendo que para o passo inicial (k = 1) FT igual a TS/TSref, ou seja, sem vazamentos.
Para os passos posteriores (k+1) o fator multiplicador e calculado conforme eq.(2.40).
TS + FT k . TS ref TD k V k
FT k +1 = (2.40)
TS ref
Incio Algoritmo
Inicializao do modelo
(Populao inicial)
Procedimento de variao
(Operadores geneticos)
No
Convergrncia
(Nmero de geraes)
Sim
Avaliao hidrulica
(Epanet 2)
Sim
No
Convergrncia Fim Algoritmo
A histria retrata que as primeiras tubulaes de ferro utilizadas para transportar gua
foram implantadas na Alemanha, especificamente, no castelo de Dillenburg em 1455;
em Logensalya em 1562 e em Braunfels em 1661. Um fato histrico marcou o incio do
29
Os custos citados podem ser substanciais em uma anlise de deciso, pois uma quantia
de capital elevada necessria para restabelecer e manter nveis adequados de servios,
em funo dos fundos limitados de investimentos disponveis no setor. As medidas
adotadas para o problema geralmente so paliativas, tornando o processo de deciso
uma rea de grande interesse para reabilitao e/ou expanso dos sistemas. Nesse
sentido, muitos pesquisadores tm estudado o estado das redes hidrulicas e as
respectivas estratgias de manuteno e recuperao, visando alocao tima de
recursos financeiros limitados.
Modelos de Reabilitao
Modelos de Anlises de
Modelos Estatsticos
Sistemas
Tempo
Figura 3.2 Ciclo de vida de componentes (AGGARWAL, 1993)
O segundo perodo da curva do ciclo de vida, denominado vida til, caracterizado pela
taxa constante. Nessa fase os componentes falham por efeitos aleatrios, denominados
tambm efeitos catastrficos, ou pela interferncia da terceira fase. Nesse perodo as
falhas podem ser previstas atravs da gerao de cenrios sintticos aleatrios seguindo
uma distribuio estatstica (AGGARWAL, 1993).
Modelos determinsticos
N b ( t ) = N b ( t 0 )e a ( t t 0 ) (3.1)
35
T
C(T) = C s e rT + LC r N b (t 0 ) e a (t + t 0 )e rt dt (3.2)
0
Crticas ao modelo proposto por SHAMIR e HOWARD (1979) foram tecidas por
GOULTER, DAVIDSON e JACOBS (1993), demonstrando que o modelo proposto (eq
3.1) s poderia ser aplicado a grupos homogneos de componentes da rede, pois
assumia implicitamente uma distribuio uniforme de quebras em relao a esse grupo.
N b ( t ) = C 1 C 2 N b ( t 0 )e a ( t t 0 ) (3.3)
que para funo custo de energia eltrica, o mtodo pode descartar a possibilidade de
reabilitar o sistema se o preo da energia for muito baixo.
Modelos probabilsticos
Portanto, pode-se dizer que o estado da arte continua avanando em relao aos
modelos matemticos e estatsticos de reabilitao de componentes dos sistemas de
distribuio de gua. Muitos algoritmos e tcnicas so propostos, mas ainda no existe
um modelo universal de falhas aplicado a redes hidrulicas. Uma ateno especial
38
real. Alguns trabalhos destacaram-se tambm pela anlise de todas as possveis solues
para o problema de otimizao atravs dos algoritmos de enumerao (GESSLER,
1985).
Medidas de rugosidade interna das tubulaes so importantes para todo tipo de anlise
em redes de distribuio de gua. Fundamentalmente, existem trs maneiras de obter as
informaes sobre esse parmetro incerto. A primeira utilizar valores tpicos da
literatura. A segunda maneira determinar as rugosidades das tubulaes existentes via
modelos de calibrao. Por ltimo, pode-se medir a rugosidade das tubulaes atravs
de testes de perda de carga em campo. No entanto, nenhum desses mtodos fornece a
extrapolao desse parmetro para o futuro.
e + a (t + g)
C HW ( t ) = 18,0 37,2 log 0 (3.4)
D
e 0 + a (t + Tj )
C HW ( t ) = 18,0 37,2 log (3.5)
D
4
Holland em 1975 afirmou que a soluo tima ser encontrada em uma regio que contem alta proporo de boas solues. Um
conjunto de vetores (indivduos) que representam boas solues possui certas similaridades nos valores de suas variveis de deciso.
Um subvetor de similaridades, que pertence a esse conjunto citado, que contribui para elevar o valor de aptido mdio denominado
Bloco de Construo (WU e SIMPSON, 2001).
44
restries de presses mnimas requeridas nos ns, sob trs cenrios de demandas, foi
considerada uma funo penalidade incorporada funo objetivo. A funo penalidade
considerada no trabalho foi:
C p = max[K (H min
j H j )] j (3.6)
Para avaliao das solues, recorre-se s denominadas funes aptido, que relacionam
as funes objetivo com as funes penalidade, para fornecer o ndice de desempenho
de cada vetor de deciso (mrito da soluo). Considerando um problema de otimizao
qualquer, o valor da funo objetivo corresponde ao custo total associado a um
determinado conjunto de variveis de deciso que representa completamente uma
soluo para o problema em questo. No trabalho de MURPHY e SIMPSON (1992), a
funo aptido foi definida como sendo o inverso da funo objetivo custo a ser
minimizada, pois conceitualmente, os AGs foram propostos para maximizao. Outro
motivo para essa opo o fato de que operadores de seleo foram desenvolvidos
apenas para a maximizao, por exemplo, o algoritmo de seleo atravs de roleta. A
funo de aptido a ser maximizada considerada pelos referidos autores, no caso de
minimizao, foi:
1
= NT
(3.7)
C
j=1
Tj + Cp
45
5
Essa codificao pode ser encontrada em textos especializados como GOLDBERG (1989) e MICHALEWICZ (1992). No entanto,
de forma geral, esta codificao caracteriza-se pela diferenciao da codificao binria convencional. Na codificao Gray as
subtrings adjacentes s tem um bit diferenciado. Por exemplo, considerando substrings adjacente: 0011, 0010 e 0110 observa-se que
apenas 1 bit mudou entre elas.
46
funo aptido uma forma de parametrizao dos valores dessa funo. Por exemplo,
gerao aleatria de indivduos muito semelhantes, pode conduzir a valores de aptido
muito prximos, dificultando a diferenciao dos indivduos mais aptos. A funo de
aptido utilizada por esses pesquisadores foi:
d
1
= NT (3.8)
CT j + Cp
j=1
d
N
= K iter (3.9)
N max
sendo K um custo fictcio (igual ao custo penalidade definido na eq. 3.6); Niter o
nmero de iteraes; Nmax o nmero mximo de iteraes e d um parmetro
experimentalmente escolhido, geralmente igual a 0.8 (SAVIC e WALTERS, 1997).
Esse fator penalidade age diretamente no processo, no deixando que a melhor soluo
infactvel seja superior a alguma soluo factvel da populao. Trs problemas
exemplos da literatura foram estudados, dentre os quais um de expanso. Os resultados
mostraram que os AGs so adequados e no requerem hipteses simplificadores
(linearizaes) em sua formulao. Sua principal desvantagem diz respeito ao esforo
computacional requerido nas simulaes.
NTp NTr NB NR nv
CT = k =1
C k (D k )L k +
k =1
C k (D k , R k )L k +
k =1
C k (B k ) +
k =1
C k (DR k ) + C
k =1
k ( Vk ) (3.10)
6
Esses algoritmos tambm so denominados Algoritmos Genticos Messy e foram inicialmente propostos por GOLDBERG et al.
(1989), porm quem os desenvolveu foi um de seus orientados, DEB (1991), em sua tese de doutorado. O objetivo principal do
desenvolvimento desses algoritmos foi focalizado na melhoria de identificao e mudana dos Blocos de Construo a qual
conseguida atravs dos comprimentos dos vetores soluo varivel. Esse algoritmo exige menor tempo computacional aos AGs
convencionais.
48
CTi
=1 (3.11)
max C T i
i =1,..., POP
sendo POP a dimenso do conjunto populao e CTi o custo total de uma soluo de
projeto e reabilitao da iterao corrente. O valor da funo aptido varia 0 1 .
Para que uma funo objetivo geral, por exemplo custo, seja minimizada o valor de
deve ser maximizado.
dados de entrada necessrios, seguido de uma terceira fase, que o estudo das
formulaes mais promissoras que descrevem o problema real. Finalmente, os analistas
devem apresentar resultados do modelo implementado, de forma compacta e de fcil
visualizao aos decisores e gestores responsveis.
Dados de Entrada
PASSO 1
Deciso 1
PASSO 2
Deciso 2
PASSO 3
Deciso Final
Figura 3.3 Esquema geral do modelo proposto por DANDY e ENGELHARDT (2001a)
Antes que fosse desenvolvida uma estratgia de reabilitao efetiva, para apresentar os
planos de substituio de tubulaes em um sistema de distribuio real, DANDY e
ENGELHARDT (2001a) realizaram uma ampla reviso dos modelos existentes na
literatura e optaram por utilizar os AGs como tcnica de otimizao acoplada ao modelo
de deciso que tambm incorporava um simulador hidrulico. A modelao
compreendeu trs fases. Na primeira fase, um modelo foi utilizado para decidir se as
tubulaes seriam substitudas imediatamente ou posteriormente. Na segundo fase, foi
admitido um perodo de planejamento de vinte anos que inclua restries de fundos
disponveis a cada cinco anos. Na terceira fase, o modelo determinava os dimetros de
novas tubulaes do sistema. A Figura 3.3 ilustra tal procedimento. Os critrios
econmicos considerados foram os valores presentes dos custos de reparos das
tubulaes existentes, dos custos de futuras reparaes para novas tubulaes e dos
custos de substituio de tubulaes. As formulaes utilizadas foram:
Ts
k N b ( D, t ) C r (D) Fu ( U ) L
C r (Tr ) = t =0 (1 + r ) 5 t
(3.12)
50
10
k N b (D, t ) C r (D) Fu ( U) L
C rf (D, Tr ) =
t = Tr (1 + r ) 5 t
(3.13)
1000 C s (D) L
C(D, Tr ) = 5 Tr
(3.14)
(1 + r )
3
N b = 0,02214 e ( 8,64.10 D ) 1, 337
g (3.15)
3
N b = 1,974.10 3 e ( 9, 74.10 D)
g 1,808 (3.16)
WALSKI (2001) criticou alguns modelos de otimizao desenvolvidos nos ltimos anos
para os projetos de recursos hdricos e argumentou sobre a simplicidade da funo
objetivo (minimizao de custos) geralmente empregada, razo pela qual, segundo o
autor, os resultados obtidos no atendem s necessidades reais. O autor afirma que os
sistemas de distribuio reais apresentam muitos outros objetivos que devem ser
considerados nos modelos de deciso, como por exemplo, os benefcios no
mensurveis, e discute formas de quantificao desses objetivos atravs das melhorias
nos sistemas, analisando as modificaes realizadas na rede em comparao com o
sistema existente. Foram discutidas tambm as incertezas quanto s demandas futuras e
a sua influncia na minimizao dos custos e na capacidade do sistema, pois, quando as
demandas elevam-se devido aos fatores sociais, os benefcios tambm crescem e,
quando se minimiza apenas os custos, uma grande parcela do benefcio reduzida. O
autor elogia e aponta o trabalho de WALTERS et al. (1999) como sendo uma das
poucas publicaes que trataram o problema dos sistemas de distribuio de gua de
forma multiobjetivo e prope, como desafio, que os problemas reais de redes hidrulicas
sejam investigados visando mudar o paradigma de no somente utilizar a minimizao
de custos, mas tambm a maximizao de benefcios gerados.
52
sendo que DEFo refere-se deficincia do sistema em termos das presses nos ns da
rede em seu estado original (sem modificaes) e DEFr a deficincia da rede
reabilitada (com modificaes). DEFo e DEFr correspondem soma de presses nodais
excessivas e deficitrias, respectivamente, representando dessa forma as duas situaes
crticas que devem ser evitadas no sistema. Tanto DEFo como DEFr podem ser
calculadas atravs da eq.(3.22).
(
DEFo / DEFp = K min + K max ) (3.22)
sendo que:
K min = Q
j
j j (3.23)
K max = Q
j
j j (3.24)
sendo que representa um coeficiente geralmente maior que 1. Para a avaliao das
presses nos ns e da consequente deficincia de uma soluo necessria a utilizao
de um modelo para anlise de redes, simulador hidrulico.
Benefcio Fsico Esse benefcio calculado atravs do ganho obtido por qualquer ao
de reabilitao implementada na rede, na qual melhora a condio estrutural das
tubulaes existentes, das quais esto suscetveis a rompimentos e vazamentos. Quando
as tubulaes existentes so substitudas por tubulaes novas, consideradas livres de
quebras, gera um benefcio que pode ser quantificado em funo do valor presente dos
custos de reparo relativos ao perodo em que essas tubulaes foram substitudas:
Bf = C
j=1
rj (3.27)
t =t r N b ( t )C r j
Cr = (1 + r)
t =t p
ttp
(3.28)
sendo que Cr igual ao custo de reparo de uma quebra na tubulao j; r igual taxa de
juros; tp igual ao ano presente; tr igual ao ano tp mais 10; e Nb corresponde a taxa de
quebra no ano t que pode ser aproximado pela eq.(3.29):
N b ( t ) = N b ( t 0 )(1 + a ) t (3.29)
Bo = D
j=1
j (3.30)
Bq = L
j=1
j (3.31)
Custo O custo de uma tubulao nova corresponde soma dos custos de aquisio e
de implantao. Os custos de substituio de tubulaes so mais elevados que os custos
de implantao de novas tubulaes, pois na substituio de tubulaes esto envolvidos
outros fatores que elevam o custo, por exemplo, a obstruo do pavimento e
interrupes do sistema. J os custos de limpeza e reforo estrutural so custos
intermedirios entre os citados. HALHAL et al. (1997) apresentaram os custos relativos
a diferentes dimetros (Tabela 3.1), mas no explicitaram a origem desses valores.
7
O conceito Pareto timo foi formulado pelo pesquisador italiano Vilfredo Pareto no sculo XIX e constitui a base da otimizao
multiobjetivo. A obra original desse pesquisador denominada Cours D Ecomomie Politique, vol.I e II, F. Rouge, Lausanne em
1896.
58
1.4
1.2
Fator Mutlplicador de Demanda
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Tempo (horas)
O projeto de armazenamento dentro de uma rede pode ser definido adequadamente, pela
localizao de reservatrios e quantificao de seus nveis. Para cada reservatrio, o
volume e os nveis operacionais mnimos e mximos devem ser determinados. Alm
disso, todos os reservatrios devem esvaziar e encher sob as condies operacionais
dirias, no dia de mxima demanda, deixando que os nveis armazenados para situaes
de emergncia no sejam alterados. Dois tipos de investigao foram conduzidos no
trabalho (WALTERS et al., 1999), para conseguir definir os reservatrios no processo
de otimizao. Na primeira, a localizao e os volumes de novos reservatrios foram
especificados como variveis de projeto. Os nveis de operao mximo e mnimo
foram tratados como variveis dependentes. Os reservatrios foram tratados como ns
de demandas conhecidas. As energias nos ns, correspondentes aos reservatrios, so
determinadas pela simulao em regime permanente da rede para cada um dos quatro
perodos de demanda. Para cada n, onde foram localizados os reservatrios, a energia
60
8
MAASS et. al. (1962) foram quem introduziram a pesquisa operacional no planejamento e gerenciamento de
recursos hdricos.
64
Modelos de Otimizao
Multiobjetivo
- Mtodo de Philip
- Mtodo de Zeleny
Contnuo Discreto
- Mtodo Programao por Metas - Mtodo da Matriz de Prioridades - Mtodo dos Passos
- Mtodo da Utilidade Explcita - Mtodos da famlia Electre - Mtodo da Programao por Compromissos
y = (y1 , y 2 ,..., y k ) Y
X f = { x X g ( x ) 0} (4.2)
A soluo tima global para um problema de objetivo nico representa o valor mnimo
ou mximo de determinada funo atendendo todas as restries. Entretanto, nos
problemas multiobjetivo pode-se dizer que os timos globais so diferentes. O ideal
seria que o valor timo de uma funo (mnimo ou mximo) fosse timo para as outras
funes tambm. Particularmente isso pode ocorrer, mas nem sempre acontece. Nos
problemas de otimizao multiobjetivo, geralmente, os objetivos so conflitantes, e
consequentemente, uma soluo que tima para uma dada funo no tima para as
outras funes. Portanto, os objetivos no podem ser otimizados simultaneamente, ao
contrrio, o que se pretende buscar uma relao satisfatria, denominada tambm
compensatria, compatibilizada ou de compromisso, entre as funes. Essa relao
(trade-off) contextualizada atravs da definio de otimalidade.
f2
Frente Pareto
Regio Factvel
E A
D C
f1
Figura 4.2 Espao varivel de deciso (ZITZLER, 1999)
u = v se e somente se i { 1,2,..., k } : ui = vi
u > v se e somente se u v u v
Utilizando a notao da Definio (3), pode-se garantir na ilustrao (Figura 4.2) que
B > C , C > D implica que B > D . Entretanto, quando B e E so comparados entre si,
no se pode identificar qual soluo superior, desde que B >/ E e E >/ B . Embora a
9
PARETO, V. (1896) - Cours D Ecomomie Politique, vol.I e II, F. Rouge, Lausanne.
69
soluo E tenha maior valor de f2 do que a soluo B , quando observada a funo f1, a
soluo E tem menor valor que a soluo B . Portanto, duas variveis de deciso
quaisquer a e b podem ter trs possibilidades nos problemas multiobjetivo
considerando o smbolo (em contraste aos problemas de objetivo nico com duas
solues sendo comparadas): f (a ) f (b) , f (b) f (a ) , ou f (a ) / f (b) f (b) / f (a ) .
Neste trabalho, essas terminologias so utilizadas para classificar e ordenar diferentes
situaes.
f2
dominado
A
E
Indiferente
B
Domina
Indiferente
D C
f1
Figura 4.3 Espao funo objetivo (ZITZLER, 1999)
Na Figura 4.3 no retngulo referenciado com o texto "Domina", significa que o vetor
soluo B domina todo espao objetivo que contem as solues C e D. O outro
retngulo referenciado com o texto " dominado", significa que o vetor soluo A
70
/a A : a f x (4.5)
vizinhana. Isso corresponde aos conceitos de conjunto timo local e global apresentado
por DEB (1999).
a A : / x X f : x f a (4.8)
f2
Regio Factvel
Frente Pareto tima Local
f1
Figura 4.4 Ilustrao dos conjuntos Pareto timo global e local (ZITZLER, 1999)
considerando um problema de minimizao
A diferena entre os timos global e local ilustrada pela Figura 4.4. A linha pontilhada
constitui a frente Pareto tima global enquanto a linha continua uma frente Pareto tima
local. Pode-se notar que a um conjunto Pareto timo no necessariamente contem todas
solues timas Pareto e que o conjunto timo global um conjunto timo local.
DEB (2001) apresenta uma relao ideal para o procedimento multiobjetivo, o qual
dividido em duas etapas. A primeira etapa tem como objetivo gerar as solues timas
aplicando-se algum modelo de otimizao e a segunda etapa refere-se escolha dessas
solues. Existem modelos que tambm podem ser aplicados nessa segunda etapa,
como forma de classificar as solues seguindo uma ordem de preferncia fornecida por
decisores. De forma geral, a Figura 4.5 apresenta tal procedimento.
72
Cada soluo na frente Pareto corresponde a uma ordem especfica de importncia dos
objetivos. Assim, se fatores de preferncia entre os objetivos forem conhecidos para um
problema especfico, no h necessidade de seguir o princpio mostrado na Figura 4.5
para um problema multiobjetivo.
Problema Multiobjetivo
Minimizar f1
Maximizar f2
...
Minimizar fn
sujeito a restries
Modelo de Otimizao
Multiobjetivo Etapa 1
DECISO
Etapa 2
Um mtodo simples seria compor uma funo atravs da soma dos pesos dos objetivos,
onde um peso para um objetivo proporcional ao fator de preferncia garantido para um
objetivo, em particular. O procedimento de escalonar um vetor objetivo em uma nica
funo converte o problema multiobjetivo em um problema de objetivo nico. Quando
uma funo composta dessa forma, a soluo obtida, geralmente, representa uma
soluo aproximada de uma soluo de compromisso particular.
ZITZLER (1999) menciona ainda que os AEs tiveram sua origem marcada por volta de
1950, e que a partir de 1970 vrias metodologias foram propostas. Todas essas tcnicas
operam um conjunto de solues simultaneamente (algoritmos populacionais). Esse
conjunto evolui por dois princpios bsicos: seleo e variao. A seleo baseada no
princpio da seleo natural de Darwin e representa a competio entre indivduos de
mesma espcie, sendo caracterizada pela escolha de solues candidatas dentro desse
conjunto de possveis solues e simulada por um processo de seleo estocstica. Cada
soluo recebe a chance de se reproduzir um certo nmero de vezes, dependendo da sua
qualidade enquanto soluo. A qualidade da soluo denominada valor aptido ou
fitness na literatura especializada (GOLDBERG, 1989; MICHALEWICZ, 1992; GEN e
CHENG, 1996). O outro princpio, a variao, imita a capacidade natural das espcies
de criar "novos" indivduos, no caso dos AGs, esse princpio analogamente associado
ao processo de recombinao e mutao.
SRINIVAS e DEB (1995) afirmaram que os AEs so robustos por buscarem pontos de
inflexo em funes descontnuas, multimodais e perturbadas em espaos complexos.
Adicionalmente, ZITZLER (1999) garantiu que esses algoritmos so extremamente
adaptados ao problema de otimizao multiobjetivo pela habilidade de manter mltiplas
solues em uma nica simulao e pela facilidade em se explorar regies do espao
atravs do principio da variao (recombinao e mutao).
Os AGs diferem das tcnicas de busca convencionais, pois iniciam o processo gerando
aleatoriamente um conjunto inicial de solues possveis denominadas populao. Cada
indivduo dessa populao, denominado cromossomo, constitui uma possvel
representao completa de soluo para o problema. O cromossomo representado por
um vetor, cujos elementos so denominados analogamente genes, que representam as
caractersticas de uma soluo e podem ser codificados atravs de nmeros binrios ou
reais. Os cromossomos tendem a evoluir gradativamente atravs de sucessivas iteraes,
produzindo novas geraes de indivduos mais aptos ou capazes em termos da funo
de aptido.
Fim
Sim
Codificao
Avaliao C onve rg ncia?
No
Decodificao
Decodificao Seleo
1100101010
Codificao 1011101110
Gerao Aleatria
Recombinao
Solues Possveis 0011011001
1100110001 Cromossomos 110010 1010
Populao Nova
Inicial Populao 101110 1110
1100101110
1011101010
Decodificao
Avaliao
Codificao
Mutao
00110 1 1001
00110 0 1001
Maximizar f ( x 1 , x 2 ) = x 1 + e ( x1 x 2 )
2 2
(4.9)
0.5
0.4
0.3
0.2
0.1
-0.1
-0.2
-0.3
-0.4
-0.5
2
1.5
2
1
1.5
0.5 1
0 0.5
0
-0.5
-0.5
-1 -1
0.5
0.4
0.3
0.2
0.1
-0.1
-0.2
-0.3
-0.4
-0.5
2
1.5
2
1
1.5
0.5 1
0 0.5
0
-0.5
-0.5
-1 -1
Figura 4.8 Populao corrente dos AGs (iterao 30) referente ao problema (4.9)
Ponto Global
0.5
Solues Finais
-0.5
2
2
1
1
0
0
-1 -1
Figura 4.9 Populao final dos AGs (iterao 500) referente ao problema (4.9)
Fim
Sim
No
Seleo
Avaliao
Recombinao
Nova
Populao
Avaliao
Mutao
isso, o decisor prope as metas que devem ser alcanadas e, ento, o algoritmo
aplicado vrias vezes para gerar a soluo compatibilizada.
tal forma que, w i = 1 . O valor da avaliao calculado como sendo a soma dos
Um dos problemas encontrados nas solues produzidas pelo algoritmo VEGA foi
tendncia da populao em dividir-se, em diferentes espcies fortes em relao aos
objetivos considerados. A esse fenmeno dado o nome de especiao (FONSECA e
FLEMING, 1995; SRINIVAS e DEB, 1995).
ser mxima. A tcnica tambm falha por impedir que indivduos com baixos valores de
aptido participem da seleo, dada a possibilidade de grandes distncias euclidianas
entre indivduos "campees" e "medocres".
KURSAWE (1991) props um algoritmo que consiste em vrias etapas. Para cada
etapa, um objetivo selecionado aleatoriamente de acordo com um vetor probabilidade,
e utilizado para determinar a anulao de indivduos da populao corrente. Esta
implementao se assemelha aos algoritmos desenvolvidos por SCHAFFER (1984).
fictcio de cada soluo pertencente a uma frente, passa-se para prxima frente no
dominada e o processo se repete at que toda populao seja classificada. Nos primeiros
estudos de SRINIVAS e DEB (1995) foi desenvolvido um mtodo de seleo
combinado com operador de seleo estocstica convencional.
10
O elitismo foi introduzido por DEJONG apud ZITZLER (1999) nos algoritmos evolucionrios convencionais. Este operador
sugere que as melhores solues da populao correntes sejam preservadas sem modificaes e incorporadas na populao
posterior. Segundo o autor, esse operador evita a convergncia prematura dos AEs.
85
deciso, o modelo deve propiciar uma avaliao, dos efeitos causados pelas decises
sobre os objetivos estabelecidos para um determinado sistema, com objetivo de
identificar as melhores alternativas de projeto e operao.
Confiabilidade, custos, benefcios e vazamentos so alguns dos aspectos que devem ser
incorporados nas anlises de reabilitao dos sistemas de distribuio de gua.
Entretanto, observa-se que esses critrios, quando tratados como funes objetivo, alm
de serem mltiplos so conflitantes. Por exemplo, considere um problema de
dimensionamento timo de uma rede (mnimo custo). Se apenas a funo objetivo custo
for utilizada, a soluo obtida tende apresentar solues com os menores dimetros
disponveis e consequentemente menores presses. Se para essa mesma situao fosse
considerada simultaneamente, a maximizao da capacidade hidrulica como outro
objetivo, essa situao mudaria, pois a considerao de capacidade hidrulica exige do
algoritmo de otimizao maiores dimetros e oferece maiores presses. Demonstra-se
ento, o conflito de objetivos para uma simples situao hipottica. Isso caracteriza uma
das complexidades do planejamento (projeto e/ou reabilitao) de sistemas de
distribuio de gua. Uma das formas que analistas e decisores encontram para
solucionar tais problemas recorrer s tcnicas de programao matemtica para
auxiliarem-nos nesse processo.
ETAPA PRELIMINAR
Modelo de Calibrao
Parmetros de Vazamentos
ETAPA DE AVALIAO
M inimizao de Vazamentos
M inimizao de Custos
ETAPA DE DECISO
Planos de Reabilitao
Revestimento estrutural - Esta tcnica visa revestir as paredes internas e externas das
tubulaes protegendo contra possveis corroses, no caso de tubulaes de ferro.
Geralmente, esse revestimento aplicado aps a limpeza das tubulaes e no possui
impacto estrutural direto na tubulao. Os materiais para revestimento mais utilizados
so cimento e resina epxi.
Outras tcnicas - A deteco prvia de vazamentos nos redes de distribuio uma das
tcnicas que podem ser aplicadas nos sistemas de forma a retardar a deteriorao dos
mesmos. No caso de tubulaes de ferro fundido, o mais recomendvel controlar a
qualidade da gua nas estaes de tratamento. Outra tcnica muito utilizada nas redes de
distribuio de gua o reforo de tubulaes em paralelo ao sistema macro (rede
principal) de forma a garantir abastecimento a toda populao atravs do aumento da
capacidade hidrulica do sistema.
De acordo com HALHAL et al. (1997) o aumento da performance hidrulica das redes
de distribuio de gua depende de algumas melhorias realizadas nas mesmas, que
apresentam reflexos diretos, sobre sua capacidade hidrulica. Essas melhorias so
obtidas atravs da recuperao da integridade fsica da rede por meio da substituio de
tubulaes danificadas, da incorporao de tubulaes adicionais e das remoes e/ou
limpezas das tubulaes antigas. Esses objetivos, no entanto, variam de um sistema para
outro de acordo com sua utilidade.
5.3.1 Custos
Os custos representam os investimentos financeiros calculados pela soma dos valores
presentes referentes s aes a serem implementadas no sistema ao longo do perodo de
planejamento, representado pela eq.(5.1).
C projeto = C L
j 1
j j (5.2)
92
C duplicao = C L
j 2
j j (5.3)
sendo 2 o conjunto de trechos que iro ser duplicados; j representa o trecho tubulaes
que ser duplicado; c o custo unitrio de novas tubulaes e L o comprimento do
trecho da tubulao que receber duplicao.
C lim peza = C L
j 3
j j (5.4)
sendo 3 o conjunto de tubulaes que iro ser limpas; j representa as tubulaes que
sero limpas; c o custo unitrio da limpeza das tubulaes e L o comprimento da
tubulao a ser limpa.
11
A rede de abastecimento de gua do centro da cidade de Piracicaba (SP) em 1998 foi reabilitada utilizando essa
tcnica de reabilitao. A duplicao da rede foi feita no passeio (calada) tendo em vista a no obstruo do trfego
local (rea comercial). Essa comunicao foi fornecida pelo diretor do SAAE de Piracicaba Eng. Civil Renato
Takami.
93
C substituio = C L
j 4
j j (5.5)
5.3.2 Benefcios
Em geral, os benefcios referem-se melhoria do nvel de servio prestado aos
consumidores, combinados com uma medida de decrscimo dos custos associados
operao e manuteno dos sistemas de distribuio de gua. O benefcio no presente
trabalho descrito pela eq.(5.6) e representa o ganho de capacidade hidrulica
alcanado pelo sistema a partir de melhorias realizadas nas redes.
NPD NN NN
B= q AR
i =1 j =1
AR
j Hj q AO AO
j Hj
(5.6)
j =1 i
sendo B o benefcio (kW); o peso especfico da gua (9,8 kN/m3); qAR a demanda
efetivamente atendida no n j considerando a rede reabilitada (m3/s); qAO a demanda
efetivamente atendida no n j considerando a rede em seu estado original (m3/s); HAR a
94
5.3.3 Vazamentos
A quantificao das perdas fsicas em sistemas de distribuio de gua calculada
atravs da pressuposta relao entre vazamento e presso de servio na rede. No
presente trabalho utiliza-se a formulao proposta por TUCCIARELLI, CRIMINISI e
TERMINI (1999) assumindo que os vazamentos so distribudos ao longo da superfcie
de rea das tubulaes. Essa funo objetivo definida pela eq.(5.7).
NN
V= QL
i =1
i (5.7)
5.3.4 Confiabilidade
Embora no exista uma definio universal para os ndices de confiabilidade nos
estudos de redes de distribuio de gua, segundo TODINI (2000) a tcnica heurstica
baseada no conceito de resilincia12 um ndice muito apropriado para medir a
confiabilidade das redes de distribuio de gua, principalmente pela facilidade
computacional que a mesma oferece. O ndice proposto por esse autor mede a
capacidade hidrulica do sistema atender as demandas nodais da rede em situaes de
falhas. Considera-se que, a falha hidrulica resultante das mudanas nos padres de
consumo, deteriorao de tubulaes, perdas fsicas, dentre outras. A eq.(5.8) descreve
o ndice mencionado.
NN
qi =1
*
i (h i h *i )
R= NR NN
(5.8)
Q
k =1
kHk
i =1
q *i h *i
12
A resilincia definida como sendo a capacidade do sistema se recuperar dado que ocorreu alguma
falha (mecnica ou hidrulica).
95
No presente trabalho, optou-se por utilizar quatro dos mais conhecidos AEMO, dois no
elitistas (FONSECA e FLEMING, 1993; SRINIVAS e DEB, 1995) e dois elitistas
(ZITZLER e THIELE, 1998; DEB et al., 2002), como forma de verificar a eficincia e a
adequao desses algoritmos no problema de anlise de reabilitao de sistemas de
distribuio de gua.
Para descrio e demonstrao dos quatro algoritmos utilizados (MOGA, NSGA, SPEA
e NSGA II) neste trabalho, um problema exemplo apresentado por DEB (2001)
reproduzido. Esse problema contm duas variveis de deciso e duas funes objetivo
nas quais ambas devem ser minimizadas. A eq.(5.9) descreve tal problema.
Minimizar F1(X) = x1
1 + x2 (5.9)
Minimizar F2( X) =
x1
sujeito : 0,1 x 1 1
0 x2 5
10
7 4
3 2
6
1
F2
4
6
3 5
2
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
F1
5.4.1 MOGA
O MOGA (Multiobjective Genetic Algorithm) referenciado na literatura como sendo a
primeira tcnica de otimizao multiobjetivo que considera simultaneamente o conceito
de dominncia e a diversidade das solues no dominadas. Esse algoritmo foi proposto
por FONSECA e FLEMING (1993) e difere-se dos algoritmos genticos convencionais
(AGs) na maneira com que a avaliao conduzida, pois a cada iterao o algoritmo
deve buscar no uma soluo mas um conjunto de solues no dominadas. Os
operadores de variao (recombinao e mutao) so aplicados de forma idntica aos
AGs convencionais. A Figura 5.3 ilustra o procedimento iterativo geral do MOGA.
ENTRADA DE DADO S
- T amanho Populao
- Probabilidade de Recombinao
- Probabilidade de Mutao
- Nmero Mximo de Geraes
- Parmetro de Compartilhamento
Populao Inicial
(Gerao Aleatria)
No
Fim Algoritmo
Seleo
Recombinao
(Populao Corrente Modificada)
Mutao
(Populao Corrente Modificada)
Como a otimizao multiobjetivo trabalha com solues timas Pareto a cada iterao,
no possvel identificar um nico vetor soluo melhor desse conjunto. Os melhores
valores de aptido so dados ao conjunto de solues no dominadas da iterao
corrente, que so melhores em relao aos outros vetores soluo. Considerando tais
aspectos, GOLDBERG (1989) props que a funo aptido para o conjunto de solues
no dominadas deveria basear-se em um procedimento de ordenao (rank).
ri = 1 + n i (5.10)
10
7 4
1 2
6
1
F2
4
2
3 1
2
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
F1
Segundo ZITZLER (1999) existem trs fatores que fazem com que a populao perca
diversidade: presso de seleo, perturbao na seleo e operadores de variao. A
presso de seleo definida como sendo o fator que determina o nmero de cpias de
vetores soluo na prxima gerao. Por exemplo, uma alta presso de soluo indica
que muitas cpias da melhor soluo estaro presentes na prxima gerao, fazendo
com que a populao perca diversidade e que o algoritmo recaia em timos locais. A
perturbao de seleo est relacionada aos diferentes mtodos de seleo existentes e
s diferentes formas de tais mtodos trabalharem. J os operadores de variao fazem
com que a populao perca diversidade devido os efeitos destrutivos que tais operadores
(recombinao e mutao) podem causar nas solues.
102
F2
Regio do Compartilhamento
Soluo Candidata 1
Nichos Determinados
Soluo Candidata 2
F1
Figura 5.5 Compartilhamento e nicho (adaptado de HORN e NAFPLIOTIS, 1993)
d
se d
Sh (d) = 1 (5.11)
caso contrrio
0
o parmetro d conhecido como sendo a distncia normalizada (eq. 5.12) entre duas
solues (i e j) na populao com mesma ordem; um expoente que caracteriza a
funo e o parmetro denominado parmetro de compartilhamento das solues.
103
2
f k(i ) f k( j)
M
d ij =
max f min
k =1 f k
(5.12)
k
sendo que f kmax e f kmin so os valores mximo e mnimo das funes objetivo. Para uma
soluo i, d ij calculada para cada soluo j (incluindo i), sendo que, i e j possuem
( ri )
nc i = Sh (d
j=1
ij ) (5.13)
sendo (ri ) o nmero de solues com ordem (ri) e j so as solues que esto
contidas na mesma ordem de i.
Dados de Entrada
- Dimenso da populao: POP
- Probabilidade de recombinao: Pr
- Probabilidade de mutao: Pm
ri 1
Fi = n populao
u ( k ) 0,5 (u (ri ) 1)
(5.14)
k =1
sendo que u(k) representa o conjunto de vetores soluo de rank k. Por exemplo,
u(1) refere-se ao nmero de vetores soluo com rank 1.
Fi
Fi = (5.15)
nc i
Fi u (ri )
Fi = Fi (5.16)
u ( ri )
F
k =1 k
105
Etapa 5 Convergncia
- Nessa etapa o algoritmo verificar seu critrio de convergncia. Em geral, adota-
se o nmero mximo de iteraes (GER) para essa verificao. Se tal critrio for
satisfeito o algoritmo segue para a etapa 10 e o processo finalizado, caso
contrrio, o algoritmo segue para a etapa 6 (procedimento de variao).
Etapa 6 Seleo
- Utilizando os valores de aptido modificado ( Fi ), mecanismos de
compartilhamento e nichos, calculados para cada vetor da populao, nessa
etapa acontece a seleo das solues candidatas que iro compor a prxima
populao. No MOGA a tcnica de seleo utilizada a amostragem estocstica
universal.
Etapa 7 Recombinao
- Nessa etapa os AEMO se assemelham aos AEs. A recombinao tambm
denominado operador de variao. nessa etapa que o algoritmo evolui sua
busca, analogamente essa etapa pode ser comparada ao processo de mudanas de
direes e coordenadas realizadas pelos algoritmos convencionais de busca.
Esse operador aplicado como na estrutura geral dos AGs convencionais
simples (Figura 4.6).
Etapa 8 Mutao
- O operador de mutao tambm faz parte do processo de variao e
responsvel pela introduo de diversidade na populao, que muitas vezes
perdida ao longo das iteraes, em outras palavras pode-se dizer que esse
operador responsvel pela introduo de material gentico na populao. Em
geral, esse operador aplicado como na estrutura dos AGs convencionais
apresentada pela Figura 4.6.
Etapa 10 Resultados
5.4.2 NSGA
O NSGA (Non Dominated Sorting Genetic Algorithm) foi proposto por SRINIVAS e
DEB (1995) com objetivo de se trabalhar o conceito de dominncia e a manuteno da
diversidade da populao simultaneamente seguindo a idia inicial de GOLDBERG
(1989). Esse mtodo muito semelhante ao algoritmo MOGA, entretanto o NSGA
difere da aproximao proposta por FONSECA e FLEMING (1993) na maneira como
classifica os vetores soluo no dominados (frentes) e na forma com que o mtodo de
compartilhamento considerado (espao dos parmetros) para garantir a diversidade da
populao. Os operadores de recombinao e mutao so aplicados como nos AGs
convencionais (Figura 4.6). A Figura 5.6 ilustra o procedimento geral do NSGA.
ENTRADA DE DADOS
- T amanho Populao
- Probabilidade de Recombinao
- Probabilidade de Mutao
- Nmero Mximo de Geraes
- Parmetro de Compartilhamento
Populao Inicial
(Gerao Aleatria)
AVALIA O NSGA
Classificao das Solues
(Considerando vrios objetivos) (Frentes de dominao)
No
Fim Algoritmo
Seleo
Recombinao
(Populao Corrente Modificada)
Mutao
(Populao Corrente Modificada)
10
7 4
3 2
6
1 Frente 3
F2
4
6
3 5 Frente 2
2
Frente 1
1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
F1
Figura 5.7 Classificao realizada pelo NSGA para o problema exemplo (5.9)
Dados de Entrada
- Dimenso da populao: POP
- Probabilidade de recombinao: Pr
- Probabilidade de mutao: Pm
eq. (5.17):
ndice j calculada sua avaliao fictcia Fji (eq. 5.26), o seu nicho nc i (eq.
2
x ip x kp
Pt
d ik = max (5.19)
p =1 x p x min
p
Fji
Fj (i ) = (5.20)
nc i
(
F min = min Fj (i ) j FR j ) (5.21)
110
Etapa 5 Convergncia
- Nessa etapa o algoritmo verificar se o critrio de convergncia foi atendido. Em
geral, adota-se o nmero mximo de iteraes para essa verificao. Se tal
critrio for satisfeito o algoritmo segue para a etapa 10 e o processo finalizado,
caso contrrio, o algoritmo segue para a etapa 6 (procedimento de variao).
Etapa 6 Seleo
- Utilizando os valores de aptido modificado ( Fj ( i ) ) para cada soluo j
Etapa 7 Recombinao
- Nessa etapa os AEMO se assemelham aos AEs. A recombinao tambm
denominado operador de variao. nessa etapa que o algoritmo evolui sua
busca, analogamente essa etapa pode ser comparada ao processo de mudanas de
direes e coordenadas realizadas pelos algoritmos convencionais de busca.
Esse operador aplicado como na estrutura geral dos AGs convencionais
simples (Figura 4.6).
Etapa 8 Mutao
- O operador de mutao tambm faz parte do processo de variao e
responsvel pela introduo de diversidade na populao, que muitas vezes
perdida ao longo das iteraes. Em outras palavras pode-se dizer que esse
operador responsvel pela introduo de novo material gentico na populao.
Em geral, esse operador aplicado como na estrutura dos AGs convencionais
apresentada pela Figura (4.6).
Etapa 10 Resultados
- Nessa etapa o algoritmo apresenta as solues timas Pareto.
111
5.4.3 SPEA
O SPEA (Strength Pareto Evolutionary Algorithm) foi proposto por ZITZLER e
THIELE (1998) com objetivo de introduzir o elitismo nos algoritmos evolucionrios
multiobjetivo. As melhores solues (solues no dominadas) de cada iterao,
denominadas elite, so armazenadas em um conjunto externo (temporrio). Em cada
iterao do algoritmo, as solues externas so comparadas com as solues
pertencentes ao conjunto corrente de forma que as melhores solues so preservadas.
ENTRADA DE DADOS
- Dimenso da Populao
- Probabilidade de Recombinao
- Probabilidade de Mutao
- Nmero Mximo de Geraes
- Dimenso da Populao Externa
Populao Externa ( P0 )
(Criao)
Pt = P0
Identificao das Solues
Pt = P0 No Dominadas (SND)
Seleo
(T orneio ) Avaliao das Solues em Pt
Recombinao
Mutao
so copiadas para a populao externa P t . Com isso, acontece a unio entre as solues
no dominadas (populao elite) da iterao corrente e da iterao prvia, e em seguida,
identificam-se e excluem-se as solues dominadas desse conjunto unificado. O que
permanece nesse conjunto externo so as melhores solues elite encontradas durante o
processo iterativo. Entretanto, medida que o processo evolui, em alguns problemas, o
nmero de solues contidas nesse conjunto considerado elevado.
Dados de Entrada
- Dimenso da populao: POP
- Probabilidade de recombinao: Pr
- Probabilidade de mutao: Pm
1
d kp =
Ck Cp
d(i, j)
i Ck , j Cp
(5.22)
sendo que a distncia d(i,j) pode ser calculada no espao de variveis de deciso
ou no espao objetivo. No SPEA, os autores preferiram trabalhar no espao
objetivo. Uma vez que todas as distncias de clusters so calculadas, os dois
clusters com distncia mnima so combinados para formarem um cluster maior.
114
Etapa 5 Convergncia
Nessa etapa o algoritmo verificar seu critrio de convergncia. Em geral, adota-
se o nmero mximo de iteraes para essa verificao. Se tal critrio for
satisfeito o algoritmo segue para a etapa 11 e o processo finalizado, caso
contrrio, o algoritmo segue para a etapa 6.
F2 1 F2 1
2
3 4 3
5 5
6 6
7 8 8
F1 F1
Figura 5.9 Ilustrao do algoritmo de cluster
ni
Si = (5.23)
n populao + 1
115
Fi = 1 + S(i)
i Pt , i p j
(5.24)
Etapa 7 Seleo
ento i incluso em Ptemp caso contrrio j incluso em Ptemp (note que a melhor
Etapa 8 Recombinao
- Nessa etapa o SPEA se assemelham aos AEs simples. A recombinao
denominada operador de variao. Esse operador aplicado como na estrutura
geral dos AGs convencionais simples (Figura 4.6).
116
Etapa 9 Mutao
- O operador de mutao tambm faz parte do processo de variao e
responsvel pela introduo de diversidade na populao, que muitas vezes
perdida ao longo das iteraes, em outras palavras pode-se dizer que esse
operador responsvel pela introduo de material gentico na populao. Em
geral, esse operador aplicado como na estrutura dos AGs convencionais
apresentada pela Figura (4.6).
Etapa 11 Resultados
- Nessa etapa o algoritmo apresenta as solues timas Pareto.
5.4.4 NSGAII
Considerando a necessidade de diminuir a complexidade computacional na classificao
no dominada, introduzir o elitismo e eliminar a subjetividade na atribuio do
parmetro de compartilhamento, DEB et al. (2002) propuseram o NSGA II (Elitist Non-
dominated Sorting Genetic Algorithm).
.
Qt .
.
Solues Rejeitadas
Fp
Observa-se na Figura (5.10) que nem todas as frentes podem ser includas na nova
populao ( Pt +1 ), por exemplo a frente 3 ( F3 ). Assim, os autores do NSGA II (DEB et
al., 2002) propuseram um mtodo, que combina as frentes no includas no conjunto,
para compor os ltimos espaos da populao Pt +1 . Esse mtodo denominado distncia
de multido, ilustrado pela Figura 5.11. Com a utilizao dessa tcnica para alocao de
solues na populao Pt +1 garantida a diversidade da populao (estimao de
densidade das solues) e eliminao da subjetividade de introduo do parmetro de
compartilhamento utilizado nos mtodos no elitistas, pois diferentes solues podem
tem chances de pertencer nova populao.
F2
i+1
i-1 Cubide
F1
Figura 5.11 Clculo da distncia de multido do NSGA II
118
POP. Atravs desse conjunto inicial obtm-se uma populao derivada Q 0 de dimenso
POP denominada populao filha, utilizando operadores de seleo, recombinao e
mutao. Esses dois conjuntos so unidos e formam um conjunto R 0 de dimenso
Dados de Entrada
- Dimenso da populao: POP
- Probabilidade de recombinao: Pr
- Probabilidade de mutao: Pm
m m
f m( Ii +1 ) f m( Ii 1 )
d Im = d Im + max (5.25)
i i
f m f mmin
Baseado nos dois atributos citados (rank e distncia de multido) DEB (2001)
define a seleo por torneio de multido atravs da definio 8.
Se ambas as solues tem um mesmo rank, mas a soluo i tem uma distncia de
multido melhor que a soluo j, ento, ri = rj e d i > d j .
120
ENTRADA DE DADOS
- Dimenso Populao
- Probabilidade de Recombinao
- Probabilidade de Mutao
- Nmero Mximo de Geraes
Populao P t = P 0
Seleo
Criao da Populao Q0
i =0
Mutao Nova populao (Pt+1 = 0)
Populao Qt i= i + 1
R t = Pt U Qt No Classificao N Pt +1 solues
Pt +1 + Fi < N pelo operador de comparao de multido
Sim
AVALIA O NSGA II
(Considerando vrios objetivos)
Pt +1 = Pt +1 U Fi Populao Pt+1
Sim
Recombinao
Mutao
Etapa 4 Recombinao
- Esse operador aplicado como na estrutura geral dos AGs convencionais
simples.
Etapa 5 Mutao
- Esse operador aplicado como na estrutura geral dos AGs convencionais
simples.
121
Etapa 6 Populao Q0
- Obteno da populao derivada da populao inicial P0 . Essa populao
derivada denominada populao filha.
Etapa 9 Convergncia
- Nessa etapa o NSGA II verificar seu critrio de convergncia. Em geral, adota-
se o nmero mximo de iteraes para essa verificao. Se tal critrio for
satisfeito o algoritmo segue para a etapa 10 e o processo finalizado, caso
contrrio, o algoritmo segue para a etapa 3 considerando a populao Pt
Etapa 10 Resultados
- Nessa etapa o algoritmo apresenta as solues timas Pareto.
122
A tcnica clssica para anlise de redes denominada anlise dirigida pela demanda
(ADD) desde a proposio de Hardy Cross, em 1930. As demandas so consideradas
fixas e seus valores representativos so concentrados nos ns, cabendo ao modelo
determinar as vazes nas tubulaes e presses nos ns consistentes com atendimento
pleno das mesmas, alm de considerar os sistemas como sendo fechados (sem
vazamentos) e o escoamento sob presso.
A Toolkit uma biblioteca de vnculo dinmico (DLL) que contm funes que
permitem aos programadores o desenvolvimento de aplicaes especficas. Essas
funes podem ser incorporadas em aplicaes Windows escritas em: C/C++, Pascal
(Delphi), Visual Basic ou outras linguagens de programao que possibilitam chamar
funes atravs de DLLs. Alm disso, essa biblioteca permite abrir e fechar um arquivo
que descreve a rede (.INP), ler e modificar os vrios parmetros de projeto e operao,
simular perodos extensivos acessando resultados a cada passo e escrever os resultados
das simulaes nos arquivos de sada (.RPT). Alm de possibilitar o desenvolvimento
de modelos especficos (calibrao, projeto e operao), a Toolkit tambm oferece uma
123
certa flexibilidade para acoplar e integrar plataformas CAD e GIS, que auxiliam na
modelao de redes de distribuio de gua.
Para acoplar o Epanet 2 com o compilador C++ (Borland Builder C++ 5.0),
primeiramente, necessrio realizar o download dos arquivos fonte (Toolkit) na
pgina13 da Environmental Protection Agency (EPA). A Toolkit inclui diferentes
arquivos de cabealho (.h), diferentes arquivos de funes e arquivos .lib que
simplificam a tarefa de interface da biblioteca com o compilador (C/C++, Pascal
(Delphi, Visual Basic). Essa biblioteca contm tambm um arquivo de ajuda para
orientar a utilizao adequada das vrias funes existentes atravs de alguns programas
exemplo.
13
http://www.epa.gov/ORD/NRMRL/wswrd/epanet.html#Downloads
124
A 11 M A 12 Q A 10 H 0
L L L L = L (5.26)
A 21 M A 22 H q *
sendo A 22 uma matriz diagonal de ordem (NT NT ) com os elementos fora da diagonal
iguais a zero. As outras matrizes (A11, A12 e A21) so definidas conforme formulao
matricial apresentada no item (2.1.1) deste trabalho. O termo q* um vetor de ordem
(1 NN ) com seus elementos sendo igual a demanda atribuda ao n se a demanda no
dirigida pela energia ou sendo igual a zero no caso da demanda dirigida pela energia.
Seguindo a formulao de WAGNER, SHAMIR e MARKS (1988), a matriz A22 pode
ser definida, segundo o presente trabalho, conforme eq.(5.27).
125
0 H i < H imin
1
A 22 (i, i) = q req H i H i n
min
H imin < H i < H ides (5.27)
i H ides H imin
q ireq H i H ides
D11 A 12 dQ dE
= (5.28)
A 21 D 22 dH dq *
n 1
D11 (k , k ) = nr Q ij + 2m Q ij (5.29)
n 1
D11 (k , k ) = nr 2 n Q ij ou D11 (k , k ) = (b 0 + 2c 0 Q ij ) (5.30)
Para incluir a demanda dirigida pela presso, um nova matriz (D22) de dimenso
(NN NN ) introduzida, sendo NN o nmero de ns na rede. Os elementos da matriz
D22 so zeros se a demanda no dirigida pela energia, caso contrrio, define-se a
matriz D22 conforme eq.(5.31), que corresponde derivao da eq.(5.27).
0 H i < H imin
(H )
1 n
q ireq
D 22 (i, i) = i H imin n H imin < H i < H ides (5.31)
( )
1
n H ides H imin n
0 H i H ides
126
dQ = Q k Q k +1 (5.32)
dH = H k H k +1 (5.33)
dE = A 11Q k + A 12 H k +1 + A 10 H 0 (5.34)
dq * = A 21Q k + A 22 H k + q * (5.35)
H k +1 = A 1 F
(5.36)
11 (
Q k +1 = Q k D 1 A Q k + A H k +1 + A H
11 12 10 0 )
sendo que
1
A = A 21 D11 A 12 D 22 (5.37)
1 1
F = A 21Q k + q * A 21 D11 A 11Q k A 21 D11 A 10 H 0 (5.38)
1
Considerando D11 A 11 = N 1 e multiplicando ambos os lados dessa expresso por A 11
1
1 1 1
obtm-se D11 = A 11 N . Substituindo essa ltima expresso nas eqs.(5.37) e (5.38) e
As sugestes apresentadas por TODINI (2003) serviram de guias para que os modelos
presso-demanda e presso-vazamento fossem includos no cdigo do Epanet 2. O
modelo presso-vazamento (eq. 2.23) adotado foi proposto por TUCCIARELLI,
127
CRIMINISI e TERMINI (1999). Dessa forma, foi possvel redefinir as matrizes A22 e
D22 (eqs. 5.27 e 5.31) descritas por TODINI (2003).
q(H ) QL
D 22 (i, i) = + (5.40)
H H
Quando a biblioteca Toolkit utilizada, nos casos dos itens (5.5.1) e (5.5.2), o acesso
direto ao cdigo do Epanet 2 fica impossibilitado, pois o modelo acoplado por meio de
arquivos DLL (Epanet2.DLL) e LIB (Epanet2bc.lib). Por isso, para incorporar as
relaes presso-demanda e presso-vazamento (mudana do cdigo do Epanet 2)
conforme descrito neste item, foi utilizada uma biblioteca do Epanet 2 orientada a
objetos (OOTEN - Object Oriented Toolkit for Epanet), em C++, desenvolvida por ZYL
et al. (2003) na Universidade Rand Afrikaans (frica do Sul).
14
http://lancet.mit.edu/ga
128
15
http://www-idss.cs.put.poznan.pl/~jaskiewicz/MOMHLib
129
x i(2, t ) e assumindo que x i(1, t ) menor que x i(2, t ) , o operador BLX aleatoriamente seleciona
sendo i = (1 + 2)u i . DEB (2001) garante que igual a 0,5 desenvolve um bom
desempenho.
x (1, t ) if m i = 0
x i(1, t +1) = i( 2, t ) (5.45)
x i if m i = 1
Mutao limite: MICHALEWICZ (1992) descreve que esse operador (5.46) substitui o
valor de uma varivel de deciso, selecionada aleatoriamente, por outro cujo valor
obtido aleatoriamente ( x i( L ) ou x i( U ) ) , sendo x i( L ) e x i( U ) os limites inferiores e
superiores das variveis de deciso, respectivamente.
x L if r < 0,5
x i( t +1) = iu (5.46)
x i if r > 0,5
130
Mutao aleatria: DEB (2001) descreve esse operador como sendo uma das
implementaes mais simples. Esse procedimento cria uma soluo aleatoriamente
dentro do espao de busca atravs da eq.(5.47).
x i( t +1) = ri ( x iU x iL ) (5.47)
t b
(1 )
x i( t +1) = x i(1, t +1) + ( x iU x iL )(1 ri GER
) (5.48)
bB a A :a p b
C(A, B) = (5.41)
B
132
(d )
Q
1 2
S= i d (5.42)
Q i =1
sendo que:
M
d i = min
kQ e k i
f
m =1
i
m f mk (5.43)
Q
i =1
di
d= (5.44)
Q
ser feita conforme eq.(5.47). Isso converte o PCC em rotativo. Em outras palavras, a
varincia da resposta estimada constante para todos os pontos, as quais so
eqidistantes a partir do centro do planejamento. A Tabela 5.3 apresenta um exemplo de
um planejamento composto central com duas variveis independentes x 1c e x c2 , isto ,
1
* 2
com dois fatores (k = 2) com n 0 igual a 1 e a = (2 )4 = 2.
1 1 1 L 1
1 1 1 L 1
1 1 1 L 1
1 1 1 L 1
M
M = 1 1 1 L 1 (5.45)
1 1 1 L 1
1 1 1 L 1
1 1 1 L 1
1 1 1 L 1
1 1 1 L 1
a * 0 0 L 0 0
*
a 0 0 L 0 0
0 a *
0 L 0 0
*
0 a 0 L 0 0
M =
*
M (5.46)
*
0 0 L 0 a 0
0 0 L 0 a* 0
0 0 L 0 0 a*
0 0 L 0 0 a*
1
a * = (2 k ) 4 (5.47)
Teoricamente, a ACP definida atravs de uma matriz X com m vetores, dos quais no
presente estudo representam valores das funes objetivo relativos s diversas solues
do problema de reabilitao resultante da frente Pareto. O primeiro componente
principal expresso por uma combinao linear das colunas da matriz X, isto
variveis (nesse estudo, objetivos), que apresentam a maior variabilidade em X,
t 1 = X p 1 , dado que p1 = 1 . No espao m-dimensional (no caso m igual 4), p1
E1 = (X t 1 p1t ) (5.49)
m
X = TP t = t p
i =1
t
i i (5.50)
Otimizao Multiobjetivo
PERODO DE PLANEJAMENTO
Frente Pareto
1 Perodo
(5 anos)
Escolha de Solues Anlise Multivariada
Componentes Principais
PERODO DE PLANEJAMENTO
Frente 1 Frente 2 Frente 3
(10 anos)
Algoritmo de Filtragem
Frente Pareto nica
Frente Pareto
2 Perodo
Anlise Multivariada
Componentes Principais
Algoritmo de Filtragem
Frente Pareto nica
(15 anos)
Frente Pareto
3 Perodo
Anlise Multivariada
Componentes Principais
Tanque
Reservatrio
5
1
[4]
[1]
2 3 4
[2] [3]
[5] [6]
6 7 8
[7] [8]
9 10 11 12
[12] [13] [14]
Ns
Sistema Existente
Novas Tubulaes
Tubulaes Duplicadas
Figura 5.18 Rede Exemplo 1
Os dados dos trechos e dos ns da rede exemplo 1 so apresentados nas Tabelas 5.6 e
5.7, respectivamente. A complexidade desse problema determinada pelas diversas
combinaes possveis (variveis de deciso) que o sistema pode admitir. Por exemplo,
existem cinco tubulaes de projeto (6, 8, 11, 13 e 14) dos quais seus dimetros devem
ser escolhidos entre 8 possibilidades (Tabela 5.8). Trs tubulaes existentes (1, 4 e 5)
142
No16
23 No13
6 4 9 11
12
21 20 17 15 14
16
Entrevista realizada com a gerente de projetos Enga Civil Marilcia Sandim Pereira da Companhia de
Saneamento gua Guariroba S. A. , Campo Grande MS, em Abril de 2003.
146
79 80
SISTEMA RF1 77
78
82
Ponto 5 86
76 83 84
74 85
75 73 VRP
69
65
64 68 72
87
67 71 88
62
Ponto 8 70
66 61 89
25 63 57
39
58
26 55
56 90
38 37 54
23 59
27 52 53 91
22 Ponto 3
51 50
36 35 34 46 60 Ponto 4
18 24 13 33 111
28 49 126
47 92
Ponto 1 32 42 45 123
125 127 129 110
17 19
12 44 48 109
29 30 124
120 122 128 108 103
16 10 41 119 104
15 21 11 118 93
94
VRP 43 121 114 113
20 8 31 102 Ponto 6
09 115 107 101
14 7 40 112 99
Ponto 10 95
116 Ponto 7
6 Ponto 2 98 97 96
100
5 Ponto 9 117 106
4 105
1 2
VRP
M OGA
- Implementao MOGA (GAlib)
MOGA - Incorporao de funo penalidade como objetivo independente
NSGA
Anlise de Reabilitao MOGA, NSGA, NSGA II, SPEA
Rede Exemplo 1
(Otimizao Multiobjetivo) - Comparao de mtodos multiobjetivo
NSGA II
SPEA
SPEA
- Considerao de 3 objetivos
SIMULAES - Estudo de operadores genticos (recombinao, mutao)
Anlise Esttica
Custo
Benefcio
Anlise de Reabilitao Rede Exemplo 3
(Otimao Multiobjetivo)
Vazamentos
Confiabilidade
Anlise Dinmica
ESCOLHA DE SOLUES
- Anlise multivariada (Componentes Principais)
- Planejamento de longo prazo (5, 10 e 15 anos)
- Planos timos de reabilitao
Trs etapas iniciais devem ser rigorosamente cumpridas antes de resolver qualquer
problema de otimizao atravs de AGs. Essas etapas so: representao adequada das
possveis solues para o problema, escolha dos parmetros de entrada dos operadores
genticos (probabilidades de recombinao e de mutao) e formulao da funo
objetivo (funo que descreve o mrito de um determinado vetor soluo) do problema
em estudo.
Tubulaes
1 4 5 6 8 11 13 14
Reabilitao Projeto
GESSLER (1985) props um problema teste (Figura 5.18) para otimizao de redes de
distribuio de gua que envolve decises de reabilitao e de projeto simultaneamente.
Esse problema vem sendo estudado por diversos pesquisadores (SIMPSON, DANDY e
MURPHY, 1994; WU e SIMPSON, 1996; WU e SIMPSON, 2001; CHEUNG et al.,
2003; CHEUNG, REIS e CARRIJO, 2003) ao longo dos anos. O objetivo principal
desse problema determinar a combinao tima de mnimo custo das aes de
reabilitao (Tabela 5.9) a serem implementadas em trs tubulaes existentes (1, 4 e 5)
e das aes de projeto (Tabela 5.8) de expanso em cinco tubulaes novas
(determinao de dimetros), de tal forma que as restries de presso mnima (Tabela
5.7) para trs padres de demanda sejam atendidas. A Figura 6.2 representa o vetor
soluo para o problema, cuja funo de avaliao do mrito (funo objetivo) de cada
vetor soluo apresentada pela eq.(6.1).
max (H )
NPD
Minimizar custo total, F1 = c L + c
i i k Lk +W min
j Hj
(6.2)
i k i =1 j i
152
2.50E+06
2.00E+06
Funo Objetivo
1.50E+06
1.00E+06
5.00E+05
0.00E+00
0 200 400 600 800 1000
Iteraes
Figura 6.3 Simulaes da rede exemplo 1 com diferentes pesos
enumerao parcial. A soluo de mnimo custo encontrada por esse pesquisador foi
$1.833.744. SIMPSON, DANDY e MURPHY (1994) construram dois programas para
resoluo desse problema. No primeiro programa, foi implementada a tcnica de
enumerao completa para obter a soluo tima global do problema. Cada vetor
soluo foi avaliado por uma rotina de anlise hidrulica, construda pelos prprios
autores, baseada na tcnica de Newton-Raphson. SIMPSON, DANDY e MURPHY
(1994) tambm construram um programa baseado na tcnica dos AGs. A soluo de
mnimo custo, encontrada por esses pesquisadores, utilizando ambos os programas
(enumerao completa e algoritmos genticos) foi $1.750.300 ("mnimo global"). Para
esse ltimo caso (algoritmos genticos) a soluo de mnimo custo foi encontrada
considerando um valor penalidade de W (eq. 6.2) igual a 70.000.
No presente trabalho (Tabela 6.1), a melhor soluo obtida (mnimo custo) foi igual a
$1.700.000, considerando W igual a 40.000. Utilizando W igual a 70.000, o valor de
mnimo custo encontrado foi $1.720.000. As simulaes realizadas para os pesos 40.000
e 70.000 satisfizeram restrio de presso mnima. Percebe-se que essas solues
esto abaixo da soluo "tima global" apontada por SIMPSON, DANDY e MURPHY
(1994). Atribui-se a diferena entre a "soluo global", obtida anteriormente pelos
autores, e a soluo de mnimo custo apresentada aqui, aos diferentes simuladores
154
hidrulicos utilizados. A Tabela 6.1 apresenta os valores das solues de mnimo custo,
os pesos que foram atribudos e os valores das restries (atendida ou no), encontrados
pelo programa desenvolvido (GAlib-Epanet 2).
A Tabela 6.1 mostra diversas solues alcanadas pelos algoritmos genticos para
diversos pesos. Todas essas solues representam intervenes que podem ser
implementadas na rede, possibilitando ao decisor do sistema escolher a soluo que
melhor lhe satisfaa. Por exemplo, se o rgo gestor do sistema decidir que o
investimento na rede deva ser inferior a $1.700.000, existem alternativas (solues) que
podem satisfazer tal restrio, entretanto, o dficit de presso aceitvel pode ser violado
em algum perodo do dia.
18
A biblioteca GAlib oferece a possibilidade de influenciar o processo de evoluo (atribuir um valor
para a semente aleatria), possibilitando assim reproduzir as mesmas simulaes. Isso no acontece
quando o "relgio" do computador utilizado como semente aleatria.
155
50
40
Presso (m)
30
20
10
0
2 3 4 6 7 8 9 10 11 12
-10
N
60
Presso Minima Requerida Rede Reabilitada Rede sem Reabilitao
50
40
30
20
Presso (m)
10
0
2 3 4 6 7 8 9 10 11 12
-10
-20
-30
-40
-50
-60
-70
N
60
Presso Minima Requerida Rede Reabilitada Rede sem Reabilitao
50
40
30
Presso (m)
20
10
0
2 3 4 6 7 8 9 10 11 12
-10
-20
-30
-40
-50
N
Uma boa soluo, para essa situao hipottica, seria a soluo gerada pela simulao
12 que, alm de satisfazer a restrio de investimento (menor que $1.700.000),
apresenta um dficit de presso em torno de 6m (aceitvel para sistemas reais) em um
determinado perodo do dia. Observe que para todos os cenrios considerados (1, 2 e 3)
as energias da rede reabilitada representam valores acima da presso mnima requerida
e, portanto, dficit de presso zero.
500
450
400
Dficit de Presso (m)
350
300
250
200
150
100
50
0
0.00E+00 5.00E+05 1.00E+06 1.50E+06 2.00E+06 2.50E+06 3.00E+06 3.50E+06 4.00E+06
Custo ($)
500
450
400
Dficit de Presso (m)
350
300
250
200
150
100
50
0
0.00E+00 5.00E+05 1.00E+06 1.50E+06 2.00E+06 2.50E+06 3.00E+06 3.50E+06 4.00E+06
Custo ($)
Atravs dos dados da Tabela 6.1, considerando custo e dficit de presso, foi possvel
construir uma curva de troca (Tradeoff) de todas as solues encontradas nas 19
simulaes. Essa curva (Figura 6.7) auxilia o decisor na tomada de deciso. Observa-se
na Figura 6.7 uma tendncia de esboo da frente Pareto. Entretanto, essa curva no pode
ser considerada Pareto timo pois inclui solues dominadas em seu conjunto. Uma
frente Pareto timo, de acordo com conceito apresentado no captulo 4 (eq. 4.4), deve
apresentar apenas solues no dominadas conforme ilustrada pela Figura 6.8, onde as
solues dominadas foram includas.
Neste trabalho, uma metodologia cientfica foi buscada de forma a dar suporte
investigao dos fatores que mais interferem nesse processo (LIN e RARDIN, 1980;
PETROVSKI, WILSON e McCALL, 1998), para que, posteriormente, apenas esses
parmetros possam ser avaliados criteriosamente.
Neste trabalho, foi utilizado o planejamento composto central ortogonal (baseado nos
planejamento 3k), descrito no item (5.7.1.3), ao invs dos planejamentos fatoriais 2k.
Essa escolha se deve ao fato de que os planejamentos 2k permitem que se investiguem
apenas dois nveis (alto e baixo) para um determinado fator k. Por exemplo, considere
uma situao hipottica onde se quer conhecer a influncia de um determinado fator k
(por exemplo, probabilidade de recombinao) na soluo final. Se for utilizado um
158
Para construo da Tabela 6.3 necessrio atribuir para o nvel zero (centro do
planejamento) o valor numrico mdio aproximado referente ao intervalo de cada fator
159
(eqs. 6.3, 6.4, 6.5 e 6.6). O mesmo feito para os nveis 1 e 1, atribuindo valores
equidistantes do centro do planejamento. Observe que para o primeiro fator ( x 1c ) a
distncia entre o nvel 1 e 0 1800, o mesmo acontece entre o intervalo 0 e 1
(distncia igual a 1800). Segundo MARTNEZ (2001) a codificao de um
planejamento 3k descrita pela eq.(6.7).
x *i x *i
x ic = (6.7)
s *i
*
sendo x i o valor mdio entre os nveis 0, 1 e 1; s *i a distncia equidistantes entres os
tem-se x 1c igual 1.
Para o clculo dos outros nveis (-a*, a*) do PCCO, a varivel x ic assume um a valor
conhecido (Tabela 5.13). Como para esse estudo assumiu-se uma anlise de quatro
fatores, os valores de -a* e a* so -1,4 e 1,4, respectivamente. Assim, pode-se determinar
os valores correspondentes de x *i na Tabela 6.2.
NPD
Minimizar dficit de presso, F2 = max
H min
j H j
(6.8)
i =1 j=1 i
sendo i o ndice que varia de acordo com o nmero de padres de demanda; NPD
denota o nmero total de padres de demanda considerado; o conjunto de ns que
163
Incio Algoritmo
Avaliao Hidrulica
Dados de entrada do modelo (EPANET 2)
Inicializao do modelo
(Populao inicial)
Dficit Presso
Avaliao das Funes
Objetivo
Custo
Busca de Solues No
Dominadas (Algoritmo 1)
Avaliao MOGA
(Avaliao Ficitcia)
Mutao
Dficit Presso
Avaliao das Funes
Objetivo
Custo
Busca de Solues No
Dominadas (Algoritmo 1)
No Convergrncia
(Nmero de geraes)
Sim
Fim Algoritmo
Figura 6.9 - Fluxograma do programa desenvolvido para reabilitao de redes considerando dois
objetivos (custo e dficit de presso) utilizando o MOGA como mtodo de otimizao
multiobjetivo
Para avaliao simultnea das funes objetivo (eq. 6.1 e eq. 6.8), referentes ao
problema da rede exemplo 1, foi implementado um programa computacional em C++
baseado no mtodo de otimizao multiobjetivo MOGA descrito no item (5.41). Esse
programa foi construdo com suporte das rotinas da biblioteca GAlib (operadores de
seleo, recombinao e mutao) e do simulador hidrulico convencional (Epanet 2).
apresenta maior diversidade de solues que aquela obtida sem considerar esse
conjunto.
500 Gerao 0
450
400 Gerao 250
Dficit de Presso (m)
350
300 Gerao 500
250
200
150
100
50
0
0.00E+00 5.00E+05 1.00E+06 1.50E+06 2.00E+06 2.50E+06 3.00E+06 3.50E+06 4.00E+06
Custo ($)
350
300
250
200
150
100
50
0
0.00E+00 5.00E+05 1.00E+06 1.50E+06 2.00E+06 2.50E+06 3.00E+06 3.50E+06 4.00E+06
Custo ($)
Uma comparao foi realizada entre a frente Pareto produzida atravs da otimizao
multiobjetivo (Figura 6.11) e a frente produzida atravs da otimizao de objetivo nico
(Figura 6.8). Nota-se, portanto, uma vantagem significativa (distribuio de solues na
frente) em se utilizar otimizao multiobjetivo ao invs da otimizao de objetivo
166
nico. A otimizao multiobjetivo fornece maior flexibilidade ao decisor, uma vez que
uma diversidade maior de alternativas produzida. A otimizao multiobjetivo
considerando dois objetivos consumiu tempo de processamento bem inferior ao da
otimizao de objetivo nico. Na situao de objetivo nico, 19 simulaes foram
necessrias para gerar a frente ilustrada pela Figura 6.8. Na otimizao multiobjetivo
apenas uma simulao foi necessria para obter as frentes ilustradas na Figura 6.11.
simulaes, referentes mtrica que avalia a convergncia das frentes Pareto (Set
Coverage Metric), so apresentadas atravs de grficos Boxplot19.
A B
FRA 1 FRB 1
FRA 2 FRB 2
FRA 3 FRB 3
FRA 4 FRB 4
FRA 5 FRB 5
1 C (FRA 1, FRB 1)
2 C (FRA 1, FRB 2)
3 C (FRA 1, FRB 3)
.
. BOXPLOT
.
23 C (FRA 5, FRB 3)
24 C (FRA 5, FRB 4)
25 C (FRA 5, FRB 5)
19
Os grficos Boxplot so ilustraes grficas que representam os valores do quartil inferior, da mediana
e do quartil superior de uma amostra de dados (Manual do MATLAB 6.0).
168
MOGA 100
0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1
MOGA 200
0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1
MOGA 300
0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1
NSGA 100
0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1
NSGA 200
0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1
NSGA 300
0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1
SPEA 100
0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1
SPEA 200
0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1
SPEA 300
0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1
NSGAII 100
0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1
NSGAII 200
0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1
NSGAII 300
0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1
Figura 6.13 Valores da mtrica C (A,B), descrita no item (5.6.1), para quatro mtodos
multiobjetivo (MOGA, NSGA, SPEA e NSGA II)
sempre avaliando linha em relao a coluna, percebe-se que tanto o NSGA quanto o
SPEA dominam as solues do MOGA, pois o MOGA apresenta valores de C prximos
de zero, enfatizando que suas solues no dominam as solues do NSGA e do SPEA.
O mesmo no acontece quando se compara o MOGA em relao ao NSGA II.
Comparando-se o NSGA e o SPEA com o NSGA II, constata-se que ambos os mtodos
produzem solues que dominam as solues do NSGA II. Portanto, tanto o NSGA
como o SPEA apresentou boa eficincia quanto convergncia da frente. Entretanto,
nada se pode afirmar enquanto no for avaliada a mtrica de distribuio da frente. As
Figuras 6.14, 6.15 e 6.16 apresentam os resultados da mtrica S (item 5.7.2) que avalia a
distribuio das solues na frente Pareto. Quanto menor o valor de S, melhor
distribuda estaro as solues ao longo da frente (DEB, 2001). Os valores de S tambm
so apresentadas em termos de grficos Boxplots e demonstram a variabilidade das
medidas. Os valores (1, 2, 3 e 4) no eixo horizontal das Figuras 6.14, 6.15 e 6.16,
referem-se respectivamente aos mtodos (MOGA, NSGA, SPEA, NSGA II) avaliados.
4
x 10
7
Mtrica de Distribuio
1 2 3 4
Mtodo de Otimizao
Atravs das Figuras 6.14, 6.15 e 6.16 pode-se afirmar que o NSGA II apresentou
maiores desvios em termos da mtrica S. O MOGA tambm apresentou grandes desvios
quando comparados com o NSGA e o SPEA. J o SPEA, apresentou os menores
desvios e demonstrou ser um mtodo eficiente em relao convergncia (Mtrica C) e
a distribuio das solues na frente Pareto (Mtrica S).
Como forma de ilustrar os resultados das simulaes, os grficos das frentes Pareto,
referente aos quatro mtodos (MOGA, NSGA, SPEA e NSGA II) avaliados, foram
construdos (Figuras 6.17-6.20). Todas essas frentes correspondem o caso em que a
170
dimenso da populao foi igual 200 e com a mesma semente aleatria. Observa-se que
tanto o NSGA como o SPEA, apresentaram solues melhores distribudas do que o
MOGA e o NSGA II. Na realidade essa inspeo visual refora os resultados obtidos
pela mtrica S (Figura 6.15).
4
x 10
7
Mtrica de Distribuio
1
1 2 3 4
Mtodo de Otimizao
4
x 10
7
Mtrica de Distribuio
1
1 2 3 4
Mtodo de Otimizao
300 300
250 250
150 150
100 100
50 50
0 0
0.00E+00 5.00E+05 1.00E+06 1.50E+06 2.00E+06 0.00E+00 5.00E+05 1.00E+06 1.50E+06 2.00E+06
Figura 6.17 Frente Pareto MOGA Figura 6.18 Frente Pareto NSGA
300 300
250 250
200 200
150 150
100 100
50 50
0 0
0.00E+00 5.00E+05 1.00E+06 1.50E+06 2.00E+06 0.00E+00 5.00E+05 1.00E+06 1.50E+06 2.00E+06
Figura 6.19 Frente Pareto SPEA Figura 6.20 Frente Pareto NSGA II
1 1 1 1 1 1 1 1
BLX
Limite
1 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1
Linear
Limite
0 2 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1
Uniforme
Limite
0
1
0
1
3 0
1
0
1
0
1
0
1
0
1
0
1
1 1 1 1 1 1 1 1
BLX
Aleatrio
0
1
0
1
0
1
4 0
1
0
1
0
1
0
1
0
1
1 1 1 1 1 1 1 1
Linear
Aleatrio
0
1
0
1
0
1
0
1
5 0
1
0
1
0
1
0
1
1 1 1 1 1 1 1 1
Uniforme
Aleatrio
0 0 0 0 0 6 0 0 0
1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1
BLX
Dinmico
0
1
0
1
0
1
0
1
0
1
0
1
7 0
1
0
1
1 1 1 1 1 1 1 1
Linear
Dinmico
0 0 0 0 0 0 0 8 0
1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1
Uniforme
Dinmico
9
0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1
Figura 6.21 - Valores da mtrica C (A,B) para SPEA considerando vrios operadores genticos
A inspeo da Figura 6.21 permite que se conclua que se todas as solues Pareto
produzidas pelas configuraes 1, 2 e 3 (mutao Limite) foram dominadas pelas
demais (4, 5, 6, 7, 8 e 9). Entretanto, no se constata nenhuma combinao ideal entre as
configuraes 4, 5, 6, 7 , 8 e 9, pois todas essas configuraes so competitivas.
4 4
x 10 x 10
7 1.9
1.8
Mtrica de Distribuio
Mtrica de Distribuio
1.7
5 1.6
1.5
4
1.4
3 1.3
1.2
2
1.1
1 1
1 2 3 4 5 6 7 8 9 4 5 6 7 8 9
Configuraes Configuraes
DEFo / DEFp = (H
j
min
j H j )Q j (6.10)
300 300
250 250
Dficit de Presso (F2)
150 150
100 100
50 50
0 0
0 500000 1000000 1500000 2000000 0.00E+00 5.00E+05 1.00E+06 1.50E+06 2.00E+06
Custo (F1) Custo (F1)
Figura 6.24 Frente Pareto SPEA (7) Figura 6.25 Frente Pareto SPEA (8)
350 6.0E+05
300 5.0E+05
250
4.0E+05
200
F1
3.0E+05
150
2.0E+05
100
1.0E+05
50
0 0.0E+00
0.0E+00 5.0E+05 1.0E+06 1.5E+06 2.0E+06 0.0E+00 5.0E+05 1.0E+06 1.5E+06 2.0E+06
1.80E+06 6.00E+05
1.60E+06
5.00E+05
1.40E+06
1.20E+06 4.00E+05
1.00E+06
8.00E+05
6.00E+05
F2 3.00E+05
2.00E+05
4.00E+05
1.00E+05
2.00E+05
0.00E+00 0.00E+00
0 50 100 150 200 250 300 350 0 50 100 150 200 250 300 350
1.80E+06 350
1.60E+06
300
1.40E+06
250
F3
1.20E+06
1.00E+06 200
8.00E+05 150
6.00E+05
100
4.00E+05
50
2.00E+05
0.00E+00 0
0.00E+00 1.00E+05 2.00E+05 3.00E+05 4.00E+05 5.00E+05 6.00E+05 0.00E+00 1.00E+05 2.00E+05 3.00E+05 4.00E+05 5.00E+05 6.00E+05
Figura 6.26 Frente Pareto produzida pelo SPEA considerando um problema com trs objetivos
As solues da Figura 6.26 evidenciam o efeito causado pela escolha de uma alternativa
de reabilitao (soluo) sobre os objetivos considerados. Por exemplo, considerando F1
175
Vrios testes foram conduzidos com o simulador hidrulico proposto com intuito de
verificar sua adequao aos diferentes modelos de presso-demanda existentes (eqs.
2.32, 2.33 e 2.34). Considerando a rede exemplo 2 (TUCCIARELLI, CRIMINISI e
TERMINI, 1999), com os dados geomtricos apresentados nas Tabelas 5.12 e 5.13 e
considerando uma altura igual a 40 m.c.a. (condio operacional em que as demandas
requeridas nos ns so elevadas e as presses mais baixas) para os trs reservatrios,
diversas anlises foram realizadas.
Tabela 6.5 Presses obtidas utilizando simulador hidrulico sem vazamentos e com
vazamentos
Demanda Sem vazamentos Com vazamentos
N q Presso Presso QL Erro Absoluto
Na Tabela 6.5 foi desenvolvida uma comparao simples das presses simuladas
considerando e no considerando vazamentos atravs do clculo do erro absoluto.
Observa-se que as presses obtidas sem considerar os vazamentos so mais elevadas
quando comparadas com a simulao convencional. Somando-se as parcelas referentes
aos vazamentos e as demandas (Tabela 6.5) obtm-se uma demanda total requerida pelo
sistema igual a 288,3 L/s. Observe que se no fossem incorporados os vazamentos nas
anlises hidrulicas a demanda total requerida pelo sistema estaria em torno de 152 L/s,
177
Um segundo estudo (Tabelas 6.6 6.11) foi realizado com objetivo de comparar as
diferentes formulaes do modelo presso-demanda sobre a mesma rede exemplo. Trs
modelos presso-demanda foram investigados: WAGNER, SHAMIR e MARKS (1988)
(Modelo A), FUJIWARA e LI (1998) (Modelo B) e TUCCIARELLI, CRIMINISI e
TERMINI (1999) (Modelo C).
Tabela 6.6 Presses e vazamentos obtidos Tabela 6.7 Presses e vazamentos obtidos
utilizando o modelo de Wagner et al. (1988) utilizando o modelo de Fujiwara e Li (1998)
sem fator de relaxao sem fator de relaxao
WAGNER et al, (1988) FUJIWARA e LI (1998)
N Presso Vazamentos Demanda Varivel N Presso Vazamentos Demanda Varivel
M L/s L/s M L/s L/s
1 8,91 13,65 18,9 1 13,27 13,4 4,7
2 10,07 10,69 21,6 2 17,58 10,5 7,0
3 14,73 9,58 30,0 3 15,31 9,6 30,0
4 12,20 5,28 0,0 4 12,54 5,3 0,0
5 9,28 13,81 0,0 5 9,71 13,8 0,0
6 9,77 13,78 20,9 6 11,23 13,7 12,7
7 15,06 13,75 0,0 7 16,42 13,7 0,0
8 14,27 14,94 0,0 8 14,51 14,9 0,0
9 8,67 10,56 0,0 9 13,02 10,4 0,0
10 14,18 9,23 0,0 10 17,80 9,2 0,0
11 11,67 6,83 24,8 11 15,81 6,7 17,0
12 10,95 11,78 0,0 12 12,23 11,7 0,0
13 15,00 0,00 0,0 13 15,00 0,0 0,0
14 15,00 0,00 0,0 14 15,00 0,0 0,0
15 10,00 0,00 0,0 15 10,00 0,0 0,0
SOMA 133,88 116,3 SOMA 132,88 71,37
modelo presso demanda de FUJIWARA E LI (1998) no domnio entre Hmin e Hdes (eq.
6.11), o fator de relaxao (FS) dessa formulao nada mais que o termo que envolve
as energias. Para a iterao atual o fator de relaxao calculado atravs da eq.(6.12)
utilizando os valores das iteraes (k) anteriores.
qj = q req
(H j H min
j ) (3H
2 des
j 2H j H min
j )=q req
j FS j
j
(H des
j H min
j
3
) (6.11)
FS k + FS k 1
FS =
2 (6.12)
Tabela 6.8 Presses e vazamentos obtidos Tabela 6.9 Presses e vazamentos obtidos
utilizando o modelo de Tucciarelli et al. utilizando o modelo de Wagner et al. (1988)
(1999) sem fator de relaxao com fator de relaxao
TUCCIARELLI et al. (1999) WAGNER et al, (1988)
N Presso Vazamentos Demanda Varivel N Presso Vazamentos Demanda Varivel
m L/s L/s m L/s L/s
1 10,57 13,42 15,19 1 8,91 13,65 19,00
2 13,66 10,39 15,27 2 10,06 10,69 21,60
3 14,95 9,56 30,28 3 14,73 9,58 29,99
4 12,34 5,27 0,00 4 12,20 5,28 0,00
5 9,45 13,79 0,00 5 9,28 13,81 0,00
6 10,23 13,70 20,66 6 9,77 13,78 21,00
7 15,54 13,71 0,00 7 15,05 13,75 0,00
8 14,36 14,93 0,00 8 14,27 14,94 0,00
9 10,36 10,36 0,00 9 8,66 10,56 0,00
10 15,73 9,15 0,00 10 14,17 9,24 0,00
11 13,28 6,74 23,47 11 11,67 6,83 24,82
12 11,47 11,73 0,00 12 10,95 11,78 0,00
13 15,00 0,00 0,00 13 15,00 0,00 0,00
14 15,00 0,00 0,00 14 15,00 0,00 0,00
15 10,00 0,00 0,00 15 10,00 0,00 0,00
SOMA 132,75 104,88 SOMA 133,88 116,41
Desvio i = H k H j (6.13)
170
Fujiwara e Li (1998) s/ Relaxao Fujiwara e Li (1998) com Relaxao
Vazamentos sem Relaxao Vazamentos com relaxao
150
Demanda e Vazamentos (L/s)
130
110
90
70
50
1 3 5 7 9 11 13 15
Iteraes
140.0
120.0
Vazamentos (L/s)
100.0
80.0
60.0
40.0
20.0
0.0
A B C D E F
0.9
0.8
0.7
Confiabilidade Hidrulica
0.6
0.5
0.4
0.3
0.2
0.1
0.0
A B C D E F
Esse item (6.3) foi desenvolvido com objetivo de apresentar a incorporao dos
modelos de vazamentos e demanda-presso no cdigo do Epanet 2 e de discutir
resultados obtidos para a escolha adequada do modelo de presso-demanda mais
eficiente a ser adotado para o estudo de caso real (rede exemplo 3). Dessa forma, o
183
12.00
10.00
8.00
6.00
4.00
2.00
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
N
Figura 6.30 Comparao das presses nos ns da rede exemplo 2 considerando simulaes
hidrulicas convencional e com vazamentos
18.00
16.00
14.00
Presso (m)
12.00
10.00
8.00
6.00
4.00
2.00
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
N
Figura 6.31 Comparao das presses nos ns da rede exemplo 2 considerando as simulaes
hidrulicas convencional e com modelo presso-demanda de WAGNER, SHAMIR e MARKS
(1988)
Para obteno dos dados reais, referentes ao estudo de caso, foi necessria a realizao
de uma pesquisa de campo (ANEXO A). Apresentam-se aqui as etapas procedidas para
determinao dos parmetros do modelo presso-vazamento. Esses parmetros servem
de dados de entrada para que as anlises de reabilitao, referente ao modelo proposto
neste trabalho, fossem desenvolvidas.
O suprimento de gua do setor de distribuio RF-1 (rede exemplo 3) ocorre por meio
de dois reservatrios semi-enterrados, localizados no n 131 (Figura 6.32), cada qual
com um volume de armazenamento de 6000 m3. Esse setor responsvel em atender a
demanda em mdia 100.000 habitantes (SANDIM et al., 2002) sendo composto por
tubulaes de PVC, cimento amianto e ferro fundido.
Considerando o setor RF-1 como sendo um sistema de grande escala, neste trabalho as
tubulaes com dimetros inferiores a 100 mm (salvo excees ora citadas) no foram
consideradas. O modelo simplificado ilustrado pela Figura 5.19 e os dados referentes
185
Setor 1
2
4 1
131
3
16
18
5
38
1419
Setor 3 37
13 17
35
48 101 36
41 12
102 39
11
49 42
40
43 10
47
Setor 4 105
50
45
95
44
46
104 51 9
52 56 8
106 94 93
103 58 53
116 57 54 55
92 91 96 59
107 32
108 128 90 83 82 100 65
7
60 64
61 31
84 85 66 67
109
117 62 63
112
99 81 69 68
89 88 21 22
113 111 70
80 71 76
110 118 119 97 26 6
114 87 98 15
72
121 120 23
79 73 20
115 86 24
74 3033 29 27
129 28
77
34
122 78 75
123 25
124
126 130
125
Setor 2
127
Setor 5
16
Ponto 5 18
5
38
1419
13 17
37
35
48 101 36
41 12
102 39
11
49 42
40
Ponto
47
8 43 10
50
105 45
95
44
46
Ponto 3 104 51 9
52 56 8
94 93
106 103 58 53 Ponto 4
116 57 54 55
92 91 96 59
107 32
108 128 90 83 82 100 65
7
60 64
61 31
84 85 66 67
109 62 63
112 117 Ponto 1 99 81 69 68 22
113 111
89 88
70
71
21
76
Ponto 6
118 119 97 80 26
110 87 6 15
114 98 72
121 120 23
79 73 20
115 86 24
74 3033 29 27
129 28
77
34
Ponto 10 122 Ponto 2 78 75
123
Ponto 9 25
124
130
Ponto 7
126 125
127
fornecido pela Companhia de Saneamento guas Guariroba S.A. (CD Anexo). A Figura
6.32 mostra os diversos setores, para o modelo simplificado do sistema real RF-1 (rede
exemplo 3).
2000
1800
1600
Vazo Abastecida (m3/h)
1400
1200
1000
800
600
400
200
0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Horrio
consumo (mnimo e mximo) tendo em vista que os modelos para anlise de redes
consideram regime permanente.
Um estudo foi realizado para determinao dos cenrios de consumo atravs das vazes
abastecidas (entrada do setor) na rede de distribuio. Diversos grficos so mostrados
no ANEXO A referente s vazes abastecidas no setor. A Figura 6.34 apresenta as
vazes de entrada na rede de distribuio para o dia 20 de Abril de 2003. Esses dados
foram obtidos junto companhia de saneamento. O horrio escolhido para representar o
padro de consumo mnimo foi 3:00 horas e para o consumo mximo foi de 11:00
horas. Esses horrios foram estabelecidos observando as vazes abastecidas para
diferentes dias de monitoramento.
melhoria insignificante (1,4%) quando comparado com o desvio das simulaes sem
considerar vazamentos (399,3).
2
4 1
131
3
16
Manobra 4 18
5
38
1419
13
Manobra 1 35 37
17
48 101 36
41 12
102 39
11
49 42
40
43 10
47
50
105 45
95
44
46
104 51 9
52 56 8
106 94 93
103 58 53
116
107
92 91 96 59
57 54 55 Manobra 2 32
108 128 90 83 82 100 65
7
60 64
61 31
84 85 66 67
109
117 62 63
112
113
Manobra 3 89 88
99 81 69 68
21 22
111 70
80 71 76
110 118 119 97 26 6
114 87 98 15
72
121 120 23
79 73 20
115 86 24
74 3033 29 27
129 28
77
34
122 78 75
123 25
124
126 130
125
127
1 1187 994
2 688 10
3 367 32
4 1178 132
Para o perodo diurno os pontos 4 e 7 no apresentaram bons ajustes. Observe que todos
os pontos que no apresentaram bons ajustes pertencem ao setor 2 (Figura 6.32). Um
resultado interessante que vale ser destacado que o procedimento de calibrao
permitiu identificar a regra operacional adotada pela companhia no setor RF-1 (rede
exemplo 3) para diferentes perodos do dia. Isso pode ser verificado observando os
ajustes das manobras na Tabela 6.20. Observa-se que no perodo noturno os registros 1
e 4 (Figura 6.35) so quase que fechados, j os registros 1 e 2 so parcialmente
fechados. Atravs desses resultados (ajuste desses coeficientes) possvel afirmar a
existncia de manobras diferenciadas nos dois cenrios de consumo considerados.
194
5 14 32,1 32,0 32,1 32,0 32,0 32,1 32,1 32,1 32,0 32,0 28,8
6 6 34,8 34,4 35,1 34,5 34,5 34,6 34,8 34,9 34,4 34,1 21,1
7 25 46,3 45,9 46,6 46,1 46,3 46,2 46,4 46,5 46,3 46,1 23,2
8 50 43,1 43,2 43,1 43,2 43,2 43,1 43,1 43,1 43,3 43,4 41,3
9 122 68,4 69,4 69,6 69,0 69,8 68,5 67,8 68,8 70,7 70,7 72,0
10 115 71,2 73,3 74,0 72,3 74,6 71,2 69,4 72,2 76,7 76,8 75,0
1 128 48,3 48,8 48,9 48,7 49,0 48,4 48,1 48,6 49,5 49,6 50,6
2 86 33,5 33,6 33,5 33,6 33,6 33,5 33,5 33,5 33,8 33,8 33,1
3 106 39,1 40,2 40,6 39,9 41,0 39,1 38,4 39,8 42,4 42,4 37,6
4 32 4,1 3,9 4,2 3,9 3,9 4,0 4,0 4,0 3,9 3,7 20,9
Diurno
5 14 29,7 29,7 29,7 29,7 29,7 29,7 29,7 29,7 29,7 29,7 28,6
6 6 14,7 14,5 14,8 14,5 14,5 14,6 14,6 14,7 14,4 14,2 14,5
7 25 26,1 25,9 26,2 26,0 26,1 26,0 26,1 26,1 26,1 26,1 15,3
8 50 24,6 24,7 24,6 24,7 24,7 24,6 24,6 24,7 24,8 24,9 22,0
9 122 46,4 46,9 47,0 46,8 47,1 46,5 46,2 46,7 47,6 47,6 46,0
10 115 43,8 45,2 45,8 44,8 46,3 43,7 42,8 44,7 48,2 48,1 45,0
Como forma de realizar uma anlise mais detalhada da soluo que apresentou o menor
desvio total (simulao 2 Tabela 6.25) foi construda a Tabela 6.28. Observe que para
o perodo noturno os pontos 4, 6 e 7 continuam apresentar os piores ajustes conforme
discutido anteriormente. No perodo diurno, os piores resultados so encontrados nos
pontos 4 e 7. Esses pontos (4, 6 e 7) pertencem ao setor 2 conforme Figura 6.32.
Algumas fontes de incerteza esto associadas a esses pontos merecendo ser
mencionadas.
196
1 128 4,25 3,27 3,13 3,72 2,86 4,15 4,88 3,86 1,97 1,92
2 86 1,15 1,27 1,18 1,24 1,31 1,18 1,13 1,19 1,43 1,50
3 106 0,51 1,22 1,69 0,38 2,16 0,48 1,84 0,26 3,85 3,89
4 32 5,83 6,24 5,48 6,15 6,01 5,98 5,81 5,69 6,07 6,48
Noturno
5 14 3,26 3,24 3,27 3,24 3,24 3,25 3,26 3,26 3,23 3,21
6 6 13,68 13,30 13,96 13,36 13,44 13,53 13,65 13,75 13,35 12,95
7 25 23,06 22,74 23,42 22,88 23,08 22,96 23,22 23,30 23,13 22,90
8 50 1,79 1,86 1,81 1,86 1,92 1,81 1,82 1,84 2,00 2,07
9 122 3,56 2,57 2,45 3,03 2,19 3,45 4,20 3,18 1,32 1,27
10 115 3,83 1,66 0,98 2,74 0,41 3,85 5,57 2,83 1,73 1,76
Soma Parcial 60,91 57,38 57,38 58,60 56,62 60,65 65,36 59,15 58,09 57,96
1 128 2,27 1,82 1,74 1,93 1,56 2,22 2,46 2,00 1,06 1,05
2 86 0,37 0,48 0,42 0,48 0,55 0,39 0,38 0,44 0,67 0,72
3 106 1,53 2,62 3,02 2,30 3,41 1,50 0,80 2,19 4,84 4,80
4 32 16,82 16,98 16,72 16,97 16,97 16,89 16,86 16,86 17,05 17,16
Diurno
5 14 1,11 1,10 1,11 1,09 1,09 1,10 1,10 1,10 1,07 1,06
6 6 0,22 0,03 0,34 0,01 0,01 0,14 0,14 0,16 0,12 0,31
7 25 10,77 10,64 10,92 10,71 10,79 10,73 10,85 10,85 10,81 10,75
8 50 2,60 2,66 2,63 2,68 2,73 2,62 2,64 2,66 2,81 2,86
9 122 0,42 0,89 0,96 0,77 1,12 0,49 0,24 0,70 1,60 1,61
10 115 1,22 0,21 0,78 0,23 1,29 1,30 2,24 0,35 3,20 3,14
Soma Parcial 37,33 37,42 38,64 37,16 39,51 37,38 37,70 37,30 43,23 43,45
Soma Total 98,24 94,80 96,01 95,76 96,13 98,02 103,06 96,45 101,32 101,41
Noturno 118 247,0 247,0 247,0 247,0 247,0 247,0 247,0 247,0 246,9 246,9 246,94
Diurno 118 457,4 457,4 457,4 457,4 457,4 457,4 457,4 457,4 457,4 457,4 457,50
Noturno 0,03 0,03 0,04 0,04 0,03 0,03 0,03 0,03 -0,03 -0,03
Diurno -0,02 -0,02 -0,02 -0,02 -0,02 -0,02 -0,02 -0,02 -0,02 -0,02
Outras possveis fontes de incerteza pode ser mencionadas, por exemplo, os erros de
leitura dos equipamentos (medidores de presso e vazo), a localizao errada de
monitoramento de presso devido a cadastros desatualizados (estar monitorando um
sistema isolado ao invs do sistema RF-1), erros nas estimativas de demandas nodais,
coeficientes de rugosidade das tubulaes e singularidades (vlvulas) desconhecidas.
Tabela 6.28 Anlise detalhada da soluo de menor desvio absoluto total (simulao
2) considerando parmetros de vazamento globais
Presso (m.c.a.) Erro absoluto
Calibrada Observada
1 69,7 73,9 4,2
2 54,1 53,0 1,1
3 64,6 65,1 0,5
4 27,3 33,1 5,8
Noturno
REIS et al. (2003) avaliou parmetros do modelo de vazamentos para setores da cidade
de So Carlos SP atravs de teste noturnos de vazamentos. Foram empregados dois
mtodos para determinao dos valores e a do modelo de vazamentos. O primeiro
mtodo, baseado em anlises de regresso, identificou valores para a entre 1,15 e 1,18.
O segundo mtodo, baseado em um procedimento inverso, identificou valores de a entre
0,49 e 1,1.
investigaes pode-se afirmar que cada sistema tem seus parmetros caractersticos,
reafirmando a necessidade de um procedimento de calibrao.
Os parmetros de vazamento adotados para o estudo de caso real, que sero realizados
posteriormente no presente trabalho, so apresentados na Tabela 6.29 (simulao 2).
Esses parmetros foram escolhidos por apresentarem o menor desvio total absoluto
(94,80) considerando os dois cenrios de consumo.
Tabela 6.30 Estimativa das perdas fsicas do setor RF-1 no perodo diurno
Vazamentos (L/s)
Sem Manobras Com Manobras
Setor Setor
1 2 3 4 5 1 2 3 4 5
0,00 39,73 13,01 11,39 0,33 0,00 19,50 10,00 7,74 0,32
64,46 37,56
Total Total
Tabela 6.31 - Estimativa das perdas fsicas do setor RF-1 no perodo noturno
Vazamentos (L/s)
Sem Manobras Com Manobras
Setor Setor
1 2 3 4 5 1 2 3 4 5
0,00 50,08 13,44 13,02 0,34 0,00 40,94 12,50 11,41 0,33
76,88 65,18
Total Total
CUSTO ($)
CUSTO ($)
CUSTO ($)
Custos
8.00E+06 8.00E+06 8.00E+06
BENEFCIO (KW)
BENEFCIO (KW)
Benefcios
25000 25000 25000
VAZAMENTO (L/S)
VAZAMENTO (L/S)
110 110 110.00
Vazamentos
100 100 100.00
90 90 90.00
80 80 80.00
70 70 70.00
60 60 60.00
5.00E+06 6.00E+06 7.00E+06 8.00E+06 9.00E+06 1.00E+07 1.10E+07 5000 10000 15000 20000 25000 30000 35000 40000 1.50 1.55 1.60 1.65 1.70 1.75 1.80 1.85 1.90 1.95 2.00
CUSTO ($) BENEFCIO (KW) CONFIABILIDADE
1.95 1.95
CONFIABILIDADE
CONFIABILIDADE
1.85 1.85
Confiabilidade
1.75 1.75
1.70 1.70 1.70
1.65 1.65
1.60 1.60 1.60
1.55 1.55
1.50 1.50 1.50
5.00E+06 6.00E+06 7.00E+06 8.00E+06 9.00E+06 1.00E+07 1.10E+07 5000 10000 15000 20000 25000 30000 35000 40000 60 70 80 90 100 110 120 130 140
CUSTO ($) BENEFCIO (KW) VAZAMENTO (L/S)
Figura 6.36 Frente Pareto obtida atravs da otimizao multiobjetivo esttica para estudo de caso real
203
204
A Frente Pareto da Figura 6.36 mostra que na curva benefcios contra vazamentos h
um tendncia de crescimento exponencial dos benefcios a partir de determinado valor
(no caso, 25.000 KW), ou seja, solues com vazamentos elevados nem sempre
correspondem a maiores benefcios. Por exemplo, solues que apresentam diferentes
valores de vazamentos podem apresentar o mesmo valor em termos de benefcios. A
mesma anlise pode ser feita entre custo e confiabilidade. Para exemplificar, considere o
grfico que apresenta a confiabilidade no eixo das abscissas e custo no eixo das
ordenadas. Considere duas solues, a primeira com custo prximo a $9.000.000,0 e a
outra com custo prximo a $15.000.000,00. A diferena de custo entre essas solues
de $6.000.000,0 (valor significativo). Observe que a confiabilidade apresentada por
ambas solues praticamente a mesma, em torno de 1.92. Pode-se concluir, ento, que
nem sempre um investimento financeiro elevado (estratgia geralmente adotada pelas
companhias de saneamento) para um sistema, garante maior confiabilidade, e que, os
benefcios (medida da eficincia do sistema em termos de capacidade hidrulica)
gerados por alguma ao de reabilitao tm um limite, a partir do qual a deciso de
reabilitao estar elevando os investimentos de capital e contribuindo para os
vazamentos.
1 2 3 4
4.00
3.50
3.00
AUTOVALOR
2.50
2.00
1.50
1.00
0.50
0.00
1 2 3 4
FATOR
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
-1
Solues 5
Solues 2 -2
Fator 1
Geralmente, dois (ou trs) componentes principais fornecem uma descrio adequada
dos dados. Observe na Tabela 6.33, que se for adotado um componente principal (fator)
para descrever o conjunto de dados (solues no dominadas), a varincia
207
A Tabela 6.35 apresenta as decises a serem implementadas na rede (rede exemplo 3).
Cada cdigo inteiro corresponde a uma ao de reabilitao conforme indicao da
209
A otimizao dinmica permite identificar trechos crticos na rede que devem ser
reabilitados nos primeiros perodos do planejamento e trechos menos crticos que
210
Assim, no presente trabalho, optou-se por estabelecer uma frente Pareto inicial (Figura
6.39) relativa ao primeiro estgio e tomar trs pontos representativos da mesma. Esses
pontos representativos correspondem as decises a serem implementadas na rede no
perodo e representam o estado da rede (rede modificada) no incio do prximo perodo.
possvel observar algumas diferenas entre o caso esttico e dinmico. No caso
dinmico, os custos de investimentos so calculados por perodo de planejamento
(qinqnio) considerando uma taxa de juros. Essa taxa foi considerada aqui igual a 5%
ao ano. Os benefcios, vazamentos e confiabilidade continuam sendo calculados como
valores mdios dos perodos de planejamento (como no caso esttico). No entanto,
considera-se para o clculo da funo objetivo de um perodo posterior, a rede
reabilitada (mudana de estados) com decises anteriores (cenrios 1, 2 e 3). As
demandas nodais estimadas necessrias s avaliaes hidrulicas referem-se ao final do
qinqnio.
1.20E+07 1.20E+07 1.20E+07
CUSTO ($)
CUSTO ($)
CUSTO ($)
9.00E+06
Custos
9.00E+06 9.00E+06
BENEFCIO (KW)
BENEFCIO (KW)
Benefcios
39000 39000 39000
VAZAMENTO (L/S)
VAZAMENTO (L/S)
110 110 110.00
Vazamentos
100 100 100.00
90 90 90.00
80 80 80.00
70 70 70.00
60 60 60.00
5.00E+06 6.00E+06 7.00E+06 8.00E+06 9.00E+06 1.00E+07 1.10E+07 1.20E+07 19000 29000 39000 49000 59000 1.50 1.60 1.70 1.80 1.90 2.00
CUSTO ($) BENEFCIO (KW) CONFIABILIDADE
2.00 2.00 2
CONFIABILIDADE
CONFIABILIDADE
1.80 1.80 1.8
1.70
1.60
1.70
1.60
1.7
1.6
Confiabilidade
1.50 1.50 1.5
5.00E+06 6.00E+06 7.00E+06 8.00E+06 9.00E+06 1.00E+07 1.10E+07 1.20E+07 19000 29000 39000 49000 59000 60 70 80 90 100 110 120 130 140
CUSTO ($) BENEFCIO (KW) VAZAMENTO (L/S)
211
212
Assim, trs solues (1, 2 e 3) foram escolhidas da frente Pareto inicial (Figura 6.39)
com auxlio da tcnica de ACP e trs solues (4, 5 e 6) foram escolhidas
aleatoriamente a partir de trs cenrios de custos (mnimo, mdio e alto). A Figura 6.40
apresenta a curva de custo contra benefcios com indicaes das solues escolhidas. As
solues 1, 2 e 3 foram escolhidas atravs da ACP e as solues 4, 5 e 6 foram
escolhidas considerando diferentes valores de custos. Observe que para essa curva, as
solues 4, 5 e 6 esto mais distribudas ao longo da curva que as solues 1, 2 e 3.
Considerando a funo objetivo benefcios (Figura 6.41), as solues 1, 2 e 3
apresentaram melhor representatividade da frente do que as solues 4, 5 e 6, pois as
solues 5 e 6 apresentaram valores muito prximos. O mesmo comportamento foi
verificado para as funes objetivo vazamentos e confiabilidade. Esses resultados
permitiram mostrar a eficincia da tcnica ACP como ferramenta de auxlio para
classificao e escolha de solues. Alm disso, possvel afirmar que nem sempre
escolher solues representativas em termos de custos (ou um outro objetivo) estar
garantindo a representatividade da frente em relao aos demais critrios considerados.
1.20E+07 59000
1.10E+07 6 1
6
1 49000
1.00E+07 5
BENEFCIO (KW)
CUSTO ($)
9.00E+06 2
5 39000
8.00E+06
2
7.00E+06 3
29000
3
6.00E+06
4
4
5.00E+06 19000
19000.00 29000.00 39000.00 49000.00 59000.00 60 70 80 90 100 110 120 130 140
Figura 6.40 Curva custo contra benefcio Figura 6.41 Curva benefcio contra
vazamento
140.00 2.00
130.00
1.90 6
120.00
CONFIABILIDADE
1
VAZAMENTO (L/S)
5
110.00 1.80
1 2
100.00 6
5 1.70
90.00
80.00 2 3
1.60
70.00 4
3 4
60.00 1.50
1.50 1.60 1.70 1.80 1.90 2.00 5.00E+06 6.00E+06 7.00E+06 8.00E+06 9.00E+06 1.00E+07 1.10E+07 1.20E+07
Figura 6.42 Curva vazamento contra Figura 6.43 Curva confiabilidade contra
confiabilidade custo
O grfico que apresenta as solues da frente Pareto inicial (Figura 6.39) apresentado
na Figura 6.45. Uma soluo pertencente a cada quadrante do grfico bidimensional
(Figura 6.45) e uma soluo pertencente a crculo ideal foram escolhidas
aleatoriamente, cujos respectivos valores das funes objetivo e os valores das
coordenadas correspondentes so apresentados na Tabela 6.37. Essas solues so
representativas do primeiro perodo de planejamento (qinqnio) e correspondem aos
estgios iniciais do prximo perodo (10 anos).
1 2 3 4
4.00
3.50
3.00
AUTOVALORES
2.50
2.00
1.50
1.00
0.50
0.00
1 2 3 4
FATORES
Grupo Representativo 2
Cenrio 1
Grupo Representativo
2 Cenrio 3
1
Fator 1
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
-1
-1
Grupo Representativo
-2
Cenrio 2
-2
Fator 2
novamente a otimizao multiobjetivo (Figura 5.1) e geram-se trs novas frentes Pareto.
Essas frentes so agrupadas e filtradas atravs de algoritmo de busca de solues no
dominadas (Algoritmo 2 APNDICE A) de forma a identificar a frente Pareto
resultante. Vale lembrar que para o clculo das funes objetivo no segundo perodo de
planejamento, considera-se os valores das funes objetivo do perodo (primeiro
perodo de planejamento) que o antecede e no caso da funo objetivo custo, uma taxa
de juros igual a 5% ao ano. A partir da nova frente aplica-se a tcnica de ACP para
escolha das trs solues representativas cujos os valores das funes objetivo so
apresentadas na Tabela 6.39 e as decises apresentadas na Tabela 6.40.
CUSTO ($)
CUSTO ($)
CUSTO ($)
1.50E+07
Custo
1.50E+07 1.50E+07
BENEFCIO (KW)
BENEFCIO (KW)
60000 60000 60000
Benefcio
55000 55000 55000
VAZAMENTO (L/S)
VAZAMENTO (L/S)
120 120 120
Vazamentos
115 115 115
95 95 95
1.10E+07 1.20E+07 1.30E+07 1.40E+07 1.50E+07 1.60E+07 1.70E+07 1.80E+07 30000 35000 40000 45000 50000 55000 60000 65000 70000 75000 1.50 1.60 1.70 1.80 1.90
CUSTO ($) BENEFCIO (KW) CONFIABILIDADE
1.95
1.85 1.85
1.90
1.80 1.80
CONFIABILIDADE
CONFIABILIDADE
CONFIABILIDADE
1.85
1.75 1.75
1.80
Confiabilidade
1.70 1.70 1.75
1.65 1.70
1.65
1.65
1.60 1.60
1.60
1.55 1.55
1.55
1.50 1.50 1.50
1.10E+07 1.20E+07 1.30E+07 1.40E+07 1.50E+07 1.60E+07 1.70E+07 1.80E+07 30000 35000 40000 45000 50000 55000 60000 65000 70000 75000 95 100 105 110 115 120 125 130 135
CUSTO ($) BENEFCIO (KW) VAZAMENTO (L/S)
217
218
5
Grupo representativo Grupo representativo
Cenrio 1 4
Cenrio 3
3
1
Fator 1
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
-1
-2
-3 Grupo representativo
Cenrio 2
-4
-5
Fator 2
A Figura 6.46 apresenta a frente Pareto final no espao objetivo. Observe que existe
uma transposio de curvas na frente Pareto final. Isso se deve ao fato de que a
otimizao multibjetivo dinmica considera os estgios anteriores, e os valores de
funes objetivo correspondentes esto associados aos valores das solues que
correspondem a esses estgios. Na realidade, percebe-se que cada curva sobreposta
corresponde a uma regio do espao de busca. Por exemplo, analisando a curva de
benefcios contra vazamentos possvel verificar que existem solues com mesmo
vazamento no entanto com benefcios mais elevados. O mesmo acontece para a curva de
vazamentos contra confiabilidade, para um mesmo ndice de vazamentos, o decisor
pode optar por uma soluo que apresente maior confiabilidade.
segundo perodo (Tabela 6.39 espao objetivo e Tabela 6.40 espao de deciso) e
soluo 1 do ltimo perodo (Tabela 6.41 espao objetivo e Tabela 6.42 espao de
deciso). A seqncia 2-2-1 o plano que apresenta menor custo, consequentemente,
menores benefcios, vazamentos e confiabilidade. A seqncia 2-2-2 apresenta valores
intermedirios entre as seqncias 2-2-1 e 2-3-3. Observe que a escolha da melhor
alternativa depende do senso de valor do decisor.
Figura 6.48 Planos alternativos de reabilitao para rede real (rede exemplo 3)
A terceira fase do modelo (etapa de deciso) foi responsvel por apresentar as solues
timas obtidas, que representam os aes de reabilitao a serem implementadas na
rede. nessa fase que ocorre a tomada de deciso. A investigao de cada fase do
modelo computacional proposto possibilitou que diversas concluses fossem obtidas, as
quais so apresentadas aqui de forma sucinta.
acoplamento foi realizado atravs da Toolkit, biblioteca de funes, que possibilita que
as rotinas do Epanet 2 possam ser chamadas atravs do compilador C++. No houve
problemas nesse acoplamento, podendo-se afirmar que o Epanet 2, utilizado atravs da
Toolkit, trabalha eficientemente. Um outro estudo realizado teve como objetivo
desenvolver o acoplamento entre o mdulo de otimizao (GAlib), biblioteca de
algoritmos genticos e o simulador hidrulico (Epanet 2). A integrao entre o mdulo
de otimizao e o simulador hidrulico s foi possvel porque ambos os pacotes (GAlib
e Epanet 2) foram escritos em linguagens compatveis, C++ e C, respectivamente.
A integrao entre a GAlib e o Epanet 2 permitiu que vrios testes fossem realizados
sobre o problema proposto por GESSLER (1985). Atravs desse programa
desenvolvido (GAlib/Epanet) foi possvel tambm avaliar a adequao e o desempenho
dos algoritmos genticos resoluo do problema de reabilitao (estudo terico). As
solues de mnimo custo, encontradas atravs desse programa, apresentaram resultados
melhores do que os obtidos por GESSLER (1985) e SIMPSON, DANDY e MURPHY
(1994). As restries desse problema (garantia de atendimento de presses mnimas)
foram incorporadas atravs de um termo penalidade na funo objetivo associado a um
peso. Vrias simulaes foram realizadas considerando diferentes combinaes (anlise
de sensibilidade) de pesos. Funes penalidades apresentam uma srie de
inconvenientes j conhecidos, por exemplo, a necessidade de identificao adequada de
pesos. Anlises de sensibilidades foram desenvolvidas com intuito de identificar o valor
ideal para o peso da funo penalidade. Mostrou-se a dificuldade em ajust-lo de forma
a garantir uma resposta acurada da soluo de mnimo custo. Cabe lembrar que esse
estudo de caso foi terico, cuja soluo tima do problema era conhecida. Em
problemas reais, nem sempre se tem um conhecimento prvio da soluo.
solues da frente. A frente Pareto obtida pelo mtodo dos pesos serviu de motivao
para o desenvolvimento do mdulo de otimizao multiobjetivo, baseado na proposio
de FONSECA e FLEMING (1993), denominado MOGA. O entendimento
pormenorizado da GAlib, obtido atravs dos estudos mencionados, possibilitou o
domnio da tcnica e permitiu que o MOGA fosse implementado, utilizando operadores
convencionais (recombinao e mutao) da GAlib.
Um dos principais questionamentos, por parte dos pesquisadores que tratam do assunto,
referentes aplicao de algoritmos genticos a identificao adequada dos
parmetros de entrada desses algoritmos (dimenso da populao, nmero mximo de
geraes, probabilidade de recombinao e probabilidade de mutao). Nesse sentido, o
presente trabalho apresenta um esforo em identificar qual desses parmetros interfere
mais na resposta desses algoritmos. Anlises estatsticas, baseadas no planejamento
fatorial com ponto central ortogonal, foram desenvolvidas para o problema de
reabilitao de redes e os resultados demonstraram que os parmetros que interferem de
maneira mais decisiva na resposta tima dos algoritmos genticos so a dimenso da
populao e o nmero mximo de geraes.
Uma pesquisa de campo foi realizada no sistema real com objetivo de identificar os
parmetros de caractersticos do modelo de vazamentos, de forma a consider-los
explicitamente no simulador hidrulico iterativo. Esses parmetros foram encontrados
atravs de um procedimento inverso (calibrao) que estima os valores desses
parmetros atravs da minimizao entre os dados observados em campo e os dados
simulados na rede.
A anlise dinmica, pelo contrrio, sugere que o tempo timo de investimentos durante
o horizonte de planejamento seja levado em considerao, e dessa forma, apresenta uma
alternativa mais realstica do problema. Cada soluo obtida no caso dinmico fornece
informaes da soluo correspondentes s aes de reabilitao, por perodo de
planejamento. A determinao dos planos de reabilitao e a distribuio dos
investimentos necessrios ao longo do perodo de planejamento (15 anos) a principal
vantagem da programao multiobjetivo dinmica. A desvantagem desse tipo de anlise
(dinmica) o tempo computacional consumido durante o processo iterativo.
ES: Modelo estatstico; AS: Modelo baseado em anlise de sistemas; O: Otimizao considerando apenas um objetivo; MO: Otimi-
zao multiobjetivo; ADD: Anlise de redes dirigida pela demanda; ADP: Anlise de redes dirigida pela presso; S: Substituio de
tubos; L: Limpeza de tubos; R: Revestimento de tubos; D: Tubos em paralelo; P: Novos tubos (projeto); A: Setores de rede que
precisam ser reabilitadas; E: Explcito; I: Implcito; H: Confiabilidade hidrulica; M: Confiabilidade Mecnica; C: Custo; V:
Vazamento; CF: Confiabilidade; Q: Qualidade da gua
DONACHIE, R. P. (1974). Digital Program for Water Network Analysis. Journal of the
Hydraulics Division, v. 100, n. NHY3, p. 393-403.
EGGENER C. L.; POLKOWSKI, L.B. (1976). Network Models and Impact of Modeling
Assumptions. Journal American Water Works Association, v. 68, n. 4, p. 189-196.
EPP, R., FOWLER, A. G. (1970). Efficient Code for Steady State Flows in Networks.
Journal of the Hydraulic Division, v. 96, n. HY1, p. 43-56.
ESHELMAN, L. J.; SCHAFFER, J. D. (1993). Real-coded Genetic Algorithms and
Interval-Schemata. Foundations of Genetic Algorithms 2 (FOGA 2), p. 187-202.
ENGELHARDT, M.O.; SKIPWORTH, P.J.; SAVIC, D.A.; SAUL, A.J.; WALTERS,
G.A. (2000). Rehabilitation Strategies for Water Distribution Networks: a Literature
Review with a UK Perspective. Urban Water, n. 2, p. 153-170.
ENGELHARDT, M.O.; DANDY, G.C. (1999). The Development of an Optimal Strategy
to Schedule Main Replacements. Water Industry Systems: Modelling and Optimisation
Applications, Research Studies Press, England, v. 2, p. 419-426.
EVSUKOFF, A.G.; EBECKEN, N.F.F. (2003). Mtodos Numricos em Recursos
Hdricos. ABRH, Silva, R.C.V. (Editor), Porto Alegre.
FRANCATO, A. L. (2002). Operao Multiobjetivo para a Operao de Sistemas
Urbanos de Abastecimento de gua. Tese de Doutorado. Universidade Estadual de
Campinas (UNICAMP), Brasil.
FONSECA, C.M.; FLEMING, P. J. (1993). Genetic Algorithms for Multiobjective
Optimization: Formulation, Discussion and Generalization. Proceedings of the Fifth
International Conference, San Mateo.
FONSECA, C. M.; FLEMING, P. J. (1995). An Overview of Evolutionary in
Multiobjective Optimization. Evolutionary Computation, v. 3, n. 1, p. 1-16.
FORMIGA, K. T. M. (1999). Metodologia de otimizao de redes malhadas atravs da
programao no linear. Campina Grande. 159 p. Dissertao (Mestrado).
Universidade Federal da Paraba, Brasil.
FORMIGA, K. T. M.; CHAUDHRY, F. H.; CHEUNG, P. B.; REIS, L. F. R. (2003).
Optimal Design of Water Distribution System by Multiobjective Evolutionary
Methods. Evolutionary Multi-Criterion Optimization, v. 2632, p. 677-691 Springer-
Verlag, Heidelberg.
FUJIWARA, O.; GANESHARAJAH, T. (1993). Reliability Assessment of Water Supply
Systems Withstorage and Distributions Networks. Water Resources Research. v. 29, n.
8, p. 2917-2924.
FUJIWARA, O.; KWANG, D. B. (1990). A Two-Phase Decomposition Method for
Optimal Design of Looped Water Distribution Networks. Water Resources Research,
v. 26, n. 4, p. 539-549.
FUJIWARA, O.; LI, J. (1998). Reliability Analysis of Water Distribution Networks in
Consideration of Equity, Redistribution, and Pressure-Dependent Demand. Water
Resources Research, v. 34, n. 7, p. 1843-1850.
GAMBALE, S. R. (2000). Aplicao de Algoritmo Gentico na Calibrao de Redes de
gua. So Paulo. 266 p. Dissertao (Mestrado). Escola Politcnica, Universidade de
So Paulo, Brasil.
GARCIA, C. (1997). Modelagem e Simulao de Processos Industriais e de Sistemas
Eletromecnicos. Editora da Universidade de So Paulo, So Paulo, Brasil.
GAT, Y. L.; EISENBEIS, P. (2000). Using Maintenance Records to Forecast Failures in
Water Networks. Urban Water, v. 2, p. 173-181.
GEN, M.; CHENG, R. (1996). Genetic Algorithms and Engineering Design. John Wiley
& Sons, INC.
234
TAN, K. C.; LEE, T. H.; KHOR, E. F. (2001). Evolutionary Algorithms with Dynamic
Population Size and Local Exploration for Multiobjective Optimization. IEEE
Transactions on Evolutionary Computation, v. 5, n. 6, p. 565-588.
TANYIMBOH, T. T.; TABESH, M.; BURROWS, R. (2001). Appraisal of Source Head
Methods for Calculating Reliability of Water Distribution Networks. Journal of Water
Resources Planning and Management, v. 127, n. 4, p. 206-213.
TODINI, E. (1979). Un Metodo del Gradiente per La Verifica Delle Reti Idrauliche.
Bolletino Degli Ingegneri Della Toscana, n. 11, p. 11-14.
TODINI, E. (2000). Looped Water Distribution Networks Design using a Resilience
Index based Heuristic Approach. Urban Water. p. 115-122.
TODINI, E. (2003). A More Realistic Approach to the Extended Period Simulation of
Water Distribution Networks. CCWI Conference, Imperial College, London (recebido
do autor).
TODINI, E.; PILATI, S. (1988). A Gradient Algorithm for the Analysis of Pipe
Networks. In: COULBECK, B. and CHUN-HOU O. (eds.): Computer Applications in
Water Supply - Systems Analysis and Simulation, v. 1.
TUCCIARELLI, T.; CRIMINISI, A.; TERMINI, D. (1999). Leak Analysis in Pipeline
Systems by Means of Optimal Valve Regulation. Journal of Hydraulic Engineering, v.
125, n. 3, p. 277-285.
WAGNER, J. M.; SHAMIR, U.; MARKS, D. H. (1988). Water Distribution Reliability:
Simulation Methods. Journal of Water Resources Planning and Management, v. 114,
n. 3, p. 276-294.
WALL, M. (1996). GAlib: A C++ Library of Genetic Algorithm Components.
Mechanical Engineering Department, Massachusetts Institute of Technology.
WALSKI, T. M. (1982). Economic Analysis of Rehabilitation of Water Mains. Journal of
Water Resources Planning and Management, v. 108, n. WR3, p. 296-308.
WALSKI, T. M. (1983). Technique for Calibrating Network Models. Journal of Water
Resources Planning and Management, v. 109, n. 4, p. 360-372.
WALSKI, T. M. (1986). Case Study: Pipe Network Model Calibration Issues. Journal of
Water Resources Planning and Management, v. 112, n. 2, p. 238-249.
WALSKI, T.M. (2001). The Wrong Paradigm, Why Water Distribution Optimization
Doesnt Work. Journal of Water Resources Planning and Management (Editorial), v.
123, n. 3, p. 203-205.
WALSKI, T. M.; PELLICCIA, A. (1982). Economic Analysis of Water Main Breaks.
Journal of the American Water Works Association, p. 140-147.
WALSKI, T. M. et al. (1987). Battle of the Network Models: Epilogue. Journal of Water
Resources Planning and Management, v. 113, n. 2, p. 191-203.
WALSKI, T. M. et al. (2003). Advanced Water Distribution Modeling and Management.
Hasted Press, Waterbury, CT, USA.
WALTERS, G.A.; HALHAL, D.; SAVIC, D.A.; OUAZAR, D. (1999). Improved Design
of Anytown Distribution Network using Structured Messy Genetic Algorithms. Urban
Water, v. 1, p. 23-38.
WATANATADA, T. (1973). Least-Cost Design of Water Distribution Systems. Journal
of Hydraulics Division, v. 99, n. HY9, p. 1497-1513.
WOOD, D. J.; CHARLES, C. O. A. (1972). Hydraulic Network Analysis using Linear
Theory. Journal of the Hydraulic Division, v. 98, n. HY7, p.1157-1170.
WRIGHT, A. (1991). Genetic Algorithms for Real Parameter Optimization. In
Foundations of Genetic Algorithms 2 (FOGA-1): 205-218.
240
YANG, K. P.; LIANG, T.; WU, I. P. (1975). Design of Conduit System with Diverging
Branches. Journal of Hydraulics Division, v. 101, n. HY1, p. 167-188.
APNDICE A Algoritmos de busca de solues no dominadas
242
Algoritmo 1 - Esse algoritmo (Figura a.1) foi desenvolvido com objetivo de identificar o
nmero de solues que dominam uma determinada soluo i. Como o mdulo de
avaliao do MOGA necessita calcular o rank de cada vetor soluo, esse algoritmo faz
parte da implementao do MOGA.
INICIALIZAO
- Dimenso da populao: N
- Aloque vetor com dimenso N
i=1
No
Nmero de S olues
i < N que Dominam a
S oluo i
Sim
contador = 0
i = i +1
j=1
No
j <N
j = j +1 j = j +1
Sim j = j +1
Sim
j=i
No
vetor_contador[i] = contador
auxiliar = 0
iobj = 1
No
iobj = iobj +1
Sim
No i melhor que j
segundo objetivo (iobj)
Sim
auxiliar = 1
Algoritmo 2 Nesse algoritmo (Figura a.2), cada soluo i comparada com todas
outras solues na populao para verificar se essa soluo dominada por alguma
soluo na populao. Se for encontrada uma soluo que domina i, isso menciona que
existe no mnimo uma soluo na populao que melhor que i em todos os objetivos.
Conseqentemente a soluo i no pertence ao conjunto no dominado.
INICIALIZAO
- Declare varivel inteira: dimNs = 1
- Aloque vetor: P' com dimenso N
- P ' [0] = 0
- Declare um contador: i =0
j= 0
Verificar se a
Sim P[j] = i
Soluo i domina P[j]
No i = i +1
Verificar se a
j = j +1 Sim i<N Sim
Soluo P[j] domina i
No
No
Sim j+i < dimNS
No
j = j+1 Solues No
dimNS = dim NS +1 Dominadas
P[j] = i
i<N No
Sim
Algoritmo 3 Esse algoritmo (Figura a.3) um dos mais eficientes em termos de custo
computacional. Todas as solues da populao so verificadas com uma populao de
solues no dominadas.
INICIALIZAO
- Dimenso da populao: N
- Aloque um vetor (flag) com
dimenso N
i=1
flag[i] = 0
Conjunto No Determinado
Sim
i < N i = i +1
No
j=1
Solues No
j<N
Dominadas ( flag [i] = 2)
No
Sim
j = j +1
i=1 flag[j] = 2
No Conjunto No Dominado
No Sim
i <N flag[j] = 0
i = i +1 Sim
Sim i = j ou
flag[i ]= 2 ou
flag[i] = 1
No
auxiliar = 0
iobj = 1
No
j melhor que i No
segundo objetivo (iobj)
Sim
auxiliar = 1
Algoritmo 4 - Esse algoritmo (Figura a.4) foi desenvolvido com objetivo de identificar o
nmero de solues no dominadas e classific-las em relao s frentes no
dominadas. Esse algoritmo utilizado no mdulo de avaliao do NSGA.
245
INICIALIZAO
- Dimenso da populao: N
- Aloque vetores (flag, frente) com
dimenso N
i=1
flag[i] = 0
Conjunto No Determinado
Sim
i < N i = i +1
No
contador = 0
i_frente = 1
No Frentes No
contador < N
Dominadas
Sim
j=1
No
j<N Fluxo A
j = j +1 Sim
j = j +1
flag[j] = 3
Sim
contador = contador + 1
No
i=1 flag[j] = 2
No
Conjunto No Dominado
No Sim
i<N flag[j] = 0
Sim
i = i +1
i = j ou
flag[i ]= 3 ou
Sim flag[i] = 1
No
auxiliar = 0
iobj = 1
No
iobj = iobj +1 Sim
No
j melhor que i
segundo objetivo (iobj)
Sim
auxiliar = 1
Fluxo A
Sim No
i_frente = 1 i=1 i<N i_frente = i_frente + 1
No
Sim
i=1
i = i +1 flag[i] = 2
No
i<N i_frente = i_frente + 1 Sim
i = i +1 flag[i] = 2
No
i = i +1 i<N
No
Sim
flag[i] = 0
flag[i] = 1
Conjunto Determinado
No
Para obter resultados significativos, o modelador deve garantir que as posies das
vlvulas (completamente abertas ou fechadas) e as colocaes de vlvulas redutoras de
presso sejam corretamente representadas no modelo (EGGENER e POLKOWSKI
1976; RAO, MARKEL e BREE 1977).
248
As energias nos ns fonte devem ser determinadas com certo grau de acurcia. A
elevao de gua nos reservatrios e a energia proveniente das bombas podem ser
medidas com manmetros apropriados ou por um sistema de telemetria (reservatrios).
2
4 1
131
3
16
18
5
38
1419
13 17
37
35
48 101 36
41 12
102 39
11
49 42
40
43 10
47
50
105 45
95
44
46
104 51 9
52 56 8
106 94 93
103 58 53
116 57 54 55
92 91 96 59
107 32
108 128 90 83 82 100 65
7
60 64
61 31
84 66 67
109
117
85 62 63
112
99 81 69 68
89 88 21 22
113 111 70
80 71 76
110 118 119 97 26 6
114 87 98 15
72
121 120 23
79 73 20
115 86 24
74 3033 29 27
129 28
77
34
122 78 75
123 25
124
126 130
125
127
Setor 1
2
4 1
131
3
16
18
5
38
1419
13
Setor 3 35
37
17
48 101 36
41 12
102 39
11
49 42
40
Setor 4 105
47
50
45
43 10
95
44
46
104 51 9
52 56 8
106 94 93
103 58 53
116 57 54 55
92 91 96 59
107 32
108 128 90 83 82 100 65
7
60 64
61 31
84 85 66 67
109
117 62 63
112
99 81 69 68
89 88 21 22
113 111 70
80 71 76
110 118 119 97 26 6
114 87 98 15
72
121 120 23
79 73 20
115 86 24
74 3033 29 27
129 28
77
34
122 78 75
123 25
124
126 130
125
Setor 2
127
Setor 5
Uma das formas de realizar anlises hidrulicas das redes existentes identificar os
parmetros para o modelo de vazamentos e incorpor-los nos modelos de anlises
hidrulicas. Para isso, necessrio que os dados obtidos sejam formatados e
organizados de tal maneira que os resultados esperados possam representar o
comportamento do sistema real. Optou-se por trabalhar com modelos para anlises de
redes em regime permanente, sendo necessrio que cenrios de consumo (por exemplo,
mnimo, mdio e mximo) sejam identificados e os parmetros representem os valores
mdios de vazamentos para o sistema. Com a introduo de vazamentos nas simulaes
hidrulicas as presses obtidas devem ser menores que aquelas obtidas nas simulaes
sem vazamentos.
20
Foi solicitado aos moradores das residncias nas quais os medidores de presso estavam instalados, que
no fechassem o registro durante o perodo de investigao de campo.
256
Figura A1.7 Presses observadas (p. 1) Figura A1.8 Presses observadas (p. 2)
Figura A1.9 Presses observadas (p. 3) Figura A1.10 Presses observadas (p. 4)
257
Figura A1.11 Presses observadas (p. 5) Figura A1.12 Presses observadas (p. 6)
Figura A1.13 Presses observadas (p. 7) Figura A1.14 Presses observadas (p. 8)
Figura A1.15 Presses observadas (p. 9) Figura A1.16 Presses observadas (p. 10)
tpica para o perodo. Como os cenrios de consumo variam em funo do clima, optou-
se por desprezar os dias (15 a 18 de Abril de 2003), em que as temperaturas ficaram
mais baixas que a mdia por no representar consumos tpicos do sistema. Assim,
determinou-se o perodo para anlises entre os dias 19 e 23 de Abril de 2003.
1800 1800
1600 1600
Vazo Abastecida (m /h)
3
1200 1200
1000 1000
800 800
600 600
400 400
200 200
0 0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.17 Vazo abastecida pelo Figura A1.18 Vazo abastecida pelo
reservatrio (19 04 2003) reservatrio (20 04 2003)
2000 2000
1800 1800
1600 1600
Vazo Abastecida (m /h)
1400 1400
3
1200 1200
1000 1000
800 800
600 600
400 400
200 200
0 0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.19 Vazo abastecida pelo Figura A1.20 Vazo abastecida pelo
reservatrio (21 04 2003) reservatrio (22 04 2003)
2000
1800
1600
Vazo Abastecida (m /h)
1400
3
1200
1000
800
600
400
200
0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo
Valores para as variveis de estado do sistema podem ser obtidos verificando os dados
armazenados pelos medidores de presso durante a experimentao em campo. Esses
dados demonstram o comportamento do sistema e a operao diria realizada na rede.
Por exemplo, o ponto 5 (Figuras A1.26, A1.36, A1.46, A1.56 e A1.66), localizado
prximo (a montante) a uma vlvula redutora de presso (VRP), registrou presses
constantes de 30 m.c.a. Outro fato interessante observado foi a distino entre manobras
noturnas para minimizao de vazamentos (Figuras A1.25, A1.27 e A1.28) e manobras
de manuteno de redes (Figuras A1.42 e A1.52). Por exemplo, no dia 22 foram
constatadas vrias manobras realizadas na rede atravs dos dados armazenados pelos
medidores de presso. Essas manobras comprometeram o abastecimento dos setores 4 e
5 (Figuras A1.54, A1.60 e A1.61) e do setor 2 (Figuras A1.55, A1.57, A1.58) no
perodo entre 17:00 as 23:00 horas. Segundo informaes fornecidas pela CCP, nesse
dia houve um problema na captao e aduo do sistema. Os reservatrios apresentaram
nveis baixos para suprir a demanda diria, ento, tais manobras serviram como
limitadores de consumo em vrios locais do setor RF-1.
260
80 80
70 70
60 60
Presso (mca)
Presso (mca)
50 50
40 40
30 30
20 20
10 10
0 0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.22 Presso Monitorada no ponto 1 Figura A1.23 Presso Monitorada no ponto 2
(19 04 2003) (19 04 2003)
80 80
70 70
60 60
50
Presso (mca)
50
Presso (mca)
40
40
30
30
20
20
10
10
0
0 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 -10
Tempo Tempo
Figura A1.24 Presso Monitorada no ponto 3 Figura A1.25 Presso Monitorada no ponto 4
(19 04 2003) (19 04 2003)
80 80
70 70
60 60
Presso (mca)
Presso (mca)
50 50
40 40
30 30
20 20
10 10
0 0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.26 Presso Monitorada no ponto 5 Figura A1.27 Presso Monitorada no ponto 6
(19 04 2003) (19 04 2003)
80 80
70 70
60 60
50
Presso (mca)
50
Presso (mca)
40
40
30
30
20
20
10
10
0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 0
-10 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.28 Presso Monitorada no ponto 7 Figura A1.29 Presso Monitorada no ponto 8
(19 04 2003) (19 04 2003)
261
80.0 80.0
70.0 70.0
60.0 60.0
Presso (mca)
Presso (mca)
50.0 50.0
40.0 40.0
30.0 30.0
20.0 20.0
10.0 10.0
0.0 0.0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.30 Presso Monitorada no ponto 9 Figura A1.31 Presso Monitorada no ponto
(19 04 2003) 10 (19 04 2003)
80 80
70 70
60 60
Presso (mca)
Presso (mca)
50 50
40 40
30 30
20 20
10 10
0 0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.32 Presso Monitorada no ponto 1 Figura A1.33 Presso Monitorada no ponto 2
(20 04 2003) (20 04 2003)
80 80
70 70
60 60
Presso (mca)
Presso (mca)
50 50
40 40
30 30
20 20
10 10
0 0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.34 Presso Monitorada no ponto 3 Figura A1.35 Presso Monitorada no ponto 4
(20 04 2003) (20 04 2003)
80 80
70 70
60 60
50
Presso (mca)
50
Presso (mca)
40
40
30
30
20
20
10
10
0
0 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 -10
Tempo Tempo
Figura A1.36 Presso Monitorada no ponto 5 Figura A1.37 Presso Monitorada no ponto 6
(20 04 2003) (20 04 2003)
262
80 80
70 70
60 60
Presso (mca)
Presso (mca)
50 50
40 40
30 30
20 20
10 10
0 0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.38 Presso Monitorada no ponto 7 Figura A1.39 Presso Monitorada no ponto 8
(20 04 2003) (20 04 2003)
80.0 80.0
70.0 70.0
60.0 60.0
Presso (mca)
Presso (mca)
50.0 50.0
40.0 40.0
30.0 30.0
20.0 20.0
10.0 10.0
0.0 0.0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.40 Presso Monitorada no ponto 9 Figura A1.41 Presso Monitorada no ponto
(20 04 2003) 10 (20 04 2003)
80 80
70 70
60 60
Presso (mca)
Presso (mca)
50 50
40 40
30 30
20 20
10 10
0 0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.42 Presso Monitorada no ponto 1 Figura A1.43 Presso Monitorada no ponto 2
(21 04 2003) (21 04 2003)
80 80
70 70
60 60
50
Presso (mca)
50
Presso (mca)
40
40
30
30
20
20
10
10
0
0 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 -10
Tempo Tempo
Figura A1.44 Presso Monitorada no ponto 3 Figura A1.45 Presso Monitorada no ponto 4
(21 04 2003) (21 04 2003)
263
80 80
70 70
60 60
50
Presso (mca)
50
Presso (mca)
40
40
30
30
20
20
10
10
0
0 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 -10
Tempo Tempo
Figura A1.46 Presso Monitorada no ponto 5 Figura A1.47 Presso Monitorada no ponto 6
(21 04 2003) (21 04 2003)
80 80
70 70
60 60
Presso (mca)
Presso (mca)
50 50
40 40
30 30
20 20
10 10
0 0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.48 Presso Monitorada no ponto 7 Figura A1.49 Presso Monitorada no ponto 8
(21 04 2003) (21 04 2003)
80.0 80.0
70.0 70.0
60.0 60.0
Presso (mca)
Presso (mca)
50.0 50.0
40.0 40.0
30.0 30.0
20.0 20.0
10.0 10.0
0.0 0.0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.50 Presso Monitorada no ponto 9 Figura A1.51 Presso Monitorada no ponto
(21 04 2003) 10 (21 04 2003)
80 80
70 70
60 60
Presso (mca)
Presso (mca)
50 50
40 40
30 30
20 20
10 10
0 0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.52 Presso Monitorada no ponto 1 Figura A1.53 Presso Monitorada no ponto 2
(22 04 2003) (22 04 2003)
264
80 80
70 70
60 60
50
Presso (mca)
50
Presso (mca)
40
40
30
30
20
20
10
10
0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 0
-10 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.54 Presso Monitorada no ponto 3 Figura A1.55 Presso Monitorada no ponto 4
(22 04 2003) (22 04 2003)
80 80
70 70
60 60
50
Presso (mca)
50
Presso (mca)
40
40
30
30
20
20
10
10
0
0 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 -10
Tempo Tempo
Figura A1.56 Presso Monitorada no ponto 5 Figura A1.57 Presso Monitorada no ponto 6
(22 04 2003) (22 04 2003)
80 80
70 70
60 60
Presso (mca)
Presso (mca)
50 50
40 40
30 30
20 20
10 10
0 0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.58 Presso Monitorada no ponto 7 Figura A1.59 Presso Monitorada no ponto 8
(22 04 2003) (22 04 2003)
80.0 80.0
70.0 70.0
60.0 60.0
Presso (mca)
Presso (mca)
50.0 50.0
40.0 40.0
30.0 30.0
20.0 20.0
10.0 10.0
0.0 0.0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.60 Presso Monitorada no ponto 9 Figura A1.61 Presso Monitorada no ponto
(22 04 2003) 10 (22 04 2003)
265
80 80
70 70
60 60
Presso (mca)
Presso (mca)
50 50
40 40
30 30
20 20
10 10
0 0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.62 Presso Monitorada no ponto 1 Figura A1.63 Presso Monitorada no ponto 2
(23 04 2003) (23 04 2003)
80 80
70 70
60 60
Presso (mca)
Presso (mca)
50 50
40 40
30 30
20 20
10 10
0 0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.64 Presso Monitorada no ponto 3 Figura A1.65 Presso Monitorada no ponto 4
(23 04 2003) (23 04 2003)
80 80
70 70
60 60
50
Presso (mca)
50
Presso (mca)
40
40
30
30
20
20
10
10
0
0 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 -10
Tempo Tempo
Figura A1.66 Presso Monitorada no ponto 5 Figura A1.67 Presso Monitorada no ponto 6
(23 04 2003) (23 04 2003)
80 80
70 70
60 60
Presso (mca)
Presso (mca)
50 50
40 40
30 30
20 20
10 10
0 0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.68 Presso Monitorada no ponto 7 Figura A1.69 Presso Monitorada no ponto 8
(23 04 2003) (23 04 2003)
266
80.0 80.0
70.0 70.0
60.0 60.0
Presso (mca)
Presso (mca)
50.0 50.0
40.0 40.0
30.0 30.0
20.0 20.0
10.0 10.0
0.0 0.0
00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20 00:00 03:20 06:40 10:00 13:20 16:40 20:00 23:20
Tempo Tempo
Figura A1.70 Presso Monitorada no ponto 9 Figura A1.71 Presso Monitorada no ponto
(23 04 2003) 10 (23 04 2003)
267
m mm Hazen m mm Hazen
m mm Hazen m mm Hazen
100 60 59 496 100 130 140 126 125 567 150 100
101 66 63 352 200 100 141 121 129 525 400 100
102 63 62 464 400 100 142 119 120 210 400 100
103 62 61 590 100 130 143 128 117 740 400 100
105 73 72 330 300 100 145 124 130 1140 200 100