download completo - SET - USP
download completo - SET - USP
download completo - SET - USP
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
112<br />
Oscar Javier Begambre Carrillo & José Elias Laier<br />
uma estimativa a priori para começar a busca é quase impossível, devido a grande<br />
quantidade de opções);<br />
-estão adaptados para procurar soluções globais o quase globais.<br />
Adicionalmente, como mostrado por Schutte e Groenwold (2005), o algoritmo<br />
PSO ultrapassa o desempenho do AGs em vários problemas difíceis de programação<br />
não linear, notadamente, em problemas de otimização sem restrições.<br />
Por outro lado, é um fato conhecido que os algoritmos heurísticos precisam de<br />
um maior número de avaliações da função objetivo, para encontrar uma solução ótima,<br />
quando comparados com as técnicas baseadas em gradientes e/ou derivadas de<br />
segunda ordem. Porém, a principal desvantagem das técnicas clássicas de<br />
programação não linear, quando aplicadas ao problema DD, é que elas são<br />
suscetíveis de convergir para ótimos locais e, portanto, não podem ser empregadas<br />
com sucesso em problemas não lineares com múltiplos pontos ótimos, como os<br />
estudados neste trabalho. Além desta limitação, os algoritmos clássicos são altamente<br />
sensíveis à presença de ruído nos dados experimentais (HEMEZ et. al.,1995). Isto se<br />
deve ao fato de que os gradientes usados dependem explicitamente dos vetores<br />
modais medidos e/ou da sua expansão (quando utilizados dados modais), desta<br />
forma, qualquer erro de medição ou de modelagem irá corromper a qualidade dos<br />
gradientes. De maneira geral, a mesma conclusão pode ser feita para qualquer<br />
método baseado em sensibilidades (gradientes).<br />
Recentemente, diversas estratégias para evitar a convergência prematura e<br />
melhorar a capacidade de busca dos métodos heurísticos básicos vêm sendo<br />
propostas. Por exemplo, Koh e Liaw (2003), apresentam uma das primeiras tentativas<br />
para melhorar o desempenho numérico de um sistema de identificação estrutural<br />
baseado em Algoritmos Genéticos (AGs) mediante a combinação do AG com um<br />
método de busca local. Outra possibilidade estudada por Hwang e He (2006), para<br />
solucionar problemas de otimização estrutural e problemas de identificação de<br />
sistemas, é a combinação de operadores do Simualted Annealing (SA) com os AGs<br />
com o intuito de melhorar a convergência do AG. O método se baseia em um<br />
algoritmo genético de parâmetros reais com um operador de crossover novo e<br />
incorpora as vantagens que o SA possui (capacidade de fugir de pontos locais)<br />
melhorando desta forma o desempenho global do método.<br />
Finalmente, o problema DD apresenta três características que tornam<br />
interessante o uso de algoritmos heurísticos para sua solução. A primeira, é que se<br />
trata de um problema que deve ser solucionado em presença de ruído. A segunda, é<br />
que a detecção de dano baseada em modelos é um problema fortemente não linear,<br />
onde podem existir múltiplos pontos ótimos e pode ser de natureza descontínua<br />
(SINHA; FRISWELL; EDWARDS, 2002; BLAND; KAPANIA, 2004). Por último, a<br />
estratégia baseada em heurísticas não precisa um conjunto <strong>completo</strong> de medidas, por<br />
exemplo, medidas em todos os graus de liberdade. As anteriores razões dificultam<br />
muito o uso de técnicas clássicas de otimização para resolver o problema DD. A tabela<br />
1 mostra uma comparação entre métodos tradicionais e algoritmos heurísticos para<br />
solução de problemas de detecção de dano.<br />
Cadernos de Engenharia de Estruturas, São Carlos, v. 10, n. 46, p. 111-126, 2008